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。     

云边端协同的机床刀具故障智能诊断系统研究

为提高机床刀具磨损故障诊断精度,借助三轴加速度传感器采集机床刀具磨损振动数据,并以此为基础,提出一种基于长短时记忆网络与多尺度卷积神经网络集成的机床刀具故障诊断算法,挖掘机床刀具在不同故障模式下的空时域多尺度特征,实现机床刀具磨损状态的精准识别。同时,为满足实际产线对故障诊断的高实时性要求,设计一种适用于机床刀具故障诊断的云边端协同架构,通过底层产线、边缘节点与工业云平台的高效协同,实现机床刀具故障的及时预警。研究结果表明,所提云边端协同的机床刀具故障智能诊断系统可实现机床刀具磨损状态的精准识别,同时可缩短故障诊断任务的完成时间。     

基于正交试验的铣削振动影响因素分析

切削振动对零件加工表面质量影响较大,为了控制切削振动,提高加工表面质量,利用正交试验进行不同工艺条件下的铣削试验,采集振动信号并提取信号特征值,通过方差分析等方法研究铣削参数和刀具磨损对铣削振动的影响规律,确定影响铣削振动的显著因素,为切削振动控制研究及铣削工艺参数的合理选择提供理论参考。     

基于模糊聚类的数控车削加工刀具磨损检测研究

将模糊聚类分析原理应用于数控车削加工刀具磨损检测,对数控车削加工刀具磨损的各阶段力信号和振动信号进行采集,通过小波滤波及功率谱的谱分析,找到车削加工过程中刀具磨损的典型参数变化。通过提取信号特征值进行模糊聚类,实现了数控车削加工刀具磨损的状态识别。     

基于长短期记忆神经网络的刀具磨损状态监测

刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。     

重型切削加工刀具失效监控系统的开发

以汽轮发电机转轴铣削加工监控为切入点,基于机床主轴电机电流和主轴振动加速度的信号采集方案,研究刀具失效监控信号的预处理,特征值的提取和刀具状态实时辨识等关键问题的解决方法,并完成重型加工刀具失效监控装置开发。生产实践证实了此装置的先进性和有效性,可以在重型切削领域推广应用。     

基于声发射的高速铣削刀具故障诊断

提出了一种利用声发射信号监测高速铣削刀具故障的方法。采用声发射参数分析法,确定总事件计数、总振铃计数、总能量和RMS作为刀具故障诊断的特征参量。基于LABVIEW编程模块提取其统计特征参量,实验表明这些信号特征值能有效地用于高速铣削过程中的刀具故障诊断。     

异型螺杆铣削过程刀具磨损状态检测研究

针对异型螺杆铣削加工，采用振动信号特征值作为检测刀具磨损的参量。利用小波分析构建滤波器组，对振动信号进行多尺度分解和多分辨率逼近，提取出刀具磨损特征信号。特征信号处理结果反映了刀具磨损变化规律，振动幅值大小反映了刀具磨损状况，从而实现了刀具磨损状态在线实时检测。     

异形螺杆铣削过程刀具磨损建模研究

介绍了一种螺杆铣削过程刀具磨损建模的方法。该方法针对螺杆加工中变切削参数的工况，提取了振动信号和功率信号的刀具磨损特征值，并建立了信号特征值与刀具磨损量之间的映射关系，从而得到刀具磨损模型。实验证明，由此建立的刀具磨损模型。能够排除切削参数变化的干扰，可以较好地反映加工中刀具磨损状态。同时也为具有时变切削参数特性的加工过程刀具磨损状态监控提供了新的研究方法。     

电流与振动信号融合的转子系统故障诊断研究

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明:与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。     

深孔加工刀具状态监测的研究

通过应变式传感器和振动传感器采集力与水平振动信号 ,提取了切削力信号的四阶中心矩和水平振动信号的特征频率谱峰 ,并将模式识别技术应用于刀具状态监测 ,利用感知器算法得到刀具状态的分类函数进行刀具状态识别 ;试验结果表明 ,该方法具有较高的识别精度和较强的抗干扰能力     

用故障诊断方法判断机床主轴轴承的工作状态

阐述了利用轴承振动信号可判断机床主轴轴承的工作状态，通过频谱分析可对轴承进行故障诊断及预紧力确定；应用B＆K2148采集振动信号，MATLAB进行数据处理，对CKS6116型机床主轴前轴承进行了故障诊断与预紧力分析并取得了满意的效果。     

基于功率谱特征分析的立铣刀磨损实时监测方法

为了从拾取的振动信号中获取刀具的磨损状态,比较了ChebyshevⅠ型滤波器和Butterworth滤波器的振幅特性,对所获信号进行降噪滤波,并对滤波后的信号进行频谱分析。经分析发现,刀具在不同磨损阶段其基频信息和倍频特征有较大变化,利用自相关函数对其进行功率谱分析后发现,刀具急剧磨损时功率谱幅值特征较初期磨损和中期磨损阶段变化显著,可以作为刀具磨损程度的特征值指标,该特征值可用于在线监测刀具的磨损故障。     

EMD-AR谱分析和SVM的变速箱故障诊断

针对特种车辆变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,将EMD分解和AR谱估计相结合,应用于变速箱故障诊断中.首先,在自行搭建的实验台上采集变速箱正常、轴承间隙故障、外环压痕、齿轮断齿4种典型状态下的振动信号;然后采用EMD-AR谱进行分析,对比不同状态下信号前6个IMF分量的AR谱,再提取EMD-AR谱能量特征值,将特征值输入到构建好的SVM分类器中,根据输出结果识别变速箱的故障类型.结果表明,该方法能有效应用于特种车辆变速箱故障诊断,诊断正确率达到94.5％,为其他特种变速箱诊断提供了一种有效的参考途径,有一定工程实用价值.     

滚动轴承故障信号提取方法的研究

滚动轴承的检测与故障诊断中主要应用的是振动分析法。采集轴承的振动信号,利用信号处理方法提取不同工作状态下信号的特征,通过这些特征,采用模式识别方法识别轴承状态,其中信号特征提取和状态识别是关键。本文研究了滚动轴承振动信号特征提取的主要方法。     

精密数控机床铣刀故障监测方法的研究

刀具在加工过程中不可避免的存在着磨损和破损现象,刀具的消耗直接导致工件精度下降和生产成本增加。开展了一系列实验,深入研究刀具状态监测方法,构建了新型铣削过程刀具磨损监测试验系统。通过振动传感器和声发射传感器对铣削过程中不同磨损程度刀具的信号进行检测、采集、分析。选择对刀具磨损状态反映敏感的特征量。采用BP神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系。     

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。     

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。     

面向钻削过程监测的振动信号处理及状态分类

易变形结构在钻削过程中因受力而产生形变,不能根据刀具的钻削距离判断刀具所处状态.钻削过程中刀具切入易变形结构不同的位置会产生不同幅度的振动,通过对加速度传感器采集到的振动信号进行快速傅里叶变换(fast Fourier transform,简称FFT),将钻削过程分为5个状态.通过计算系统基频整数次谐波分量幅值的变异系...     

基于PSO优化的小波神经网络在刀具磨损识别中的应用

刀具状态监控是保证自动化加工顺利进行的重要环节,本文针对切削加工中功率信号的获取,以及反映刀具状态的信号特征抽取的问题,设计了采集功率信号,利用小波包分解的方法抽取反映刀具磨损状态的特征值作为神经网络输入值,采用神经网络对特征值进行训练,然后借用粒子群算法(PSO)算法优化神经网络及其结构的方法,获得了结构简单、准确性高、实时性好的神经网络,仿真和试验表明该方法对特征信号反映灵敏,对切削参数的变化不敏感,能够准确反映刀具的磨损状态。