模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法。尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果。为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino—Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较。实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值。     

基于样本聚类模糊神经网络的刀具磨损状态实时识别

利用一种根据K－means方法对样本聚类后建立的改进模型神经网络（MTFNN）模型,对刀具后刀面磨损量进行在线工况实时识别。仿真结果表明该工况辨识模型精度高,收敛速度快,实用性较强,适宜于复杂的,非线性加工系统建模。     

基于计算机视觉的刀具磨损状态识别技术

刀具磨损状态自动识别系统能够显著地降低制造成本,但是,只有很少的刀具磨损检测理论能够应用到工业实践中去,特别是基于声发射和切削力测量的间接测量技术。本文综述了作为直接测量技术的计算机视觉系统的优点和它的组成及对刀具图像进行处理的基本原理。     

刀具磨损状态综合识别系统

介绍一种以PC机为后台,以双单片机为前台的刀具磨损状态识别系统。并阐述了系统设计中的关键技术与硬软件工作原理。     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

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。     

基于差分进化小波神经网络的刀具磨损状态识别

提出应用小波神经网络进行刀具磨损状态识别的方法,给出了具体的识别流程。构建了小波神经网络,并实现了差分进化对网络参数的优化。通过检测加工现场的切削力和切削声音信号,将其进行信号处理后作为小波神经网络的训练样本,将差分进化应用于小波神经网络结构和参数的优化中,最终实现刀具磨损状态的识别。仿真结果表明差分进化小波神经网络能够有效避免神经网络不收敛的缺点,提高学习速度,采用差分进化小波神经网络进行刀具磨损状态识别,具有较高的诊断精度和效率。     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

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VC的车刀磨损实时监测和补偿系统的设计

介绍了以VC为平台设计开发的一套基于切削力信号分析与处理的刀具磨损实时监测和补偿系统。     

刀具磨损与切削用量关联度应用与试验研究

通过对 POLMAX 材质试件在不同切削条件下的加工试验,重点分析了涂层刀具的磨损形式,总结出了切削用量影响刀具磨损的规律。研究结果表明：YG 类涂层硬质合金刀具加工淬硬 POLMAX 不锈钢时,低速阶段主要表现为粘结磨损,高速阶段主要表现为氧化磨损与扩散磨损;切削用量中切削速度对刀具磨损影响最大,当切削速度较低时(小于50 m/ min)刀具磨损量几乎保持在同样的水平,而当切削速度达到120 m/ min 以上时,刀具磨损量急剧上升。     

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。     

以机器视觉为基础的刀具磨耗侦测系统研究

刀具的几何轮廓与工件加工精度有着密不可分的关系,若刀具因磨耗产生形状误差,会影响产品精度或造成产品品质不良,故需对其进行精确监控,以确保产品品质与精度。本文提出以机器视觉为基础的非接触式刀具磨耗侦测系统,针对常用的车床刀具加以探讨,运用数位影像处理方法,以视觉辅助系统测量刀具磨耗,解决了传统人工检测的安全性不足,避免了因刀具磨耗产生的形状误差而影响产品的精度与品质。     

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。     

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。     

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。     

压缩机状态实时监测系统的研制

以压缩机为监测对象提出了由数据采集模块、状态监测模块和故障诊断模块组成的分布式信息处理系统的构思 ,阐明了基于结构层次化和功能模块化的状态监测系统的软、硬件设计方案。整个系统具有高速度、高精度、多通道、大容量和高性能价格比等特点 ,可广泛应用于各类大型旋转机械的状态监测。     

刀具切削状态监控技术综述

介绍了国内外刀具切削状态监控技术的发展历程,分析刀具切削状态监控技术发展中存在的主要问题和取得的成果,认为切削力等间接参量不能直接、量化地表征刀具状态;切削温度能较直接地反映刀具状态,其信号也易于处理,抗干扰能力强;基于机器视觉的加工表面纹理能较好地映射刀具切削刃,但技术复杂;多参量的刀具切削状态综合表征应是未来的研究方向。     

基于振动法的刀具磨损状态监测研究

数控机床加工过程中,刀具是直接与金属材料接触并参与切削过程的工作部件。在金属切削加工过程中刀具不可避免地产生磨损现象,提高刀具使用寿命,降低因为刀具磨损而产生的损失,对刀具的工作状态实施监测意义十分重大。基于振动测试法的刀具磨损状态监测主要以采集到的振动信号作为依据,对振动信号作时域、频域和时频分析来提取有效的特征量,结合工件被加工表面的粗糙度情况以及刀刃的磨损状况,判断出在加工过程中刀具的实时磨损规律,实现刀具磨损程度的有效控制。