基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

基于卷积神经网络的铣刀后刀面磨损状态预测方法研究

为了监测高温合金材料加工时的铣刀后刀面磨损状态,提出了基于卷积神经网络的刀具磨损状态预测方法,建立了基于机床主轴电流与功率信号实时监测的刀具磨损状态预测系统。通过建立与机床数控系统的通信,采集加工过程中的电流和功率信号,采用主成分分析法(PAC)对采集的参数进行特征提取,选择对刀具磨损值影响较大的主成分作为卷积神经网络的输入,实现对刀具磨损状态的准确预测。铣削实验结果表明,该方法具有较高的预测准确率。     

盘形成形铣刀的刀具磨损故障诊断方法研究

通过分析高速铣齿机的盘形成形铣刀及其铣削过程的特殊性、刀具磨损的信号采集和处理方法.选用电流法监测数控铣齿机的主轴电动机电流,采用BP神经网络方法对信号进行处理,最后实现对盘形成形铣刀的刀具磨损诊断.经实验证明,该铣刀的电流监测和基于BP神经网络数据处理的方法具有良好的诊断性能.     

枪钻的刀具磨损及监测技术

综合国内外研究现状,介绍了枪钻的基本结构和加工系统,总结了枪钻加工过程中刀具磨损的主要形式:扩散磨损和粘结磨损,分析两种磨损形式的机理。阐述了枪钻加工过程中刀具监测技术,目前主要通过采集力、扭矩和声发射信号对刀具状态进行监测,声发射信号等可以对刀具磨损状态进行表征,提出了抑制枪钻磨损方法以及监测技术的发展趋势。     

铣削覆膜砂用微型硬质合金铣刀磨损规律的研究

针对覆膜砂复杂铸型铣削加工过程中的刀具磨损问题,以刃口覆Ti Al N涂层的钨钴类硬质合金整体式微型平底铣刀铣削覆膜砂作为试验对象,使用光学影像测量仪观察并分析了刀具在各个磨损阶段的形貌特征及变化,确定了刀具最终的磨损状态。对刀具磨损处进行能谱分析发现,在磨损过程中出现了大量的涂层脱落。利用双对数线性方程对试验数据进行分析得到了铣削覆膜砂时微型硬质合金铣刀寿命与主轴转速之间的对数方程。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于主轴电流和振动信号的数控机床刀具磨损在线预测

为了实现数控机床加工过程中刀具磨损状态的在线预测，提高数控机床智能化水平，提出一种基于主轴电流和振动信号的数控机床刀具磨损在线预测方法。这一在线预测方法采集能够反映刀具磨损状态的主轴电流和振动信号，对信号进行频域、时频分析处理，采用小波包分解和经验模态分解两种方法进行特征提取，得到与刀具磨损状态变化密切相关的特征值，按照递增或递减趋势进行保序回归操作，使用指数平滑方法进行平滑处理，由此建立基于遗传算法参数寻优的支持向量回归模型，用于预测刀具磨损量。试验及应用表明，应用这一在线预测方法，刀具磨损预测的平均误差在25μm以内，满足企业加工要求。     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

数控加工石材时加工参数对金刚石铣刀耐磨性影响实验研究

为确定合理的加工参数,提高加工效率,采用正交法设计实验参数,在数控机床上研究了铣削石材时各加工参数对金刚石刀具磨损量的影响.金刚石铣刀采用热压成型法制造,金刚石铣刀磨损表面采用 Leica MZ95 体式显微镜分析.结果表明,影响金刚石铣刀磨损量的主要加工参数是切割深度,其次是进给速度,刀具主轴转速影响最小.刀具底面的磨损比侧面严重,底面金刚石主要以脱落为主,侧面金刚石磨损以冲击破碎为主.     

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。     

基于主轴驱动电流杂波的立铣刀复杂工况下磨损状态辨识

为保证刀具寿命并控制工件废品率,提出一种通过提取主轴驱动电流信号中因刀具磨损和振动异常激发的杂波信号,并利用卷积神经网络实现立铣刀磨损状态辨识的方法.该方法基于刀具磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果,利用傅里叶级数拟合将电流波形分解为反映电流有效值准静态变化的谐波成分和反映立铣刀刃口和后刀面磨损状态以及振动异常的电流杂波信号,然后将电流杂波信号输入到卷积神经网络中进行立铣刀状态特征提取和分类.实验结果表明,该方法可排除切削振动和切削参数对刀具磨损状态辨识准确性的影响,能够实现复杂工况下立铣刀磨损状态的准确辨识,为预测立铣刀剩余寿命和科学制定立铣刀更换规则打下基础.     

基于BP神经网络的盘形成形铣刀的刀具磨损诊断研究

通过电流法监测数控铣齿机的主轴电动机电流,采用BP神经网络方法应用于盘形成形铣刀的刀具磨损诊断,找到BP神经网络的输入特征向量以及对应的目标向量,设计BP神经网络,实现对盘形成形铣刀的刀具磨损诊断。     

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求，提出一种GAF-CNN方法，对铣刀的力信号进行格拉姆角场处理，以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入，进而识别出刀具磨损的3种状态。经过实验，GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后，将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示，提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率，证明了该方法的可行性。     

模糊模式识别在铣刀磨损监测中的应用

本研究通过分析铣刀渐进磨损过程的特点,从切削力、主轴端振动位移、主轴端振动加速度和主轴电机功率等信号中提取了8个反映刀具磨损状态的特征参数,提出用模糊模式识别多传感器信息融合技术监测铣刀后刀面磨损带宽度。在立式加工中心上的实验表明,模糊模式识别多传感器信息融合技术能够满足铣刀磨损监测要求,具有较强的有效性和工程实用性。     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

考虑电流和振动的涂层铣刀磨损规律实验研究

随着切削技术向着高速、高效和干式加工等方向发展,刀具涂层和切削状态监测技术成为影响切削技术发展的主要因素,研究刀具涂层以及刀具磨损引起的切削状态改变对促进制造业发展具有重要意义。利用铣削实验得到了相同切削条件下,不同涂层的3把硬质合金刀具的加工磨损情况。通过分析各个刀具磨损过程中铣削力信号、主轴电流信号以及切削振动信号的变化,得到了无涂层、Ti Al N涂层以及Al Ti N涂层刀具在切削过程中表现出的磨损规律。结果表明:Al Ti N涂层的耐磨性能更好,3把刀具的主轴电流有效值和切削振动信号质心频率的变化均有效反映了刀具磨损情况。在立铣加工过程中,可以将上述两种特征值用于刀具磨损实时在线监测。     

长度分形维数在微铣刀磨损状态识别中的应用

针对微铣刀磨损状态在线检测提出了一种新的方法。首先,通过采集待测刀具的铣削振动信号,并采用长度分形维数法提取其特征参量,同时设定微铣刀不同的磨损状态作为参考样本;然后,采集不同样本的多段时域信号,并提取特征参量,进而根据区间估计法确定参考样本的聚类域;最后,将待测刀具的特征参量与参考样本的聚类域进行比较来判断刀具的磨损状态。基于自行研制的微型三轴立式机床,对上述方法进行了实验验证。首先,确定了微铣刀后刀面刀尖处的最大磨损深度分别为0,5,10,15,20和45μm以及主切削刃崩刃7种参考样本下的长度分形维数聚类域;然后,分别提取10把待测刀具的分形维数特征参量,并与7个参考样本的聚类域进行比较。实验结果表明,各个待测刀具的特征参量均落在其实际磨损状态所对应的聚类域内,故采用长度分形维数的方法检测刀具磨损状态切实可行。     

基于HHT算法与主轴功率信号的刀具磨损状态在线监测

对刀具磨损状态进行在线监测是提高加工效率、改善产品质量的重要途径,提出了一种基于希尔伯特-黄变换(HHT)和机床主轴功率信号的刀具磨损状态在线监测方法,并设计了六组实验用于研究切削用量、工件材料、加工方式等因素对该方法监测精度的影响。实验结果表明,在不同加工工况条件下,基于希尔伯特-黄变换和主轴功率信号构造的磨损系数与刀具的实际磨损量均有较高的相关性,相关系数约为0.85,最高可达0.98,即所研究的因素对该方法监测精度影响较小。表明文章提出的刀具磨损状态在线监测方法具有良好的可行性和适用性,能够满足工业中的应用需求。     

减振铣刀切削TB6钛合金的磨损试验分析

从刀具耐用度、磨损速率和磨损形貌三个方面,对标准铣刀、变螺旋角和变齿距减振铣刀切削钛合金TB6过程中铣刀的磨损情况进行研究,旨在分析刀具几何结构对铣刀磨损的影响。通过分析三种铣刀的耐用度,研究切削速度和刀具几何结构对铣刀耐用度的影响;通过分析三种铣刀的磨损速率,研究刀具几何结构对铣刀正常磨损阶段耐磨程度的影响;通过观察三种铣刀后刀面的磨损情况,分析刀具几何结构对铣刀磨损形貌的影响。试验结果表明:刀具几何结构对铣刀耐用度、磨损速率和磨损形貌具有重要影响。