CN108747590A - 一种基于振动频谱和神经网络的刀具磨损测量方法 - Google Patents
一种基于振动频谱和神经网络的刀具磨损测量方法 Download PDFInfo
- Publication number
- CN108747590A CN108747590A CN201810685382.4A CN201810685382A CN108747590A CN 108747590 A CN108747590 A CN 108747590A CN 201810685382 A CN201810685382 A CN 201810685382A CN 108747590 A CN108747590 A CN 108747590A
- Authority
- CN
- China
- Prior art keywords
- neural network
- cutter
- sample
- tool
- tool wear
- 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.)
- Pending
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)
- Automatic Control Of Machine Tools (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提出了一种利用振动频谱估算刀具磨损的方法,采用振动传感器采集切削过程中的振动信号,并对振动信号进行傅里叶变换,将频谱集中区域的振动幅值输入到神经网络中进行训练,建立起振动频谱和刀具磨损量之间的映射关系,从而对刀具磨损进行预测。
Description
技术领域
本发明涉及一种基于振动频谱和神经网络刀具磨损检测方法,属于刀具磨损检测技术领域。
背景技术
在加工过程中刀具磨损是一种必然现象,当刀具磨损到一定程度时,会导致产品的加工质量急剧下降,严重时会影响加工系统的正常运行,甚至使工件报废。在传统加工过程中,工作人员往往通过切削加工时的噪声或工件已加工表面的质量对刀具的磨损程度进行大致判断,但判断过程中干扰因素多,且和工作人员的工作经验相关,判断结果往往不准确。为了保证产品的加工质量,对加工过程中刀具的磨损进行检测势在必行。
为了监测切削过程中的刀具磨损,众多科研工作者提出了多种刀具磨损检测方法,主要分为两大类,直接检测法和间接检测法。直接检测法大多是将刀具直接放在显微镜下进行测量,或者直接获取刀具磨损区域的图像,利用计算机对图像进行处理,测出磨损量的大小。间接检测法是利用切削力、切削热、主轴电流、扭矩、振动噪声等因素对刀具磨损程度进行判断。无论是直接测量法还是间接测量法,检测方式都较为复杂,检测效果也参差不齐。
专利CN104741638B公开了一种车削刀具磨损检测系统,利用切削热和切削振动去识别刀具磨损状态。专利CN105058165A公开了一种基于振动信号的铣刀刀具磨损检测系统,建立钛合金时加工振动信号与刀具磨损之间的关系。专利CN105234746A公开了一种刀具磨损在线监控系统,利用加工过程中电流、电压、振动去识别刀具磨损量。上述发明通过多种信号对刀具磨损进行判别,检测系统复杂,检测精度不高。
发明内容
本发明要解决的技术问题在于针对上述技术的不足,提出了一种基于振动频谱和神经网络的刀具磨损检测方法。其步骤较为简单,易实现,误差小,能够实现刀具磨损快速高效的检测。
为解决上述问题本发明提出的解决方案是:一种基于振动频谱和神经网络的刀具磨损检测方法,其特征在于该方法包括以下步骤。
步骤001.将振动传感器连接到车刀刀柄上靠近刀头处,与振动传感器配套的设备还有信号调理器和数据采集卡,数据采集卡采集到原始的振动信号,将信号传送到计算机。金属切削时振动信号的有效频段一般不超过8000Hz,在采集振动信号时采集频率设为31250Hz,以保证顺利采集到有用的信息。
步骤002.用完全相同的8把车刀进行实际切削加工,以后刀面1/2处一定范围磨损带宽度平均值作为刀具磨钝标准,分别获得磨损量为0.108mm(A)、0.287mm(B)、0.446mm(C)、0.672mm(D)、0.921mm(E)、0.144mm(F)、0.329mm(G)、0.588mm(H)的刀具。
步骤003.按照步骤001.将振动传感器固定到刀具上并与计算机相连;分别利用8把刀具在同一机床上进行切削加工,每把刀具采集振动数据30万个,并将采集到的振动信号储存到数据库中。
步骤004.对采集到的振动数据进行前处理,把刀具连续振动信号按每1000个一组进行分割,共可获得300组,分别对每段时域信号进行傅里叶变换。刀具的振动频谱都满足同一特点:振动频率主要集中在200点以下。信号基频f 0=31250Hz/1000=31.25Hz,第200点出的频率为200×f 0=6250Hz。所以截取频谱的前200个数值作为神经网络的训练样本,每把刀具可获得300个长度为200的样本。
步骤005.将刀具A-E前280个样本数据用来输入到神经网络中进行训练,期望得到的值为每个样本所对应的刀具实际磨损量。A-E的后20个样本以及F-H的全部样本用来检测神经网络的预测效果。
步骤006.利用C#语言编写BP神经网络算法,从1400个样本中随机选择一个样本,进行归一化处理,并输入到神经网络中进行训练。每训练200次,计算一次1400个训练样本预测结果的平均绝对误差,当达到要求时,则停止训练。神经网络采用200-10-10-1的结构和1的学习率,第一层设置200个神经元与样本长度相同,顶层只输出刀具磨损量,只需一个神经元。初始的权值设置为(-0.5,0.5)之间的随机数,目标误差设置为0.001。根据样本中刀具磨损量的实际大小,神经网络输出的最小值和最大值设置为0和1。神经网络的输出值经过反归一化后得到的即为刀具磨损的预测值。
步骤007.将获得的训练样本输入神经网络中进行训练,将训练获得的神经网络权值,以TXT文档的形式保存在计算机中。
步骤008.在刀具磨损在线测量时,首先将保存在TXT文档中的神经网络权值加载到神经网络中。然后振动传感器采集到振动信号,按照步骤004.所述进行前置处理,得到待识别样本,将待识别样本输入神经网络中,便可获得刀具磨损预测值。
附图说明
图1为该方法整体流程图。
图2为切削振动典型频域波形图。
表1(图3)为训练样本。
图4-8为A-E刀具部分训练样本。
图9为神经网络训练流程图。
图10为误差训练曲线图。
图11为刀具A-E磨损预测结果。
图12为刀具F-H磨损预测结果。
具体实施方式
如图1所示,本发明基于振动频谱和神经网络的刀具磨损检测方法包括以下步骤。
步骤001.将振动传感器连接到车刀刀柄上靠近刀头处,与振动传感器配套的设备还有信号调理器和数据采集卡,数据采集卡采集到原始的振动信号,将信号传送到计算机。金属切削时振动信号的有效频段一般不超过8000Hz,在采集振动信号时采集频率设为31250Hz,以保证顺利采集带有用的信息。
步骤002.用完全相同的8把车刀进行实际切削加工,以后刀面1/2处一定范围磨损带宽度平均值作为刀具磨钝标准,分别获得磨损量为0.108mm(A)、0.287mm(B)、0.446mm(C)、0.672mm(D)、0.921mm(E)、0.144mm(F)、0.329mm(G)、0.588mm(H)的刀具。
步骤003.按照步骤001.将振动传感器固定到刀具上并与计算机相连;分别利用8把刀具在同一机床上进行切削加工,每把刀具采集振动数据30万个,并将采集到的振动信号储存到数据库中。
步骤004.对采集到的振动数据进行前处理,把刀具连续振动信号按每1000个一组进行分割,共可获得300组,分别对每段时域信号进行傅里叶变换。刀具的振动频谱都满足同一特点:振动频率主要集中在200点以下。信号基频f 0=31250Hz/1000=31.25Hz,第200点出的频率为200×f 0=6250Hz。所以截取频谱的前200个数值作为神经网络的训练样本,如图2所示,每把刀具可获得300个长度为200的样本。经过前处理后的部分训练样本如图4-8所示。
步骤005.将刀具A-E前280个样本数据用来输入到神经网络中进行训练,期望得到的值为每个样本所对应的刀具实际磨损量。A-E的后20个样本以及F-H的全部样本用来检测神经网络的预测效果,具体情况如表1(图3)所示。
步骤006.利用C#语言编写BP神经网络算法,从1400个样本中随机选择一个样本,进行归一化处理,并输入到神经网络中进行训练。每训练200次,计算一次1400个训练样本预测结果的平均绝对误差,当达到要求时,则停止训练,神经网络训练流程如图9所示。图10为神经网络训练次数和平均绝对误差的关系。神经网络采用200-10-10-1的结构和1的学习率,第一层设置200个神经元与样本长度相同,顶层只输出刀具磨损量,只需一个神经元。初始的权值设置为(-0.5,0.5)之间的随机数,目标误差设置为0.001。根据样本中刀具磨损量的实际大小,神经网络输出的最小值和最大值设置为0和1。神经网络的输出值经过反归一化后得到的即为刀具磨损的预测值。
步骤007.将获得的训练样本输入神经网络中进行训练,将训练获得的神经网络权值以TXT文档的形式保存在计算机中。
经上述步骤训练过的神经网络已经有了对刀具磨损的预测能力,将A-E刀具的后20个样本输入神经网络,得到的预测结果如图11所示。将F-H刀具的前20个样本输入神经网络等到的预测结果如图12所示。说明该方法可以准确的预测刀具磨损量。
步骤008.在刀具磨损在线测量时,首先将保存在TXT文档中的神经网络权值加载到神经网络中。然后振动传感器采集到振动信号,按照步骤004.所述进行前置处理,得到待识别样本,将待识别样本输入神经网络中,便可获得刀具磨损预测值。
Claims (5)
1.一种基于振动频谱的刀具磨损测量方法,其特征在于利用神经网络建立振动频谱和刀具磨损之间的映射关系,该方法包括以下步骤:步骤001:将振动传感器连接到车刀刀柄上靠近刀头处,与振动传感器配套的设备还有信号调理器和数据采集卡,数据采集卡采集到原始的振动信号,将信号传送到计算机;步骤002:用完全相同的8把车刀进行实际切削加工,以后刀面1/2处一定范围磨损带宽度平均值作为刀具磨钝标准,分别获得磨损量为0.108mm(A)、0.287mm(B)、0.446mm(C)、0.672mm(D)、0.921mm(E)、0.144mm(F)、0.329mm(G)、0.588mm(H)的刀具;步骤003:按照步骤001.将振动传感器固定到刀具上并与计算机相连;分别利用8把刀具在同一机床上进行切削加工,每把刀具采集振动数据30万个,并将采集到的振动信号储存到数据库中;步骤004:对采集到的振动数据进行前处理,把刀具连续振动信号按每1000个一组进行分割,共可获得300组,分别对每段时域信号进行傅里叶变换,截取频谱的前200个数值作为神经网络的训练样本,每把刀具可获得300个长度为200的样本;步骤005:将刀具A-E前280个样本数据用来输入到神经网络中进行训练,期望得到的值为每个样本所对应的刀具实际磨损量,A-E的后20个样本以及F-H的全部样本用来检测神经网络的预测效果;步骤006:利用C#语言编写BP神经网络算法,从1400个样本中随机选择一个样本,进行归一化处理,并输入到神经网络中进行训练;每训练200次,计算一次1400个训练样本预测结果的平均绝对误差,当达到要求时,则停止训练;神经网络采用200-10-10-1的结构和1的学习率,第一层设置200个神经元与样本长度相同,顶层只输出刀具磨损量,只需一个神经元;初始的权值设置为(-0.5,0.5)之间的随机数,目标误差设置为0.001,根据样本中刀具磨损量的实际大小,神经网络输出的最小值和最大值设置为0和1,神经网络的输出值经过反归一化后得到的即为刀具磨损的预测值;步骤007:将获得的训练样本输入神经网络中进行训练,将训练获得的神经网络权值以TXT文档的形式保存在计算机中;步骤008:在刀具磨损在线测量时,首先将保存在TXT文档中的神经网络权值加载到神经网络中,然后振动传感器采集到振动信号,按照步骤004.所述进行前置处理,得到待识别样本,将待识别样本输入神经网络中,便可获得刀具磨损预测值。
2.根据权利要求1所述的基于振动频谱的刀具磨损检测方法,其特征在于:步骤001.利用振动传感器为压电式加速度传感器,连接在刀柄靠近刀头处,与信号调理器和数据采集卡组成一个系统,用来采集到原始的振动信号。
3.根据权利要求1所述的基于振动频谱的刀具磨损检测方法,其特征在于:步骤002.和步骤005.利用8把刀具产生神经网络训练样本,刀具A-E前280个样本数据用来输入到神经网络中进行训练,A-E的后20个样本以及F-H的全部样本用来检测神经网络的预测效果。
4.根据权利要求1所述的基于振动频谱的刀具磨损检测方法,其特征在于:步骤004.把刀具连续振动信号按每1000个一组进行分割,共获得300组,并对每段时域信号进行傅里叶变换,只截取频谱前200个数值作为训练样本。
5.根据权利要求1所述的基于振动频谱的刀具磨损检测方法,其特征在于:步骤006.以振动频谱为样本,利用神经网络对刀具磨损进行预测,神经网络采用200-10-10-1的结构和1的学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685382.4A CN108747590A (zh) | 2018-06-28 | 2018-06-28 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685382.4A CN108747590A (zh) | 2018-06-28 | 2018-06-28 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108747590A true CN108747590A (zh) | 2018-11-06 |
Family
ID=63974251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810685382.4A Pending CN108747590A (zh) | 2018-06-28 | 2018-06-28 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108747590A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
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 |
CN111782624A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
CN111958321A (zh) * | 2020-08-09 | 2020-11-20 | 西北工业大学 | 基于深度神经网络的数控机床刀具磨损程度识别方法 |
CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
CN114102261A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床刀具安全检测方法、系统及机床 |
CN114147284A (zh) * | 2021-08-31 | 2022-03-08 | 上海大学 | 一种拉床拉刀结构健康监测系统及方法 |
US11592499B2 (en) | 2019-12-10 | 2023-02-28 | Barnes Group Inc. | Wireless sensor with beacon technology |
US11761930B2 (en) | 2020-03-06 | 2023-09-19 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014064953A1 (ja) * | 2012-10-23 | 2014-05-01 | エヌティーエンジニアリング株式会社 | 作業機械のびびり抑制方法 |
CN104050340A (zh) * | 2014-07-07 | 2014-09-17 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
CN105058165A (zh) * | 2015-08-08 | 2015-11-18 | 电子科技大学 | 基于振动信号的刀具磨损量监测系统 |
CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 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 |
CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
-
2018
- 2018-06-28 CN CN201810685382.4A patent/CN108747590A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014064953A1 (ja) * | 2012-10-23 | 2014-05-01 | エヌティーエンジニアリング株式会社 | 作業機械のびびり抑制方法 |
CN104050340A (zh) * | 2014-07-07 | 2014-09-17 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
CN105058165A (zh) * | 2015-08-08 | 2015-11-18 | 电子科技大学 | 基于振动信号的刀具磨损量监测系统 |
CN105196114A (zh) * | 2015-11-05 | 2015-12-30 | 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 |
CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109514349B (zh) * | 2018-11-12 | 2020-05-22 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109822399A (zh) * | 2019-04-08 | 2019-05-31 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN109822399B (zh) * | 2019-04-08 | 2020-07-14 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN110000610A (zh) * | 2019-04-17 | 2019-07-12 | 哈尔滨理工大学 | 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法 |
CN110561192A (zh) * | 2019-09-11 | 2019-12-13 | 大连理工大学 | 一种基于堆叠自编码器的深孔镗刀状态监测方法 |
US11592499B2 (en) | 2019-12-10 | 2023-02-28 | Barnes Group Inc. | Wireless sensor with beacon technology |
US11899081B2 (en) | 2019-12-10 | 2024-02-13 | Barnes Group Inc. | Wireless sensor with beacon technology |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111325112B (zh) * | 2020-01-31 | 2023-04-07 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
US11761930B2 (en) | 2020-03-06 | 2023-09-19 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
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 |
CN111782624A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
CN111958321B (zh) * | 2020-08-09 | 2022-05-17 | 西北工业大学 | 基于深度神经网络的数控机床刀具磨损程度识别方法 |
CN111958321A (zh) * | 2020-08-09 | 2020-11-20 | 西北工业大学 | 基于深度神经网络的数控机床刀具磨损程度识别方法 |
CN114147284A (zh) * | 2021-08-31 | 2022-03-08 | 上海大学 | 一种拉床拉刀结构健康监测系统及方法 |
CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
CN114102261A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床刀具安全检测方法、系统及机床 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108747590A (zh) | 一种基于振动频谱和神经网络的刀具磨损测量方法 | |
Madhusudana et al. | Fault diagnosis of face milling tool using decision tree and sound signal | |
Schmitz | Chatter recognition by a statistical evaluation of the synchronously sampled audio signal | |
US7341410B2 (en) | Dynamical instrument for machining | |
CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
CN108942409A (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
CN108356606A (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
Marani et al. | Prediction of cutting tool wear during a turning process using artificial intelligence techniques | |
CN106002490B (zh) | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
CN104732003B (zh) | 一种基于可靠性的磨削工艺评估方法 | |
CN112192319A (zh) | 无监督模型的刀具磨损监测方法及系统 | |
CN109333160A (zh) | 高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法 | |
Bahr et al. | Sensor fusion for monitoring machine tool conditions | |
Yang et al. | A novel tool (single-flute) condition monitoring method for end milling process based on intelligent processing of milling force data by machine learning algorithms | |
CN114905336B (zh) | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 | |
Jeet et al. | Multi-parametric optimization during drilling of aerospace alloy (UNS A97068) using hybrid RSM-GRA, GA and SA | |
Chen et al. | Online chatter detection in robotic machining based on adaptive variational mode decomposition | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
Twardowski et al. | Monitoring and forecasting of tool wear based on measurements of vibration accelerations during cast iron milling | |
Al–Habaibeh et al. | Self-learning algorithm for automated design of condition monitoring systems for milling operations | |
Hamrol | Process diagnostics as a means of improving the efficiency of quality control | |
Radhika et al. | Pattern recognition based surface roughness prediction in turning hybrid metal matrix composite using random forest algorithm | |
Dornfeld | Monitoring of the machining process by means of acoustic emission sensors | |
CN114235043A (zh) | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
WD01 | Invention patent application deemed withdrawn after publication |