CN109285156A - 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 - Google Patents
离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 Download PDFInfo
- Publication number
- CN109285156A CN109285156A CN201811368639.XA CN201811368639A CN109285156A CN 109285156 A CN109285156 A CN 109285156A CN 201811368639 A CN201811368639 A CN 201811368639A CN 109285156 A CN109285156 A CN 109285156A
- Authority
- CN
- China
- Prior art keywords
- processing
- pixel
- cutter
- cutting edge
- eroded area
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000007787 solid Substances 0.000 title claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 55
- 238000007637 random forest analysis Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 3
- 238000003801 milling Methods 0.000 description 2
- 240000000233 Melia azedarach Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Numerical Control (AREA)
- Image Processing (AREA)
Abstract
离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,涉及整体立铣刀。整体立铣刀每加工完设定数量的工件后,用切削刃图像采集装置采集刀具每一个切削刃的图片;针对采集后的图片,以像素为操作单位,定位出磨损区域,求得磨损区域像素数量;建立刀具加工件数量与磨损区域像素减少数量之间的关系,应用自迭代随机森林模型实现对刀具寿命的预测。使用整体立铣刀加工完一定数量工件后,停止加工,用吹屑装置去除切削刃上的切屑,应用切削刃图像采集装置采集图片;处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量;用自迭代随机森林模型实现对刀具寿命的预测。
Description
技术领域
本发明涉及整体立铣刀,尤其涉及离线预测拖拉机变速箱加工用整体立铣刀寿命的方法。
背景技术
随着国家智能制造“2025”计划的不断推进,企业对产品提质增效愈加重视,而刀具作为机械加工中最重要的工具,刀具磨损作为刀具失效主要原因,是导致刀具失效最重要的影响因素。
随着人们对机器视觉的研究越来越深入,基于机器视觉的刀具磨损检测在刀具磨损监测领域应用越来越多。机器视觉观察刀具磨损更加直观,比传统的工人根据观察工件表面、振动以及噪声等方法来判断刀具磨损的传统方法来考虑是否换刀更加精确。对现有技术专利检索发现,申请号为CN106312692A,发明名称为:基于最小外接矩形的刀具磨损检测方法的中国发明专利申请提供一种基于图像识别,利用外接矩形求得磨损区域与未加工刀具区域宽度比值,判断刀具磨损程度。但是该方法存在如下问题:(1)最后的磨损区域矩形拟合过程中,因切削刃轮廓形状极其复杂,存在拟合误差,导致判断刀具磨损程度准确性下降;(2)只是对当前刀具磨损情况的检测,并未实现对刀具寿命的监测和预测。
发明内容
本发明的目的在于提供离线预测拖拉机变速箱加工用整体立铣刀寿命的方法。
本发明包括以下步骤:
1)整体立铣刀每加工完设定数量的工件后,用切削刃图像采集装置采集刀具每一个切削刃的图片;针对采集后的图片,以像素为操作单位,定位出磨损区域,求得磨损区域像素数量;建立刀具加工件数量与磨损区域像素减少数量之间的关系,应用自迭代随机森林模型实现对刀具寿命的预测。
在步骤1)中,所述应用自迭代随机森林模型实现对刀具寿命的预测的具体方法可为:整体立铣刀的寿命状态包括刀具磨损预警和刀具磨损修复状态,分别用Sw和Sr表示,根据刀具切削刃像素减少数量,预测在达到上述两种磨损状态所预测的刀具加工的工件数量分别用Npw和Npr表示,而当前刀具实际加工工件的数量用Nr表示,若Nr≤Npw,继续使用刀具加工;Npw<Nr≤Npr,准备更换刀具,保证加工效率;Nr>Npr,更换新刀具,修磨旧刀具。
2)使用整体立铣刀加工完一定数量工件后,停止加工,用吹屑装置去除切削刃上的切屑,应用切削刃图像采集装置采集图片;
在步骤2)中,所述采集图片时,定位每一切削刃相位要准确,保证拍照时刀具与相机相对位置相同。
3)处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量;
在步骤3)中,所述处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量的具体步骤可为:
(1)读入图片,用亚像素处理方法再细分像素,提高图像分辨率;
(2)对图像中值滤波处理,选用9×9模板对图像中值滤波;
(3)形态学图像处理提取轮廓。对图像腐蚀处理,原图像与腐蚀图像作差得图像轮廓;
(4)连通域操作去除图像小连通区域。八连通操作,去除图像中的小连通区域;八连通定义为:
N8=N4∪(x+1,y+1),(x+1,y-1),(x-1,y+1),(x-1,y-1)
式中N4为四连通区域符号,(x,y)是像素P点坐标。
(5)运用几何知识操作像素坐标,确定切削刃磨损区域,在刀具未使用前,首先在刀具轮廓上确定两条无磨损边缘曲线K和L,假设边缘曲线K和L的矩形区域分别为:
式中xKmin,xKmax,yKmin,yKmax分别表示包含边缘曲线K的矩形区域内横坐标与纵坐标区间最大值与最小值,下同。
考虑到图像采集相位的微小变化,为提高容错性,(x,y)取值要在最大值和最小值之间,且留有足够的余量。所确定的两直线区域定义为R和T区域,在R和T区域确定拟合方程为:y=kx+b;
用最小二乘法拟合确定两直线方程lK和lL,联立lK和lL方程:
求得两条无磨损边缘直线交点为(xKL,yKL);
在切削刃轮廓边确定一未参与切削的直线所在区域:
为提高容错性,同样留有足够余量,利用矩形区域内像素点坐标拟合直线方程lW为:
y=kWx+bW
根据刀具加工材料、加工参数,确定刀具磨损区域几何区域,确定的原则一般为该区域包含该刀面的全部磨损区域,且尽可能少地包含非磨损区域,将lw直线方程逆时针旋转θ角度,得到方程lX:
y=tan(arctankw+θ)x+bX
则由直线方程lK、lL、lX和lW以及切削刃其他区域构成一封闭的磨损区域Γ。
(6)根据不同连通区域面积,将磨损区域Γ分割出来,求和磨损区域像素数量Np。
(7)根据上述求磨损区域像素数量的具体步骤,求得某刀具连续加工N件工件,切削刃磨损区域像素减少数据。
4)用自迭代随机森林模型实现对刀具寿命的预测。与传统的随机森林模型不同,本发明将迭代条件加入模型中,达到迭代收敛效果,提高预测的准确性。
在步骤4)中,所述用自迭代随机森林模型实现对刀具寿命的预测的具体方法可为:用表示整体刀具的每一切削刃,用κ1,κ2,κ3...表示切削刃磨损区域像素减少数量,用N表示整体立铣刀加工的工件数量,整体立铣刀每加工一件工件后,通过对像素点进行几何操作得到磨损区域像素减少量,假设刀具加工完第n个工件后,根据上述参数建立如下映射关系:
设为加工n个工件后每一个切削刃对应的磨损数据,设[1 2 3.... n]为相之对应的加工件数。
将实验数据数据分为训练样本数据和预测样本数据,使用自迭代随机森林回归预测算法进行训练。与传统的随机森林回归预测不同,在自迭代随机森林预测算法中设置迭代条件,当满足迭代条件时进行数据清洗。
设刀具四个切削刃磨损区域像素减少量
由此预测整体立铣刀达到刀具磨损警戒线的可以加工件数量为ni;而mi为达到刀具磨损警戒线实际加工件数量,切削刃磨损区域像素减少数量为:
设ε为松弛因子:
表示ζ1-ζ4表示每个切削刃像素减少量的迭代条件和ζN为刀具加工件数量的迭代条件,则:
ψ1=|pre-rea|
ψn=|ni-mi|
若ψ≥ε,表明预测刀具磨损的样本数据准确性较差,用rea数据替换pre数据,相应的mi替换ni,重新训练样本数据。这样,在传统的随机森林算法中引入松弛因子ε后,提高了训练样本和预测刀具磨损数据的准确性。
本发明基于图像最小单位,运用几何知识确定刀具磨损区域,将刀具磨损区域直观地表达为像素减少量;基于上述数据,对一种刀具寿命预测模型进行优化,实现对刀具寿命的监测和预测。
附图说明
图1为本发明实施例的流程图;
图2为亚像素处理后刀具切削刃图片;
图3为中值滤波处理后刀具切削刃图片;
图4为图像轮廓;
图5为去除小连通区域后图像;
图6为边缘曲线构成的磨损区域;
图7为分割出来的磨损区域;
图8为像素减少数量与刀具加工工件数量关系图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
1.在某型号加工中心使用整体立铣刀加工拖拉机变速箱,每加工完一工件用图像采集装置采集每一个切削刃的图片。采集装置主要包括定位块和相机,定位块保证铣刀每一个切削刃相位正确,用吹屑装置去除切削刃上的切屑,使用相机采集图片,采集过程中保证拍照时刀具与相机相对位置相同,如图1所示。
2.处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量。具体步骤为:
1)读入图片,用亚像素处理方法再细分像素,提高图像分辨率,如图2所示;
2)对图像中值滤波处理。选用9×9模板对图像中值滤波,处理后图像如图3所示。
3)形态学图像处理提取轮廓。对图像腐蚀处理,原图像与腐蚀图像作差得到图像轮廓,如图4所示;
4)连通域操作去除图像小连通区域,如图5所示。八连通操作,去除图像中的小连通区域。八连通定义为:
N8=N4∪(x+1,y+1),(x+1,y-1),(x-1,y+1),(x-1,y-1);
5)运用几何知识,操作像素坐标,确定切削刃磨损区域。在刀具未使用前,首先在刀具轮廓上确定两条无磨损边缘曲线K和L,假设边缘曲线K和L的矩形区域分别为:
所两直线所在区域定义为R和T。在R和T区域确定拟合方程为:
y=kx+b
用最小二乘法拟合两直线方程lK和lL。联立lK和lL方程:
求得两无磨损边缘直线交点为(1002,2697)。
在切削刃轮廓边确定一未参与切削的直线,直线所在矩形区域为:
利用矩形区域内像素点坐标拟合直线方程lW为:
y=0.7039x+26.7363
根据刀具加工材料、加工参数,确定刀具磨损几何区域,确定的原则一般为该区域包含该刀面的全部磨损区域,且尽可能少地包含非磨损区域。根据实例刀具磨损区域几何形状,确定将lW直线方程逆时针旋转37°,得到方程lX:
y=-0.079x+1991.6922
由直线方程lK、lL、lX和lW以及其他边缘曲线构成了封闭的磨损区域Γ,如图6所示。
6)根据不同连通区域面积,将磨损区域Γ分割出来,如图7所示。求和磨损区域像素数量Np。
7)根据上述方法求得刀具3号切削刃连续加工13件工件,磨损区域像素减少数据,如图8所示。
3.用自迭代随机森林模型实现对刀具寿命的预测。与传统的随机森林模型不同,此发明将迭代条件加入模型中,达到迭代收敛效果,提高预测的准确性。
按照上述方法,用表示整体刀具的每一切削刃,用κ1,κ2,κ3...表示切削刃磨损区域像素减少数量,用N表示整体立铣刀加工的工件数量,整体立铣刀每加工一件工件后,通过对像素点进行几何操作得到磨损区域像素减少量,假设刀具加工完第n个工件后,根据上述参数建立如下映射关系:
设为加工n个工件后每一个切削刃对应的磨损数据,设[1 23 .... n]为相之对应的加工件数。
将实验数据数据分为训练样本数据和预测样本数据,使用自迭代随机森林回归预测算法进行训练。与传统的随机森林回归预测不同,在自迭代随机森林预测算法中设置迭代条件,当满足迭代条件时进行数据清洗。
设刀具四个切削刃磨损区域像素减少量
由此预测整体立铣刀达到刀具磨损警戒线的可以加工件数量为ni。而mi为达到刀具磨损警戒线实际加工件数量,切削刃磨损区域像素减少数量为:
设ε为松弛因子:
表示ζ1-ζ4表示每个切削刃像素减少量的迭代条件和ζN为刀具加工件数量的迭代条件,
则:
ψ1=|pre-rea|
ψn=|ni-mi|
若ψ≥ε,表明预测刀具磨损的样本数据准确性较差,用rea数据替换pre数据,相应的mi替换ni,重新训练样本数据。这样,在传统的随机森林算法中引入松弛因子ε后,提高了训练样本和预测刀具磨损数据的准确性。
所述应用自迭代随机森林模型实现对刀具寿命的预测。整体立铣刀的寿命状态包括刀具磨损预警和刀具磨损修复状态,分别用Sw和Sr表示。根据刀具切削刃像素减少数量,预测在达到上述两种磨损状态所预测的刀具加工的工件数量分别为Npw和Npr。而当前刀具实际加工工件的数量为Nr,若Nr≤Npw,继续使用刀具加工;Npw<Nr≤Npr,准备更换刀具,保证加工效率;Nr>Npr,更换新刀具,修磨旧刀具。
本发明针对刀具磨损提出一种基于像素法离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,方法包括:用整体立铣刀加工完工件后,用切削刃图像采集装置采集每一个切削刃图片;对每一切削刃图片经过亚像素处理、中值滤波等处理后提取轮廓,以像素为操作单位,应用几何知识定位出磨损区域,根据磨损区域像素的减少数量,判断刀具的磨损情况;随着刀具加工件数的不断增加,磨损区域的像素数量会不断减少,应用自迭代随机森林模型建立刀具加工件数和磨损区域像素减少量的关系,实现对刀具寿命的监测和预测。
Claims (5)
1.离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,其特征在于包括以下步骤:
1)整体立铣刀每加工完设定数量的工件后,用切削刃图像采集装置采集刀具每一个切削刃的图片;针对采集后的图片,以像素为操作单位,定位出磨损区域,求得磨损区域像素数量;建立刀具加工件数量与磨损区域像素减少数量之间的关系,应用自迭代随机森林模型实现对刀具寿命的预测;
2)使用整体立铣刀加工完一定数量工件后,停止加工,用吹屑装置去除切削刃上的切屑,应用切削刃图像采集装置采集图片;
3)处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量;
4)用自迭代随机森林模型实现对刀具寿命的预测,将迭代条件加入模型中,达到迭代收敛效果,提高预测的准确性。
2.如权利要求1所述离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,其特征在于在步骤1)中,所述应用自迭代随机森林模型实现对刀具寿命的预测的具体方法为:整体立铣刀的寿命状态包括刀具磨损预警和刀具磨损修复状态,分别用Sw和Sr表示,根据刀具切削刃像素减少数量,预测在达到上述两种磨损状态所预测的刀具加工的工件数量分别用Npw和Npr表示,而当前刀具实际加工工件的数量用Nr表示,若Nr≤Npw,继续使用刀具加工;Npw<Nr≤Npr,准备更换刀具,保证加工效率;Nr>Npr,更换新刀具,修磨旧刀具。
3.如权利要求1所述离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,其特征在于在步骤2)中,所述采集图片时,定位每一切削刃相位要准确,保证拍照时刀具与相机相对位置相同。
4.如权利要求1所述离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,其特征在于在步骤3)中,所述处理采集后的图片,以像素为操作单位,定位磨损区域,求得磨损区域像素数量的具体步骤为:
(1)读入图片,用亚像素处理方法再细分像素,提高图像分辨率;
(2)对图像中值滤波处理,选用9×9模板对图像中值滤波;
(3)形态学图像处理提取轮廓;对图像腐蚀处理,原图像与腐蚀图像作差得图像轮廓;
(4)连通域操作去除图像小连通区域;八连通操作,去除图像中的小连通区域;八连通定义为:
N8=N4∪(x+1,y+1),(x+1,y-1),(x-1,y+1),(x-1,y-1)
式中N4为四连通区域符号,(x,y)是像素P点坐标;
(5)运用几何知识操作像素坐标,确定切削刃磨损区域,在刀具未使用前,首先在刀具轮廓上确定两条无磨损边缘曲线K和L,假设边缘曲线K和L的矩形区域分别为:
式中xKmin,xKmax,yKmin,yKmax分别表示包含边缘曲线K的矩形区域内横坐标与纵坐标区间最大值与最小值,下同;
考虑到图像采集相位的微小变化,为提高容错性,(x,y)取值要在最大值和最小值之间,且留有足够的余量;所确定的两直线区域定义为R和T区域,在R和T区域确定拟合方程为:y=kx+b;
用最小二乘法拟合确定两直线方程lK和lL,联立lK和lL方程:
求得两条无磨损边缘直线交点为(xKL,yKL);
在切削刃轮廓边确定一未参与切削的直线所在区域:
为提高容错性,同样留有足够余量,利用矩形区域内像素点坐标拟合直线方程lW为:
y=kWx+bW
根据刀具加工材料、加工参数,确定刀具磨损区域几何区域,确定的原则为该区域包含刀面的全部磨损区域,且包含非磨损区域,将lw直线方程逆时针旋转θ角度,得到方程lX:
y=tan(arctankw+θ)x+bX
则由直线方程lK、lL、lX和lW以及切削刃其他区域构成一封闭的磨损区域Γ;
(6)根据不同连通区域面积,将磨损区域Γ分割出来,求和磨损区域像素数量Np;
(7)根据上述求磨损区域像素数量的具体步骤,求得某刀具连续加工N件工件,切削刃磨损区域像素减少数据。
5.如权利要求1所述离线预测拖拉机变速箱加工用整体立铣刀寿命的方法,其特征在于在步骤4)中,所述用自迭代随机森林模型实现对刀具寿命的预测的具体方法为:
用表示整体刀具的每一切削刃,用κ1,κ2,κ3...表示切削刃磨损区域像素减少数量,用N表示整体立铣刀加工的工件数量,整体立铣刀每加工一件工件后,通过对像素点进行几何操作得到磨损区域像素减少量,假设刀具加工完第n个工件后,根据上述参数建立如下映射关系:
设为加工n个工件后每一个切削刃对应的磨损数据,设[1 2 3 ....n]为相之对应的加工件数;
将实验数据数据分为训练样本数据和预测样本数据,使用自迭代随机森林回归预测算法进行训练;在自迭代随机森林预测算法中设置迭代条件,当满足迭代条件时进行数据清洗,设刀具四个切削刃磨损区域像素减少量
由此预测整体立铣刀达到刀具磨损警戒线的加工件数量为ni;而mi为达到刀具磨损警戒线实际加工件数量,切削刃磨损区域像素减少数量为:
设ε为松弛因子:
表示ζ1-ζ4表示每个切削刃像素减少量的迭代条件和ζN为刀具加工件数量的迭代条件,则:
ψ1=|pre-rea|
ψn=|ni-mi|
若ψ≥ε,表明预测刀具磨损的样本数据准确性较差,用rea数据替换pre数据,相应的mi替换ni,重新训练样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368639.XA CN109285156B (zh) | 2018-11-16 | 2018-11-16 | 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811368639.XA CN109285156B (zh) | 2018-11-16 | 2018-11-16 | 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285156A true CN109285156A (zh) | 2019-01-29 |
CN109285156B CN109285156B (zh) | 2021-12-21 |
Family
ID=65176378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811368639.XA Expired - Fee Related CN109285156B (zh) | 2018-11-16 | 2018-11-16 | 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285156B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109894922A (zh) * | 2019-03-07 | 2019-06-18 | 中南大学 | 一种准确获得拉削中切屑内不同相的厚度的方法 |
CN111519506A (zh) * | 2020-04-28 | 2020-08-11 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN113305644A (zh) * | 2021-05-20 | 2021-08-27 | 华中科技大学 | 一种基于零件测量数据的刀具状态监测及预警方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102501140A (zh) * | 2011-11-22 | 2012-06-20 | 南京航空航天大学 | 一种球头铣刀定位及磨损监测方法 |
KR101621109B1 (ko) * | 2010-11-26 | 2016-05-13 | 토포인트 테크날러지 코포레이션 리미티드 | 기계 커터의 시험 방법 |
CN106944877A (zh) * | 2016-01-06 | 2017-07-14 | 哈尔滨理工大学 | 基于声发射信号的刀具磨损无线智能检测装置 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
CN108062072A (zh) * | 2017-11-23 | 2018-05-22 | 哈尔滨理工大学 | 一种双摄像头图像采集装置及图像拼接的平底铣刀磨损在线检测方法 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
-
2018
- 2018-11-16 CN CN201811368639.XA patent/CN109285156B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101621109B1 (ko) * | 2010-11-26 | 2016-05-13 | 토포인트 테크날러지 코포레이션 리미티드 | 기계 커터의 시험 방법 |
CN102501140A (zh) * | 2011-11-22 | 2012-06-20 | 南京航空航天大学 | 一种球头铣刀定位及磨损监测方法 |
CN106944877A (zh) * | 2016-01-06 | 2017-07-14 | 哈尔滨理工大学 | 基于声发射信号的刀具磨损无线智能检测装置 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
CN108062072A (zh) * | 2017-11-23 | 2018-05-22 | 哈尔滨理工大学 | 一种双摄像头图像采集装置及图像拼接的平底铣刀磨损在线检测方法 |
CN108536938A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种机床刀具寿命预测系统及预测方法 |
Non-Patent Citations (2)
Title |
---|
秦国华,易鑫,李怡冉,谢文斌: "刀具磨损的自动检测及检测系统", 《光学精密工程》 * |
赵帅,黄亦翔,王浩任,刘成良,刘晓,梁鑫光: "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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109894922A (zh) * | 2019-03-07 | 2019-06-18 | 中南大学 | 一种准确获得拉削中切屑内不同相的厚度的方法 |
CN111519506A (zh) * | 2020-04-28 | 2020-08-11 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN111519506B (zh) * | 2020-04-28 | 2022-02-18 | 三一汽车制造有限公司 | 铣刨刀具磨损提示方法和铣刨机 |
CN113305644A (zh) * | 2021-05-20 | 2021-08-27 | 华中科技大学 | 一种基于零件测量数据的刀具状态监测及预警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109285156B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285156A (zh) | 离线预测拖拉机变速箱加工用整体立铣刀寿命的方法 | |
CN110587377B (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
Kerr et al. | Assessment and visualisation of machine tool wear using computer vision | |
CN113478295A (zh) | 用于确定工具磨损状态的方法 | |
CN106872476A (zh) | 一种基于线结构光的铸造类工件表面质量检测方法与系统 | |
CN113284157B (zh) | 一种大幅面皮革轮廓检测与轨迹优化方法 | |
CN113962997B (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
Chen et al. | Automated inspection of engineering ceramic grinding surface damage based on image recognition | |
AU2022349296A1 (en) | Road surface technical condition detection method and device based on three-dimensional contour | |
Tiwari et al. | Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces | |
Lutz et al. | Evaluation of deep learning for semantic image segmentation in tool condition monitoring | |
CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
CN115431101A (zh) | 一种数控机床状态检测方法及系统 | |
CN109101976A (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
JP7163219B2 (ja) | エンドミル検査装置 | |
Póka et al. | A robust digital image processing method for measuring the planar burr length at milling | |
CN117333727A (zh) | 一种基于可视化图像处理技术的输送带磨损区域识别分析系统 | |
Kassim et al. | Machine tool condition monitoring using workpiece surface texture analysis | |
Pimenov et al. | State-of-the-art review of applications of image processing techniques for tool condition monitoring on conventional machining processes | |
CN115937755B (zh) | 一种拖拉机变速箱立铣刀片视觉检测方法 | |
Chen et al. | Notice of Retraction: Application of optical inspection and metrology in quality control for aircraft components | |
Kassim et al. | Texture analysis using fractals for tool wear monitoring | |
CN105405137A (zh) | 基于机器视觉的轴质量检测方法 |
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 | ||
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: 20211221 |