CN109382702A - 一种数控滚齿机滚刀失效形式自动识别方法 - Google Patents
一种数控滚齿机滚刀失效形式自动识别方法 Download PDFInfo
- Publication number
- CN109382702A CN109382702A CN201811314648.0A CN201811314648A CN109382702A CN 109382702 A CN109382702 A CN 109382702A CN 201811314648 A CN201811314648 A CN 201811314648A CN 109382702 A CN109382702 A CN 109382702A
- Authority
- CN
- China
- Prior art keywords
- signal
- road
- feature vector
- losing efficacy
- vibration
- 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
-
- 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
- B23Q17/0971—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 by measuring mechanical vibrations of parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数控滚齿机滚刀失效形式自动识别方法,包括以下步骤:步骤一,通过预埋振动加速度传感器实时采集主轴振动信号;步骤二,获取不同滚齿工艺参数对应的滚刀各类失效形式的主轴振动信号,分别建立振动路图信号,并提取特征构成标准特征向量,以此构建标准特征向量子集及标准特征向量集;步骤三,计算样本特征向量与标准特征向量的相似度,再求取平均相似度,以此判定滚刀失效形式。本发明数控滚齿机滚刀失效形式自动识别方法,通过构建振动路图信号,将数控滚齿机主轴振动信号处理与图谱理论相结合,实现滚刀失效形式的特征提取和失效形式识别,可实现滚刀失效形式的在线实时监测,减少对操作人员专业技能的依赖,降低人力成本。
Description
技术领域
本发明涉及刀具失效检测技术领域,特别涉及一种数控滚齿机滚刀失效形式的识别方法。
背景技术
目前,齿轮的大批量生产通常采用数控滚齿机进行粗加工。滚刀作为数控滚齿机的核心部件,在滚齿加工过程中会随着切削时间的增加而逐渐磨损,在磨损到一定程度后会因各种原因而失效,如不及时预防轻则导致工件报废,重则导致机床结构部件的故障。
当前滚刀的检测基本都依靠操作人员通过定期卸下滚刀进行人为观察其磨损程度,操作人员根据滚刀外形特征和自身积累经验进行滚刀磨损程度的识别。人工检测滚刀不仅造成人工成本的大幅增加,而且停机进行滚刀磨损程度的识别还会影响生产效率,增加生产成本;另外,人工停机检测滚刀不具备在线实时性和智能性。
发明内容
有鉴于此,本发明的目的是提供一种数控滚齿机滚刀失效形式自动识别方法,以解决人工检测滚刀存在的不足。
本发明数控滚齿机滚刀失效形式自动识别方法,包括以下步骤:
步骤一,获取主轴振动信号:通过预埋振动加速度传感器实时采集滚齿加工过程中主轴的振动模拟量,利用数控滚齿机的PLC控制器对振动模拟量进行A/D转换处理,获得数字量的主轴振动信号;
步骤二,构建滚刀失效标准特征向量集:获取不同滚齿工艺参数对应的滚刀各类失效形式的稳态滚切阶段主轴振动信号,分别建立振动路图信号,并提取振动路图信号的特征构成标准特征向量,以此构建相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量子集,进而构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集;
步骤三,识别滚刀失效形式:实时获取滚刀最新的稳态滚切阶段主轴振动信号,建立对应的振动路图信号,并提取其特征构成样本特征向量;从标准特征向量集中筛选出当前滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集,分别计算样本特征向量与各标准特征向量子集中各标准特征向量的相似度,再求取各标准特征向量子集对应的平均相似度,最后判断平均相似度与阈值区间的关系,如果平均相似度属于阈值区间,则判定滚刀当前处于对应的失效形式。
进一步,在步骤二中,所述的滚齿工艺参数包括齿轮参数、滚刀参数与切削参数;所述的失效形式分为磨损和破损两种,其中磨损包括:刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化和容屑槽粘屑,破损包括:刀齿崩刃、刀齿裂纹和刀齿折断;所述的稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程。
进一步,所述的滚齿工艺参数,其相同表征为同一齿轮参数对应同一滚刀参数与同一切削参数,不同表征为同一齿轮参数对应同一滚刀参数与不同切削参数。
进一步,在步骤二中,将主轴振动信号的产生时序与路图结构的生成时序关联匹配,将主轴振动信号的数据值与路图结构中的节点关联匹配,从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号;所述提取的振动路图信号的特征有四个:
第一个特征为振动路图信号的能量E(P):
第二个特征为振动路图信号的拉普拉斯能量LE(P):
第三个特征为振动路图信号的拟拉普拉斯能量LEL(P):
第四个特征为振动路图信号的基尔霍夫指标Kf(P):
上述公式中,ρi(i=1,2,...,n)为振动路图信号的邻接矩阵特征值,λi(i=1,2,...,n)为振动路图信号的拉普拉斯矩阵特征值,n为振动路图信号的节点数,m为振动路图信号的边数,时域相邻的两个节点之间通过边连接,节点数n与边数m的关系为:n=m+1。
进一步,所述的相似度是基于向量内积计算得到的样本特征向量与标准特征向量之间的修正余弦夹角距离;所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值;所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。
进一步,所述的平均相似度不属于阈值区间时,对滚刀失效形式进行预测,将实时计算得到的对应滚到各类失效形式的平均相似度进行升序排列,其最大平均相似度对应的失效形式为滚刀最可能发生的失效形式。
本发明的有益效果:
本发明数控滚齿机滚刀失效形式自动识别方法,通过构建振动路图信号,将数控滚齿机主轴振动信号处理与图谱理论相结合,实现滚刀失效形式的特征提取和失效形式识别。本方法计算量小、计算时间短、且易于编程实现,可实现滚刀失效形式的在线实时监测,减少对操作人员专业技能的依赖,降低人力成本;另外,本发明利用平均相似度进行失效形式识别,表征精度高,可排除由于偶然性原因引起的干扰,进而提高滚刀失效形式的识别精度。
附图说明
图1为振动路图信号的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例对本发明做进一步详细说明。
本实施例中数控滚齿机滚刀失效形式自动识别方法,其特征在于,包括以下步骤:
步骤一,获取主轴振动信号:在相同采样频率fs下,先通过预埋振动加速度传感器实时采集滚齿加工过程中主轴的振动模拟量,本实施例中所述的预埋振动加速度传感器是在数控滚齿机装配制造过程中预先埋设在主轴端部的轴承座内;再利用数控滚齿机的PLC控制器对振动模拟量进行A/D转换处理,获得数字量的主轴振动信号;然后采用数控系统的OPC-UA通讯协议输出信号进行储存,积累主轴振动信号大数据集;同时输出对应的滚齿工艺参数,作为主轴振动信号标记。
步骤二,构建滚刀失效标准特征向量集:在采集的主轴振动信号大数据集中,对应不同滚齿工艺参数,选取滚刀各类失效形式对应的稳态滚切阶段主轴振动信号,分别建立振动路图信号,并提取振动路图信号的特征构成标准特征向量,以此构建相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量子集,进而构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集;具体实现步骤如下:
(1)主轴振动信号样本选取
在不同滚齿工艺参数下,选取滚刀磨损和破损的刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化、容屑槽粘屑、刀齿崩刃、刀齿裂纹、刀齿折断等八类失效形式对应的稳态滚切阶段主轴振动信号,将滚刀旋转一周对应的主轴振动信号作为一个样本,得到包含不同滚齿工艺参数对应的各类失效形式的主轴振动信号样本集,其中相同滚齿工艺参数对应的滚刀同类失效形式的主轴振动信号有多个样本。
(2)建立振动路图信号
针对每个样本,将主轴振动信号的产生时序与路图结构的生成时序关联匹配,将主轴振动信号的数据值与路图结构中的节点关联匹配,从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号;所述振动路图信号包含n个节点,m条边,时域相邻的两个节点之间通过边连接;节点依次对应主轴振动信号样本的数据点,以xi(i=1,2,...,n)表示,节点与边的关系为n=m+1。
(3)构建邻接矩阵W和拉普拉斯矩阵L
针对每个振动路图信号,当节点xi与节点xj相邻时,节点xi与节点xj间有边连接;当节点xi与节点xj不相邻时,节点xi与节点xj间无边连接;则邻接矩阵W表示为:
式中,||xi-xj||表示节点xi与节点xj之间的欧氏距离,反映节点间的数值关系,wij为邻接矩阵W的元素,反映振动路图信号中边的加权;
基于邻接矩阵W构建拉普拉斯矩阵L:
L=D-W;
式中,D为对角矩阵,其元素为:
(4)振动路图信号特征提取
分别对邻接矩阵W和拉普拉斯矩阵L进行标准正交分解,得到邻接矩阵特征值ρi(i=1,2,...,n)和拉普拉斯矩阵特征值λi(i=1,2,...,n);根据特征值ρi、λi分别计算每个样本对应的振动路图信号的四个特征,构成标准特征向量,其中:
第一个特征为振动路图信号的能量E(P):
第二个特征为振动路图信号的拉普拉斯能量LE(P):
第三个特征为振动路图信号的拟拉普拉斯能量LEL(P):
第四个特征为振动路图信号的基尔霍夫指标Kf(P):
利用相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量构建标准特征向量子集,再利用标准特征向量子集构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集。也即是,所述的标准特征向量子集包含相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量;所述的标准特征向量集包含不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集。
步骤三,识别滚刀失效形式:实时采集最新的滚刀稳态滚切阶段主轴振动信号,建立对应的振动路图信号,并提取其特征构成样本特征向量;从标准特征向量集中筛选出当前滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集,分别计算样本特征向量与各标准特征向量子集中各标准特征向量的相似度,再求取各标准特征向量子集对应的平均相似度,最后判断平均相似度与阈值区间的关系,如果平均相似度属于阈值区间,则判定滚刀当前处于对应的失效形式。所述的相似度是样本特征向量与标准特征向量之间的修正余弦夹角距离;所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值;所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。
(1)平均相似度求取方法如下:
在标准特征向量子集中,令fr=(fr1,fr2,...,frs)表示第r个标准特征向量,其中frs表示第r(r=1,2,…,p)个标准特征向量的第s(s=1,2,…,q)个特征;标准特征向量子集的第s个特征的均值由如下公式计算:
则用以计算样本特征向量f=(f1,f2,...,fs)与标准特征向量fr=(fr1,fr2,...,frs)之间相似度Sr的修正余弦夹角距离公式可表示为:
那么平均相似度S计算公式为:
上述公式中,p表示标准特征向量子集中标准特征向量的个数,q表示特征向量的维度,本实施例中q=4。
(2)通过上述公式计算出不同滚齿工艺参数对应的各类失效形式的平均相似度S,判断平均相似度S与阈值区间的关系,如果平均相似度S属于阈值区间,如设定阈值区间为[0.8,1],当S∈[0.8,1],则判定滚刀当前处于对应的失效形式。
(3)如果平均相似度S不属于阈值区间时,可进行滚刀失效形式的预测,将实时计算得到的对应滚到各类失效形式的平均相似度S进行升序排列,其最大平均相似度Smax对应的失效形式为滚刀最可能发生的失效形式。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种数控滚齿机滚刀失效形式自动识别方法,其特征在于,包括以下步骤:
步骤一,获取主轴振动信号:通过预埋振动加速度传感器实时采集滚齿加工过程中主轴的振动模拟量,利用数控滚齿机的PLC控制器对振动模拟量进行A/D转换处理,获得数字量的主轴振动信号;
步骤二,构建滚刀失效标准特征向量集:获取不同滚齿工艺参数对应的滚刀各类失效形式的稳态滚切阶段主轴振动信号,分别建立振动路图信号,并提取振动路图信号的特征构成标准特征向量,以此构建相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量子集,进而构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集;
步骤三,识别滚刀失效形式:实时获取滚刀最新的稳态滚切阶段主轴振动信号,建立对应的振动路图信号,并提取其特征构成样本特征向量;从标准特征向量集中筛选出当前滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集,分别计算样本特征向量与各标准特征向量子集中各标准特征向量的相似度,再求取各标准特征向量子集对应的平均相似度,最后判断平均相似度与阈值区间的关系,如果平均相似度属于阈值区间,则判定滚刀当前处于对应的失效形式。
2.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法,其特征在于:在步骤二中,所述的滚齿工艺参数包括齿轮参数、滚刀参数与切削参数;所述的失效形式分为磨损和破损两种,其中磨损包括:刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化和容屑槽粘屑,破损包括:刀齿崩刃、刀齿裂纹和刀齿折断;所述的稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程。
3.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法,其特征在于:所述的滚齿工艺参数,其相同表征为同一齿轮参数对应同一滚刀参数与同一切削参数,不同表征为同一齿轮参数对应同一滚刀参数与不同切削参数。
4.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法,其特征在于:在步骤二中,将主轴振动信号的产生时序与路图结构的生成时序关联匹配,将主轴振动信号的数据值与路图结构中的节点关联匹配,从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号;所述提取的振动路图信号的特征有四个:
第一个特征为振动路图信号的能量E(P):
第二个特征为振动路图信号的拉普拉斯能量LE(P):
第三个特征为振动路图信号的拟拉普拉斯能量LEL(P):
第四个特征为振动路图信号的基尔霍夫指标Kf(P):
上述公式中,ρi(i=1,2,...,n)为振动路图信号的邻接矩阵特征值,λi(i=1,2,...,n)为振动路图信号的拉普拉斯矩阵特征值,n为振动路图信号的节点数,m为振动路图信号的边数,时域相邻的两个节点之间通过边连接,节点数n与边数m的关系为:n=m+1。
5.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法,其特征在于:所述的相似度是基于向量内积计算得到的样本特征向量与标准特征向量之间的修正余弦夹角距离;所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值;所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。
6.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法,其特征在于:所述的平均相似度不属于阈值区间时,对滚刀失效形式进行预测,将实时计算得到的对应滚到各类失效形式的平均相似度进行升序排列,其最大平均相似度对应的失效形式为滚刀最可能发生的失效形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314648.0A CN109382702A (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀失效形式自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314648.0A CN109382702A (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀失效形式自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109382702A true CN109382702A (zh) | 2019-02-26 |
Family
ID=65428228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314648.0A Pending CN109382702A (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀失效形式自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109382702A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933940A (zh) * | 2019-03-22 | 2019-06-25 | 重庆大学 | 基于滚刀主轴振动响应模型的滚齿工艺参数优化方法 |
CN115170569A (zh) * | 2022-09-07 | 2022-10-11 | 新乡学院 | 一种基于图像的高熵材料涂层刀具的失效检测方法 |
CN116061006A (zh) * | 2023-04-03 | 2023-05-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106002483A (zh) * | 2016-05-04 | 2016-10-12 | 北京信息科技大学 | 一种智能刀具故障诊断方法 |
CN107194427A (zh) * | 2017-05-26 | 2017-09-22 | 温州大学 | 一种铣削刀具故障监测与识别方法及系统 |
US20180033284A1 (en) * | 2016-07-28 | 2018-02-01 | Snap-On Incorporated | Method, system, and apparatus for providing notification pertaining to actionable condition of electrical shop tool |
JP2018025936A (ja) * | 2016-08-09 | 2018-02-15 | オークマ株式会社 | 工作機械 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
-
2018
- 2018-11-06 CN CN201811314648.0A patent/CN109382702A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106002483A (zh) * | 2016-05-04 | 2016-10-12 | 北京信息科技大学 | 一种智能刀具故障诊断方法 |
US20180033284A1 (en) * | 2016-07-28 | 2018-02-01 | Snap-On Incorporated | Method, system, and apparatus for providing notification pertaining to actionable condition of electrical shop tool |
JP2018025936A (ja) * | 2016-08-09 | 2018-02-15 | オークマ株式会社 | 工作機械 |
CN107194427A (zh) * | 2017-05-26 | 2017-09-22 | 温州大学 | 一种铣削刀具故障监测与识别方法及系统 |
CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
Non-Patent Citations (5)
Title |
---|
叶锡君等: "ASUCF:基于平均相似度的协同过滤推荐算法", 《计算机工程与设计》 * |
杨汉键: "基于图信号处理的滚动轴承故障特征提取方法研究", 《湖南大学硕士学位论文》 * |
谭学清等: "一种基于类平均相似度的文本分类算法", 《现代图书情报技术》 * |
陈群涛等: "基于振动信号EMD和ICA的刀具破损识别", 《工具技术》 * |
鲍平平: "基于信号特征库的铣刀状态监测研究", 《南昌航空大学硕士学位论文》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933940A (zh) * | 2019-03-22 | 2019-06-25 | 重庆大学 | 基于滚刀主轴振动响应模型的滚齿工艺参数优化方法 |
CN109933940B (zh) * | 2019-03-22 | 2023-01-06 | 重庆大学 | 基于滚刀主轴振动响应模型的滚齿工艺参数优化方法 |
CN115170569A (zh) * | 2022-09-07 | 2022-10-11 | 新乡学院 | 一种基于图像的高熵材料涂层刀具的失效检测方法 |
CN115170569B (zh) * | 2022-09-07 | 2022-12-02 | 新乡学院 | 一种基于图像的高熵材料涂层刀具的失效检测方法 |
CN116061006A (zh) * | 2023-04-03 | 2023-05-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
CN116061006B (zh) * | 2023-04-03 | 2023-07-21 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102091972B (zh) | 一种数控机床刀具磨损监测方法 | |
CN109382702A (zh) | 一种数控滚齿机滚刀失效形式自动识别方法 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN109396953B (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
CN106514434B (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
CN109262368A (zh) | 一种刀具失效判定方法 | |
CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
EP2933057A1 (en) | Lens processing system, tool change time detection method, and eyeglass lens manufacturing method | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN110561195B (zh) | 一种机械加工过程中颤振的监测方法 | |
US20240036543A1 (en) | Tool wear monitoring method and system under variable operational conditions based on decoupling of cutting force component | |
CN106141815A (zh) | 一种基于ar模型的高速铣削颤振在线辨识方法 | |
CN111881860B (zh) | 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法 | |
CN110555243B (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
CN107728580A (zh) | 一种面向自适应加工的几何信息‑工艺信息‑监测信息关联方法 | |
CN104537198B (zh) | 一种气体流量计的数据检测方法 | |
CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN111230159B (zh) | 一种多传感器融合的车刀状态监测方法及系统 | |
CN112757053A (zh) | 基于功率和振动信号的模型融合刀具磨损监测方法及系统 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN116582596A (zh) | 数据处理方法、装置和基于物联网的plc数据传输系统 | |
CN111993157A (zh) | 一种基于电信号的机械加工设备生产状态监测系统及方法 | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
CN112699550A (zh) | 一种基于迁移学习的切削力神经网络预测模型训练方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |