CN105834834B - 基于果蝇优化算法的铣刀磨损状态监测方法 - Google Patents
基于果蝇优化算法的铣刀磨损状态监测方法 Download PDFInfo
- Publication number
- CN105834834B CN105834834B CN201610255972.4A CN201610255972A CN105834834B CN 105834834 B CN105834834 B CN 105834834B CN 201610255972 A CN201610255972 A CN 201610255972A CN 105834834 B CN105834834 B CN 105834834B
- Authority
- CN
- China
- Prior art keywords
- milling
- drosophila
- feature
- cutter
- optimized algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于果蝇优化算法的铣刀磨损状态监测方法,主要包括以下内容:利用与多通道电荷放大器连接的三相测力仪通过数据采集板采集铣削加工运行中的铣刀铣削力信号;采用Daubechies小波包对采集到的铣刀铣削力信号进行4层小波变换和降噪处理,提取铣削力信号中的6个时域特征和16个能量特征;对提取到的时域特征和能量特征采用果蝇优化算法进行优选;将优选后的特征输入BP神经网络,计算出铣刀的磨损量,判断出铣刀磨损状态。本发明的方法易调节,寻优效果好,适应度强,BP神经网络表现好,可以快速有效地在线提取铣削加工过程的特征。
Description
技术领域
本发明涉及机械切削加工状态监测诊断技术,具体涉及一种基于果蝇优化算法的铣刀磨损状态监测方法。
背景技术
铣削加工是现代机械制造业的重要加工技术。铣削加工质量如表面粗糙度和加工尺寸以及精度很大程度上受到刀具磨损状态的影响。铣削加工运行中人们对铣削刀具磨损状态的判断,通常选取力信号、声音信号和振动信号等加工时的特征信号来判断刀具磨损状态,作为更换刀具的参考。
铣削信号特征的提取,就是从众多时域、频域和时频信号特征中提取对铣刀磨损量影响最显著的特征。特征提取的目的是使通过传感器采集到的信号更容易被映射到不同的刀具磨损状态。一般来说,直接通过传感器和数据采集装置获得的反映切削过程状态的原始数据存在两个方面的问题:一是数据太大,不便于存储和记录;二是原始数据包含的冗余信息太多,信息中还包括随机噪声,不能有效地反映被监测对象所处的真实状态。因此,原始信号不能直接用来监测刀具磨损的变化,必须对其进行加工、处理,以达到信号能真实地反映刀具磨损状态的目的。所以传感器获得的原始信号必须进行特征分析和特征提取。特征提取的好坏严重影响刀具状态模式识别和加工数据融合,具有重要现实意义,受到国内外研究人员的高度重视。采用回归分析进行特征提取,其不足的地方是不能对决策变量和相应的潜在非线性关系准确描述。误差分量之间必须相互独立、正态分布,有常数方差。因此回归分析法不能进行高精度评估。协同模糊聚类同G-K聚类算法相结合的方法,强调了不同集合之间的相关性,用相似性特征选择方法进行数据处理。但该方法开发过程基于专家知识,不适合动态变化的切削过程。遗传算法的算法参数的选择没有通用规则,时间长,效率低。现有技术的特征选择方法还存在一些不足,需研究新的特征提取的方法,以对切削过程中的切削刀具磨损状态实时检测,满足切削加工生产实践的需要。
发明内容
针对现有技术铣刀磨损状态监测方法的技术现状与不足,本发明的目的旨在提供一种能够准确检测铣削刀具磨损状况的基于果蝇优化算法的铣刀磨损状态的监测方法。
本发明的铣刀磨损状态监测方法的基本思想,是利用传感器获取铣削力时域信号,经过小波变换(Wavelet transform,WT)提取节点信号能量作为时频域特征,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)提取最有效特征集,最后将选择的特征输入BP神经网络对铣刀磨损状态进行监测。
本发明提供的基于果蝇优化算法的铣刀磨损状态的监测方法,主要包括以下步骤:
(1)采集铣削力信号:利用与多通道电荷放大器连接的三相测力仪通过数据采集板采集铣削加工运行中的铣刀铣削力信号;
(2)提取时域特征和能量特征:采用Daubechies小波包对步骤(1)采集到的铣刀铣削力信号进行4层小波变换和降噪处理,提取铣削力信号中的6个时域特征和16个能量特征;
(3)时域特征和能量特征优选:对步骤(2)提取到的时域特征和能量特征采用果蝇优化算法进行优选,选择进一步能准确反映铣刀磨损状态的特征,以降低特征个数,减少BP神经网络运算量;
(4)将步骤(3)得到的优选后的特征输入BP神经网络,计算出铣刀的磨损量,判断出铣刀磨损状态,实现对加工运行中的铣刀磨损状态在线监测。
本发明进一步的技术方案,在采用Daubechies小波包对步骤(1)采集到的铣刀铣削力信号进行小波变换和降噪处理之前,优先通过一个低通滤波器滤除掉高频噪声,然后采用Daubechies小波包对数据进行进一步处理。
在本发明的上述技术方案中,优先采用Daubechies小波包系列中的db5小波包对步骤(1)采集到的铣刀铣削力信号进行4层小波变换和降噪处理。
所述6个时域特征分别为铣削力最大值、铣削力最大幅度、铣削力平均力、铣削力均方根值、铣削力标准方差和铣削力峰值,它们分别通过下述公式计算:
铣削力最大值
铣削力最大幅度j表示铣床主轴转动的圈数,F(j,t)表示在第j圈的t个时间单位的铣削力;
铣削力平均力F(j,i)表示第j个力学采样,N是该圈内的总采样数;
铣削力均方根值F(i,j)表示第i个力学采样;
铣削力标准方差
铣削力峰值f(i,j)表示从数列F(i,j)中找出的N个峰值,表示信号的幅度;
16个能量特征分别为:
n=16,Sjk(j=1,2,...23;k=1,2,...,n)为重构信号离散点的赋值。
在本发明的上述技术方案中,所述果蝇优化算法为改进的果蝇优化算法,算法包括以下步骤:
步骤1:随机初始化寻优果蝇群体的位置:InitX_axis;InitY_axis;
步骤2:定义果蝇个体利用嗅觉搜寻食物的随机方向和距离:
Xi=X_axis+RandomValue;Yi=Y_axis+RandomValue;
步骤3:估计果蝇群体与原点之间的距离,再计算出食物味道浓度判断值;
步骤4:将味道浓度判定值(S)带入到味道浓度判定函数中:Smelli=Function(Si);
步骤5:找出此果蝇群体中味道浓度最大的果蝇个体:
[bestSmellbestindex]=max(Smell);
步骤6:保留最佳味道浓度值与对应的(x,y)坐标,此时果蝇群体利用视觉向该处飞去:Smellbest=bestSmell;X_axis=X(bestindex);Y_axis=Y(bestindex);
步骤7:重复执行步骤2到步骤5,若判断味道浓度大于前一次迭代的味道浓度,则执行步骤6;
步骤8:根据Fisher准则进行2次判断,若J(fj)>1满足就输出结果,否则回到步骤2重新选择,ujm,ujn是位于类m和类n的特征所对应特征fj的均值。是位于类m和类n所对应特征fj的方差。
在本发明的上述技术方案中,所述BP神经网络为三层BP神经网络,将优选特征输入三层BP神经网络,以刀具磨损量值作为神经元输出,计算出铣刀的磨损量。输出神经元的传递函数优先采用logsin对数S型,将神经元映射到(0,1)区间内,以满足监测磨损状态的输出要求。
在本发明的上述技术方案中,最好同时采用显微镜放大观察刀片磨损过程并用数字照相机拍照记录,与BP神经网络判断出铣刀磨损状态比较,评价铣刀磨损状态监测方法。
本发明采用的Daubechies小波包技术,能将信号无冗余、无疏漏、正交地分解到独立的频带内,这些分解频带信号都有一定的能量,每个频带里信号的能量对于状态监测和故障诊断都是十分有用的信息,提取小波包分解后各频带上的能量信息作为刀具磨损状态的特征是可行的。
果蝇优化算法(FOA)是一种基于果蝇觅食行为推演出的寻找全局优化的新方法。FOA具有收敛快,算法程序实现性简单的特点。本发明采用改进后的果蝇优化算法有更好的全局收敛性,能够选择更有效的特征。
人工神经网络它特有的容错抗错性能和非线性映射能力,为监测铣削刀具磨损状态此类问题提供了条件。本发明将经过选择的特征子集输入BP神经网络,输出刀具磨损状态的磨损量,能够快速准确地判断出刀具磨损的状态。
本发明提供基于改进果蝇优化算法的铣刀磨损状态的监测方法,较现有技术具有以下十分突出的技术效果:
1)本发明的方法相对于采用传统果蝇优化算法具有更好的BP神经网络表现,稳定性更好。
2)现有技术的特征提取方法,通常采用启发式或搜索式的方法,本发明的特征提取方法是一种启发式和搜索式结合的在线特征提取方法,能够得到更好的特征提取效果。
3)本发明提供基于改进果蝇优化算法的铣刀磨损状态的监测方法,采取了基于Fisher判断准则的特征提取方法,在显著减少训练时间的同时也降低了预测误差。
附图说明
图1是果蝇构造及群体迭代搜索食物示意图。
图2-1和图2-2是基于传统FOA的BP神经网络表现图。
图3是改进果蝇优化算法流程图。
图4-1是刀具初期磨损状态示意图。
图4-2是刀具正常磨损状态示意图。
图4-3是刀具剧烈磨损状态示意图。
图4-4是刀具失效状态示意图。
图5是刀具磨损过程曲线图。
图6是特征子集个数和仿真误差关系图。
图7-1和图7-2是特征选择前后的BP网络表现比较图。
具体实施方式
1、实施方式的有关定义
(1)关于刀具磨损状态的定义
每把刀具从新刀至磨损失效为一个刀具磨损过程,附图4-1至附图4-4为实验刀具在各个阶段的磨损量改变情况的图片,包括初期、正常、急剧磨损、失效4个阶段。后刀面磨损是刀具磨损主要形式,本发明采用0.5mm作为磨损失效的界限,得出刀具磨损过程曲线,结果如附图5所示。可以看出,磨损量从0.00到0.10mm为初期磨损阶段,该阶段中磨损量迅速增加;磨损量从0.10mm到0.40mm为正常磨损阶段,该阶段刀具对磨损的抵抗能力增强,所以磨损不如第一阶段迅速,磨损量缓慢增加;磨损量从0.40mm到0.50mm为剧烈磨损阶段,该阶段刀具已经磨损到一定程度,刀具对激震的抵抗降低,磨损量又一次迅速增加,当磨损量大于0.50mm时,刀具失效。
(2)关于果蝇优化算法的定义
果蝇优化算法(FOA)是一种基于果蝇觅食行为推演出的寻找全局优化的新方法。果蝇在感官知觉上优于其他物种,尤其在视觉和嗅觉上。果蝇的嗅觉器官很发达,能够很好的搜集漂浮在空气中的各种气味,通过气味获得食物源的方向,飞近食物后,利用其敏锐的视觉发现食物以及同伴聚集的位置,并且向该方向飞去。FOA具有收敛快,算法程序实现性简单的特点。附图1是果蝇优化算法原理图。传统FOA算法结构简单导致寻优精度不高,易陷入局部最优。附图2反映了基于传统果蝇优化算法BP神经网络表现,BP神经网络的仿真误差的收敛过程表现出极大的不稳定性,极大干扰刀具磨损状态的模式识别过程。
(3)Fisher筛选的定义
Fisher线性鉴别分析是特征提取最有效的方法之一,Fisher判别能够最大限度地缩小同类各个样本之间的差异,又能最大限度扩大不同类各个样本之间的差异,以获得较高判别效率。Fisher准则公式由下式给出:
式中,为类间散布矩阵,为类内散布矩阵。设Rn为n维原特征空间,Xn为原特征空间Rn中的模式矢量,Jn(Xn)反映了最优分类鉴别矢量的分类能力。由于在原特征空间Rn中增加一相关特征构成新的特征空间Rn+1后,Jn(Xn)=Jn+1(Xn+1),因此在原特征集中增加或者删除相关特征不影响特征集的分类能力。
本方法将训练样本分为类l和类k,用Fisher方法建立如下评价指标:
假定全部特征集为{fj|j=1,2,...},按照某个函数形式J的大小对所有特征进行排序:
J(fz1)>J(fz2)>…>J(fzM)
所选特征应尽可能区分出刀具过度磨损后与较少磨损时的情况。因此按Fisher标准定义如下评价指标:
式中,ujl,ujk是对于所有落于类l和类k的变量所对应特征fj的均值,而 代表类l和类k上变量对应特征fj的方差。如果定义类l和类k为铣刀完好和过度磨损的状态,则J(fj)的大小反应了特征fj区分这两种状态的能力。J(fj)越大,说明特征区分过度磨损或者其他失效形式的能力越强。
2、改进果蝇优化算法模型
改进果蝇优化算法步骤如下:
步骤1:随机初始化果蝇群体的位置:InitX_axis;InitY_axis;
步骤2:定义果蝇个体利用嗅觉搜寻食物的随机方向和距离:
Xi=X_axis+RandomValue;Yi=Y_axis+RandomValue;
步骤3:由于事先无法得知食物的位置,因此需要先估计与原点之间的距离(Dist),再计算出味道浓度判断值;
步骤4:将味道浓度判定值(S)带入到味道浓度判定函数中:Smelli=Function(Si);
步骤5:找出此果蝇群体中味道浓度最大的果蝇个体:
[bestSmellbestindex]=max(Smell);
步骤6:保留最佳味道浓度值与对应的(x,y)坐标,此时果蝇群体利用视觉向该处飞去:
Smellbest=bestSmell;X_axis=X(bestindex);Y_axis=Y(bestindex);
步骤7:进入迭代寻优阶段,重复执行步骤2到步骤5,若判断味道浓度大于前一次迭代的味道浓度,则执行步骤6。
对所有特征按式(2)计算出Fisher指标,然后对其排序,取具有较大J(fj)的一组特征作为识别刀具状态的特征集合,反复试验得出,若J(fj)>1满足就输出结果,否则回到步骤2重新选择。附图3是改进果蝇优化算法流程图。
3、实施过程
铣削力信号直接来源于铣削加工,和刀具磨损密切相关。而且力信号稳定、可靠,反应快、灵敏度高。而且铣削力信号中的特征易于提取,便于在线实时监测。本发明选取铣削力信号作为特征提取对象及磨损状态判断的依据。数据采集是在Makino CNC铣床上进行的,刀具型号为EGD4440R,刀片材料是A30N。加工工件ASSAB718HH(206mmx43mmx106mm)。Kistler 9257B三相测力仪用于提取铣削力信号,显微镜和松下数字照相机采集刀具磨损状况的照片。特征选择在window8、64位操作系统下利用MATLAB R2013a版本进行实验。处理器主频为2.7GHz,内存8GB。切削条件为:主轴转速:600rpm;800rpm;1000rpm;1200rpm进给量:100mm/min;150mm/min;200mm/min;300mm/min切削深度:1mm
用三相测力仪提取6个时域特征,包括铣削力最大值(X1)、铣削力最大幅度(X2)、铣削力均值(X3)、铣削力均方根值(X4)、铣削力标准方差(X5)、铣削力峰值(X6)。
采用Daubechies小波包系列的db5波包对铣削力进行4层分析。采集信号首先通过一个低通滤波器以滤除掉高频噪声,然后使用小波包分解,对数据进一步处理。通过本方法,每一个节点都可以得到一个能量特征则全部4层分解之后可以得到16个能量特征。对6个时域特征和16个能量特征共22个特征进行选择。
设初始22个特征系数初始为1,用改进的FOA模型进行系数优化。初始果蝇群体个数为22,迭代次数为100。根据果蝇优化算法理论,味道浓度最大的果蝇个体往相同方向移动,表现为向量系数产生优化,即模式识别性强的特征进行了聚集,聚集后用参数k(0,1)作为标准对系数进行归一。舍去参数趋近0的即模式识别性弱的特征,即完成了一次特征选择。对所有特征计算出Fisher指标,然后对其排序,取具有较大J(fj)的一组特征作为识别刀具状态的特征集合,反复试验得出,若J(fj)>1满足就输出结果,否则回到步骤2重新选择。附图6为选择结果和仿真误差的关系,经过选择的特征的仿真误差相对于未选择基本得到减少,在维数较低的时候也能取得良好的仿真效果。
改进的果蝇优化算法是随机搜索方法在每次特征选择之后的结果个数都会存在差异,但都效果良好,经测试都可用于刀具磨损状态判断。表1是特征选择的结果。
表1 特征选择结果
可见,基于Fisher的果蝇优化算法的特征选择方法有良好的表现,在显著减少训练时间的同时也降低了预测误差,在维数降到10个以下时,训练速度提高显著。发明人针对实际训练结果,采用误差最小的4个优选特征子集(X3、X10、X14、X17)。附图7-1、7-2是优选特征集的BP神经网络表现。
BP神经网络监测刀具磨损状态
用三层BP神经网络模型来检验该方法的特征选择效果。首先,对数据进行归一化处理。BP网络输入为经过选择的铣削力特征,维数为4,输出神经元表现刀具磨损量值,由Kolmogorov定理,隐层神经元采用2N+1个。双曲线正切S型(sigmoid)函数是可微函数,很适合于利用BP算法训练神经网络。输出神经元传递函数采用logsin对数S型(sigmoid),将神经元映射到(0,1)区间内,正好满足磨损状态的输出要求。
将改进的果蝇优化算法应用在铣削力特征选择中,优选之后的特征输入BP神经网络可以有效对刀具磨损状态进行监测。实验结论如下:
(1)改进果蝇优化算法参数少,易调节,寻优精度好,训练快;
(2)基于Fisher判别准则的果蝇优化算法可以得到良好的BP神经网络训练表现,显著降低特征维度的同时具有较短的运算时间和较低的仿真误差;
(3)改进果蝇优化算法可用于铣削加工过程的在线特征提取,效果好,具有实际意义。
Claims (7)
1.一种基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于包括以下步骤:
(1)采集铣削力信号:利用与多通道电荷放大器连接的三相测力仪通过数据采集板采集铣削加工运行中的铣刀铣削力信号;
(2)提取时域特征和能量特征:采用Daubechies小波包对步骤(1)采集到的铣刀铣削力信号进行4层小波变换和降噪处理,提取铣削力信号中的6个时域特征和16个能量特征;
(3)时域特征和能量特征优选:对步骤(2)提取到的时域特征和能量特征采用果蝇优化算法进行优选,选择进一步能准确反映铣刀磨损状态的特征,以降低特征个数,减少BP神经网络运算量;所述果蝇优化算法为改进果蝇优化算法,包括以下步骤:
步骤1:随机初始化寻优果蝇群体的位置:InitX_axis;InitY_axis;
步骤2:定义果蝇个体利用嗅觉搜寻食物的随机方向和距离:
Xi=X_axis+RandomValue;Yi=Y_axis+RandomValue;
步骤3:估计果蝇群体与原点之间的距离,再计算出食物味道浓度判断值;
步骤4:将味道浓度判定值(S)带入到味道浓度判定函数中:Smelli=Function(Si);
步骤5:找出此果蝇群体中味道浓度最大的果蝇个体:
[bestSmellbestindex]=max(Smell);
步骤6:保留最佳味道浓度值与对应的(x,y)坐标,此时果蝇群体利用视觉向该处飞去:Smellbest=bestSmell;X_axis=X(bestindex);Y_axis=Y(bestindex);
步骤7:重复执行步骤2到步骤5,若判断味道浓度大于前一次迭代的味道浓度,则执行步骤6;
步骤8:根据Fisher准则进行2次判断,若J(fj)>1满足就输出结果,否则回到步骤2重新选择,ujm,ujn是位于类m和类n的特征所对应特征fj的均值,是位于类m和类n所对应特征fj的方差;
(4)将步骤(3)得到的优选后的特征输入BP神经网络,计算出铣刀的磨损量,判断出铣刀磨损状态,实现对铣刀加工运行在线磨损状态的监测。
2.如权利要求1所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于,在采用Daubechies小波包对步骤(1)采集到的铣刀铣削力信号进行小波变换和降噪处理之前,先通过一个低通滤波器以滤除掉高频噪声,然后采用Daubechies小波包对数据进行进一步处理。
3.如权利要求2所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于采用Daubechies小波包系列中的db5小波包对步骤(1)采集到的铣刀铣削力信号进行4层小波变换和降噪处理。
4.如权利要求3所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于,6个时域特征分别为:
铣削力最大值
铣削力最大幅度j表示铣床主轴转动的圈数,F(j,t)表示在第j圈的t个时间单位的铣削力;
铣削力平均力F(j,i)表示第j个力学采样,N是该圈内的总采样数;
铣削力均方根值F(i,j)表示第i个力学采样;
铣削力标准方差
铣削力峰值f(i,j)表示从数列F(i,j)中找出的N个峰值,表示信号的幅度;
16个能量特征分别为:
Sjk(j=1,2,...23;k=1,2,...,n)为重构信号离散点的赋值。
5.如权利要求1至4之一所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于,将优选特征输入三层BP神经网络,以刀具磨损量值作为神经元输出,计算出铣刀的磨损量。
6.如权利要求5所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于,输出神经元的传递函数采用logsin对数S型,将神经元映射到(0,1)区间内,以满足监测磨损状态的输出要求。
7.如权利要求1至4之一所述基于果蝇优化算法的铣刀磨损状态监测方法,其特征在于,用显微镜放大观察刀片磨损过程并用数字照相机拍照记录,与BP神经网络判断出铣刀磨损状态比较,评价铣刀磨损状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255972.4A CN105834834B (zh) | 2016-04-21 | 2016-04-21 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255972.4A CN105834834B (zh) | 2016-04-21 | 2016-04-21 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105834834A CN105834834A (zh) | 2016-08-10 |
CN105834834B true CN105834834B (zh) | 2017-10-27 |
Family
ID=56590195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610255972.4A Expired - Fee Related CN105834834B (zh) | 2016-04-21 | 2016-04-21 | 基于果蝇优化算法的铣刀磨损状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105834834B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106584209A (zh) * | 2016-11-10 | 2017-04-26 | 哈尔滨理工大学 | 基于云制造的刀具磨损实时在线监测方法 |
CN106679880A (zh) * | 2016-12-21 | 2017-05-17 | 华南理工大学 | 一种基于foa优化的som‑rbf的压力传感器温度补偿方法 |
CN109079583B (zh) * | 2018-07-28 | 2019-09-24 | 玉环利仁数控机床制造有限公司 | 基于人工智能的铣床运行监测方法及系统 |
JP7196473B2 (ja) * | 2018-09-05 | 2022-12-27 | 日本電産株式会社 | 摩耗量推定システム、補正システム、異常検知システム、寿命検知システム、工作機械及び摩耗量推定方法 |
CN109434564A (zh) * | 2018-12-21 | 2019-03-08 | 哈尔滨理工大学 | 一种基于深度神经网络的铣刀磨损状态监测方法 |
CN110370079A (zh) * | 2019-07-01 | 2019-10-25 | 无锡市锐法因精密机械有限公司 | 一种铣刀磨损测量方法 |
CN111331429A (zh) * | 2020-03-12 | 2020-06-26 | 中国民航大学 | 基于小波包能量分析的刀具磨损状态监测方法及装置 |
CN111421386A (zh) * | 2020-05-14 | 2020-07-17 | 常州信息职业技术学院 | 一种基于流形学习方法的微铣削刀具磨损状态监测方法 |
CN112705766B (zh) * | 2020-12-18 | 2022-02-11 | 成都航空职业技术学院 | 一种刀具非均匀磨损状态监测方法 |
CN113222172A (zh) * | 2021-04-21 | 2021-08-06 | 深圳供电局有限公司 | 基于果蝇算法的触电预警方法及装置 |
CN114714146B (zh) * | 2022-04-08 | 2023-04-07 | 北京理工大学 | 一种同时预测表面粗糙度和刀具磨损的方法 |
CN114850968B (zh) * | 2022-05-31 | 2023-05-23 | 深圳华刃智造科技有限公司 | 基于振动模型的刀具磨损监测方法、装置、终端及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009285792A (ja) * | 2008-05-29 | 2009-12-10 | Miyano:Kk | Nc工作機械におけるツールモニタ方法 |
DE102014104581B4 (de) * | 2014-04-01 | 2023-05-11 | Ks Huayu Alutech Gmbh | Verfahren zur Überwachung eines Werkzeugs, Verfahren zur Qualitätsbeurteilung einer mit dem Werkzeug bearbeiteten Oberfläche eines Werkstücks sowie Vorrichtung zur Durchführung des Verfahrens |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104741638B (zh) * | 2015-04-20 | 2017-06-06 | 江苏师范大学 | 一种车削刀具磨损状态监测系统 |
CN104794368A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨理工大学 | 基于foa-mksvm的滚动轴承故障分类方法 |
CN105196114B (zh) * | 2015-11-05 | 2016-08-24 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
CN105234746A (zh) * | 2015-11-25 | 2016-01-13 | 苏州多荣自动化科技有限公司 | 一种刀具磨损在线监控系统及其检测方法 |
CN105397566B (zh) * | 2015-12-22 | 2017-12-22 | 大连民族大学 | 一种加工中心刀具磨损在线检测与智能补偿系统及方法 |
-
2016
- 2016-04-21 CN CN201610255972.4A patent/CN105834834B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105834834A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN109571141A (zh) | 一种基于机器学习的刀具磨损状态监测方法 | |
CN110647943B (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN103465107B (zh) | 一种刀具磨损监测方法 | |
Madhusudana et al. | Fault diagnosis of face milling tool using decision tree and sound signal | |
CN107194427A (zh) | 一种铣削刀具故障监测与识别方法及系统 | |
CN107378641A (zh) | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN109158954B (zh) | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 | |
CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
CN105196114A (zh) | 基于小波分析和神经网络的刀具磨损实时在线监测方法 | |
CN109635847A (zh) | 一种基于振动和声发射的刀具磨损状态识别方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
CN114346761B (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN204525045U (zh) | 一种基于电流与声发射复合信号的刀具磨损监测系统 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171027 Termination date: 20180421 |