CN109262369A - 一种刀具状态检测系统及方法 - Google Patents
一种刀具状态检测系统及方法 Download PDFInfo
- Publication number
- CN109262369A CN109262369A CN201811070159.5A CN201811070159A CN109262369A CN 109262369 A CN109262369 A CN 109262369A CN 201811070159 A CN201811070159 A CN 201811070159A CN 109262369 A CN109262369 A CN 109262369A
- Authority
- CN
- China
- Prior art keywords
- signal
- analysis
- cutting tool
- data
- tool state
- 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
Abstract
本发明公开一种刀具状态检测系统及方法,包括采集加工机台主轴电流信号,并将电流信号通过数据采集设备传送至数据处理模块;对电流信号进行时频域分析获取特征信号,将所述特征信号输入刀具状态预测模型,进行刀具磨损的预测分析;将分析结果通过工控机的人机交互模块以及机台监控大屏展示;并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。本发明能够有效检测和预测刀具状态,对刀具受损进行预警,从而避免由于刀具受损后未及时更换导致的废品率增加。
Description
技术领域
本发明属于刀具检测技术领域,特别是涉及一种刀具状态检测系统及方法。
背景技术
近年来,积极推动工业发展,发展智能工厂已成为全球制造业的热点。但随着人力短缺、工资上涨、产品交期越来越短和市场需求变动大等问题出现,制造业正面临新一波转型挑战。如何在控制生产成本的同时,还能提高生产力与生产效率,则显得尤为主要。
刀具加工工艺在汽车、飞机和模具制造中应用广泛,但由于刀具受损后未及时更换导致的废品率增加,从而造成经济损失的问题一直困扰着各大厂商;因此,如何进行有效的刀具状态检测是各制造企业迫切希望解决的问题。
发明内容
为了解决上述问题,本发明提出了一种刀具状态检测系统及方法,能够有效检测和预测刀具状态,对刀具受损进行预警,从而避免由于刀具受损后未及时更换导致的废品率增加。
为达到上述目的,本发明采用的技术方案是:一种刀具状态检测系统,包括电流传感器、数据采集设备、工控机和机台监控大屏;
所述电流传感器,采集加工机台主轴电流信号,并将电流信号传送至数据采集设备;
所述数据采集设备,采集电流传感器传送的电流信号,并将采集数据传送至工控机内部数据处理模块;
所述工控机包括数据处理模块、人机交互模块和大数据分析模块,由数据处理模块接收来自数据采集设备的采集数据并进行时频域分析获取特征信号,将所述特征信号输入大数据分析模块中的刀具状态预测模型,进行刀具磨损的预测分析;将分析结果传送至所述人机交互模块;同时,将采集数据和分析结果传送至大数据分析模块进行刀具状态预测模型训练和优化;
所述机台监控大屏,接收数据处理模块的分析结果,并展示分析结果。
进一步的是,所述数据处理模块对采集信号进行处理,通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感的特征信号作为分析结果;通过频域分析对分析结果进行去噪;在刀具磨损和崩刃的时候,出现了急剧电流变化特征信号。刀具的电流信号能够反应磨损状态,在刀具磨损的时候电流信号具有突变,整个加工周期具有递进过程;进行频域分析对数据达到去噪,避免噪声对预测结果产生的影响。
进一步的是,所述数据处理模块对采集信号进行处理,通过傅里叶变换把时域上的电流信号映射到频域上,得到电流信号中包含的频率;获取频率是切削信号、空转信号和噪声信号的特征信号作为分析结果。能够直观且快速的在电流信号中找出特征信号。
进一步的是,所述数据处理模块对采集信号进行处理,对采集信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,通过各个频率段内的特征获取异常特征信号作为分析结果。通过小波分析可以同时观测到时域和频域上的特征分布,通过小波包使高频信号的分析处理效果改善,能够实现各个频率段内的特征分析。
另一方面,本发明还提供了一种刀具状态检测方法,包括步骤:
采集加工机台主轴电流信号,并将电流信号通过数据采集设备传送至数据数据处理模块;
对电流信号进行时频域分析获取特征信号,将所述特征信号输入刀具状态预测模型,进行刀具磨损状态的预测分析;
将分析结果通过工控机的人机交互模块以及机台监控大屏展示;并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。
进一步的是,对电流信号进行时频域分析包括步骤:通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感信号特征作为特征信号;通过对特征信号进过频域分析进行去噪。
进一步的是,对电流信号进行时频域分析包括步骤:通过傅里叶变换,把时域上的电流信号映射到频域上,得到电流信号中包含频率特征,获取频率特征是切削信号、空转信号和噪声信号的特征信号。
进一步的是,对电流信号进行时频域分析包括步骤:对电流信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,获取各个频率段内的异常特征信号。
进一步的是,通过深度学习预测算法将在线采集数据和历史采集数据作为训练样本训练刀具状态预测模型。
进一步的是,深度学习预测算法采用自适应SDP-CNN算法,包括步骤:
通过SDP协议将信号特征用可视化的图形表示,将信号的时域波形通过计算变为由镜像对称点组成的雪花状图形,镜像对称图形能够突出图形间的差异性用来表示不同信号的特征;
根据遗传算法的自适应能力选取参数,得到反应不同信号特征的SDP图;
将信号数据转化为SDP图后,通过CNN算法构建加工刀具断刀和崩边事件检测模型对SDP图进行对比分析,输出刀具状态。
CNN(卷积神经网络)算法自身可以提取出能够放映代表数据中的特征,省去了人为提取特征的环节,具有很强的预测能力;采用SDP协议分析信号更容易且直观;通过遗传算法带来的自适应能力,选取比较好的参数,从而得到能够反应不同信号特征的SDP图,这样就将信号数据转化为图像,而CNN对于图像处理的能力强大,通过这种方法就可以在信号预测中取得比较理想的效果,提高了预测精度且提示了处理效率。
采用本技术方案的有益效果:
本发明能够有效检测和预测刀具状态,对刀具受损进行预警,从而避免由于刀具受损后未及时更换导致的废品率增加。
本发明通过采集机台主轴加工过程中的电流信号,分析电流信号与加工刀具的断刀和崩边事件之间的关系,构建加工刀具断刀和崩边事件检测模型,以在实际生产过程中,检测模型能够及时、准确地检测出加工刀具断刀和崩边事件,并产生相应信号进行报警和提示。
附图说明
图1为本发明的一种刀具状态检测系统的结构示意图;
图2为本发明中一种刀具状态检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种刀具状态检测系统,包括电流传感器、数据采集设备、工控机和机台监控大屏;
所述电流传感器,采集加工机台主轴电流信号,并将电流信号传送至数据采集设备;
所述数据采集设备,采集电流传感器传送的电流信号,并将采集数据传送至工控机内部数据处理模块;
所述工控机包括数据处理模块、人机交互模块和大数据分析模块,由数据处理模块接收来自数据采集设备的采集数据并进行时频域分析获取特征信号,将所述特征信号输入大数据分析模块中的刀具状态预测模型,进行刀具磨损的预测分析;将分析结果传送至所述人机交互模块;同时,将采集数据和分析结果传送至大数据分析模块进行刀具状态预测模型训练和优化;
所述机台监控大屏,接收数据处理模块的分析结果,并展示分析结果。
作为上述实施例的优化方案,所述数据处理模块对采集信号进行处理,通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感的特征信号作为分析结果;通过频域分析对分析结果进行去噪;在刀具磨损和崩刃的时候,出现了急剧电流变化特征信号。刀具的电流信号能够反应磨损状态,在刀具磨损的时候电流信号具有突变,整个加工周期具有递进过程;进行频域分析对数据达到去噪,避免噪声对预测结果产生的影响。
作为上述实施例的优化方案,所述数据处理模块对采集信号进行处理,通过傅里叶变换把时域上的电流信号映射到频域上,得到电流信号中包含的频率;获取频率是切削信号、空转信号和噪声信号的特征信号作为分析结果。能够直观且快速的在电流信号中找出特征信号。
作为上述实施例的优化方案,所述数据处理模块对采集信号进行处理,对采集信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,通过各个频率段内的特征获取异常特征信号作为分析结果。通过小波分析可以同时观测到时域和频域上的特征分布,通过小波包使高频信号的分析处理效果改善,能够实现各个频率段内的特征分析。
为配合本发明方法的实现,基于相同的发明构思,如图2所示,本发明还提供了一种刀具状态检测方法,包括步骤:
采集加工机台主轴电流信号,并将电流信号通过数据采集设备传送至数据数据处理模块;
对电流信号进行时频域分析获取特征信号,将所述特征信号输入刀具状态预测模型,进行刀具磨损状态的预测分析;
将分析结果通过工控机的人机交互模块以及机台监控大屏展示;并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。
作为上述实施例的优化方案,对电流信号进行时频域分析包括步骤:通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感信号特征作为特征信号;通过对特征信号进过频域分析进行去噪。
作为上述实施例的优化方案,对电流信号进行时频域分析包括步骤:通过傅里叶变换,把时域上的电流信号映射到频域上,得到电流信号中包含频率特征,获取频率特征是切削信号、空转信号和噪声信号的特征信号。
作为上述实施例的优化方案,对电流信号进行时频域分析包括步骤:对电流信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,获取各个频率段内的异常特征信号。
作为上述实施例的优化方案,通过深度学习预测算法将在线采集数据和历史采集数据作为训练样本训练刀具状态预测模型。
深度学习预测算法采用自适应SDP-CNN算法,包括步骤:
通过SDP协议将信号特征用可视化的图形表示,将信号的时域波形通过计算变为由镜像对称点组成的雪花状图形,镜像对称图形能够突出图形间的差异性用来表示不同信号的特征;
根据遗传算法的自适应能力选取参数,得到反应不同信号特征的SDP图;
将信号数据转化为SDP图后,通过CNN算法构建加工刀具断刀和崩边事件检测模型对SDP图进行对比分析,输出刀具状态。
CNN(卷积神经网络)算法自身可以提取出能够放映代表数据中的特征,省去了人为提取特征的环节,具有很强的预测能力;采用SDP协议分析信号更容易且直观;通过遗传算法带来的自适应能力,选取比较好的参数,从而得到能够反应不同信号特征的SDP图,这样就将信号数据转化为图像,而CNN对于图像处理的能力强大,通过这种方法就可以在信号预测中取得比较理想的效果,提高了预测精度且提示了处理效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种刀具状态检测系统,其特征在于,包括电流传感器、数据采集设备、工控机和机台监控大屏;
所述电流传感器,采集加工机台主轴电流信号,并将电流信号传送至数据采集设备;
所述数据采集设备,采集电流传感器传送的电流信号,并将采集数据传送至工控机内部数据处理模块;
所述工控机包括数据处理模块、人机交互模块和大数据分析模块,由数据处理模块接收来自数据采集设备的采集数据并进行时频域分析获取特征信号,将所述特征信号输入大数据分析模块中的刀具状态预测模型,进行刀具磨损的预测分析;将分析结果传送至所述人机交互模块;同时,将采集数据和分析结果传送至大数据分析模块进行刀具状态预测模型训练和优化;
所述机台监控大屏,接收数据处理模块的分析结果,并展示分析结果。
2.根据权利要求1所述的一种刀具状态检测系统,其特征在于,所述数据处理模块对采集信号进行处理,通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感的特征信号作为分析结果;通过频域分析对分析结果进行去噪;在刀具磨损和崩刃的时候,出现了急剧电流变化特征信号。
3.根据权利要求1所述的一种刀具状态检测系统,其特征在于,所述数据处理模块对采集信号进行处理,通过傅里叶变换把时域上的电流信号映射到频域上,得到电流信号中包含的频率;获取频率是切削信号、空转信号和噪声信号的特征信号作为分析结果。
4.根据权利要求1所述的一种刀具状态检测系统,其特征在于,所述数据处理模块对采集信号进行处理,对采集信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,通过各个频率段内的特征获取异常特征信号作为分析结果。
5.一种刀具状态检测方法,其特征在于,包括步骤:
采集加工机台主轴电流信号,并将电流信号通过数据采集设备传送至数据数据处理模块;
对电流信号进行时频域分析获取特征信号,将所述特征信号输入刀具状态预测模型,进行刀具磨损状态的预测分析;
将分析结果通过工控机的人机交互模块以及机台监控大屏展示;并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。
6.根据权利要求5所述的一种刀具状态检测方法,其特征在于,对电流信号进行时频域分析包括步骤:通过时域分析得到采集信号时域特征,选取采集信号特征中磨损敏感信号特征作为特征信号;通过对特征信号进过频域分析进行去噪。
7.根据权利要求5所述的一种刀具状态检测方法,其特征在于,对电流信号进行时频域分析包括步骤:通过傅里叶变换,把时域上的电流信号映射到频域上,得到电流信号中包含频率特征,获取频率特征是切削信号、空转信号和噪声信号的特征信号。
8.根据权利要求5所述的一种刀具状态检测方法,其特征在于,对电流信号进行时频域分析包括步骤:对电流信号进行小波包分析;通过小波包分析同时观测到时域和频域上的特征分布,分析电流信号中各个频率段内的特征,获取各个频率段内的异常特征信号。
9.根据权利要求5-8中任一所述的一种刀具状态检测方法,其特征在于,通过深度学习预测算法将在线采集数据和历史采集数据作为训练样本训练刀具状态预测模型。
10.根据权利要求9所述的一种刀具状态检测方法,其特征在于,深度学习预测算法采用自适应SDP-CNN算法,包括步骤:
通过SDP协议将信号特征用可视化的图形表示,将信号的时域波形通过计算变为由镜像对称点组成的雪花状图形,镜像对称图形能够突出图形间的差异性用来表示不同信号的特征;
根据遗传算法的自适应能力选取参数,得到反应不同信号特征的SDP图;
将信号数据转化为SDP图后,通过CNN算法构建加工刀具断刀和崩边事件检测模型对SDP图进行对比分析,输出刀具状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811070159.5A CN109262369B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具状态检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811070159.5A CN109262369B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具状态检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109262369A true CN109262369A (zh) | 2019-01-25 |
CN109262369B CN109262369B (zh) | 2020-02-21 |
Family
ID=65188612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811070159.5A Active CN109262369B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具状态检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109262369B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110900659A (zh) * | 2019-12-11 | 2020-03-24 | 广东博智林机器人有限公司 | 一种机器人碰撞检测方法、装置、电子设备及存储介质 |
CN111390648A (zh) * | 2020-03-31 | 2020-07-10 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN111774933A (zh) * | 2020-06-30 | 2020-10-16 | 华中科技大学无锡研究院 | 机床刀具实时监测并自动换备刀方法以及机床刀具实时监测系统 |
CN112192318A (zh) * | 2020-09-28 | 2021-01-08 | 北京天泽智云科技有限公司 | 机加工刀具状态监控方法和系统 |
CN114571285A (zh) * | 2022-03-07 | 2022-06-03 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0090893A2 (en) * | 1982-04-02 | 1983-10-12 | THE UNITED STATES OF AMERICA as represented by the Secretary United States Department of Commerce | Rotating tool wear monitoring apparatus |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN102091972A (zh) * | 2010-12-28 | 2011-06-15 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
CN102323779A (zh) * | 2011-07-18 | 2012-01-18 | 华中科技大学 | 一种重型数控装备测控传感网 |
CN102501139A (zh) * | 2011-11-02 | 2012-06-20 | 厦门大学 | 一种切削加工工具状态在线监控装置 |
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 |
CN103324139A (zh) * | 2013-06-07 | 2013-09-25 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
CN106647629A (zh) * | 2016-09-22 | 2017-05-10 | 华中科技大学 | 一种基于数控系统内部数据的断刀检测方法 |
CN107511718A (zh) * | 2017-09-13 | 2017-12-26 | 哈尔滨工业大学深圳研究生院 | 单品大批量重复加工过程的智能刀具状态监测方法 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
-
2018
- 2018-09-13 CN CN201811070159.5A patent/CN109262369B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0090893A2 (en) * | 1982-04-02 | 1983-10-12 | THE UNITED STATES OF AMERICA as represented by the Secretary United States Department of Commerce | Rotating tool wear monitoring apparatus |
CN102073300A (zh) * | 2010-12-28 | 2011-05-25 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN102091972A (zh) * | 2010-12-28 | 2011-06-15 | 华中科技大学 | 一种数控机床刀具磨损监测方法 |
CN102323779A (zh) * | 2011-07-18 | 2012-01-18 | 华中科技大学 | 一种重型数控装备测控传感网 |
CN102501139A (zh) * | 2011-11-02 | 2012-06-20 | 厦门大学 | 一种切削加工工具状态在线监控装置 |
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 |
CN103324139A (zh) * | 2013-06-07 | 2013-09-25 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
CN103465107A (zh) * | 2013-09-24 | 2013-12-25 | 沈阳利笙电子科技有限公司 | 一种刀具磨损监测方法 |
CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
CN106647629A (zh) * | 2016-09-22 | 2017-05-10 | 华中科技大学 | 一种基于数控系统内部数据的断刀检测方法 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN107511718A (zh) * | 2017-09-13 | 2017-12-26 | 哈尔滨工业大学深圳研究生院 | 单品大批量重复加工过程的智能刀具状态监测方法 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
Non-Patent Citations (4)
Title |
---|
俞宜洋: "基于主轴电机电流信号的刀齿失效监测方法研究及实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
彭朋: "BTA深孔钻削钻头磨损状态卷积神经网络识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
李康等: "基于变频器输入电流的刀具磨损状态监测系统设计与实现", 《组合机床与自动化加工技术》 * |
赵帅等: "基于随机森林与主成分分析的刀具磨损评估", 《机械工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110900659A (zh) * | 2019-12-11 | 2020-03-24 | 广东博智林机器人有限公司 | 一种机器人碰撞检测方法、装置、电子设备及存储介质 |
CN110900659B (zh) * | 2019-12-11 | 2021-06-04 | 广东博智林机器人有限公司 | 一种机器人碰撞检测方法、装置、电子设备及存储介质 |
CN111390648A (zh) * | 2020-03-31 | 2020-07-10 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111390648B (zh) * | 2020-03-31 | 2021-12-28 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN111774933A (zh) * | 2020-06-30 | 2020-10-16 | 华中科技大学无锡研究院 | 机床刀具实时监测并自动换备刀方法以及机床刀具实时监测系统 |
CN111774933B (zh) * | 2020-06-30 | 2022-06-03 | 华中科技大学无锡研究院 | 机床刀具实时监测并自动换备刀方法以及机床刀具实时监测系统 |
CN112192318A (zh) * | 2020-09-28 | 2021-01-08 | 北京天泽智云科技有限公司 | 机加工刀具状态监控方法和系统 |
CN112192318B (zh) * | 2020-09-28 | 2022-07-19 | 北京天泽智云科技有限公司 | 机加工刀具状态监控方法和系统 |
CN114571285A (zh) * | 2022-03-07 | 2022-06-03 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
CN114571285B (zh) * | 2022-03-07 | 2024-01-19 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109262369B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109262369A (zh) | 一种刀具状态检测系统及方法 | |
CN105424395A (zh) | 设备故障的确定方法和装置 | |
CN109262368B (zh) | 一种刀具失效判定方法 | |
Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN108873813B (zh) | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 | |
CN102824172A (zh) | 一种脑电特征提取方法 | |
CN113868006B (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN103970801B (zh) | 微博广告博文识别方法及装置 | |
Deng et al. | Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis | |
Yuan et al. | Energy efficiency state identification of milling processing based on EEMD-PCA-ICA | |
Cheng | A novel approach of information visualization for machine operation states in industrial 4.0 | |
CN114218174B (zh) | 基于区块链的工业互联网数据存储方法、系统及存储介质 | |
CN115685949A (zh) | 调整离散机加工生产过程中数据采样频率的方法及装置 | |
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
CN110929677A (zh) | 一种振动数据在线监测分析系统 | |
CN105258790A (zh) | 一种现场振动信号去噪参数优化选择方法 | |
Lu et al. | Safety detection approach in industrial equipment based on RSSD with adaptive parameter optimization algorithm | |
CN116908137A (zh) | 一种近红外数据的异常检测和分析方法及装置 | |
CN109187416B (zh) | 一种自来水管网光谱在线监测方法 | |
CN112417966A (zh) | 一种基于音频信号特征和ai算法的多维度机器故障检测方法 | |
CN204154501U (zh) | 滑动轴承监测系统 | |
CN114818813A (zh) | 一种基于自注意力卷积神经网络的刀具磨损值预测算法 | |
CN111089616A (zh) | 一种5g在线监测系统 | |
Hui et al. | Vibration condition monitoring: Latest trend and review |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, 4th floor, building 1, Jule road crossing, Section 1, West 1st ring road, Chengdu, Sichuan 610000 Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |