基于改进灰狼优化算法的金刚石刀具磨损状态识别方法

传统金刚石刀具磨损状态识别方法容易受到外界干扰,导致金刚石刀具磨损状态识别效率低、误检率高,为此提出了基于改进灰狼优化算法的金刚石刀具磨损状态识别方法.利用属性权重去除金刚石刀具磨损状态数据中的冗余数据,对金刚石刀具磨损状态进行初步异常识别,将粒子群算法引入金刚石刀具磨损状态特征选择中.通过计算金刚石刀具磨损状态特征的适应度,更新了粒子速度.在引入惯性因子的基础上更新粒子位置,实现金刚石刀具磨损状态特征的选择.通过计算收敛因子找到最优位置,实现金刚石刀具磨损状态的识别.分析结果表明,基于改进灰狼优化算法的金刚石刀具磨损状态识别方法不仅在识别准确率方面具有一定优势,还可在应用过程中有效提高识别效率.     

基于小波包和BP神经网络的刀具磨损状态识别

刀具磨损状态影响金属切削过程,因此监测刀具磨损状态对提高产品质量有着重要的意义。设计刀具磨损状态监测系统,利用传感器采集刀具振动信号,通过小波包对振动信号进行数据分析,并把不同频段的能量值作为刀具磨损状态的特征值,建立BP神经网络,从而在刀具磨损状态和振动信号特征向量之间建立映射关系,完成刀具磨损状态的监测。利用C++Builder和Matlab软件混合编程实现了系统的功能。试验表明,系统运行良好,能够对刀具磨损状态进行正确识别。     

精密数控机床铣刀故障监测方法的研究

刀具在加工过程中不可避免的存在着磨损和破损现象,刀具的消耗直接导致工件精度下降和生产成本增加。开展了一系列实验,深入研究刀具状态监测方法,构建了新型铣削过程刀具磨损监测试验系统。通过振动传感器和声发射传感器对铣削过程中不同磨损程度刀具的信号进行检测、采集、分析。选择对刀具磨损状态反映敏感的特征量。采用BP神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系。     

钛合金高速铣削刀具磨损机理和预测方法研究

钛合金的加工非常困难,刀具磨损严重。为了尽可能减小刀具磨损,在高速铣削状态下能预测刀具的耐用度,本文研究了在高速铣削钛合金时刀具磨损的机理,并提出了一种基于切削试验的刀具磨损预测方法,建立了粗、精加工两种状态下刀具磨损预测数学模型,研究了顺逆铣方式、刀尖圆弧半径对刀具磨损的影响。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

基于铣削力参数化模型的铣刀非均匀磨损状态监测方法研究

在航空结构件钛合金零件数控加工中,刀具非均匀磨损状态对工件的最终质量影响很大。为了及时发现并控制因刀具非均匀磨损导致的异常加工状态,对钛合金加工刀具非均匀磨损状态监测方法进行了研究。建立了基于刀具刃线参数化模型的铣削力参数化模型,实现了对钛合金加工刀具非均匀磨损状态的监测,解决了零件单件或首件加工中样本数据缺失条件下的钛合金加工刀具非均匀磨损状态准确监测难题。     

基于cGAN的刀具磨损状态监测数据集增强方法

在刀具磨损过程中,通常采集的正常磨损阶段的样本数据比初始磨损阶段和急剧磨损阶段的样本数据量多,这导致刀具磨损状态数据集不平衡,从而使深度学习网络模型对刀具磨损状态预测准确性降低。针对问题,文章提出一种基于cGAN的刀具磨损状态监测数据集增强方法。在cGAN中添加了类别条件信息,有利于生成器更好的捕捉刀具磨损样本的数据分布特点,从而生成和真实刀具磨损样本分布相似的样本。采集铣削加工过程中的振动信号,将振动信号转换成频谱数据输入到c GAN中,cGAN通过生成器和鉴别器之间的对抗训练,学习数据分布特点,生成刀具磨损状态样本数据。将增强的数据集输入到深度学习网络模型中进行分类,测试生成数据的可用性。实验结果显示,由增强的刀具磨损状态数据集训练深度学习网络模型,可以有效提高模型对刀具磨损状态监测的准确性,其预测精度达到98.1%。     

刀具磨损过程中的切削力特征研究

在相同的工件材料、刀具材料、切削参数和不同的刀具磨损状态下,从时域角度分析了刀具磨损状态对三向稳态切削力的影响,从频域角度利用FFT分析、功率谱分析等工具研究刀具磨损状态对动态切削力的影响情况,并对影响的机理进行讨论。分析结果表明刀具磨损状态迫使受动态力的刀具弯曲振动频率幅值和局部频率能量增大。     

基于振动信号的铣刀磨损状态识别

刀具磨损状态的变化是自动化加工中最为常见的影响因素,对刀具磨损状态的有效识别能够保证自动化生产的顺利进行.从铣削加工的振动信号中,可以获取刀具磨损状态的信息.基于小波理论,通过分解提取的振动信号,并分析频带内振动信号幅值的变化,就能够确定刀具磨损的状态.对铣削平面和斜面进行了实验分析,证明该种方法能够实现铣削加工过程中刀具磨损状态的有效识别.     

基于表面二维PCA重构图像的刀具磨损分形特征研究

根据加工表面纹理图像与刀具几何形状之间的内在联系,提出利用计算机视觉技术进行刀具磨损状态监测,设计了基于表面微观纹理图像的刀具磨损状态监测实验系统。提出从二维PCA重构图像中提取分形特征值来判断刀具的磨损状态,给出了二维PCA图像重构算法。理论分析和实验证明:PCA重构图像消除了原始图像信息中的冗余和噪声,从重构图像中提取出来的分形布朗运动维数与刀具磨损有着很强的相关性,可以间接判断刀具磨损情况,从而达到对刀具状态进行监测的目的。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

[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。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法.首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型...     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

FUZZY RADIAL BASIS FUNCTION (FRBF) NETWORK BASED TOOL CONDITION MONITORING SYSTEM USING VIBRATION SIGNALS

Thriving automation in industries leads to more research on the tool condition monitoring systems for better accuracy and fast recognition/evaluation of tool wear. Research on the applicability of the new advances in the soft-computing as well as in the signal processing fields is the inevitable consequence. In this work, a new soft-computing modeling technique, fuzzy radial basis function (FRBF) network has been applied to the prediction of drill wear using the vibration signal features. This work presents the wear prediction performance comparison of this new model with three other already tried and established soft-computing models, such as back propagation neural network (BPNN), radial basis function network (RBF) and normalized radial basis function network (NRBF), for both time-domain as well as wavelet packet approaches of feature extraction. Experimental results show that FRBF model with wavelet packet approach produces the best performance of predicting flank wear.     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

Hybrid Learning for Tool Wear Monitoring

In automated manufacturing systems such as flexible manufacturing systems (FMSs), one of the most important issues is the detection of tool wear during the cutting process. This paper presents a hybrid learning method to map the relationship between the features of cutting vibration and the tool wear condition. The experimental results show that it can be used effectively to monitor the tool wear in drilling. First, a neural network model with fuzzy logic (FNN), responding to learning algorithms, is presented. It has many advantageous features, compared to a backpropagation neural network, such as less computation. Secondly, the experimental results show that the frequency distribution of vibration changes as the tool wears, so the r.m.s. of the different frequency bands measured indicates the tool wear condition. Finally, FNN is used to describe the relationship between the characteristics of vibration and the tool wear condition. The experimental results demonstrate the feasibility of using vibration signals to monitor the drill wear condition.     

基于神经网络多传感器融合的刀具摩损定量监测的研究

研究了前馈神经网络（ＦＮＮ）的自构造型学习算法，提出了基于神经网络多传感器融合的一般结构及刀具磨损监测方法，讨论了多传感器的选择、多传感器信号的采集与预处理以及多传感器信号的特征选择与正规化处理，并就铣削过程的刀具磨损监测进行了实验研究，结果表明，所提出的方法可获得９３％的识别率。     

数控车削加工过程的刀具磨损动态监测

对车削加工刀具磨损的各阶段信号进行采集,通过动态时频域分析,找到车削加工过程中刀具磨损的重要参数变化,对其进行振铃记数和人工神经网络的模式识别,实现了车削加工刀具磨损的状态检测。