基于MATLAB的刀具磨损状态分析

通过对刀具磨损状态与影响因素间因果关系的分析,利用Matlab中的Neural Network Toolbox仿真环境和BP模型算法建立了用于刀具磨损状态分析与控制的神经网络模型,详细论述了模型结构的设计、数据处理、网络初始化、训练与仿真的过程.实际表明,基于Matlab的刀具磨损状态分析能有效地提高效率及直观地显示结果,对提高机械加工效率与加工质量具有积极作用.     

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。     

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求,提出一种GAF-CNN方法,对铣刀的力信号进行格拉姆角场处理,以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入,进而识别出刀具磨损的3种状态。经过实验,GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后,将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示,提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率,证明了该方法的可行性。     

基于BiLSTM的铣刀磨损状态监测模型

机械加工中刀具磨损退化直接影响工件质量和生产效率,在线监测刀具状态对于提高生产可靠性和降低刀具成本具有重要意义。为实现铣刀磨损状态在线监测,通过采集的主轴振动和主轴电机驱动电流作为监测信号;使用小波阈值降噪消除信号中的环境噪声干扰成分,并通过冗余提升小波变换保留信号的精确频率局部化信息,以提取更为丰富的频率特征;引入BiLSTM双向长短周期记忆网络对特征信号的时间信息进行编码,通过全连接层预测刀具磨损状态。通过铣刀的全寿命实验验证本文设计的铣刀磨损状态监测模型,结果表明,BiLSTM双向长短周期记忆网络可以有效评估铣刀磨损状态。     

基于EEMDFK和注意力CNN网络的刀具磨损状态识别

针对加工数据采集存在数据量大且干扰信号复杂,导致刀具磨损状态识别方式复杂、识别精度低等问题,提出一种基于快速谱峭度图的集合经验模态分量选取(EEMDFK)与注意力机制的卷积神经网络(ACNN)相结合的识别方法。针对集合经验模态存在选取模态分量困难的情况,引用快速谱峭度图选择策略选取最优分量。通过集合经验模式分解从所采集的不同状况下的刀具振动信号分解出故障信号特征;通过快速谱峭度图选择策略选取内在模函数并进行HHT时频分析,生成时频图;将时频图输入所设计的识别模型进行学习,通过注意力机制提高特征提取效率,并使保存的模型在测试集中对不同刀具磨损状态进行了识别。实验结果表明,该方法对刀具不同状态下的识别率可达99.7%,实现了不同磨损状态下刀具的智能识别,并具有较好的泛化能力和鲁棒性。     

PCD刀具切削颗粒增强铝基复合材料时刀具磨损研究

通过高颗粒含量铝基复合材料切削加工时PCD刀具的磨损试验,研究了切削该种材料时PCD刀具的磨损形态及磨损机理。刀具磨损区微观形貌的检测分析结果表明,PCD刀具的磨损形态主要表现为前刀面磨损和后刀面磨损,造成刀具磨损的主要原因是磨料磨损和粘结磨损。采用超声波振动切削技术可减小刀具磨损。     

基于小波变换的刀具磨损状态检测

分析切削加工过程中刀具磨损的规律以及在不同的刀具磨损阶段切削力信号的奇异性指数 (即Lipschitz指数 )的变化规律。根据这一变化规律 ,提出自动化生产过程中刀具磨损状态的在线检测的方法。     

刀具磨损识别的人工神经网络方法

人工神经网络在机械制造过程监控中有着广阔的应用前景。本文提出了一种基于多层前馈网络和误差反向传播（ＢＰ）算法的刀具磨损识别的新方法，并研究了网络结构和网络输入参数的选择，以建立较完善的神经网络模型。初步验证结果表明：基于多种传感器信息和工艺参数的人工神经网格模型对刀具状态具有很好的识别能力。     

刀具磨损三维形貌的测量及评价方法

长期以来,刀具磨损的分析一直局限在二维参数上.利用小景深的光学显微镜.运用聚焦合成的原理,以改进的拉普拉斯算子作为聚焦评价函数,提取与聚焦高度相对应的像素点,叠合生成能够反映刀具磨损表面全貌的全景深图像,进一步重构出刀具磨损表面的三维形貌图.提出了最大磨损深度、平均磨损深度以及磨损体积的刀具磨损评价指标,为后续的磨损区域形貌观察、磨损量的测量以及磨损机理研究提供了依据.     

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。     

基于计算机视觉的刀具磨损状态识别技术

刀具磨损状态自动识别系统能够显著地降低制造成本,但是,只有很少的刀具磨损检测理论能够应用到工业实践中去,特别是基于声发射和切削力测量的间接测量技术。本文综述了作为直接测量技术的计算机视觉系统的优点和它的组成及对刀具图像进行处理的基本原理。     

基于振动法的刀具磨损状态监测研究

数控机床加工过程中,刀具是直接与金属材料接触并参与切削过程的工作部件。在金属切削加工过程中刀具不可避免地产生磨损现象,提高刀具使用寿命,降低因为刀具磨损而产生的损失,对刀具的工作状态实施监测意义十分重大。基于振动测试法的刀具磨损状态监测主要以采集到的振动信号作为依据,对振动信号作时域、频域和时频分析来提取有效的特征量,结合工件被加工表面的粗糙度情况以及刀刃的磨损状况,判断出在加工过程中刀具的实时磨损规律,实现刀具磨损程度的有效控制。     

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。 建立不同工况的刀具磨损监测模型,往往需要对每组工况调参以保证精度。 为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。 基于 3 组不同工艺参数下 TC18 铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会 2010 年高速数控机床刀具健康预测竞赛的开放数据,深度森林在 3 组工况的预测精度分别为 95. 35% 、96. 63% 和 97. 06% ,在 PHM 数据上为 98. 95% ,验证了深度森林对多工况下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。     

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。     

基于卷积神经网络的刀具磨损评估方法

采用可靠的刀具磨损评估方法对于提高加工质量和生产效益具有重要意义.提出一种基于卷积神经网络的刀具磨损评估方法,采用短时傅里叶变换对采集的主轴电机直流电流和交流电流进行处理,得到对应时频谱,将时频谱输入所设计的卷积神经网络模型,评估得到刀具磨损值.采用铣削数据集对卷积神经网络模型进行训练和验证,表明在主轴转速、切削深度、...     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

刀具磨损状态监测技术研究进展

随着工业4.0的到来,对制造业智能化的要求越来越高,刀具作为机械加工中的重要组成部分,其智能化监测也变得愈加重要。本文从监测信号、信号处理和分类模型三个方面阐述了刀具磨损状态监测技术的最新研究进展。比较了不同监测信号的优点与不足,深入分析了信号处理及分类模型的原理。对刀具磨损状态监测的未来发展进行了展望,提出了引入深度学习方法,期望能够提高智能化监测的准确性和鲁棒性。     

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。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能,研究了基于深度学习的铣刀磨损状态预测,提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测,可避免特征选择对先验知识的依赖;卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类,精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较,验证了所提模型的效率与精度。