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。     

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     

基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法。首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数选择不合适而带来的局部最优和过拟合的问题,建立遗传算法优化支持向量机的模型。结果表明,与其它算法相比,提出的基于花朵授粉算法的支持向量机模型能够有效准确识别微铣刀的各种磨损状态,优化后的支持向量机模型的总体识别率有了明显的提升,达到了95.5%,在分类性能和计算效率方面都具备优势。     

轮槽半精铣刀寿命自适应预测方法研究

为预测汽轮机转子枞树型轮槽半精铣刀寿命,提出了一种基于非线性回归模型的刀具寿命自适应在线预测方法,即通过提取与刀具磨损相关的功率信号特征和声发射信号特征,利用Kmeans聚类分析对半精铣削过程进行分类,针对不同类别的加工过程分别建立刀具寿命非线性预测模型,实现自适应的刀具状态在线预测及刀具寿命的估算。实验结果表明此方法可以准确预测出刀具的失效时间,为刀具的合理更换提供依据。     

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%。     

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。     

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。     

基于复制测量法的球头立铣刀磨损预测研究

论文提出一种测量球头立铣刀磨损量的复制测量方法并分析该方法的误差。以铣刀径向磨损量为研究对象进行刀具磨损试验,找出铣削参数对刀具磨损的影响规律,得出径向磨损量增量与铣削参数的铣刀磨损模型和刀具寿命经验公式,并通过试验验证磨损模型具有较高精度,可用于磨损量预测。     

基于小波神经网络的刀具状态监测

建立了一种小波基函数神经网络的切削刀具磨损状态监测系统。通过提取反映刀具磨损状态的特征参数：声发射，主功率，进给电流为输入信号，利用Morlet解析小波神经网络的非线性模型，获得表示刀具磨损状态的特征量，来实现刀具磨损状态在线智能监测。它可以有效地提高系统识别的精确度和可靠性。     

基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。     

A multi-sensor strategy for tool failure detection in milling

A multi-sensor monitoring strategy for detecting tool failure during the milling process is presented. In this strategy, both cutting forces and acoustic emission signals are used to monitor the tool condition. A feature extracting algorithm is developed based on a first order auto-regressive (AR) model for the cutting force signals. This AR(1) model is obtained by using average tooth period and revolution difference methods. Acoustic emission (AE) monitoring indices are developed and used in determining the setting threshold level on-line. This approach was beneficial in minimizing false alarms due to tool runout, cutting transients and variations of cutting conditions. The proposed monitoring system has been verified experimentally by end milling Inconel 718 with whisker reinforced ceramic tools at spindle speeds up to 3000 rpm.     

机器人铣削加工让刀误差建模与分析

在机器人切削加工工艺过程中,让刀误差是影响切削加工精度的重要因素之一。以球头铣刀铣削加工为研究对象,视其为准静态运动过程,根据机器人静弹性力学模型和球头铣刀切削力模型,建立了机器人切削过程的让刀误差数学模型。同时,提出了一种基于基因遗传算法的刀具姿态优化方法,以减小切削过程的让刀误差。最后,通过仿真分析了切削参数、刀具姿态和机器人刚度等因素对让刀误差的影响,验证了刀具姿态优化方法的可行性。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用，实现对铣削加工质量的预测，改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比，然后基于MATLAB平台，建立以铣削速度、进给量和铣削深度为输入参数，表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练，然后再用训练好的RBF神经网络模型预测表面粗糙度，将预测值与实测值进行比较，验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%，最大误差为0.056 098，平均误差为0.022 277，而BP方法的最大误差为0.074 947，平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高，具有比BP神经网络更优的预测能力，且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点，能有效进行铣削质量预测。     

Development of an on-line tool-life monitoring system using acoustic emission signals in gear shaping

Sensing techniques for monitoring machining processes have been one of the focuses of research on process automation. This paper presents the development of on-line tool-life monitoring system for gear shaping that uses acoustic emission (AE). Characteristics of the AE signals are related to the cutting condition, tool material and tool geometry in the cutting of metals. The relationship between AE signal and tool wear was investigated experimentally. Experiments were carried out on the gear shaping of SCM 420 material with a pinion cutter having 44 teeth. Root-mean-square (RMS) AE voltages increase regularly according to tool wear. It is suggested that the maximum value of RMS AE voltage is an effective parameter to monitor tool life. In this study, not only the acquisition method of AE signals for rotating objects but also the signal-processing technique were developed in order to realize the in-process monitoring system for gear shaping. The on-line tool-life monitoring system developed has been successfully applied to gear machining processes.     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

金刚石铣刀加工花岗石磨损规律的试验研究

本文以金刚石圆柱成形铣刀在SPEED3石材加工中心上加工花岗石台板面边缘曲线为对象进行试验，分析研究刀具宏观几何尺寸参数(直径、质量、圆柱度)的变化量与工件材质及其去除量间的关系，探询刀具磨损规律。通过利用不同构成和工艺参数的刀具加工两种花岗石的对比实验，得出了刀具几何参数与工件材料去除量关系的变化曲线。据此，可分析计算刀具直径的磨损变化规律、预测刀具寿命，并可方便地校正补偿加工中心刀具轴线的运动轨迹。     

Data fusion neural network for tool condition monitoring in CNC milling machining

Several data fusion methods are addressed in this research to integrate the detected data for the neural network applications of on-line monitoring of the tool condition in CNC milling machining. One dynamometer and one accelerometer were used in the experiments. The collected signals were pre-processed to extract the feature elements for the purpose of effectively monitoring the tool wear condition. Different data fusion methods were adopted to integrate the obtained feature elements before they were applied into the learning procedure of the neural networks. The training-efficiency and test-performance of the data fusion methods were then analyzed. The convergence speed and the test error were recorded and used to represent the training efficiency and test performance of the different data fusion methods. From an analysis of the results of the calculations based on the experimental data, it was found that the performance of the monitoring system could be significantly improved with suitable selection of the data fusion method.     

基于人工神经网络的铣刀破损监测

在对众多反映刀具信息的信号选取中,选择了振动信号作为研究对象.根据试验数据,对切削过程中产生的振动信号进行了分析与处理,提出了能够反映刀具破损的特征量.讨论了一种适合于变切削参数铣削加工中刀具破损的监控方法,建立了基于人工神经网络的铣刀破损振动监控仿真系统.仿真实验表明:BP网络能够有效地用于铣刀破损监控系统中.建立的刀具破损监控系统能够达到预期效果,有很好的使用价值.