基于数字孪生的刀具磨损监测和预测方法研究

利用数字孪生方法建立了刀具磨损监测和预测模型,并利用实际测量得到的数据对算法进行验证。首先,在理论方面归纳总结了数字孪生模型的基本理论和实现方法,主要包括几何、物理、行为以及规则4种子模型。其次,以随机森林算法为基础,实现了刀具磨损与预测数学模型的搭建,主要改进点为利用特征向量的表示优化随机森林算法。最后,利用实验数据验证该算法。结果显示,该算法提升了刀具磨损预测的准确率。     

刀具极限磨损破损在线实时监测

提出了一种监测刀具极限磨损和破损的新方法－多参量综合监测法。设计了监测线路，对电网电压进行了监测，自动减去首切电流，用声发射ＡＥ，电机电流对刀具极限磨损和破损进行综合判别，拓宽了监测范围。提出了抗干扰能力，系统具有高的判别成功率。钻削加工总体判别成功率达９６。２％，车削加工判别成功率为９６．７％。     

基于云计算的刀具状态监测数字孪生系统研究

数字孪生连接物理世界与信息世界,可实时仿真物理系统,并提供预测结果,为优化决策提供参考.对基于云计算的刀具状态监测数字孪生系统进行研究,提出了基于核主成分分析和极限学习机的刀具磨损状态智能监测算法.对基于云计算的刀具状态监测数字孪生系统架构进行了介绍,对刀具磨损状态智能监测算法进行了分析,并通过试验确认基于云计算的刀具...     

刀具切削变工况数字孪生模型构建方法

针对历史工况条件下建立的刀具数字孪生模型对新工况监测的准确度降低,且新工况下缺乏足够训练样本重新训练模型的问题,将深度迁移学习策略引入刀具数字孪生模型,建立刀具切削变工况数字孪生模型。该模型基于边缘分布适配规则,使模型学习到分布相似的源域数据特征和目标域数据特征,只需较少的目标域样本即可将源域训练好的模型迁移到目标域进行监测,从而提高刀具数字孪生模型在目标域的监测精度和适应性。实验验证,相比未引入迁移策略的模型,所建模型能够提高变工况条件下的磨损监测精度和对新工况的泛化能力。     

刀具磨损的在线监测──切削功率监测法

针对切削机床的切削刀具磨损，提出一种实时监控方法──切削功率监测法。本法简单易行，无需改动机床结构，是一种较有潜力的监控方法。对该法的理论基础进行论述，建立数学模型，并给出实验验证结果。     

数控机床刀具磨损在线监测建模与研究

通过对数控机床刀具在线磨损状况进行分析,构建了一种在线监测刀具磨损的模型,文章阐述了该模型的在线监测原理,并对其必要技术进行了研究分析.     

基于数字孪生的码垛机器人工作站在线监测研究

采用数字孪生技术对码垛机器人工作站进行研究,针对码垛机器人工作站的基本工艺流程,提出一种数字孪生模型构建方法,设计并完成了码垛机器人工作站在线监测系统,通过通信协议(Transmission Control Protocol, TCP)技术和机器人操作系统(Robot Operating System, ROS)共同完成物理码垛机器人工作站与虚拟码垛机器人工作站两者之间数据交互与实时通信,实现对码垛机器人工作站的工作状态进行可视化在线监测。研究表明,所构建的码垛机器人工作站孪生体可与物理实体实时随动,通过对物理实体工作状态的数据采集,完成实时可视化在线监测,保证了六轴协作臂对物块的抓取和定位准确率高达99.17%,可以进行准确的位置码放。     

数控机床刀具磨损监测方法研究

数控机床刀具磨损监测对于提高数控机床利用率,减小由于刀具破损而造成的经济损失具有重要意义.文章有针对性地回顾了国内外各种刀具磨损监测方法的研究工作,详细叙述了切削力监测法、切削噪声监测法、功率监测法、声发射监测法、电流监测法以及基于多传感器监测法等六种刀具磨损监测方法.本文通过比较各种监测方法的优缺点,提出基于多传感器监测法是数控机床刀具磨损监测方法的未来发展的主要方向.     

刀具磨损状态在线监测技术

通过对切削加工过程中声发射（ＡＥ）信号频域特改正的研究,指出了ＡＥ信号中与刀具磨损状态有关的成分在频域内的分布规律,在此基础上分析了ＡＥ信号的均方根值ＡＥＲＭＳ和振铃计数与刀具后面磨损量ＶＢ之间的对应关系,建立了一种基于ＡＥ信号能量的双阈值判断监测方法。试验表明该方法能很好地解决持定切削条件下刀具磨损的在线监测问题。     

铣削加工刀具寿命在线监测

根据主轴功率、功率波动量与刀具寿命的关系,提出了一种刀具在线监测和刀具寿命管理相结合的新方法,详细分析了刀具寿命预测模型,并用实验验证其可行性.     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

刀具磨损的在线检测/实时补偿方法

刀具磨损的在线检测/实时补偿技术是现代制造系统的关键性技术之一。本文分析了刀具状态在线检测的方法,深入研究了一种在线检测/实时补偿刀具磨损的方法——工件尺寸间接法。利用在线检测仪器测得被加工工件尺寸,和预先设定的工件尺寸进行比较后将差值反馈到CNC系统,CNC系统根据反馈结果对机床进给做出相应的调整,达到补偿刀具磨损的目的。     

刀具磨损识别方法的分析与研究

在对刀具磨损理论研究的基础上,提出了多种刀具磨损识别方法,为刀具磨损识别及切削过程在线监测提供理论依据。     

一种在线监测铣刀磨损量的新方法

提出了一种在线监测铣刀磨损量的新方法,该方法利用B样条神经网络建立不同刀具磨损状态下加工参数与切削力之间的映射关系。通过比较实时采集的切削力与不同刀具磨损值对应的切削力大小,可确定刀具的磨损状态,并利用建立的简化模型计算刀具的精确磨损值。试验结果表明,该方法消除了加工参数变化对特征的影响,简化了特征选取的方法,能够适应外部加工环境的变化,完全满足刀具状态监测系统的实用化需求。     

工况信息融合的神经网络刀具监控方法研究

基于加工过程中刀具产生的动态信号,利用BP神经网络多输入、多输出和非线性映射的特性,通过融合多种加工特征信号,建立了切削参数与加工动态过程之间的关系模型,实现了刀具在线加工状况的检测与预报。仿真结果表明,基于工况信息融合的神经网络刀具监控方法不但可以减少加工参数变化对刀具状态检测的影响,而且提高了在线检测刀具磨损量的精确度,验证了该方法的有效性。     

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。     

振动信号监测在刀具磨损故障诊断中的应用

以典型高档数控机床DL-20M H型车削加工中心为试验对象,采用加速度传感器对振动信号进行监测。信号分析过程中,应用时域分析、频域分析实现了刀具磨损量与振动信号的关联,解决了生产过程中由于刀具突然损坏导致的产品质量下降问题,从而降低生产成本。     

金属切削刀具磨损的监控和预报研究

介绍一种采用光电法直接测量刀具磨损值，用ＧＭＤＨ方法进行磨损规律的数学建模和寿命预报的方法，实验证明，该系统９２％的预防误差小于７．２％，使刀具使用寿命提高４３％以上。     

非接触式刀具磨损在线检测方法──光纤位移检测法

本文以光纤传导理论为基础，提出了一种非接触式刀具磨损检测方法—反射式光纤位移检测法。该方法以激光为光源，以光纤传感器为检测手段，以刀杆振动位移为检测对象，实现对刀具状态的跟踪检测。切削试验证明了这种方法的适用性和可靠性．