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LabVIEW的刀具磨损在线监控系统

自动监测刀具磨损、分析刀具磨损状况是FMS和CIMS中迫切需要解决的词题。文章在LabVIEW技术的基础上，实现了机床主轴电动机电流信号的采集、存储和分析；在线监控电流的变化情况，反映出了刀具的磨损状况，提出了主轴电流与切削参数之间的数学模型。并用试验验证了该系统的有效性和实用性。     

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.     

BFA优化EEMD的刀具故障诊断

为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法。首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断。通过对刀具实验数据的分析,验证了此方法的可靠性和准确性。     

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。     

基于人工神经网络的变切削条件下钻头磨损监控

基于人工神经网络变切削条件下的钻头磨损监控系统，以机床主轴和进给轴的电机功率（电流）信号的为监控信号，并通过机床的速度向量识别机床的加工状态；通用对监控信号的提取和预处理，得到人工神经网络模型的输入（有效切削功率和切削用量）用３层ＢＰ网络对钻头的磨损量进行预报。     

基于cGAN的刀具磨损状态监测数据集增强方法

在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。     

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。     

卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。     

异形螺杆数控铣削刀具磨损智能建模研究

介绍了一种在线估算螺杆数控铣削中刀具磨损量的新方法。该方法基于螺杆铣削过程变切削参数的工况,提取了振动信号和功率信号的刀具磨损特征值,基于自适应神经—模糊推理系统建立了刀具磨损数学模型。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,可以较好的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。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

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。     

HMM技术在数控镗刀状态监测中的应用

通过对声发射传感器采集的刀具磨损状态信号进行分析,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用HMM进行信号处理。建立了检测镗刀刀具状态的监测系统。实验结果表明,该监测系统在刀具的正常磨损阶段,可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法能够进行实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。     

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。     

基于智能报警的刀具状态在线监测技术

为了提高机床加工过程中刀具磨损的监测能力,选择主轴电流和进给电流为主要信息,基于小波分解及软测量模型进行电流信号的多特征提取,从加工进给和主轴驱动两方面反映刀具磨破损信息;在此基础上,基于Parzen视窗法进行多特征信息的数据融合,构建智能报警模型,并依据拉依达法则确定报警边界,从而实现刀具状态的智能报警.将该技术应用到机床的加工中,实验证明可以实时地监测刀具运行状态并进行磨破损报警.     

基于铣削噪声的刀具状态监测研究

建立了基于铣削噪声的刀具状态监控系统,以研究铣削过程中不同主轴转速、进给速率对刀具磨损状态的影响。试验表明,在2kHz~3kHz频率范围内,切削噪声与刀具磨损有着很好的相关性。在给定加工条件下,该系统能有效识别和预测刀具磨损状态。     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

基于云模型和稀疏贝叶斯技术的刀具磨损状态识别技术研究

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,提出采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,采用两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法能够科学地耦合两种信息,并提取信号中反映刀具磨损量的特征因素;使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高了刀具磨损监控的效率和准确性。