基于高斯过程潜力模型的刀具磨损预测

刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模，在切削参数变化的情况下其预测精度通常会变低。另一方面，数据驱动模型通过测量数据来估计刀具磨损，没有考虑刀具磨损机理，导致模型泛化性和结果可解释性较差。为了解决这些问题，提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模，建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别，而且挖掘了来自物理域和数据域的隐藏信息。此外，通过将物理模型与高斯过程的协方差函数相结合，构建了一个物理信息协方差函数来约束模型的输出，提高了预测精度。多工况试验结果表明，所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8，比传统数据驱动模型的预测误差要更小，预测精度进一步提升。     

PCBN刀具切削镍基高温合金刀具磨损的试验研究

通过PCBN刀具对镍基高温合金GH4169进行了车削试验,深入研究了切削时的刀具磨损形态及磨损原因,得出如下结论:通过试验观察看出刀具的磨损形态有前刀面磨损、后刀面磨损、沟槽磨损和刀具破损。其中沟槽磨损最为显著,是刀具失效的主要原因。沟槽磨损的产生原因主要有粘结磨损、扩散磨损和塑性侧流产生的切屑毛刺划擦作用,其中粘结磨损为磨损前期的主要原因,而扩散磨损是磨损后期的主要原因。     

高效切削铁基高温合金刀具磨损特性研究

传统刀具磨损评估标准并以其确定的刀具寿命有一定的局限性,不适用于不同几何角度和不同切削参数下刀具耐磨损性能的比较。本文以刀具磨损新特性—表面磨损率理论为基础,研究了车削铁基高温合金GH2132的刀具磨损特性,得出了最小表面磨损率和所对应的最佳切削速度及温度,为进一步研究加工该高温合金材料在优选刀具和切削参数,提高刀具寿命以及生产效率等方面提供了理论基础。     

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MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测，对加工过程的换刀和参数优化提供指导，提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法，建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号，运用时域、小波包分解和经验模态分解提取切削力信号特征，并利用MIC分析特征与刀具磨损的相关度来实现特征选择，避免预测模型的“维数灾难”。为提高预测模型的精度，考虑高斯子模型内部核函数的差异性及准确性，利用Bagging对高斯核函数进行随机组合，作为各子模型的核函数，构建改进的Bagging-GPR模型实现刀具磨损值预测，并基于铣削实验数据验证了所提方法的有效性和优异性。     

在线支持向量机在数控铣床刀具磨损预测建模中的应用

刀具磨损的自动监测是现代制造技术的关键技术之一,是保证自动化加工顺利进行的前提之一.在实际生产当中,对刀具磨损的检测,不能停机检测而只能采取在线的间接监测方法.提出一种基于在线支持向量机的数控铣床刀具磨损的预测方法.结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以比较准确地监控刀具磨损.     

微铣削单晶高温合金刀具磨损实验研究

为研究微小刃径刀具切削难加工材料后刀具的磨损,针对单晶镍基高温合金材料的难加工特性,设计了单因素实验方案,采用直径为0.6 mm的硬质合金微小刃径刀具对单晶镍基高温合金DD98进行微铣削加工;通过磨损后的刀具直径和铣削槽底宽度尺寸的变化来定义微铣削刀具(微小刃径刀具)切削加工的磨损标准,建立了微铣削刀具磨损标准的数学模型;基于单因素实验方案,探讨了不同切削参数条件下,微铣削长度对刀具磨损量的影响.相关研究和实验数据对于探索难加工材料的切削机理具有理论指导意义.     

AZ31镁合金高温压缩实验的高斯回归预测

利用Gleeble-1500D热模拟机完成AZ31镁合金高温压缩实验,并将每一组实验均选作为GP模型的训练样本。然后利用处理高度非线性问题的高斯回归技术,借助MATLAB语言编程,预测与训练样本相对应的流变应力,并与ANN模型预测结果进行对比。结果表明,GP模型预测的平均绝对误差为0.39MPa,平均相对误差为0.58%。与ANN模型预测结果相比,其预测精度更高且简单易行,是AZ31镁合金高温压缩实验中参数预测和优化的可行工具。     

微铣削单晶高温合金刀具磨损实验研究

为研究微小刃径刀具切削难加工材料后刀具的磨损,针对单晶镍基高温合金材料的难加工特性,设计了单因素实验方案,采用直径为0.6 mm的硬质合金微小刃径刀具对单晶镍基高温合金DD98进行微铣削加工;通过磨损后的刀具直径和铣削槽底宽度尺寸的变化来定义微铣削刀具(微小刃径刀具)切削加工的磨损标准,建立了微铣削刀具磨损标准的数学模型;基于单因素实验方案,探讨了不同切削参数条件下,微铣削长度对刀具磨损量的影响.相关研究和实验数据对于探索难加工材料的切削机理具有理论指导意义.     

线性回归模型诊断和在线预测刀具磨损量的方法研究

目的是研究诊断端面铣刀磨损量和在线预测铣刀的剩余寿命的方法.采用线性回归模型估计测刀面的磨损量.线性回归模型的输入是从铣刀受力信号提取出的特征和切削条件,比如进给量、转速等.在诊断了刀具的磨损量后,采用双指数平滑方法跟随诊断结果预测铣刀的使用寿命.最后,通过卖验验证了基于线性回归模型得到的刀具的磨损量和基于双指数平滑方法在线预测铣刀的剩余寿命的可行性.     

基于量纲分析法的旋转超声磨削钛合金刀具磨损数学模型

为提高钛合金零部件的旋转超声磨削加工精度,降低刀具磨损造成的加工误差,基于量纲分析和正交试验相结合的方法建立了旋转超声磨削钛合金刀具磨损数学模型,定量求解了旋转超声磨削钛合金中刀具磨损与加工工艺参数和刀具结构参数之间的非线性关系。对模型进行有效性和显著性检验,验证了所建模型的有效性。     

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机（ADNLSSVM）的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。     

高斯过程的车床刀具磨损预测研究

为了保证产品质量,并能及时、准确、有效的更换刀具,提出利用高斯过程建立模型并对刀具磨损程度进行预测。首先利用Deform软件仿真车床刀具切削过程,建立刀具磨损随时间变化而变化的样本,然后利用该样本建立高斯过程的刀具磨损预测模型。最后进行刀具实际切削实验,利用测量工具测量刀具磨损量,并建立刀具随时间变化的实际磨损样本,利用实际实验数据对预测值进行验证。数据分析结果表明:预测模型可以有效地学习并预测刀具磨损中的非线性关系,而且刀具磨损的预测精度较高。因此在预测刀具磨损程度时,该模型可以作为重要的预测手段。     

基于回归正交设计的刀具磨损研究

通过回归正交试验法设计车削模拟方案,在Deform 3D软件中对车削进行了有限元仿真模拟.建立了车削中车削速度、进给量、背吃刀量与刀具磨损之间的回归方程,并进行了方差分析,验证了模型的可靠度.得出了金属切削过程中刀具磨损量随切削用量的变化规律.分析结果为车削工艺参数优化及建立车削数据库奠定了基础.     

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。     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

基于回归分析方法的切削表面粗糙度模型预测研究

依据正交切削试验,利用回归分析方法,通过MATLAB软件建立切削参数与粗糙度之间的回归预测模型,并对回归模型和回归系数显著性进行了检验,可知该表面粗糙度预测模型是显著的,切削参数中切削速度对粗糙度的影响最显著。模型所反映的粗糙度变化趋势与切削试验结果基本一致:当切削速度和切削深度增加时,工件表面粗糙度呈逐渐上升趋势;当进给量增大时,工件表面粗糙度有所下降。     

基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。