面向切削过程的刀具数字孪生模型

刀具磨损状态退化建模和仿真的结果难以真实地反映物理现实,使刀具的选用、更换和修磨决策缺乏可靠依据,严重地影响了刀具精准利用的优化和控制,以及生产系统的动态调控。针对该问题,在数字孪生理念的基础上,提出面向切削过程的刀具数字孪生模型,探讨了其概念、组成、功能和运作流程,详细论述了数字孪生驱动的刀具磨损监测、剩余寿命预测、刀具选用决策和刀具服务,并通过原型系统进行了验证。通过刀具物理对象与虚拟模型的交互与共融,面向切削过程的刀具数字孪生模型可提高刀具全生命周期状态管理的智能性、主动性、预测性,支持面向刀具精准利用的优化、决策和服务。     

基于数字孪生的刀具磨损监测和预测方法研究

利用数字孪生方法建立了刀具磨损监测和预测模型,并利用实际测量得到的数据对算法进行验证。首先,在理论方面归纳总结了数字孪生模型的基本理论和实现方法,主要包括几何、物理、行为以及规则4种子模型。其次,以随机森林算法为基础,实现了刀具磨损与预测数学模型的搭建,主要改进点为利用特征向量的表示优化随机森林算法。最后,利用实验数据验证该算法。结果显示,该算法提升了刀具磨损预测的准确率。     

智能刀具状态监测系统及其应用

探讨了智能刀具状态监测系统的设计思想,提出了一种智能刀具状态监测系统的基本结构框图,并进行了试验分析,结果表明,通过人工神经网络估算刀磨损值与实例值基本一致,系统取得了９０％的刀具磨损识别成功率。     

数字孪生驱动的数控铣削刀具磨损在线监测方法

针对数控铣床不断老化导致刀具磨损预测模型误差较大,加工过程中动态数据难以在线采集等问题,提出一种数字孪生驱动的刀具磨损在线监测方法。采用神经网络对加工过程中的多源数据进行特征提取,建立考虑机床老化的刀具磨损时变偏差量化模型,并在此基础上提出数控铣削刀具磨损的在线预测方法;开发了面向刀具磨损的数控铣削数字孪生系统,在线感知加工过程中的动态数据并实时仿真刀具磨损过程;最后,将该方法应用于实际加工中并与其他的预测方法进行了对比,结果表明该方法有效降低了机床老化带来的误差,实现了刀具磨损的精确预测。     

基于Unity3D的数控机床数字孪生系统设计与实现

数控机床作为机械制造业中先进加工设备,由于设备复杂造价昂贵,其状态监测尤为重要。本文结合数字孪生技术,以LG Mazak数控机床为研究对象,建立了机床的三维模型,基于Uniyt3D软件构建了数控机床数字孪生系统。首先明确了数字孪生系统的五维架构;其次分析了搭建数字孪生系统的关键技术和功能设定,搭建了包括车间漫游、数据可视化、切削过程仿真、刀具碰撞预警、数据查询系统等功能在内的服务平台;最后完成了系统各功能模块进行集成。本系统为数控机床虚实交互操作和数据可视化提供新思路,同时对数控机床操作培训提供便利。     

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。     

面向智能制造的刀具全生命周期智能管控技术

智能制造是未来制造业的主攻方向,以航空航天、汽车领域为代表的高端制造装备关乎国防安全和国家经济命脉.复杂多样化的零部件加工对刀具管控提出了更高的要求.刀具作为切削过程中最活跃、状态变化最多的要素,其性能直接影响加工精度和生产效率.大数据时代的到来引领刀具管理模式的变革,制造商、供应商、应用企业对刀具全生命周期数据的需求与日俱增.通过分析刀具管控现状可知,设计制造精准性、寿命预测准确性、刀具管控科学性是亟待解决的核心问题.提出刀具全生命周期智能管控的内涵及关键技术,综述国内外学者在刀具设计制造智能优化、刀具切削过程状态监测和刀具多源数据管理共享方面的研究成果,最后结合刀具管控技术的应用情况对未来的研究方向进行展望.随着智能制造的不断深入,以人工智能、大数据、数字孪生、云计算等现代信息技术为依托的刀具全生命周期智能管控技术,必将推动刀具产业链转型升级.     

刀具切削变工况数字孪生模型构建方法

针对历史工况条件下建立的刀具数字孪生模型对新工况监测的准确度降低,且新工况下缺乏足够训练样本重新训练模型的问题,将深度迁移学习策略引入刀具数字孪生模型,建立刀具切削变工况数字孪生模型。该模型基于边缘分布适配规则,使模型学习到分布相似的源域数据特征和目标域数据特征,只需较少的目标域样本即可将源域训练好的模型迁移到目标域进行监测,从而提高刀具数字孪生模型在目标域的监测精度和适应性。实验验证,相比未引入迁移策略的模型,所建模型能够提高变工况条件下的磨损监测精度和对新工况的泛化能力。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

HMM技术在数控镗刀状态监测中的应用

通过对声发射传感器采集的刀具磨损状态信号进行分析,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用HMM进行信号处理。建立了检测镗刀刀具状态的监测系统。实验结果表明,该监测系统在刀具的正常磨损阶段,可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法能够进行实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。     

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。     

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(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

重型切削硬质合金刀具磨/破损的智能监测技术研究

重型切削硬质合金刀具磨/破损严重将导致其加工质量、生产效率的降低,以及生产成本的增加,因此对刀具的磨损状态监测就显得尤为重要。对近年来在学术期刊上发表的关于刀具磨损在线监测研究文献中采用的方法和技术作了简要的回顾,对整个智能刀具磨损监测系统作出了详细的分析。通过比较各种方法的优缺点,提出了多传感器信息融合技术将作为智能刀具磨损监测技术的主要研究方向。总结了目前刀具磨损监测系统存在的问题,并提出了相应的解决思路。通过借鉴普通切削加工刀具磨/破损监测技术,在重型切削过程中引入刀具磨/破损智能监测方法,可以解决以往重型切削需要通过预先频繁更换刀片的方式来保证工件加工质量的问题,在重型切削领域具有重要的应用价值和发展前景。     

基于多传感器数据融合的刀具磨损状态监测研究

刀具磨损状态是影响加工质量和生产效率的重要因素之一,传感器、特征提取、信息融合和机器学习等技术的发展为刀具状态监测提供了新思路,然而,建立精度高、鲁棒性好的多传感器系统仍是刀具状态检测的难点。以涂层硬质合金刀具对难加工材料30CrMnMoRE的铣削试验为基础,通过对不同刀具磨损状态下的切削力和切削振动进行采集分析,并比较多种特征提取和模式识别方法,建立了一种更为可靠的铣刀状态监测系统,实现了对高强度钢切削时的刀具磨损状态识别。     

数字孪生车间信息物理融合理论与技术

数字孪生车间作为实现制造物理世界和信息世界智能互联与交互融合的一种潜在的有效途径,近期被国内外相关领域学术界和企业界高度关注。基于前期对数字孪生车间的概念、系统组成、运行机制、特点和关键技术等研究,设计了数字孪生车间的参考系统架构,并从数字孪生车间4个主要系统组成(物理车间、虚拟车间、车间孪生数据、车间服务系统)的角度出发,分别对物理车间异构要素融合、虚拟车间多维模型融合、车间物理—信息数据融合、车间服务/应用融合等关键问题进行了研究分析。从物理融合、模型融合、数据融合和服务融合4个维度,系统地探讨了实现数字孪生车间信息物理融合的基础理论与关键技术,为企业实践数字孪生车间提供了参考。     

金属切削刀具磨损监测技术研究进展

在机械加工中,金属切削刀具作为切削加工的直接执行者,其切削状态对整个加工过程的正常、稳定进行具有重要影响,因此,监测其刀具磨损状态对于提高工件的加工质量和机床加工效率具有重要意义.本文综述了基于有限元模型、传感数据以及基于模型和数据融合的三种刀具磨损监测技术的研究现状,分析了当前监测技术的优点与不足,并对刀具磨损监测领...     

基于数字孪生的航天器系统工程模型与实现

为践行智能制造、推进航天工业化与信息化深度融合,提出了基于数字孪生的航天器系统工程。分析了数字孪生技术的相关研究成果,从7个维度对航天器系统工程进行综合,建立了基于数字孪生的航天器系统工程整体模型和应用框架,并按照生命周期进展演化为设计、工艺、制造/装配、试验/测试与在轨运行5个典型阶段模型和应用框架。在技术实现层面,基于物联网、大数据、用于过程控制的对象连接与嵌入统一架构、系统建模语言、基于模型的定义、面向服务的架构等先进技术,构建了由物理空间、传输层、数据层、模型层、服务层和应用层构成的数字孪生系统架构。基于数字孪生的航天器系统工程能够有效实现航天器研制全生命周期信息世界与物理世界的双向动态实时交互共融与协同,从而推进航天工业智能制造的发展。     

特征降维与决策融合在刀具磨损监测中的应用

声发射技术是刀具磨损状态监测的有效检测方法。针对目前对刀具声发射信号难以实现识别分辨率和计算速率兼容的问题,提出关于刀具磨损状态识别建模的新方法。首先对信号进行小波包特征抽取,并通过核主分量分析对其进行优化。接着在两种神经网络识别结果的基础上,提出基于支持向量机的决策融合算法,从而避免了经典决策融合算法在实际应用中的问题。实验数据证明,该模型能有效提高刀具磨损状态的识别分辨率,且不影响运算的在线性。     

基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。