基于动态树理论的刀具磨损监测技术

提出了基于动态树理论的刀具磨损监测方法,通过相关系数法提取传感器信号与刀具磨损最相关的几组特征,并采用具有局部记忆的B样条模糊神经网络建立刀具磨损量与声发射信号、切削力信号和振动信号特征之间的非线性映射关系,构造了任意加工条件下的刀具磨损监测系统,刀具磨损的识别结果由集成神经网络输出。试验结果表明,基于此方法构建的刀具磨损监测系统具有精度高、可靠度强、增殖性好和在线识别速度快等优点,值得工业推广。     

变参数铣削刀具磨损状态监测研究

针对切削力旧有时域特征易受切削参数变动影响而不适用于变参数铣削刀具磨损状态监测的缺陷,采用了一组新的无量纲切削力时域特征(归一化切削力指标NCF、变异系数Cv和峰值力比MFR)。并以难加工材料TC4钛合金变参数铣削实验来验证新特征在变参数铣削刀具磨损状态监测上的有效性,分别以新旧特征作为SVM分类器的输入,分析和比较结果表明本文提出的无量纲切削力时域特征对切削参数变化不敏感,而仅对刀具磨损状态变化敏感,因此能够实现变参数铣削刀具磨损状态监测。     

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。     

基于刀具磨损和切屑形成对切削Ti6Al4V的切削力特性研究

为了研究钛合金Ti6Al4V切削过程中的切削力特性,采用硬质合金涂层和无涂层刀具进行了外圆干车削试验,提取切削力信号,通过研究切削力的静动态特性,揭示了切削力与切削速度、刀具材料、刀具磨损以及切屑形成的关系.结果表明:钛合金切削过程中,切削力的静态分量中径向力Fp最大,直接导致刀具后刀面磨损;随着切削速度的变化,切削力的变化是由刀具磨损、材料本身的特性等多方面因素综合作用的结果,切削力动态分量分形维数可用于刀具状态监控;锯齿形切屑的产生与切削力的高频变化有直接的关系,锯齿生成频率可以作为切削力动态分量频率的一个表征,选取适当的切削参数可以降低由于锯齿屑产生引起的切削力振动.     

基于振动测试的数控机床刀具磨损监测方法

为了通过特性分析直接判断数控机床刀具的工作状态,以实现柔性制造系统的研究,在刀具磨损的多种在线监测方法中采用振动测试的监测方法,对DL20MH数控车削中心的YG8硬质合金刀头进行在线监测,分别在不同的刀具磨损阶段实时监测其磨损信号,通过时域分析、频域分析和传递函数分析相结合的方法进行数据处理,并对照被加工工件的表面粗糙度和通过显微镜下观察刀刃的实时变化情况,对其进行分析处理,得出刀具的实时变化情况及被加工工件的粗糙度与理论数据基本吻合并呈现出一定的趋势,从实频域分析数据中也可以直观地判断刀具的磨损状态,测试结果与实际情况吻合,从而验证了振动测试是适合刀具磨损在线监测研究的.     

深孔加工刀具磨损的试验研究

深孔加工处于封闭或半封闭的状态下,加工过程复杂。因此,深孔加工过程中存在切削力不稳定、刀具磨损严重、刀具使用寿命低等问题。为了研究枪钻加工工艺参数对切削力和刀具磨损的影响,本文采用硬质合金枪钻作为深孔加工刀具,通过对深孔钻削的切削力和刀具磨损值的试验研究,得到了钻削工艺参数与切削力和刀具磨损之间的关系,经过分析得出了影响刀具磨损的原因。     

刀具磨损过程中切削力动态分量信号分形维数的变化规律研究

研究了刀具磨损过程中切削力动态分量信号分形维数的变化规律 ,发现分形维数在刀具初期磨损和剧烈磨损阶段较正常磨损阶段高。由于切削力信号动态分量的分形维数随刀具磨损状态的变化而变化 ,使得它可以作为切削过程中判断刀具工作状态的一个参数     

PVD涂层刀具切削天然砂岩失效机理分析

论文针对涂层刀具与石材加工的研究现状,提出了使用PVD涂层刀具加工天然石材。通过实验得到不同切削参数条件下切削力的变化,分析具体切削参数下刀具的磨损情况,得到了PVD涂层刀具切削天然砂岩的磨损机理及失效机理。     

切削功耗变化视角下的刀具磨损监测方法

刀具磨损监测是机械加工领域关注的重点问题,基于机床功率变化的刀具磨损监测方法是当前主流的监测方法。对于微铣削加工而言,由于材料切削功率占机床总功率的比例极小,运用传统方法难以监测到机床功率在加工过程中因刀具磨损产生的变化。针对微铣刀具在加工过程中的磨损问题,本论文以切削功耗为基础提出了一种刀具磨损监测方法：文章从切削力做功的角度出发对材料切削功耗进行了建模,结合材料去除体积提出了单位功模型;在切削参数固定的条件下,从切向剪切力系数和切向犁切力系数两个方面分析了刀具磨损对单位功的影响;以小直径硬质合金立铣刀铣削铝合金7075为例开展了多次刀具磨损实验,并在实验过程中监测了单位功的变化趋势,通过将单位功的变化趋势与刀具磨损进行关联,验证了本文方法的可行性,证明了该方法可用于微铣削过程中的刀具磨损监测。     

基于核主成分分析BP_AdaBoost算法的数控铣床故障诊断

刀具是数控铣床加工过程的关键零部件,其长期处于高速加工状态极其容易出现故障。针对数控铣床加工过程中刀具的磨损状态数据少、诊断效率低、维护成本高、缺乏有效的诊断方法的问题,提出了利用小波包分析与核主成分分析提取特征,然后利用BP_AdaBoost算法对刀具磨损状态进行诊断的方法。通过在数控铣床的加工工件与其夹具间安装测力仪及安装加速度传感器,来采集立铣刀振动信号与切削力信号;然后对振动信号与切削力信号进行小波包分析处理,将处理好的信号进行核主成分分析(KPCA),降维以后作为立铣刀磨损状态的特征向量;最后利用得到的特征向量训练和验证BP_AdaBoost分类模型。实验结果表明BP_AdaBoost算法比SVM算法能更有效实现对数控铣床的刀具磨损状态的评估。     

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。     

高效铣削钛合金涂层硬质合金刀具优选及磨损试验研究

针对不同型号刀片进行切削试验,综合比较切削温度、切削力和刀具磨损量,实现了刀片优选。采用优选出的刀片,设计正交实验方案,建立了切削力预测模型,表明f_z、a_p对切削力的大小影响显著,a_e、n对切削力的影响很小,并对预测模型进行方差分析,结果显示模型可靠。磨损试验得到切削力与刀具寿命曲线,证实了切削力与刀具磨损的影响规律。通过SEM形貌观测和EDS分析,刀片磨损以后刀面磨损为主,磨损机理主要为粘结磨损、扩散磨损和氧化磨损。该研究对高效加工钛合金的刀具优选和磨损机理具有一定的实践意义。     

刀具磨损的小波检测

通过建立刀具磨损时的切削力信号奇异性指数与刀具磨损状态的对应关系 ,利用小波变换对切削力信号进行分析 ,实现了对刀具磨损的间接测量     

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。     

基于长短记忆网络的刀具磨损监测方法研究

刀具磨损监测是推动数控机床稳定运行的有效手段。为实现刀具健康实时监测,设计一种基于长短记忆网络的刀具磨损监测方法。将实时采集的切削力信号进行去噪、降维等预处理;用堆叠自编码器进行特征提取,获得影响刀具磨损的本质特征;用长短记忆网络构建刀具磨损监测模型,实现加工过程中刀具磨损监测。利用铣削实验数据进行实例验证,获得磨损量平均绝对误差为0.060 80的铣刀磨损量监测模型,验证了该方法的有效性。     

VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

铣削力模型的频域特性研究

根据铣刀刀齿渐进磨损过程中切削力信号的变化特点 ,分析了切削力与刀齿后刀面磨损带面积 (AVB)间模型的频域统计特性 ,提取了反映刀具磨损状态的频域统计原始特征参数并进行了相关试验研究     

0Crl8Ni9不锈钢铣削力的回归正交实验研究

切削力是加工过程中非常重要的因素之一,直接或间接影响着刀具磨损、破损,也会引起刀具和工件的变形和振动,降低已加工表面质量。在Mikron UCP810 DURO高速加工中心上,利用YDCB-III05三向动态测力仪测量切削力信号,开展了多因素回归正交切削实验研究,建立了0Crl8Ni9不锈钢关于每齿进给fZ、切削速度v、径向切深ae、轴向切深ap四个切削参数的铣削力经验公式,并将计算结果和试验结果进行了比较,误差很小,说明该公式可以用于分析不锈钢的切削加工。     

聚晶金刚石刀具振动切削不锈钢技术研究

使用聚晶金刚石刀具进行了超声波振动切削不锈钢的实验研究,研究了切削方式对切削力及已加工表面粗糙度的影响规律。通过对刀具磨损区微观形貌的观测,分析了PCD刀具切削不锈钢时的磨损机理。结果表明,化学磨损在金刚石刀具切削黑色金属时占主导地位。超声振动切削可明显减小切削变形、切削力及刀具磨损。     

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。