基于小波分析的数控刀具状态在线监控系统

提出了一种利用检测进给电机电流实现切削加工过程中刀具破损的在线监控系统.在该系统中,离散小波分析技术被用来实现对电机电流信号的处理,并有效地提取了刀具破损时的特征;探讨了中断型宏指令功能在刀具破损在线监控系统中的应用;经实践证明,利用该监测系统和中断型宏指令,能够实时的识别加工过程刀具的破损,并能及时报警、自动换刀等,机床的故障停机时间大大减少,利用率得到了提高.     

中断型宏指令功能在刀具破损在线监控系统中的应用

介绍了FANUC系统的中断型宏指令功能;结合应用实例,讨论了中断型宏指令功能在刀具破损在线监控系统中的应用。     

基于小波分析刀具破损检测

刀具切削状态的在线监测是自动化加工技术中的难题,国内外已有许多专家和学者进行了深入研究。针对目前刀具切削状态在线监测中出现的问题,提出了一种利用小波分析技术提取刀具状态信号特征量,对刀具的破损进行预报的监测系统。经大量试验和使用,验证了其可行性和实用性。     

自由曲面数控加工中刀具破损的小波分析

介绍了小波变换的特点,并将其与傅立叶变换及快速傅立叶变换进行了对比,结合刀具破损信号,分析了快速小波变换——Mallat算法.对自由曲面数控加工中主轴电机电流信号的提取技术进行了分析,指出了霍尔电流传感器是行之有效的方法.鉴于刀具破损电机电流信号的瞬时性,采用小波分析方法给出了提取刀具破损信息特征的成功应用实例.研究表明,多分辨(多尺度)分析的方法,对于刀具破损这种突变信号不但具有精确的时-频定位作用,还具有易于监测的优点,说明这种方法能够有效地应用于刀具破损监控的信号处理.     

加工中心刀具破损监控系统的研制

综合应用声发射（AE）和电机电压电流信号法监控刀具破损，可提高刀具破损检出率。以此开发的加工中心刀具破损监控系统，对1mm以上的钻头及3mm以上的铣刀破损检出率均在98％以上。     

基于数控系统的刀具失效实时响应研究

目前刀具在线监控系统通常需要开发专门的控制软件来实现刀具损坏的实时响应。这对于普通的数控机床用户来说比较复杂、难以掌握,使用和维护起来也很困难。本文基于FANUC数控系统,利用中断型宏指令功能和系统变量,通过编制数控程序来实现在线监控系统检出刀具实效后的相关处理,能满足一般实时性要求,且灵活性好、应用方便、易于掌握,有利于刀具在线监控技术在数控机床上的应用推广。     

基于小波变换切削力信号监控PCBN刀具破损的研究

阐述了小波分析及小波去噪的基本理论，针对傅氏变换和短时傅氏变换的缺点，提出了基于小波变换的切削力信号分析方法。小波多分辨分析能够实现PCBN刀具切削力信号的任意精度与尺度的时一频域分解，从而判断PCBN刀具的切削状态，根据切削力信号的不同特征及时调整切削参数，减少刀具破损的发生，并能够揭示典型切削力信号的分布特征。     

车削中心刀具磨破损的监控

论述了用主轴切削电流作为监控参量，采用自学习法对车削中心进行刀具磨破损监控的技术。     

自动化加工系统用刀具破损监控仪的研制

自动化加工系统用刀具破损监控仪的研制姚英学，穆玉海，袁哲俊（哈尔滨工业大学）０引言刀具破损在线检测是柔性制造等现代自动化加工系统中的关键技术之一，受到国内外众多学者的高度重视［［１］［２］，虽然提出了许多检测原理和方法，但能满足生产实际需要的产品甚少...     

用声发射和电机电流检测技术实现刀具破损的监测

采用声发射（ＡＥ）和电机电流多特征参数融合检测的方法,研制了具有独自特点的刀具破损监测系统。介绍了系统的软硬件结构,建立了实现参数检测的数学模型,并用实验证明了该系统在线监测刀具破损的可行性     

基于声发射法的刀具破损特征量的提取

对切削过程中发出的四种AE信号从时域、频域和时频域进行了分析,说明时频分析对提取刀具破损特征量十分有效,并给出了特征量提取的方法.     

刀具破损状态声发射信号的多分辨率分析

刀具状态监控对保障生产安全和产品质量具有重要意义。采用声发射(AE)传感器来采集切削过程中发出的AE信号,采用多分辨率分忻法对正常切削、刀具破损、断屑时发出的AE信号进行分析,并提取出反映刀具破损状态的特征量;最后采用BP神经网络实现了刀具破损状态的自动识别。     

刀具破损监测中的信号处理

本文介绍了应用于工业过程监测的几种非常有效的信号处理方法。这些方法包括 :统计信号处理 ,频域信号处理和时频域信号处理方法。并借助一应用实例 ,以小波变换为例对车削刀具破损过程产生的声发射信号进行了特征提取。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

基于PSO优化的小波神经网络在刀具磨损识别中的应用

刀具状态监控是保证自动化加工顺利进行的重要环节,本文针对切削加工中功率信号的获取,以及反映刀具状态的信号特征抽取的问题,设计了采集功率信号,利用小波包分解的方法抽取反映刀具磨损状态的特征值作为神经网络输入值,采用神经网络对特征值进行训练,然后借用粒子群算法(PSO)算法优化神经网络及其结构的方法,获得了结构简单、准确性高、实时性好的神经网络,仿真和试验表明该方法对特征信号反映灵敏,对切削参数的变化不敏感,能够准确反映刀具的磨损状态。