新型盾构刀具检测技术

针对声发射信号研究中声发射的有效信号特征如何区分、如何利用声发射多特征信息进行状态评判问题,以盾构岩机作用试验平台为研究背景,采集不同磨损程度的盾构滚刀声发射信号,将自适应滤波降噪及声发射检测结合用于盾构刀具检测;利用信息熵多特征融合技术评估刀具状态建立信息熵刀具磨损状态评估曲线,据刀具多特征融合后的信息熵及刀具磨损状态数据库可清楚了解盾构刀具磨损状况。     

基于尺寸效应的微径铣刀磨损预测模型的建立与实验研究

刀具磨损是影响微细铣削加工的重要因素之一,将材料的本构模型与Usui刀具磨损模型相结合,并考虑到微细加工中存在的尺寸效应,提出一种新的刀具磨损预测模型,采用有限元仿真和物理实验的方法确定硬质合金刀具铣削碳钢时刀具磨损预测模型中的相关参数,并进行了实验验证。为了更直观的观察、预测刀具磨损情况,将该模型应用于微细铣削仿真过程中,可求得任意时刻刀具的磨损及几何轮廓。为微细铣削中刀具磨损的研究提供了新的方法。     

刀具磨损监测系统的实用化研究

为了实现刀具磨损监测系统的工业应用,根据常规的刀具磨损检测理论,通过对大量不同状态的实验数据进行分析,提出了刀具磨损监测系统的实用化模型,并将其应用于车床的刀具状态监测.实验结果与工具显微镜离线测量数据吻合,表明提出的监测模型有效地实现了多种加工方式、任意加工条件、任意工件及刀具组合的刀具状态监测.     

基于改进CRITIC法的TBM刀具声发射信号研究

针对地下施工中TBM(Tunnel Boring Machine)刀具磨损更换频繁且缺乏有效方法对其状态进行评估问题,将声发射技术用于TBM刀具检测,以TBM模态掘进试验台为对象,采集不同磨损程度的滚刀声发射信号研究声发射单特征参量及多特征参量对滚刀磨损状态趋势评估影响,提出基于改进CRITIC声发射多特征融合刀具状态评估新方法。滚刀磨损量测试表明,改进CRITIC声发射多特征融合后所得评估值对刀具磨损信息更敏感,能有效评估及预测刀具磨损状态,可为TBM刀具现场检修、保养提供指导。     

基于多通道一维卷积神经网络的刀具磨损动态预测模型EI北大核心CSCD

针对同一工况下不同刀具磨损预测建模中的数据分布不同,从而导致的历史模型失效问题,提出了一种基于多通道一维卷积神经网络的刀具磨损动态预测建模方法。历史刀具磨损数据训练的多通道一维卷积神经网络,作为初始的刀具磨损预测历史模型。最大均值差异(maximum mean difference, MMD)法对不同刀具磨损数据进行相似度检测,当相似度相差较大时,在历史模型的基础上进行迭代更新,更新后的模型再对磨损数据进行预测。铣削试验验证结果表明,该方法能够准确预测不同刀具的磨损值大小,具有较好的自适应能力。     

接触式刀具破损检测器BK_Mikro_9在卧式加工中心上的应用

切削加工中由于机械摩擦和高温产生的刀具磨损会对产品带来加工误差,使用传统的机床内刀具破损检测器由于检测过程在机床加工区域内部,检测和工件加工不能同时进行。通过使用接触式刀具破损检测器BK_Mikro_9,可以将检测工作放在刀库侧换刀间隙时进行,在保证了加工精度的同时节约了刀具检测时间,从而提高了加工速度。     

芳纶纤维复合材料高速钻削刀具磨损机理研究

目的 研究高转速条件下芳纶纤维复合材料（AFRP）钻削过程中刀具的摩擦学行为。方法 采用TiAlN涂层超细微碳化钨晶粒麻花钻对芳纶纤维复合材料进行高速钻削试验。首先,研究整个寿命阶段刀具后刀面磨损规律。其次,观察分析刀具磨损处的微观形貌,深入研究刀具的失效形式与磨损机理。结果 刀具磨损可分为3个阶段,分别为初期磨合阶段、稳定磨损阶段、急剧磨损阶段,各阶段磨损速率各不相同,稳定磨损阶段最小,急剧磨损阶段最大。涂层刀具的失效形式为涂层与基体材料剥落以及后刀面磨损,磨粒磨损为主要的磨损形式,同时伴随着不同程度的粘结磨损和氧化磨损,使后刀面形成诸多凹坑和划痕。结论 丰富了复合材料高速钻削中的刀具磨损机理,并为钻削刀具的选用及性能优化提供理论与试验依据。     

一种新型TBM刀具磨损检测技术

随着隧道及地下空间工程的发展,TBM工法被越来越多的使用。针对TBM施工中刀具磨损更换频繁且缺乏有效方法对刀具状态进行评估问题,以TBM模态掘进试验台搭载的不同刀具为研究对象,将声发射检测、自适应卡尔曼(Kalman)滤波和一种改进的信息熵值赋权模型应用于TBM刀具状态评估和检测,基于自适应卡尔曼滤波和改进信息熵值模型的声发射多散点多参量权重融合法可有效地反映出刀具的不同磨损状态,可为TBM刀具现场检修和保养提供参考。     

刀具磨损对于单点金刚石切削单晶硅的影响（英文）

单点金刚石切削(SPDT)是加工单晶硅最常用的方法,刀具磨损是影响加工表面或工件表面质量的重要因素,但是其中的磨损机制尚不清楚。为了研究刀具磨损对于切削机制的影响,本研究建立了单点金刚石切削单晶硅的分子动力学(MD)仿真模型。仿真结果表明随着刀具磨损程度的增加,切削力、表面损伤层厚度、位错分布面积、剪切变形和相变程度均增加。当使用已经磨损的刀具切削单晶硅时,挤压起主要作用,当使用未磨损刀具时,剪切变形起主要作用,工件表面损伤层主要是由硅的非晶相组成,使用磨损的刀具时产生的轴向力F_t约是未磨损刀具的四倍。模拟结果同时表明使用未磨损金刚石刀具时会导致工件发生塑性变形,当刀具发生磨损后切削过程中会伴随有脆性断裂。     

切削SiC增强铝基复合材料时刀具的磨损形态及机理

为研究切削SiC增强铝基复合材料时刀具的磨损形态和机理,采用硬质合金和聚晶金刚石(PCD)刀具进行了各切削工况下的切削试验。用爆炸式快速落刀装置获取切屑根,研究了前刀面的磨损部位。借助扫描电子显微镜(SEM)和原子力显微镜(AFM),检测分析了前、后刀面的磨损形态和成分组成,并进一步研究了磨损机理。结果表明:切削刀具的主要磨损部位发生在后刀面,磨损机理是磨料磨损;前刀面临近刃口区域首先产生由SiC增强相引起的磨料磨损,该区域随后由机械镶嵌生成积屑瘤,积屑瘤脱落后导致产生黏结磨损。黏结磨损的程度较轻,没有形成月牙洼型。前刀面离刃口稍远的区域(积屑瘤尾部后面)会同时产生由切屑底层SiC增强相引起的再次磨料磨损,磨料磨损的主要机理是"微切削"。     

声发射和小波包分解技术在刀具磨损状态中的应用

随着现代加工工业的发展,对刀具磨损的监测在保障生产安全和产品质量中发挥着越来越重要的作用。声发射技术是刀具磨损监测的一种新方法。在车削加工过程中采集声发射信号,用声发射信号对刀具磨损状态进行识别。利用小波包分解技术对信号进行分析,得到有效的特征量作为BP神经网络的输入样本,并对网络进行学习训练,完成对刀具磨损状态的有效识别。     

基于广义分形维数的刀具磨损状态监测

根据多重分形理论,提出一种刀具磨损在线监测方法。采用覆盖法计算了切削加工过程中声发射（AE）信号的广义维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损状态间的关系。计算了AE信号广义维数特征距离及广义维数相关系数,通过比较各广义维数相关系数的大小,对刀具磨损状态进行了决策分类。实测信号验证结果表明,运用该方法可以对刀具磨损状态进行有效识别。     

面向刀具磨损在机检测的机器视觉系统

针对数控机床加工环境,就如何快速定量检测刀具磨损状况的问题,开发在机环境下的机器视觉检测装置。根据图像灰度分布区域差异性特点,提出基于8连通邻域搜索的交互式刀具磨损提取算法。实验结果表明:该检测方案误差可控制在5%范围内,能够满足机械加工的要求。     

基于信息融合的刀具磨损状态智能识别EI北大核心CSCD

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

基于信息融合的刀具磨损状态智能识别

采集声发射和振动加速度信号,搭建了数控车床刀具磨损状态多信息数据采集系统;用正交试验法采集相关数据并分析了不同切削条件、不同刀具磨损程度下数控车削加工过程中的声发射和振动信号;用小波包分解法提取了声发射和振动信号的最佳特征频段作为识别刀具磨损的特征参量,采用BP神经网络将数控切削过程中刀具磨损的声发射与振动信号特征信息进行融合,研究了数控车削刀具磨损状态的智能识别技术。     

基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测

针对刀具磨损过程中产生的非平稳性信号,提出了基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测方法。首先,利用变分模态分解对采集的声发射信号进行分解,获得一系列分量;其中部分分量跟磨损状态相关,部分分量是干扰噪声。为此根据分解后分量与原信号的互信息值提取出敏感分量;利用刀具信号特点确定关联维数的时延参数和嵌入维数,计算敏感分量的关联维数并组成特征向量;最后,将刀具不同状态的特征向量输入相关向量机进行训练与测试,从而实现对刀具磨损状态的监测。实验结果表明,该方法能够有效地识别出刀具磨损过程中不同的工作状态,且分类准确率较经验模态分解好。     

炭/炭复合材料切削加工试验研究

探讨了Ｃ／Ｃ复合材料结构和机构物理性能的特殊性及机构切削加工的特点。用ＳＥＭ观察了不同切削条件下切屑的断口形貌。用５种不同的刀具材料、刀具角度及几何开头相同的刀具，在一定的切削工艺参数条件下，对该材料进行切削试验，以刀具有前刀面和／或后刀面的磨损率为判据，最佳刀具材料为ＹＧ８，在切削Ｃ／Ｃ复合材料的过程中，轨具的磨损极为严重，刀具磨损的主要机理是粘着磨损和磨粒磨损。     

基于切削声发射信号测量的刀具磨损状态判别

针对刀具磨损状态判别方法在变化的加工条件下判别正确率低的问题,通过实时采集刀具的切削声发射信号,提出了一种自适应获取声发射信号中刀具磨损状态特征的方法和基于磨损状态特征数据序列之间灰色关联分析结果的刀具磨损状态判别方法。以4把WNMG080408-TM T9125型号车刀在ZCK20数控车床上进行了车刀的切削磨损实验和磨损状态判别,实验结果表明:该方法能够自适应获取车刀的磨损状态特征,车刀的磨损状态判别结果与实际相符,具有较高的判别正确率。     

铣削GH4169高温合金用刀具的磨损机理

采用肯纳KYHS10陶瓷刀具对高温合金GH4169进行了高速铣削加工试验,结合Dino显微镜和扫描电镜观察了陶瓷刀具在高速铣削加工后的磨损形貌,并分析了在不同的切削参数下的刀具磨损机理。试验结果表明:陶瓷刀具的磨损形貌主要表现为沟槽磨损、前刀面月牙洼磨损、后刀面磨损、微崩刃和剥落等,主要的磨损机理为黏结磨损、扩散磨损、磨料磨损等,并且在不同的切削参数下磨损机理不同。黏结磨损随切削速度的提高逐渐加剧,磨粒磨损随切削速度的提高而下降。     

刀具磨损声发射信号小波分析中小波基的选取

针对在用小波理论分析刀具磨损声发射（AE）信号时选取不同的小波基对分析结果有重要影响的问题,通过对小波基性质和刀具磨损AE信号特点的研究,从理论上分析了小波分析中刀具磨损AE信号处理中小波基选取的方法。在试验验证过程中,根据信号在小波包分解前后遵循能量守恒的原理,用四种小波基对刀具磨损AE信号进行三层小波包分解。以经小波包分解后AE信号各频带上的频带能量为特征参数,比较四种情况下特征参数的变化,验证了理论分析的正确性。