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。     

基于模糊小波极限学习机的刀具磨损状态识别

刀具磨损作为机械加工过程中的常见现象,直接导致了切削力增加、工件表面粗糙度恶化以及尺寸超差等不良后果,极大地影响加工效率.采集加工过程中切削力、振动及声发射信号,利用线性回归法对信号进行特征提取及降维;采用不同刀具的磨损数据训练模糊小波极限学习机(FWELM),降低加工过程的不确定性对识别模型的影响,并解决加工系统的信息模糊造成的建模困难问题,提升刀具磨损识别模型的泛化能力.利用标准刀具磨损数据集测试结果证明,基于FWELM构建的刀具磨损状态识别模型识别的每个刀具磨损阶段的准确率及总体识别准确率皆高于极限学习机构建的识别模型.     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

基于铣床主轴弯扭力学信号的铣刀磨损状态监测方法研究

为了及时检测出急剧磨损的铣刀,提高加工效率,保证工件精度和表面质量,设计了一种基于机床主轴弯矩与扭矩信号的铣刀磨损状态监测方法,利用主轴上的扭矩和弯矩传感器对加工过程中的刀具进行实时在线测量,并对采集到的数据进行处理。试验结果表明,将切削力信号融合提取特征作为输入信号,可以提高刀具磨损状态识别的准确性,能够直接和准确地反映刀具磨损状态。     

基于多传感器数据融合的刀具磨损状态监测研究

刀具磨损状态是影响加工质量和生产效率的重要因素之一,传感器、特征提取、信息融合和机器学习等技术的发展为刀具状态监测提供了新思路,然而,建立精度高、鲁棒性好的多传感器系统仍是刀具状态检测的难点。以涂层硬质合金刀具对难加工材料30CrMnMoRE的铣削试验为基础,通过对不同刀具磨损状态下的切削力和切削振动进行采集分析,并比较多种特征提取和模式识别方法,建立了一种更为可靠的铣刀状态监测系统,实现了对高强度钢切削时的刀具磨损状态识别。     

异构数据融合的CNC刀具磨损状态在线识别方法

针对CNC在线视觉识别刀具磨损状态信息源单一、易受干扰导致识别准确率低、可靠性差的问题,提出一种基于异构数据融合的识别方法。采用自主研发的在线视觉检测装置和TCP/IP通信技术,获取工件切痕图像和机床内置传感器数据;基于与磨损相关的异构数据特征信息,利用支持向量机构建初步识别模型;使用邓熵与加权证据理论融合初步识别结果,得到刀具磨损状态最终识别结果。研究结果表明,该识别方法对测试集的识别结果准确率达到100%,且识别结果的均方误差最小,有较强的抗干扰能力。     

基于模糊数据融合的控制棒包壳管磨损状态评估

核电站反应堆控制棒组件在服役期间与导向架摩擦造成包壳管外表面磨损,对反应堆的安全运行造成极大隐患,严重时甚至可能引起核安全事故。利用控制棒包壳管超声和涡流检测信息提取信号特征值对其磨损状态进行评估,因单一特征信号反映的控制棒包壳管状态信息存在局限性,采用模糊数据融合方法对超声、涡流检测特征信号进行融合,获得更加全面、准确的包壳管磨损状态。实验结果表明,基于模糊数据融合的包壳管磨损状态评估比单一传感器对包壳管磨损状态评估更为可靠。     

基于数据融合技术的发动机磨损模式识别方法

针对单一的智能模型在发动机磨损模式识别中的局限性,提出了一种基于数据融合技术的多模型磨损模式识别方法。它利用模糊优选模型、神经网络模型和灰色关联度模型等3种单一智能模型的识别结果作为信息源,经D-S证据理论对其进行融合得到最终识别结果。实际计算表明,该模型具有良好的通用性、适应性和容错性,比单一的智能模型具有更好的识别效果。     

基于特征自适应融合和集成学习的高性能铣削刀具状态监测

通过人工智能、工业大数据实时感知切削加工中的刀具状态是实现面向性能的制造的重要技术途径,也是高性能制造的关键内涵。然而,在目前的切削刀具状态监测算法中,特征提取过程多依赖于人工经验,这无疑限制了刀具状态监测技术的在高性能制造中的推广应用。因此,针对高性能加工监测中的自主性和准确性要求,基于特征自适应融合和集成学习技术,提了出一种面向高性能铣削的刀具磨损监测方法。所提出的监测方法能够根据特征的表现自动为其赋予不同的权重从而实现特征的自适应融合,同时利用AdaBoost集成学习算法,在自动融合特征的同时保证了状态监测精度。薄壁件铣削实验表明,监测结果与真实磨损间的RMSE和MAE值最大为10.44,最小可达5.16。所提出的方法能够自主、准确地监测航空类薄壁件铣削加工中的刀具磨损状态,解决了高性能铣削加工刀具磨损监测中的人工经验依赖问题。     

多传感器信息融合的加工过程状态监测研究

加工过程状态监测是实现加工状态智能监控的前提和基础。多传感器信息融合是集成多个传感器系统,采集表征加工状态的传感器信号,通过融合分析以预测或识别或诊断不同加工状态,提升被加工工件的表面质量、加工精度和加工效率。综合分析了多传感器信息融合的状态监测的原理及流程、应用多传感器信息融合的关键技术,综述了国内外研究学者应用多传感器信息融合对加工过程刀具状态(刀具磨损)、零件状态(表面粗糙度)、机床运行状态(故障状态)等目标状态进行监测的研究成果。最后归纳总结了目前多传感器信息融合应用在加工过程状态监测存在的问题,为加工过程数字化、网络化、智能化的研究工作提供坚实基础。     

Hybrid Learning for Tool Wear Monitoring

In automated manufacturing systems such as flexible manufacturing systems (FMSs), one of the most important issues is the detection of tool wear during the cutting process. This paper presents a hybrid learning method to map the relationship between the features of cutting vibration and the tool wear condition. The experimental results show that it can be used effectively to monitor the tool wear in drilling. First, a neural network model with fuzzy logic (FNN), responding to learning algorithms, is presented. It has many advantageous features, compared to a backpropagation neural network, such as less computation. Secondly, the experimental results show that the frequency distribution of vibration changes as the tool wears, so the r.m.s. of the different frequency bands measured indicates the tool wear condition. Finally, FNN is used to describe the relationship between the characteristics of vibration and the tool wear condition. The experimental results demonstrate the feasibility of using vibration signals to monitor the drill wear condition.     

刀具寿命诊断的神经网络技术

提出了一种刀具寿命的检测方法。该方法把模糊逻辑和神经网络结合起来，并用神经网络分解技术，建立了一上刀具状态识别网络。该网络适于进行多传感器刀具复杂状态的识别和分类，具有训练时间短，扫行速度快，可靠性高，抗噪能力强的特点。     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

基于模糊神经网络的深孔加工刀具磨损率预测

刀具的过快磨损不仅增大加工成本,也影响工件的最终加工质量,因此预测和减少刀具磨损率具有重要意义。由于BP神经网络本身容易陷入局部极小值、收敛速度慢等缺陷,且深孔加工过程及其复杂,无法建立加工中刀具磨损率与加工参数之间的准确数学模型,故采用模糊神经网络建立BTA刀具磨损率在线钻削模型。仿真和实验结果表明,该模型能有效预测BTA刀具磨损率,对提高刀具寿命和加工深孔的质量具有一定的意义。     

数控车床中车刀磨损量的在线获取方法

介绍了一种在线估算数控车床上车刀磨损量的方法。该方法通过实时采样切削过程中切削力的变化,并考虑切削用量,利用具有变因子BP学习算法和前馈感知器型神经网络,在线提取车刀的磨损信息。该方法利用一个静态神经网络和一个动态神经网络构成一个估计系统,动态神经网络用来估算车刀磨损量,静态神经网络为动态网络提供学习信息,从而保证在切削参数和切削条件变化时系统输出的准确性。     

Extraction Fuzzy Linguistic Rules from Neural Networks for Maximizing Tool Life in High-speed Milling Process

In metal cutting industry it is a common practice to search for optimal combination of cutting parameters in order to maximize the tool life for a fixed minimum value of material removal rate(MRR). After the advent of high-speed milling(HSM) pro cess, lots of experimental and theoretical researches have been done for this purpose which mainly emphasized on the optimization of the cutting parameters. It is highly beneficial to convert raw data into a comprehensive knowledge-based expert system using fuzzy logic as the reasoning mechanism. In this paper an attempt has been presented for the extraction of the rules from fuzzy neural network(FNN) so as to have the most effective knowledge-base for given set of data. Experiments were conducted to determine the best values of cutting speeds that can maximize tool life for different combinations of input parameters. A fuzzy neural network was constructed based on the fuzzification of input parameters and the cutting speed. After training process, raw rule sets were extracted and a rule pruning approach was proposed to obtain concise linguistic rules. The estimation process with fuzzy inference showed that the optimized combination of fuzzy rules provided the estimation error of only 6.34 m/min as compared to 314 m/min of that of randomized combination of rules.     

用模糊神经网络进行铣刀磨损状态识别

刀具磨损监测过程是一个模式识别过程,模糊推理和人工神经网络都是进行模式识别非常有效的办法,针对模糊系统和神经网络各自表现出来的不足,将模糊推理和神经网络结合起来,充分利用模糊系统在处理结构性知识上的优势和神经网络在自学习和并行处理上的能力,形成模糊神经网络进行刀具磨损在线监测识别.通过研究模糊系统和神经网络的结合形势,...     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。