CN106002483A - 一种智能刀具故障诊断方法 - Google Patents
一种智能刀具故障诊断方法 Download PDFInfo
- Publication number
- CN106002483A CN106002483A CN201610289610.7A CN201610289610A CN106002483A CN 106002483 A CN106002483 A CN 106002483A CN 201610289610 A CN201610289610 A CN 201610289610A CN 106002483 A CN106002483 A CN 106002483A
- Authority
- CN
- China
- Prior art keywords
- tool
- signal
- vibration cutting
- state
- hidden markov
- 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.)
- Granted
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
- B23Q17/0952—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 during machining
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种智能刀具故障诊断方法,其步骤:在机床的CNC端与机床端之间设置PLC;由PLC获取机床加工过程中产生的若干刀具振动信号x(t),并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征;根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系,以完成刀具磨损故障的智能识别:对每个刀具振动信号进行训练得到隐马尔可夫模型λ;利用训练好的隐马尔可夫模型λ进行似然率的计算,将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中,得到各刀具振动信号在相应隐马尔可夫模型下的似然率,进而实现刀具状态识别。本发明结合机床本身特性和刀具加工过程振动信号特征,实现刀具磨损故障的自动检测,并能自动识别刀具磨损状态。
Description
技术领域
本发明涉及一种刀具故障诊断方法,特别是关于一种在检测仪器仪表领域中使用的智能刀具故障诊断方法。
背景技术
目前,刀具故障诊断都是通过定期卸下刀具人为地肉眼进行观察,根据刀具外形和操作人员的经验进行判断刀具是否严重磨损,这样的刀具故障诊断不具有在线性和智能性,而且需要耗费大量人工成本,如果经常进行刀具诊断还会影响生产效率,耗费经济成本。
发明内容
针对上述问题,本发明的目的是提供一种智能刀具故障诊断方法,其结合机床本身特性和刀具加工过程振动信号特征,实现刀具磨损故障的自动检测,并能自动识别刀具磨损状态。
为实现上述目的,本发明采取以下技术方案:一种智能刀具故障诊断方法,其特征在于,该方法包括以下步骤:1)在机床的CNC端与机床端之间设置PLC,由PLC实现对机床侧和CNC侧的输入输出信号处理;2)由PLC获取机床加工过程中产生的若干刀具振动信号x(t),并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征:2.1)对采集到的刀具振动信号x(t)进行经验模态分解,将刀具振动信号x(t)中不同尺度的波动或趋势逐级分解出来,产生具有不同特征尺度的数据序列,并将这些序列定义为本征模态函数IMF;2.2)设置IMF分量的两个判定条件为:(1)IMF的极值点和过零点的个数差值不能大于一;(2)IMF的上包络线和下包络相对于时间轴是局部对称的;若同时满足上述两个条件,则为IMF分量;2.3)对IMF分量进行希尔伯特-黄变换,利用IMF分量ci(t)构造时间复信号zi(t):式中,φi(t)为相角;ai(t)为幅值;i=1、2、…、n;使时间复信号zi(t)的实部ci(t)和虚部存在如下关系:
2.4)对时间复信号的幅值进行积分运算求取希尔伯特谱H(ω,t):
2.5)通过上述步骤,提取得到刀具振动信号x(t)的有效特征量;3)根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系,以完成刀具磨损故障的智能识别:3.1)对每个刀具振动信号进行训练得到隐马尔可夫模型λ,λ=(π,A,B),π为初始状态概率分布的矢量值;A为状态转移概率矩阵,各元素为aij;B为观察值概率矩阵,各元素为bij:3.2)利用训练好的隐马尔可夫模型λ进行似然率的计算,将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中,得到各刀具振动信号在相应隐马尔可夫模型下的似然率,进而实现刀具状态识别。
进一步,所述IMF分量具体筛选方法如下:2.2.1)确定刀具振动信号x(t)的所有局部极值点,将极大值和极小值点分别用三次样条连起来形成上包络线和下包络线;2.2.2)设定u1为上包络线和下包络线的均值,并求出刀具振动信号x(t)与均值u1的差y1(t):y1(t)=x(t)-u1;2.2.3)判断y1(t)是否为IMF分量,若y1(t)不满足IMF条件,则将y1(t)作为原始数据,重复执行步骤2.2.1)、2.2.2),直到y1(t)满足IMF条件为止;满足IMF条件时,记y1(t)=c1(t),则c1(t)为刀具振动信号x(t)的第一个IMF分量;2.2.4)将第一个IMF分量c1(t)从刀具振动信号x(t)中分离出来,得到一个去掉高频分量的差值信号r1(t):r1(t)=x(t)-c1(t);2.2.5)将差值信号r1(t)作为处理信号,按照步骤2.2.1)至步骤2.2.3)得到第二个IMF分量c2(t),通过n次循环,得到刀具振动信号的n个IMF分量,则有:rn-1(t)-cn(t)=rn(t);2.2.6)当第n个IMF分量cn(t)或残余函数rn(t)满足预先给定的终止条件时,即成为单调函数时循环结束,得到刀具振动信号x(t):
式中,rn(t)为残余函数。
进一步,所述到刀具振动信号x(t)的有效特征量,包括三个特征量:第一个特征量为IMF振动均值
式中,ck(i)为实际采样后的离散信号经EMD处理后第k个本征模态函数分量,i=1,2,……,n;第二个特征量为EMD能量熵HEN:
式中,pi为第i个IMF分量的能量占刀具振动信号总能量的比例;
第三个特征量为希尔伯特边际谱:
式中,H(ω)为希尔伯特边际谱;fp为希尔伯特边际谱中最大值对应的频率特征;Pp为希尔伯特边际谱的功率密度特征。
进一步,所述步骤3.1)中,隐马尔可夫模型λ获取方法如下:3.1.1)令观察序列隐马尔可夫模型为λ0=(π0,A0,B0),定义ξt(i,j)为在t时刻马尔可夫链处于θi状态和t+1时刻处于θj状态的概率,即:ξt(i,j)=P(O,qt=θi,qt+1=θj|λ0);式中,qt表示t时刻的马尔可夫链状态,qt+1表示t+1时刻的马尔可夫链状态;3.1.2)根据前向变量及后向变量的定义得到:
式中,αt(i)表示前向变量,bj(ot+1)=B,表示观察值概率矩阵,Ot+1表示t+1时刻的观察序列,βt+1(j)表示后向变量;则在t时刻,马尔可夫链处于状态θi的概率ξt(i)为:
3.1.3)通过步骤3.1.2)得到重估公式为:
根据观察值序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得一组新的参数同时获得了一个新模型 表示从状态θi转出到其他状态的期望;表示从状态θi转移到状态θj的期望;3.1.4)根据重估公式计算隐马尔可夫模型的参数λ=(π,A,B):根据观察序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得新模型要满足即由重估公式得到的新模型比初始模型λ0出现观察值序列O的概率要高;
3.1.5)重复步骤3.1.4),即能一步步改进隐马尔可夫模型参数,直至满足预先设定的收敛条件为止,得到所求的隐马尔可夫模型λ=(π,A,B)。
进一步,所述步骤3.2)中,刀具状态识别方法如下:3.2.1)定义前向变量αt(i)=P(o1,o2,...ot|qt=θi,λ),1≤t≤T,T表示样本总数量;利用递归计算所有由当前时刻t的所处状态i向下一时刻t+1的所处状态j转移可能历经的所有路径的概率,得到观察序列O在隐马尔可夫模型λ下的概率:
其概率总和P(O|λ)即为刀具故障的似然率;3.2.2)将待检测刀具振动信号在各隐马尔可夫模型下的似然率进行对比,通过最大似然率法,得到最大似然率所对应的隐马尔可夫模型为最有可能的刀具磨损状态,实现刀具状态识别。
本发明由于采取以上技术方案,其具有以下优点:1、本发明在安装调试好后不用人工干预,能实现自动进行监测和故障报警。2、本发明克服了目前机床刀具磨损故障诊断基本是靠肉眼观察来识别故障,通过自动识别进行提取刀具磨损特征,有着更高的磨损故障识别准确率。3、本发明在机床刀具磨损故障诊断时不需要停机取下刀具进行检测,即可以实现无需停机卸刀的在线刀具磨损状态监测。
附图说明
图1是本发明对刀具振动信号进行经验模式分解的效果图;
图2是本发明对刀具振动信号本征函数求取希尔伯特谱的效果图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种智能刀具故障诊断方法,其包括以下步骤:
1)在机床的CNC端(计算机数值控制端)与机床端之间设置PLC,由PLC实现对机床侧和CNC侧的输入输出信号处理。
2)由PLC获取机床加工过程中产生的若干刀具振动信号x(t),并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征:
2.1)对采集到的刀具振动信号x(t)进行经验模态分解,将刀具振动信号x(t)中不同尺度的波动或趋势逐级分解出来,产生具有不同特征尺度的数据序列,并将这些序列定义为本征模态函数(IMF)。
2.2)设置IMF分量的两个判定条件为:(1)IMF的极值点和过零点的个数差值不能大于一;(2)IMF的上包络线和下包络相对于时间轴是局部对称的。若同时满足上述两个条件,则为IMF分量。IMF分量具体筛选方法如下:
2.2.1)确定刀具振动信号x(t)的所有局部极值点,将极大值和极小值点分别用三次样条连起来形成上包络线和下包络线,这两条包络线包络了所有的信号数据。
2.2.2)设定u1为上包络线和下包络线的均值,并求出刀具振动信号x(t)与均值u1的差y1(t):y1(t)=x(t)-u1;
2.2.3)判断y1(t)是否为IMF分量,若y1(t)不满足IMF条件,则将y1(t)作为原始数据,重复执行步骤2.2.1)、2.2.2),直到y1(t)满足IMF条件为止。满足IMF条件时,记y1(t)=c1(t),则c1(t)为刀具振动信号x(t)的第一个IMF分量,表示刀具振动信号x(t)中最高频率的分量。
2.2.4)将第一个IMF分量c1(t)从刀具振动信号x(t)中分离出来,得到一个去掉高频分量的差值信号r1(t),即
r1(t)=x(t)-c1(t);
2.2.5)将差值信号r1(t)作为处理信号,按照步骤2.2.1)至步骤2.2.3)即可得到第二个IMF分量c2(t),通过n次循环,得到刀具振动信号的n个IMF分量,则有:
rn-1(t)-cn(t)=rn(t);
2.2.6)当第n个IMF分量cn(t)或残余函数rn(t)满足预先给定的终止条件(即成为单调函数)时,循环结束,可得到刀具振动信号x(t):
式中,rn(t)为残余函数,代表刀具振动信号的平均趋势,其分解效果如图1所示。
2.3)对IMF分量进行希尔伯特-黄变换:
利用IMF分量ci(t)构造时间复信号zi(t):
式中,φi(t)为相角;ai(t)为幅值;i=1、2、…、n;
使时间复信号zi(t)的实部ci(t)和虚部存在如下关系:
2.4)对时间复信号的幅值进行积分运算求取希尔伯特谱H(ω,t)(如图2所示):
式中,Re指对复数取实部。
2.5)通过上述步骤,提取得到刀具振动信号x(t)的有效特征量,包括三个特征量:
第一个特征量为IMF振动均值
式中,ck(i)为实际采样后的离散信号经EMD处理后第k个本征模态函数分量,i=1,2,……,n;
第二个特征量为EMD能量熵HEN:
式中,pi为第i个IMF分量的能量占刀具振动信号总能量的比例;
第三个特征量为希尔伯特边际谱:
式中,H(ω)为希尔伯特边际谱;fp为希尔伯特边际谱中最大值对应的频率特征;Pp为希尔伯特边际谱的功率密度特征。
3)根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系,以完成刀具磨损故障的智能识别,其具体过程如下:
3.1)对每个刀具振动信号进行训练得到隐马尔可夫模型λ,λ=(π,A,B),π为初始状态概率分布的矢量值;A为状态转移概率矩阵,各元素为aij;B为观察值概率矩阵,各元素为bij:
3.1.1)令观察序列隐马尔可夫模型为λ0=(π0,A0,B0),定义ξt(i,j)为在t时刻马尔可夫链处于θi状态和t+1时刻处于θj状态的概率,即:
ξt(i,j)=P(O,qt=θi,qt+1=θj|λ0);
式中,qt表示t时刻的马尔可夫链状态,qt+1表示t+1时刻的马尔可夫链状态;
3.1.2)根据前向变量及后向变量的定义可以得到:
式中,αt(i)表示前向变量,bj(ot+1)=B,表示观察值概率矩阵,Ot+1表示t+1时刻的观察序列,βt+1(j)表示后向变量。
则在t时刻,马尔可夫链处于状态θi的概率ξt(i)为:
3.1.3)通过上述步骤3.1.2)可以得到重估公式为:
且Ot=vk,
根据观察值序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得一组新的参数(其中为重估后状态转移概率矩阵的元素,为重估后观察值概率矩阵的元素),同时也就获得了一个新模型 表示从状态θi转出到其他状态的期望;表示从状态θi转移到状态θj的期望。
3.1.4)根据重估公式计算HMM(隐马尔可夫模型)的参数λ=(π,A,B):
根据序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得一组新的参数同时也就获得了一个新模型该新模型要满足即由重估公式得到的新模型比初始模型λ0出现观察序列O的概率要高,能更加准地描述实际的模型。
3.1.5)重复步骤3.1.4),即可一步步改进隐马尔可夫模型参数,直至满足预先设定的收敛条件为止,得到所求的隐马尔可夫模型λ=(π,A,B)。
3.2)利用训练好的隐马尔可夫模型λ进行似然率的计算,将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中,能得到各刀具振动信号在相应隐马尔可夫模型下的似然率,进而实现刀具状态识别。
3.2.1)定义前向变量αt(i)=P(o1,o2,...ot|qt=θi,λ),1≤t≤T(T表示样本总数量),利用递归计算所有由当前时刻t的所处状态i向下一时刻t+1的所处状态j转移可能历经的所有路径的概率,得到观察序列O在隐马尔可夫模型λ下的概率:
其概率总和P(O|λ)即为刀具故障的似然率。
3.2.2)将待检测刀具振动信号在各隐马尔可夫模型下的似然率进行对比,通过最大似然率法,得到最大似然率所对应的隐马尔可夫模型为最有可能的刀具磨损状态,实现刀具状态识别。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种智能刀具故障诊断方法,其特征在于,该方法包括以下步骤:
1)在机床的CNC端与机床端之间设置PLC,由PLC实现对机床侧和CNC侧的输入输出信号处理;
2)由PLC获取机床加工过程中产生的若干刀具振动信号x(t),并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征:
2.1)对采集到的刀具振动信号x(t)进行经验模态分解,将刀具振动信号x(t)中不同尺度的波动或趋势逐级分解出来,产生具有不同特征尺度的数据序列,并将这些序列定义为本征模态函数IMF;
2.2)设置IMF分量的两个判定条件为:(1)IMF的极值点和过零点的个数差值不能大于一;(2)IMF的上包络线和下包络相对于时间轴是局部对称的;若同时满足上述两个条件,则为IMF分量;
2.3)对IMF分量进行希尔伯特-黄变换,利用IMF分量ci(t)构造时间复信号zi(t):
式中,φi(t)为相角;ai(t)为幅值;i=1、2、…、n;
使时间复信号zi(t)的实部ci(t)和虚部cl(t)存在如下关系:
2.4)对时间复信号的幅值进行积分运算求取希尔伯特谱H(ω,t):
2.5)通过上述步骤,提取得到刀具振动信号x(t)的有效特征量;
3)根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系,以完成刀具磨损故障的智能识别:
3.1)对每个刀具振动信号进行训练得到隐马尔可夫模型λ,λ=(π,A,B),π为初始状态概率分布的矢量值;A为状态转移概率矩阵,各元素为aij;B为观察值概率矩阵,各元素为bij:
3.2)利用训练好的隐马尔可夫模型λ进行似然率的计算,将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中,得到各刀具振动信号在相应隐马尔可夫模型下的似然率,进而实现刀具状态识别。
2.如权利要求1所述的一种智能刀具故障诊断方法,其特征在于:所述IMF分量具体筛选方法如下:
2.2.1)确定刀具振动信号x(t)的所有局部极值点,将极大值和极小值点分别用三次样条连起来形成上包络线和下包络线;
2.2.2)设定u1为上包络线和下包络线的均值,并求出刀具振动信号x(t)与均值u1的差y1(t):y1(t)=x(t)-u1;
2.2.3)判断y1(t)是否为IMF分量,若y1(t)不满足IMF条件,则将y1(t)作为原始数据,重复执行步骤2.2.1)、2.2.2),直到y1(t)满足IMF条件为止;满足IMF条件时,记y1(t)=c1(t),则c1(t)为刀具振动信号x(t)的第一个IMF分量;
2.2.4)将第一个IMF分量c1(t)从刀具振动信号x(t)中分离出来,得到一个去掉高频分量的差值信号r1(t):
r1(t)=x(t)-c1(t);
2.2.5)将差值信号r1(t)作为处理信号,按照步骤2.2.1)至步骤2.2.3)得到第二个IMF分量c2(t),通过n次循环,得到刀具振动信号的n个IMF分量,则有:
rn-1(t)-cn(t)=rn(t);
2.2.6)当第n个IMF分量cn(t)或残余函数rn(t)满足预先给定的终止条件时,即成为单调函数时循环结束,得到刀具振动信号x(t):
式中,rn(t)为残余函数。
3.如权利要求1所述的一种智能刀具故障诊断方法,其特征在于:所述到刀具振动信号x(t)的有效特征量,包括三个特征量:
第一个特征量为IMF振动均值
式中,ck(i)为实际采样后的离散信号经EMD处理后第k个本征模态函数分量,i=1,2,……,n;
第二个特征量为EMD能量熵HEN:
式中,pi为第i个IMF分量的能量占刀具振动信号总能量的比例;
第三个特征量为希尔伯特边际谱:
式中,H(ω)为希尔伯特边际谱;fp为希尔伯特边际谱中最大值对应的频率特征;Pp为希尔伯特边际谱的功率密度特征。
4.如权利要求1所述的一种智能刀具故障诊断方法,其特征在于:所述步骤3.1)中,隐马尔可夫模型λ获取方法如下:
3.1.1)令观察序列隐马尔可夫模型为λ0=(π0,A0,B0),定义ξt(i,j)为在t时刻马尔可夫链处于θi状态和t+1时刻处于θj状态的概率,即:
ξt(i,j)=P(O,qt=θi,qt+1=θj|λ0);
式中,qt表示t时刻的马尔可夫链状态,qt+1表示t+1时刻的马尔可夫链状态;
3.1.2)根据前向变量及后向变量的定义得到:
式中,αt(i)表示前向变量,bj(ot+1)=B,表示观察值概率矩阵,Ot+1表示t+1时刻的观察序列,βt+1(j)表示后向变量;
则在t时刻,马尔可夫链处于状态θi的概率ξt(i)为:
3.1.3)通过步骤3.1.2)得到重估公式为:
根据观察值序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得一组新的参数同时获得了一个新模型表示从状态θi转出到其他状态的期望;表示从状态θi转移到状态θj的期望;
3.1.4)根据重估公式计算隐马尔可夫模型的参数λ=(π,A,B):根据观察序列O和选取的初始模型λ0=(π0,A0,B0),由重估公式求得新模型要满足即由重估公式得到的新模型比初始模型λ0出现观察值序列O的概率要高;
3.1.5)重复步骤3.1.4),即能一步步改进隐马尔可夫模型参数,直至满足预先设定的收敛条件为止,得到所求的隐马尔可夫模型λ=(π,A,B)。
5.如权利要求1所述的一种智能刀具故障诊断方法,其特征在于:所述步骤3.2)中,刀具状态识别方法如下:
3.2.1)定义前向变量αt(i)=P(o1,o2,…ot|qt=θi,λ),1≤t≤T,T表示样本总数量;利用递归计算所有由当前时刻t的所处状态i向下一时刻t+1的所处状态j转移可能历经的所有路径的概率,得到观察序列O在隐马尔可夫模型λ下的概率:
其概率总和P(O|λ)即为刀具故障的似然率;
3.2.2)将待检测刀具振动信号在各隐马尔可夫模型下的似然率进行对比,通过最大似然率法,得到最大似然率所对应的隐马尔可夫模型为最有可能的刀具磨损状态,实现刀具状态识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289610.7A CN106002483B (zh) | 2016-05-04 | 2016-05-04 | 一种智能刀具故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289610.7A CN106002483B (zh) | 2016-05-04 | 2016-05-04 | 一种智能刀具故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106002483A true CN106002483A (zh) | 2016-10-12 |
CN106002483B CN106002483B (zh) | 2018-02-02 |
Family
ID=57081746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289610.7A Expired - Fee Related CN106002483B (zh) | 2016-05-04 | 2016-05-04 | 一种智能刀具故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106002483B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN108747586A (zh) * | 2018-04-28 | 2018-11-06 | 基准精密工业(惠州)有限公司 | 刀柄、监测方法及存储设备 |
CN109031103A (zh) * | 2018-06-11 | 2018-12-18 | 辽宁欣科电气股份有限公司 | 一种交流接触器性能退化与状态评估方法及系统 |
CN109382702A (zh) * | 2018-11-06 | 2019-02-26 | 重庆大学 | 一种数控滚齿机滚刀失效形式自动识别方法 |
CN109590805A (zh) * | 2018-12-17 | 2019-04-09 | 杭州国彪超声设备有限公司 | 一种车削刀具工作状态的确定方法及系统 |
CN110428020A (zh) * | 2019-08-13 | 2019-11-08 | 树根互联技术有限公司 | 刀具健康评估模型训练方法、装置及电子设备 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
CN111473761A (zh) * | 2020-04-27 | 2020-07-31 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
CN111582211A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1397100A (zh) * | 2000-02-03 | 2003-02-12 | 蒂科电子公司 | 包括一个支撑平行电路板的外壳的电连接器 |
US20080059086A1 (en) * | 2002-02-21 | 2008-03-06 | Ziyad Duron | System and method for determining and detecting stability loss in structures |
CN103264317A (zh) * | 2013-05-16 | 2013-08-28 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
-
2016
- 2016-05-04 CN CN201610289610.7A patent/CN106002483B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1397100A (zh) * | 2000-02-03 | 2003-02-12 | 蒂科电子公司 | 包括一个支撑平行电路板的外壳的电连接器 |
US20080059086A1 (en) * | 2002-02-21 | 2008-03-06 | Ziyad Duron | System and method for determining and detecting stability loss in structures |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN103264317A (zh) * | 2013-05-16 | 2013-08-28 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
Non-Patent Citations (2)
Title |
---|
陈会斌,黄民,马超: "基于振动法的刀具磨损状态监测研究", 《机械工程师》 * |
黄民,刘秀丽,谢厚正: "高档数控机床刀具磨损故障监测方法及实验系统", 《北京信息科技大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107378641B (zh) * | 2017-08-23 | 2019-02-01 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN108747586A (zh) * | 2018-04-28 | 2018-11-06 | 基准精密工业(惠州)有限公司 | 刀柄、监测方法及存储设备 |
CN109031103B (zh) * | 2018-06-11 | 2021-03-02 | 辽宁欣科电气股份有限公司 | 一种交流接触器性能退化与状态评估方法 |
CN109031103A (zh) * | 2018-06-11 | 2018-12-18 | 辽宁欣科电气股份有限公司 | 一种交流接触器性能退化与状态评估方法及系统 |
CN109382702A (zh) * | 2018-11-06 | 2019-02-26 | 重庆大学 | 一种数控滚齿机滚刀失效形式自动识别方法 |
CN109590805B (zh) * | 2018-12-17 | 2019-11-29 | 杭州国彪超声设备有限公司 | 一种车削刀具工作状态的确定方法及系统 |
CN109590805A (zh) * | 2018-12-17 | 2019-04-09 | 杭州国彪超声设备有限公司 | 一种车削刀具工作状态的确定方法及系统 |
CN110428020A (zh) * | 2019-08-13 | 2019-11-08 | 树根互联技术有限公司 | 刀具健康评估模型训练方法、装置及电子设备 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN110674752B (zh) * | 2019-09-25 | 2023-06-20 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
CN111473761A (zh) * | 2020-04-27 | 2020-07-31 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
CN111473761B (zh) * | 2020-04-27 | 2022-01-07 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
CN111582211A (zh) * | 2020-05-14 | 2020-08-25 | 福州大学 | 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 |
CN111582211B (zh) * | 2020-05-14 | 2022-06-14 | 福州大学 | 一种基于改进高斯隐马尔科夫模型的机械加工任务细粒度监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106002483B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106002483A (zh) | 一种智能刀具故障诊断方法 | |
CN110674752B (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及系统 | |
CN110303380A (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN104832418B (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
CN105108584A (zh) | 一种车削颤振检测方法 | |
CN110443117B (zh) | 一种风电机组故障诊断方法 | |
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
CN109359662B (zh) | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 | |
CN113485244A (zh) | 一种基于刀具磨损预测的数控机床控制系统及其方法 | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN112465124A (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
Hou et al. | Tool wear state recognition under imbalanced data based on WGAN-GP and lightweight neural network ShuffleNet | |
CN113369993B (zh) | 一种小样本下刀具磨损状态监测方法 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN103473640A (zh) | 一种基于机床刀具受力状态的加工进度信息采集方法 |
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: 20180202 Termination date: 20200504 |