CN109648397B - 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 - Google Patents
基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 Download PDFInfo
- Publication number
- CN109648397B CN109648397B CN201811494767.9A CN201811494767A CN109648397B CN 109648397 B CN109648397 B CN 109648397B CN 201811494767 A CN201811494767 A CN 201811494767A CN 109648397 B CN109648397 B CN 109648397B
- Authority
- CN
- China
- Prior art keywords
- broach
- broaching
- test
- width
- load
- 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.)
- Active
Links
Images
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
- B23Q17/0995—Tool life management
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Milling, Broaching, Filing, Reaming, And Others (AREA)
Abstract
本发明公开了基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法。现有拉刀寿命预测方法需要采集的特征量种类过多,对相关的采集仪器设备要求高。本发明如下:一、建立拉刀拉削过程中负载变化情况的数据库。二、根据步骤一建立的数据库预测已拉削次数未知的被测拉刀的剩余寿命。本发明通过一次试验建立数据库后,即可通过测量拉刀刀齿刃带宽度的方式预测拉刀的剩余寿命,操作简单方便,且预测精度高。本发明通过对两个参数的优化,能够建立精准的拉削负载计算模型,从而提高寿命预测的精度。本发明通过特征提取、图像分割、线扫描的方式获取图像中的刃带宽度,提高了刃带宽度的测量速度和测量精度。
Description
技术领域
本发明属于拉刀寿命智能技术领域,具体涉及一种基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法。
背景技术
拉削加工工艺作为现代切削加工工艺的一种,具有操作简单、生产率高、加工精度和表面质量高、加工成本低等优势。被广泛应用于航空航天、铁道建设、机床制造等重要工业领域。随着工业水平的不断发展,对重要部位零件加工精度的要求越来越高,所以对更高精度、更高效率、综合性能好的拉削加工设备需求变大。但在实际拉削过程中,存在大于10KN以上的负载,拉刀极易磨损,严重影响了拉刀的使用寿命。磨损导致拉刀本身的某些特定参数发生了改变,难以保证加工零部件的表面质量和加工精度。因此需要一种关于拉刀寿命智能预测的方法,实时预测当前拉刀已服役拉削寿命和余下服役拉削寿命,从而可以及时更换刀具或者及时优化拉削加工过程中的工艺参数,来确保所要求零部件的加工质量。
关于刀具寿命的相关预测方法,公开号CN107159964A提出了基于拉削速度、拉削力、主油缸两腔压力、拉削振动、切削液流量,通过模糊推理和决策规则自学习原理,进行刀齿磨损和寿命智能预测。公开号CN103793762A提出了一种基于小样本多类型参数的刀具寿命预测方法,通过获取小样本刀具寿命实验数据,不断调整新的预测模型迭代的方向,获取更好的预测模型,直到刀具寿命变化误差在规定范围内,获取最终的刀具寿命预测模型。公开号CN104002195A提出了一种基于能量的刀具寿命预测系统,通过对刀具切削过程中电流、电压信号的实时监测,得到刀具切削过程中功率的实时变化,进而得到刀具消耗的能量,从而预测刀具的剩余寿命。公开号为CN104002195A,提出了基于状态空间模型下贝叶斯信息更新的立式加工中心铣刀寿命预测方法,根据铣刀失效阈值输出立式加工中心铣刀的剩余寿命概率密度分布函数,获得剩余寿命预测值。公开号为CN106650119A,提出了一种CFRP与钛合金叠层结构钻孔刀具寿命的预测方法,通过建立相关动态实时切削力分析模型、缺陷分析模型、磨损值分析模型,依据当前钻头结构参数和制孔工艺参数,预测分析钻头的有效使用寿命。公开号为CN106778010A,提出了一种基于数据驱动支持向量回归机的TBM刀具寿命预测方法,选用大量现场挖掘的数据作为参变量,并在此基础上构建了基于支持向量回归机的模型,提高了预测刀具寿命的精度。公开号为CN106021796A,提出了一种铬钢叶片型面加工用球头铣刀的剩余寿命预测方法,根据实测数据建立该球头铣刀的剩余寿命预测关系式和全寿命函数关系式来预测刀具寿命。
但是,上述专利有的虽然给出了刀具寿命预测方法,但是需要采集的特征量种类过多,对相关的仪器设备要求过高;有的虽然建立了关于预测刀具寿命的数学模型,但是没有具体给出模型中涉及相关参数的测量方法,使实际操作起来不便。有的虽然通过刀具的某些切削信号来预测刀具寿命,但是没有详细给出关于切削信号的智能学习方法从而更加精确的把切削信号的变化与刀具寿命联系起来。
发明内容
针对现有技术缺陷,本发明提供了一种基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法。
本发明的具体步骤如下:
步骤一、建立拉刀拉削过程中负载变化情况的数据库。
1.1、取一把未进行过加工的拉刀作为试验拉刀。对试验拉刀上的nM个刀齿依次进行排序。用试验拉刀对被加工工件进行拉削,并实时采集试验拉刀受到的负载力大小。试验拉刀每完成z次拉削后,分别测量nM个刀齿的刃带宽度。直到被加工工件的尺寸不满足精度要求时停止试验。第i个刀齿在第j次拉削后的刃带宽度为Wi,j,z≤100,i=1,2,…,nM,j=z,2z,…,m·z,m为对试验拉刀进行刃带宽度测量的次数;得出试验拉刀的总拉削寿命为m·z次。
建立试验拉刀在m·z次拉削中的负载峰值集合XR和负载谷值集合YR如下:
1.2、i=1,2,…,…,nM,依次执行步骤1.3。
1.3、对第i个刀齿的初始刃带宽度Wi,0以及m次测量得到的刃带宽度Wi,j在以拉削次数为横坐标,刃带宽度为纵坐标的平面直角坐标系中进行描点,得到m+1个离散点。将所得的m+1个离散点代入一元多项式函数曲线进行拟合。得到一元多项式的函数表达式如式(1)所示:
Wi,j=a0,i+a1,ij+a2,ij2+…+ac,ijc 式(1);
1.4、计算除第一个刀齿外的nM-1个刀齿在前m·z次拉削中的拉削深度δi,j如式(2)所示,i=2,3,…,nM,j=1,2,…,m·z。
式(2)中,δi,0为试验拉刀的第i个刀齿的初始拉削深度;α0为试验拉刀的后角;γ0为试验拉刀的前角;Wi-1,0为第i-1个刀齿的初始刃带宽度;Wi,0为第i个刀齿的初始刃带宽度。
1.5、计算试验拉刀在第j次拉削中,试验拉刀受到的负载力Fj(t)变化表达式如式(3)所示。
式(2)中,u的表达式为t1为第一个刀齿接触工件的时间;Δt的表达式Δt=p/v;p为试验拉刀的齿距,v为试验拉刀的拉削速度;Fi,j的表达式如式(4)所示;nw的表达式为lw为工件长度;p为试验拉刀的齿距;tE为试验拉刀与工件分离的时间。
Fi,j的表达式如下:
Fi,j=K·(b·δi,j)β (4);
式(3)中,K是切削力的比例因子;β是切削力的指数因子;b为刀齿宽度。
根据试验拉刀在m·z次拉削中,试验拉刀受到的负载力变化函数Fj(t),获取试验拉刀负载模拟峰值集合XT和试验拉刀负载模拟谷值集合YT。
1.6、将1赋值给j和k。
1.8、若j<m·z,且k<p,则将k增大1,并重复执行步骤1.7,
若j<m·z,且k=p,则aj1、aj2、...、ajp的平均值作为第j次拉削的波峰偏差率Aj,取bj1、bj2、...、bjp的平均值作为第j次拉削的波谷偏差率Bj,并将j增大1,将1赋值给k后,重复执行步骤1.7。若j=m·z,则进入步骤1.9。
步骤二、根据步骤一建立的数据库预测已拉削次数未知的被测拉刀的剩余寿命。
2.1、测量被测拉刀上nM个刀齿的刃带宽度Wi′,i=1,2…,nM。
2.2、计算被测拉刀上除第一个刀齿外的nM-1个刀齿在最近一次拉削中的拉削深度δ′i如式(5)所示,i=2,3…,nM,j=1,2,…,m·z。
2.3、计算被测拉刀在最近的一次拉削中的负载变化函数F′(t)如式(6)所示。
式(5)中,Fi′=K·(b·δ′i)β。
2.4、根据被测拉刀最近一次拉削受到的负载力变化函数F′(t),获取被测拉刀最近一次拉削的负载峰值集合X′和负载谷值集合Y′。
X′={x′1,x′2,...,x′p}
Y′={y′1,y′2,...,y′p}
2.5、j=1,2,…,m·z,依次执行步骤2.6。
2.7、取m·z个总和偏差率E'”j中的最小值对应的拉削次数作为被测拉刀的已服役寿命预测值S;被测拉刀的剩余寿命为m·z-S。
进一步地,所述刃带宽度的测量方法具体如下:
(1)利用高速显微镜对nM个刀齿的后刀面进行拍摄,得到图像。
(2)对图像进行纹理特征提取。利用柯西稳态函数的属性均值聚类算法对图像进行纹理分割。
(3)用阈值分割法将纹理分割后的图像的刃带区域部分清晰地划分出来。
(4)利用线扫描法,设置对每个刀齿刃带区域0.1毫米的移动步长,对刃带区域进行线扫描,每个刀齿均获得160个刃带宽度数值的扫描结果。
(5)分别对每个刀齿的160个刃带宽度数值取均值,得到每个刀齿的刃带宽度值。
进一步地,所述试验拉刀的负载力通过力传感器实时测量,并传输给数据采集仪。所述力传感器的型号为CYT-204。所述数据采集仪的型号为YouTai-uT3408FRS。
本发明具有的有益效果是:
1、本发明通过一次试验建立数据库后,即可通过测量拉刀刀齿刃带宽度的方式预测拉刀的剩余寿命,操作简单方便,且预测精度高。
2、本发明通过对两个参数的优化,能够建立精准的拉削负载计算模型,从而提高寿命预测的精度。
3、本发明通过特征提取、图像分割、线扫描的方式获取图像中的刃带宽度,提高了刃带宽度的测量速度和测量精度。
附图说明
图1为本发明中第i个刀齿在第j次拉削后的示意图。图中,剖面线的部分为刀齿第i个刀齿在前j次拉削中磨损掉的部分。
具体实施方式
基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法具体如下:
步骤一、建立拉刀拉削过程中负载变化情况的数据库。
1.1、取一把未进行过加工的拉刀作为试验拉刀。对试验拉刀上的nM个刀齿依次进行排序,以最靠近刀柄的刀齿为第一个刀齿,最远离刀柄的刀齿为第nM个刀齿。用试验拉刀对被加工工件进行拉削,用安装在试验拉刀上的力传感器实时采集试验拉刀受到的负载力大小,并传输给数据采集仪,每个被加工工件均通过一次拉削完成加工。力传感器的型号为CYT-204。数据采集仪的型号为YouTai-uT3408FRS。试验拉刀每完成z次拉削后,分别测量nM个刀齿的刃带宽度,z=50。直到被加工工件的尺寸不满足精度要求时停止试验。第i个刀齿在第j次拉削后(第j/z次测量得到)的刃带宽度为Wi,j,z=50,i=1,2,…,nM,j=z,2z,…,m·z,m为对试验拉刀进行刃带宽度测量的次数;得出试验拉刀的总拉削寿命为m·z次。
通过数据采集软件获取试验拉刀在m·z次拉削中的负载峰值集合XR和负载谷值集合YR。
其中,为第q次拉削中,试验拉刀实际所受负载力的第k个峰值;为第q次拉削中,试验拉刀实际所受负载力的第k个谷值,p为拉刀单次拉削中峰值出现的个数(等于谷值出现的个数),q=1,2,…,m·z,k=1,2,…,p。
刃带宽度的测量方法具体如下:
(1)利用高速显微镜对nM个刀齿的后刀面进行拍摄。因为后刀面的刃带区域和其它区域有明显的纹理差别,所以将拍摄所得图像导入到计算机进行数字图像处理。
(2)对图像进行纹理特征提取。利用柯西稳态函数的属性均值聚类算法对图像进行纹理分割。
(3)进一步利用阈值分割法将纹理分割后的图像的刃带区域部分清晰地划分出来。
(4)利用线扫描法,设置对每个刀齿刃带区域0.1毫米的移动步长,对刃带区域进行线扫描,每个刀齿均获得160个刃带宽度数值的扫描结果。
(5)分别对每个刀齿的160个刃带宽度数值取均值,得到每个刀齿的刃带宽度值。
1.2、i=1,2,…,…,nM,依次执行步骤1.3。
1.3、如图1所示,对第i个刀齿的初始刃带宽度Wi,0(其值在拉刀的说明书中有记载)以及m次测量得到的刃带宽度Wi,j在以拉削次数为横坐标,刃带宽度为纵坐标的平面直角坐标系中进行描点,得到m+1个离散点。将所得的m+1个离散点代入一元多项式函数曲线进行拟合。得到一元多项式的函数表达式如式(1)所示:
Wi,j=a0,i+a1,ij+a2,ij2+…+ac,ijc 式(1);
式(1)中,a0,i、a1,i、a2,i、…、ac,i均通过拟合得到,c为所得多项式的最高次方数,也通过拟合得到。
1.4、计算除第一个刀齿外的nM-1个刀齿在前m·z次拉削中每次的拉削深度δi,j如式(2)所示,i=2,3,…,nM,j=1,2,…,m·z。
式(2)中,δi,0为试验拉刀的第i个刀齿的初始拉削深度(其值在拉刀的说明书中有记载);α0为试验拉刀的后角;γ0为试验拉刀的前角;Wi-1,j为将j代入第i-1个刀齿对应的式(1)计算所得值;Wi-1,0为第i-1个刀齿的初始刃带宽度;Wi,j为将j代入第i个刀齿对应的式(1)计算所得值;Wi,0为第i个刀齿的初始刃带宽度。Wi-1,j及Wi,j均通过将i、j代入函数表达式Wi,j=a0,i+a1,ij+a2,ij2+…+ac,ijc中计算得到。
1.5、计算试验拉刀在第j次拉削中,试验拉刀受到的负载力Fj(t)变化表达式如式(3)所示。
式(2)中,u为t时刻下最新切入工件的刀齿的序号,其表达式为 t1为第一个刀齿接触工件的时间;Δt为切削循环周期,可以表示为Δt=p/v;p为试验拉刀的齿距,v为试验拉刀的拉削速度;Fi,j为第i个刀齿在第j次切削中与工件接触时所受的负载力大小,其表达式如式(4)所示;nw为同时参与切削的最大刀齿个数,其表达式为lw为工件长度(沿试验拉刀的拉削方向的尺寸);p为试验拉刀的齿距;为的向上取整所得值;为lw/p的向上取整所得值;tE为试验拉刀与工件分离的时间;为(tE-t)/Δt的向上取整所得值。
第i个刀齿在第j次切削中与工件接触时所受的负载力大小Fi,j的表达式如下:
Fi,j=K·Ai,j β=K·(b·δi,j)β 式(4);
式(3)中,K是切削力的比例因子(为待校准量);β是切削力的指数因子(为待校准量);b为刀齿宽度;Ai,j为拉刀第i个刀齿在第j次拉削后的切削面积。
根据试验拉刀在m·z次拉削中,试验拉刀受到的负载力变化函数Fj(t),获取试验拉刀负载模拟峰值集合XT和试验拉刀负载模拟谷值集合YT。
其中,为第j次拉削中,试验拉刀所受模拟负载力的第k个峰值(即Fj(t)的第k个峰值);为第j次拉削中,试验拉刀所受模拟负载力的第k个谷值(即Fj(t)的第k个谷值)。试验拉刀负载峰值集合XT和试验拉刀负载谷值集合YT均为与K、β相关的量。
1.6、将1赋值给j和k。
1.8、若j<m·z,且k<p,则将k增大1,并重复执行步骤1.7,
若j<m·z,且k=p,则aj1、aj2、...、ajp的平均值作为第j次拉削的波峰偏差率Aj,取bj1、bj2、...、bjp的平均值作为第j次拉削的波谷偏差率Bj,并将j增大1,将1赋值给k后,重复执行步骤1.7。若j=m·z,则进入步骤1.9。
1.9、计算平均偏差率由于试验拉刀负载峰值集合XT和试验拉刀负载谷值集合YT均为与K、β相关的量,故的值随K、β的变化而变化。计算取最小值时,K、β的大小。并根据取最小值时对应的K、β确定试验拉刀负载模拟峰值集合XT和试验拉刀负载模拟谷值集合YT。
步骤二、根据步骤一建立的数据库预测已拉削次数未知的被测拉刀的剩余寿命。
2.1、取一把已拉削次数未知的被测拉刀,被测拉刀与试验拉刀型号相同,且与试验拉刀加工零件种类和加工精度相同,拉削工况相同。利用步骤1.1中提到的拉刀刀齿后刀面刃带宽度的测量方法,测量被测拉刀上nM个刀齿的刃带宽度Wi′,i=1,2…,nM。
2.2、计算被测拉刀上除第一个刀齿外的nM-1个刀齿在最近一次拉削中的拉削深度δ′i如式(5)所示,i=2,3…,nM,j=1,2,…,m·z。
2.3、计算被测拉刀在最近的一次拉削中的负载变化函数F′(t)如式(6)所示。
式(5)中,Fi′=K·(b·δ′i)β。
2.4、根据被测拉刀最近一次拉削受到的负载力变化函数F′(t),获取被测拉刀最近一次拉削的负载峰值集合X′和负载谷值集合Y′。
X′={x′1,x′2,...,x′p}
Y′={y′1,y′2,...,y′p}
2.5、j=1,2,…,m·z,依次执行步骤2.6。
2.7、取m·z个总和偏差率E'”j中的最小值对应的拉削次数作为被测拉刀的已服役寿命预测值S;被测拉刀的剩余寿命为m·z-S。
Claims (3)
1.基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法,其特征在于:步骤一、建立拉刀拉削过程中负载变化情况的数据库;
1.1、取一把未进行过加工的拉刀作为试验拉刀;对试验拉刀上的nM个刀齿依次进行排序;用试验拉刀对被加工工件进行拉削,并实时采集试验拉刀受到的负载力大小;试验拉刀每完成z次拉削后,分别测量nM个刀齿的刃带宽度,z≤100;直到被加工工件的尺寸不满足精度要求时停止试验;第i个刀齿在第j次拉削后的刃带宽度为Wi,j,i=1,2,…,nM,j=z,2z,…,m·z,m为对试验拉刀进行刃带宽度测量的次数;得出试验拉刀的总拉削寿命为m·z次;
建立试验拉刀在m·z次拉削中的负载峰值集合XR和负载谷值集合YR如下:
1.2、i=1,2,…,…,nM,依次执行步骤1.3;
1.3、对第i个刀齿的初始刃带宽度Wi,0以及m次测量得到的刃带宽度Wi,j在以拉削次数为横坐标,刃带宽度为纵坐标的平面直角坐标系中进行描点,得到m+1个离散点;将所得的m+1个离散点代入一元多项式函数曲线进行拟合;得到一元多项式的函数表达式如式(1)所示:
Wi,j=a0,i+a1,ij+a2,ij2+…+ac,ijc 式(1);
1.4、计算除第一个刀齿外的nM-1个刀齿在前m·z次拉削中的拉削深度δi,j如式(2)所示,i=2,3,…,nM,j=1,2,…,m·z;
式(2)中,δi,0为试验拉刀的第i个刀齿的初始拉削深度;α0为试验拉刀的后角;γ0为试验拉刀的前角;Wi-1,0为第i-1个刀齿的初始刃带宽度;Wi,0为第i个刀齿的初始刃带宽度;
1.5、计算试验拉刀在第j次拉削中,试验拉刀受到的负载力Fj(t)变化表达式如式(3)所示;
式(3)中,u的表达式为t1为第一个刀齿接触工件的时间;Δt的表达式Δt=p/v;p为试验拉刀的齿距,v为试验拉刀的拉削速度;Fi,j的表达式如式(4)所示;nw的表达式为lw为工件长度;p为试验拉刀的齿距;tE为试验拉刀与工件分离的时间;
Fi,j的表达式如下:
Fi,j=K·(b·δi,j)β (4);
式(4)中,K是切削力的比例因子;β是切削力的指数因子;b为刀齿宽度;
根据试验拉刀在m·z次拉削中,试验拉刀受到的负载力变化函数Fj(t),获取试验拉刀负载模拟峰值集合XT和试验拉刀负载模拟谷值集合YT;
1.6、将1赋值给j和k;
1.8、若j<m·z,且k<p,则将k增大1,并重复执行步骤1.7,
若j<m·z,且k=p,则aj1、aj2、...、ajp的平均值作为第j次拉削的波峰偏差率Aj,取bj1、bj2、...、bjp的平均值作为第j次拉削的波谷偏差率Bj,并将j增大1,将1赋值给k后,重复执行步骤1.7;若j=m·z,则进入步骤1.9;
步骤二、根据步骤一建立的数据库预测已拉削次数未知的被测拉刀的剩余寿命;
2.1、测量被测拉刀上nM个刀齿的刃带宽度Wi′,i=1,2…,nM;
2.2、计算被测拉刀上除第一个刀齿外的nM-1个刀齿在最近一次拉削中的拉削深度δ′i如式(4)所示,i=2,3…,nM,j=1,2,…,m·z;
2.3、计算被测拉刀在一次拉削中的负载变化函数F′(t)如式(6)所示;
式(5)中,Fi′=K·(b·δi′)β;
2.4、根据被测拉刀最近一次拉削受到的负载力变化函数F′(t),获取被测拉刀最近一次拉削的负载峰值集合X′和负载谷值集合Y′;
X′={x′1,x′2,...,x′p}
Y′={y′1,y′2,...,y′p}
2.5、j=1,2,…,m·z,依次执行步骤2.6;
2.7、取m·z个总和偏差率E”'j中的最小值对应的拉削次数作为被测拉刀的已服役寿命预测值S;被测拉刀的剩余寿命为m·z-S。
2.根据权利要求1所述的基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法,其特征在于:所述刃带宽度的测量方法具体如下:
(1)利用高速显微镜对nM个刀齿的后刀面进行拍摄,得到图像;
(2)对图像进行纹理特征提取;利用柯西稳态函数的属性均值聚类算法对图像进行纹理分割;
(3)用阈值分割法将纹理分割后的图像的刃带区域部分清晰地划分出来;
(4)利用线扫描法,设置对每个刀齿刃带区域0.1毫米的移动步长,对刃带区域进行线扫描,每个刀齿均获得160个刃带宽度数值的扫描结果;
(5)分别对每个刀齿的160个刃带宽度数值取均值,得到每个刀齿的刃带宽度值。
3.根据权利要求1所述的基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法,其特征在于:所述试验拉刀的负载力通过力传感器实时测量,并传输给数据采集仪;所述力传感器的型号为CYT-204;所述数据采集仪的型号为YouTai-uT3408FRS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494767.9A CN109648397B (zh) | 2018-12-07 | 2018-12-07 | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494767.9A CN109648397B (zh) | 2018-12-07 | 2018-12-07 | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109648397A CN109648397A (zh) | 2019-04-19 |
CN109648397B true CN109648397B (zh) | 2020-01-21 |
Family
ID=66112909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811494767.9A Active CN109648397B (zh) | 2018-12-07 | 2018-12-07 | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109648397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111390271A (zh) * | 2020-03-02 | 2020-07-10 | 浙江工业大学 | 一种拉削力测量装置及测量数据处理方法 |
CN115007938B (zh) * | 2022-06-27 | 2023-03-24 | 杭州电子科技大学 | 一种多模式分段拉削工艺 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007098523A (ja) * | 2005-10-05 | 2007-04-19 | Fuji Heavy Ind Ltd | ブローチの寿命判断方法、ブローチ品質管理装置、及びブローチ加工装置 |
CN106647632B (zh) * | 2016-12-27 | 2018-10-19 | 沈阳航空航天大学 | Cfrp与钛合金叠层结构铰孔刀具寿命的预测方法 |
CN108628661B (zh) * | 2017-03-24 | 2021-11-26 | 郑芳田 | 云制造服务的自动建置方法、云制造系统 |
CN108427841B (zh) * | 2018-03-12 | 2020-09-18 | 华中科技大学 | 一种数控机床刀具剩余寿命实时预测方法 |
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
- 2018-12-07 CN CN201811494767.9A patent/CN109648397B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109648397A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111366123B (zh) | 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 | |
WO2021174525A1 (zh) | 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 | |
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 | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN109648397B (zh) | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN109333160B (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 | |
Khajavi et al. | Milling tool wear diagnosis by feed motor current signal using an artificial neural network | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Ramezani et al. | Surface roughness and cutting force estimation in the CNC turning using artificial neural networks | |
Li et al. | Roughness prediction model of milling noise-vibration-surface texture multi-dimensional feature fusion for N6 nickel metal | |
CN109885900A (zh) | 一种基于灰度分析的车削参数优化方法 | |
CN116186499A (zh) | 一种数控加工表面粗糙度预测方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
Palani et al. | Prediction of surface roughness in end milling process by machine vision using neuro fuzzy network | |
Zuo et al. | Development of fractal dimension and characteristic roughness models for turned surface of carbon steels | |
Kundrak et al. | Analysis of tool life functions in hard turning | |
CN115422978A (zh) | 一种工件表面粗糙度预测方法 | |
Zhou et al. | Milling cutter wear prediction based on bidirectional long short-term memory neural networks | |
You et al. | A novel evaluation metric based on dispersion of wear distance for in situ tool condition monitoring | |
Wiciak-Pikuła et al. | Surface roughness and forces prediction of milling Inconel 718 with neural network | |
Ghosh et al. | Investigations on machining performances and tool wear surface characterization during CNC hard turning of AISI 4140 alloy steel | |
CN112036661A (zh) | 基于刀具力学性能随机分布性的陶瓷刀具可靠度预测方法 |
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 |