基于自适应小波基的铣削力信号分析

本文比较了固定小波基和自适应小波基对一个铣削力信号的处理效果,结果表明自适应小波基能分离出反映刀具磨损的信息,并根据分解结果提出了一个反映刀具磨损状态的特征向量。     

二进制PSO算法在刀具磨损状态识别中的应用

特征选择是刀具磨损状态识别的重要问题之一。文章以端面铣刀为研究对象,提出了一种基于二进制粒子群算法的铣削力信号特征优选方法。该算法采用相关准则给定适应度函数,以此计算粒子适应值。通过二进制编码方式,寻找全局最优解作为最优特征构成特征子集。最后将优选的铣削力信号特征子集输入到三层BP神经网络进行模式识别。实验结果表明,二进制粒子群算法优选的铣削力信号特征子集可以提高刀具磨损状态识别精度和缩短识别时间。     

波形刃铣削刀片的磨损特性实验研究

本文通过调质45钢的铣削加工实验,对比研究了波形刃铣削刀片和直线刃铣削刀片的磨损特性,分析了铣削过程中刀具磨损对铣削力的影响规律;利用影像仪和扫描电子显微镜对磨损后的刀片进行观察,研究了两种刀片的磨损形态和磨损机理。实验结果表明:单齿铣削时,直线刃铣刀的铣削力和磨损值均小于波形刃铣刀;双齿铣削时,波形刃铣刀铣削性能优于直线刃铣刀,不仅单点铣削力小,而且具有良好的分屑及散热效果,铣削超过50 min后其磨损量约为直线刃铣刀磨损量的70%。波形刃铣刀多齿铣削具有良好的铣削性能。     

基于卡尔曼滤波算法的刀具磨损状态预测北大核心

针对机加工过程中的刀具状态预测问题,利用随机森林算法良好的多分类能力,提出一种基于卡尔曼滤波算法刀具状态分类监测模型。以铣削力信号作为状态监测信号,通过卡尔曼滤波以及前一次走刀过程的铣削力建立状态预测方程,对下一次走刀过程中的铣削力进行预测;将预测的铣削力分别在时域、频域与小波包分析中提取特征值,然后利用训练好的随机森林模型对提取的特征值进行识别,预测下次走刀过程的刀具磨损状态。数据处理的结果表明,该方法可以有效地预测出下次加工是否会进入磨损阶段,在整体状态识别中准确率为98.73%。     

基于主成分分析和BP神经网络的微铣刀磨损在线监测

为提高微铣刀磨损在线监测系统的预测精度,尝试通过主成分分析法对微铣削振动信号的时域和频域特征进行降维,将降维后的特征输入改进型BP神经网络模型,实现微铣刀磨损特征分类。结果表明,提出的微铣刀在线监测方法能够准确识别微铣刀的各种磨损状态,此外,和其它分类算法相比,提出的基于遗传算法的BP神经网络模型在分类精度和计算效率方面具有综合优势,对微铣刀磨损的其它在线监测方法具有一定的指导意义和借鉴价值。     

基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

球头铣刀曲面加工的铣削接触区域建模

机械加工中,铣削力源于刀具与工件在铣削接触区内的相互作用,因此确定铣削接触区域是研究铣削力的基础。针对球头铣刀曲面加工,提出了一种铣削接触区域建模方法。通过定义瞬时加工坐标系和瞬时刀具坐标系,参数化描述曲面加工中球头铣刀与工件之间的相对位姿关系和铣削接触状态。分析了铣削接触区域边界的形成原理,应用解析和数值的方法对边界曲线进行快速求解,建立了铣削接触区域边界曲线模型,并通过加工试验和仿真实例对模型进行验证。结果表明,铣削接触区域边界曲线模型能够高效准确地描述球头铣刀曲面加工中的铣削接触区域。     

基于声发射的铣刀破损信号特征的提取与优化

铣刀破损监测对实现加工自动化具有重要的意义.提出了基于小波变换的铣刀声发射破损特征提取与优化方法.首先,采用小波变换对铣刀声发射信号进行多分辨率分解,然后提取各频段子信号的能量比作为刀具破损监测的特征量.通过对正常切削、随机冲击和刀具破损这三类信号的比较分析,证明了该特征提取方法能够有效地反映刀具状态.最后,通过正交统计,分析了切削速度、进给速度和切削深度对特征量的影响,并对特征量进行优化.     

基于改进EEMD和香农熵的铣刀磨损状态监测研究

为了分析铣削加工中复杂的声发射信号和克服EMD方法的模态混叠缺陷,在原始集合经验模态分解(EEMD)的基础上,提出一种改进的EEMD方法应用于铣刀磨损的状态监测。通过引入白噪声准则和中值滤波优化EEMD的算法,并基于香农熵从分解得到的IMF分量中提取有效分量,剔除虚假分量。最后将有效IMF分量的能量作为特征向量输入支持向量机(SVM)分类器来识别铣刀的磨损状态。经过在立式铣削加工中心上进行实验,结果表明此方法在识别铣刀磨损状态方面具有更高的准确性。     

交流磁化处理对硬质合金刀具切削性能的影响

为研究交流磁场对硬质合金刀具切削性能的影响,对YT5刀具进行磁场强化处理,通过正常工况下铣削不同磁属性材料,从铣削力、刀具摩擦磨损和工件表面质量3个方面分析了磁场影响规律。运用Kistler-9257B动态压电式测力仪测量铣削力的变化,并在扫描电镜(SEM)上观察了刀具的磨损形貌。结果表明,磁场强化处理对硬质合金铣刀加工铁磁性材料的工件表面质量具有优化作用,磁化处理减小了刀具的磨损,增大了切削力,工件表面质量有所提高。加工顺磁性材料时,铣刀的磨损减少,切削力基本不变,工件表面质量无明显提高。     

基于AR模型的铣刀磨损诊断

传统的铣刀磨损故障诊断大多采用小波分析结合神经网络的方法,该方法的缺点是算法复杂,计算量大,很难实现铣刀磨损的在线识别并对其进行反馈控制。本文引入自回归（AR）模型来表征刀具切削过程的正常工作状态,用Levinson-Durbin递归算法求解Yule—Waker方程获得AR模型的系数。将建立的AR模型作为线性滤波器处理其它各种状态铣刀振动信号,获得预测误差信号,之后对预测误差信号进行各种统计特征分析。试验结果表明,预测误差信号的方差是有效的与刀具磨损相关的指标,可以用来在线识别加工过程铣刀磨损状态。     

CNC铣刀磨损状态的大数据分析与预测方法研究

为在铣切加工过程中预测铣刀的磨损状态以及时发现并更换将要磨钝的铣刀，以保障产品质量，运用传感器采集CNC铣床在加工过程中铣床及铣刀的振动信号数据，应用大数据方法研究CNC铣刀磨损状态的分析和预测方法。为保证铣刀磨损状态的识别精度、识别稳定性和分析模型的鲁棒性，采用小波包分解理论对铣床x、y、z三向振动信号数据进行降噪处理，提取时域特征和能量特征，筛选出与磨损状态相关性较大的34个特征。应用XGBoost算法建立铣刀磨损状态的数据分析模型，使用宏平均值评估模型性能，结合SMOTE技术对特征向量进行过采样，使各磨损状态类别样本均衡。借助公开的球头铣刀加工数据集对所提方法进行验证，实验结果表明：利用XGBoost算法能正确分析铣刀磨损状态的数据，能识别出铣刀磨损预警阶段。XGBoost算法的预测精度高、稳定性好、泛化能力强，易应用于工业大数据领域     

R铣刀加工高温合金GH706动态铣削力建模

采用机械力学模型,在综合考虑前刀面剪切效应和后刀面犁切效应的基础上建立了R铣刀动态铣削力模型。通过高温合金GH706的铣削力实验,对动态铣削力系数进行标定。利用Matlab科学计算软件对一个铣削周期内的铣削力进行数值仿真,计算与实验结果对比表明,模型有效、预测精确。R铣刀动态铣削力的研究,为高温合金GH706切削稳定性领域的研究奠定了理论基础。     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题，建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图，作为网络模型的输入；将在ImageNet数据集上训练的ResNet50模型作为预训练模型，通过迁移学习的方法，应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%，实现了刀具不同磨损状态下的智能识别，有效提高了刀具磨损状态监测的准确性和稳定性。     

数控机床刀具磨损状态特征参数提取

基于振动信号小波包分解理论对不平稳信号特征提取的优势,提出了一种利用振动信号的能量变化来监测刀具磨损状态的方法.该方法利用db4小波基对振动信号进行4层小波包分解,并将分解后的各频带能量值作为刀具磨损状态判断的特征参数.在新刀和刀具磨损的状态下提取特征向量,并根据频段能量的变化判断刀具磨损程度.试验结果证明该方法在刀具磨损状态判断中的可行性.     

基于共振解调和小波包能量谱的声发射信号特征提取

将小波包能量谱分析和共振解调法相结合,应用于声发射信号的特征提取中。首先,将声发射信号进行小波包分解,得到若干个子频带;然后计算各个子频带所包含的能量,描述出各子频带能量占信号总能量百分比;再将其与正常声发射信号能量谱对比,分析出变化较为明显的子频带;最后运用共振解调技术,对该频带做Hilbert包络谱分析,得出信号特征。结果表明:该方法可以有效提取出声发射信号的特征,是声发射信号特征提取的一种新方法。     

基于遗传算法优化HMM的刀具磨损状态监测研究

对于切削过程中的刀具磨损,采用隐马尔可夫模型(HMM)来识别刀具不同的磨损状态。并且针对隐马尔可夫模型的Baum-Welch算法易陷入局部极小的缺陷,提出一种利用遗传算法优化Baum-Welch算法中B初值的改进方法,从而提高HMM对刀具磨损状态的识别率。通过对切削过程中主轴电机的输出电流信号进行小波包分解提取特征向量,利用Lloyd算法进行量化编码,作为观测序列输入优化的HMM来识别刀具的磨损状态。实验结果表明,该方法能够准确有效地进行铣刀磨损状态监测。     

基于优选特征的刀具磨损监测方法

文章以端面铣刀为研究对象,采用相关系数方法和模糊聚类方法对铣削力信号特征进行研究和分析,提出了一种可应用于在线诊断端面铣刀磨损量的特征优选方法。首先从特征的相关性出发,利用相关系数法对铣削力信号特征进行初选,去除冗余特征;其次从特征的模糊性出发,利用模糊聚类寻求最优特征子集;最后将选取的特征作为BP神经网络的输入,输出铣刀磨损量。实验结果表明,利用该方法能够选择优化特征子集,提高诊断精度和诊断效率。     

方肩铣刀高速铣削TC4钛合金试验研究及参数优化

利用单因素试验方法,采用镶齿硬质合金涂层方肩铣刀进行钛合金高速铣削试验,研究每齿进给量、铣削宽度、铣削深度、铣削速度对于铣削力的影响。通过对铣削力进行分析,建立方肩铣刀高速铣削的铣削力模型,并采用MATLAB遗传算法以进给方向铣削力Fy最小为目标,对铣削参数进行了优化并给出了最优解集。实验结果表明,使用优化后的参数加工薄壁件可有效减小切削力。     

基于声发射信号的振动钻削刀具磨损状态监测试验研究

针对钻削加工时难以直接观察刀具磨损状态的问题,基于声发射采集系统设计了超声轴向振动钻削刀具磨损状态监测装置,并在7075铝板上进行超声振动钻削试验。分析刀具磨损状态对声发射信号RMS值的影响,并通过小波分解技术对比分析刀具在不同磨损状态下的声发射信号变化规律;根据声发射信号对刀具磨损状态进行实时监测。试验结果表明:声发射信号的RMS值与刀具的磨损程度呈正相关;通过小波分解可知,随着刀具磨损的增加,信号的能量逐渐由低频段向高频段转移,可以通过监测声发射信号RMS值与能量的变化实现刀具磨损状态的有效识别。