CN109746765A - 一种基于累积和控制理论的刀具失效状态监测方法 - Google Patents
一种基于累积和控制理论的刀具失效状态监测方法 Download PDFInfo
- Publication number
- CN109746765A CN109746765A CN201811297324.0A CN201811297324A CN109746765A CN 109746765 A CN109746765 A CN 109746765A CN 201811297324 A CN201811297324 A CN 201811297324A CN 109746765 A CN109746765 A CN 109746765A
- Authority
- CN
- China
- Prior art keywords
- signal
- tool
- analysis
- accumulation
- imf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000009825 accumulation Methods 0.000 title claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 108
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000005299 abrasion Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 21
- 238000002474 experimental method Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000000691 measurement method Methods 0.000 abstract description 4
- 239000010935 stainless steel Substances 0.000 abstract description 4
- 229910001220 stainless steel Inorganic materials 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 229910045601 alloy Inorganic materials 0.000 description 4
- 239000000956 alloy Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007514 turning Methods 0.000 description 3
- 229910000746 Structural steel Inorganic materials 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002463 transducing effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明属于机床上的指示或测量装置技术领域，公开了一种基于累积和控制理论的刀具失效状态监测方法，以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构，有效减小随机误差对分析参数的干扰，为切削力信号的提取与分析提供了可靠依据；提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对其中的关键参数进行定义，通过改进的累积和控制图形成完善的刀具失效状态分析方法；通过开展多种材料加工的刀具磨损实验，与传统测量方法进行对比，证明其在超高强度钢和不锈钢半精加工工况下的实用性和可靠性，可作为一种快速可靠的刀具磨损状态实时监测方法在切削数据服务系统中进行使用。
Description
技术领域
本发明属于机床上的指示或测量装置技术领域，尤其涉及一种基于累积和控制理论的刀具失效状态监测方法。
背景技术
目前，业内常用的现有技术是这样的：
随着传感技术的迅速发展，需要用户对采集的信息做出及时处理，切削数据分析和决策的实时性愈发受到关注。切削过程的数据分析建立在传感信号的快速提取与分析基础上，通过信号采集、数据转换、特征提取等步骤发现其中的问题表征量，并使用一定的模拟与训练方法进行自适应应用。该理论的最初应用为机床故障诊断问题，例如，使用决策树提取压电传感器获取的齿轮振动信号，并通过模糊分类器实现故障识别；通过无线网络传输采集切削力、振动、声音信号，利用分布式故障检测模型对数控机床进行故障诊断；使用信号的自适应小波和可变窗口降噪的理论结合，对齿轮箱振动和损伤信号进行提取识别。故障诊断中的信号分析和决策理论可以推广到和切削直接相关的过程变量，决定切削参数和刀具参数等内容的选取。例如，通过构建可供加工过程采集与反馈的STEP-NC数据模型，使用模型中的反馈信息作为依据对过程进行优化；切削力在线监测系统，通过修改刀具角度和切削用量保持切削过程的平稳性；Y 一种特征提取与深度学习系统，利用过程信息进行刀具磨损监测和加工表面质量预测。上述方法是在对传感信号的特征提取基础上，通过智能分析方法监测和分析切削过程变量，对加工过程进行辅助。由于高强度钢等难加工材料切削区域摩擦剧烈、刀具磨损严重的特点，其加工过程中的刀具磨损和失效监测成为切削性能分析的关键环节。常用的刀具磨损和失效分析方法分为直接监测方法和间接分析监测两种。直接分析方法是基于光学和形貌监测手段对刀具进行图像分析，通过图像识别技术进行刀具磨损和失效信息提取。例如，运用几何分形理论提取已加工表面纹理特征，并以此构建隐马科夫模型识别刀具工作状态；一种使用视觉设备线上拍摄刀具形貌图片的方法，通过计算磨损与刀具边缘位置进行磨损量分析；一种基于图像裁剪和影像处理的测量系统，对拉削过程中的刀具磨损进行计算。间接分析方法则是基于不同过程信号对刀具磨损量进行表征，通过构建过程参数与刀具状态的映射关系并进行模型训练以实现准确监测。间接分析方法基于切削力、切削振动、主轴功率、声发射信号等信号手段实现。例如，利用加工过程中的切削力信号进行分析，开发出刀具磨损状态增量学习和在线分类的监控系统；利用加工过程中的振动信号进行分析，计算其平均功率监测刀具失效状态；利用电机电流进行分析，建立其与刀具破损之间的模型用于预测刀具的破损；利用声发射信号进行分析，按照不同刀具磨损状态下的采样频率进行分类训练。为达到精确识别，间接磨损分析需要结合适当的信号分类方法对信号进行训练和分解。典型的应用实例为，使用切削力信号，开发出多层感知器神经网络模型进行刀具磨损表征；利用支持向量机非线性回归算法，设计出刀具磨损特征分类模块；通过将监测数据转换成相应的动态贝叶斯网络模型捕获刀具失效时间。训练和分解方法的选择需要注重准确性和迅速性，以保证在线刀具磨损分析的实时性。
综上所述，现有技术存在的问题是：
(1)基于光学和形貌监测手段对刀具磨损和失效分析的方法，存在平台搭建的硬件难度大、切削液与切屑影响对切削过程的拍摄效果、而且难以进行实时分析，从而无法广泛用于实际生产；
(2)基于不同切削过程信号对刀具磨损量进行表征的方法，存在刀具磨损影响因素多、不确定性大，难以建立准确的刀具磨损量数学模型，从而影响了刀具磨损状态的有效预测。
解决上述技术问题的难度：
难度：在切削过程中，刀具失效直接影响切削力、切削温度、零件的尺寸精度和表面粗糙度等参数，故而其监测成为控制加工质量和加工效率的关键问题。由于刀具失效是表面摩擦、高温高压与机械冲击等共同作用的结果，具有复杂性与不确定性，无法建立精确定量的磨损量数学模型。
发明内容
针对现有技术存在的问题，本发明提供了一种基于累积和控制理论的刀具失效状态监测方法。
本发明是这样实现的，一种基于累积和控制理论的刀具失效状态监测方法，所述基于累积和控制理论的刀具失效状态监测方法以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构；提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对关键参数进行定义；通过改进的累积和控制图形成完善的刀具失效状态分析方法。
进一步，所述经验模态分解算法具体包括：
①初始化所加入的高斯白噪声信号幅值比值系数k与总体平均次数M，并为i赋值为i＝1；
②为原始信号s(t)添加高斯白噪声信号ni(t)得到混叠信号si(t)为：
Si(t)＝s(t)+k·ni(t)i＝1，2，…，M；
③将混叠信号si(t)进行EMD分解为：
其中J为所得IMF总量，ci,j(t)为第i次分解得到的第j个IMF，ri,J(t)为残余分量；
④加入幅值不同的白噪声序列，重复以上步骤直至M次，得到IMF分量为：
{{C1，j(t)}，{C2，j(t)}，…，{CM，j(t)}}；
⑤将各个IMF求均值cj(t)得到最终IMF分量为：
进一步，所述切削力信号的分解方法具体包括：
加入的白噪声信号幅值比值系数k与总体平均次数M存在对应关系为：
其中，e为期望分解误差，即分解后获得所有IMF之和的相对误差；
添加的白噪声信号幅值比值系数k需要根据原始信号频率进行调整，其添加准则为：
0＜k≤σh/3σ0；
其中，σh为原始信号高频成分幅值标准差，σ0为原始信号幅值标准差。
进一步，所述切削力信号的筛选重构方法具体包括：
根据各阶信号的幅值与频率特性，与原始信号进行比较可以排除随机特征的干扰，故而可以选择使用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的IMF进行保留；相关性表示的是两个时间序列之间的相关程度，是滤波分析时最常用的参数；互相关函数描述随机信号x(t)，y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，数学表达式为：
其中f1(t)与f2(t)代表两组不同的信号；各阶IMF信号与原始信号的自相关分析结果呈现正态分布，数值集中在0.6～0.9，0.6设为相关性阈值，对IMF低于0.6的IMF进行筛选；
信息熵用来衡量一个随机变量出现的期望值，用于衡量系统的复杂度，其数学表达式为：
其中n表示信号所有可能发生情况的个数，pi表示各种情况的相互独立的概率。
进一步，所述刀具接触区域的平均摩擦系数定义为：
进一步，对采样周期内的切削合力进行分段计算定义如下：
其中X为采样信号，Fe为采样频率，N为样本数量；将采样获取的三向力数值进行合成，并采用分段采样方法进行提取，分别计算其平均功率，并按照时间顺序对平均功率进行分析。
进一步，所述刀具失效时刻的辨识使用相邻两点的移动平均值mr作为刀具失效辨识的参数，定义为：
其中S为所分箱数，其取值可由时间序列总长度选择。
本发明的另一目的在于提供一种应用所述基于累积和控制理论的刀具失效状态监测方法的机床。
综上所述，本发明的优点及积极效果为：本发明通过对加工过程中的切削力信号进行基于经验模态分解的滤波重构，以摩擦系数和平均功率为依据分析切削过程的刀具磨损和破损，实时监测其失效状态，建立准确可靠且简单易行的刀具失效状态在线监测方法。本发明以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构，有效减小随机误差对分析参数的干扰，为切削力信号的提取与分析提供了可靠依据；提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对其中的关键参数进行定义，最终通过改进的累积和控制图形成完善的刀具失效状态分析方法；通过开展多种材料加工的刀具磨损实验，将本分析方法与传统测量方法进行对比，证明其在超高强度钢和不锈钢半精加工工况下的实用性和可靠性，可作为一种快速可靠的刀具磨损状态实时监测方法在切削数据服务系统中进行使用。
刀具首次出现细微崩刃时刻的VB值一般位于0.15～0.2mm之间，即稳定磨损阶段，该情况是由于材料硬度高、散热差造成的；而刀具正常磨损失效时刻的VB值一般小于0.3mm，是由于半精加工中实际切深小于刀尖圆弧半径造成的，该工况下刀尖处后刀面比起主切削刃处后刀面的温度和压力都更高，对切削力造成的影响更显著，其磨损量也更能反映刀具的耐用度信息，故而与刀具失效的实际情况更为接近。本发明提出的分析方法可以较好地对应磨损曲线拐点，最大误差在两组以内，即完整刀具耐用度的10％以内，具有较好的可靠性。对比结果表明，该分析方法可以快速及时地获取刀具失效时刻信息，比起 VB＝0.3mm磨损准则的离线测量方法更贴近磨损规律，也更高效。
附图说明
图1是本发明实施例提供的基于累积和控制理论的刀具失效状态监测方法流程图。
图2是本发明实施例提供的切削力信号的EEMD分解结果图。
图3是本发明实施提供的基于EEMD的切削力滤波重构方法图。
图4是本发明实施提供的直角切削中的刀具受力情况图。
图5是本发明实施提供的刀具前刀面受力分解图。
图6是本发明实施提供的刀具后刀面受力分解图。
图7是本发明实施提供的刀具前后刀面摩擦力分解图。
图8是本发明实施提供的实验设备连接与过程变量采集图。
图9是本发明实施提供的严重崩刃时的后刀面磨损形态与平均功率图。
图10是本发明实施提供的细微崩刃时的后刀面磨损形态与平均功率图。
图11是本发明实施提供的切削力信号平均功率累积和图。
图12是本发明实施提供的磨损失效时的后刀面磨损形态与摩擦系数图。
图13是本发明实施提供的刀具前刀面摩擦系数累积和图。
图14是本发明实施提供的切削力与刀具失效状态分析图。
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，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明通过对加工过程中的切削力信号进行基于经验模态分解的滤波重构，以摩擦系数和平均功率为依据分析切削过程的刀具磨损和破损，实时监测其失效状态，建立准确可靠且简单易行的刀具失效状态在线监测方法。
如图1所示，本发明实施例提供的基于累积和控制理论的刀具失效状态监测方法包括以下步骤：
S101：以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构，有效减小随机误差对分析参数的干扰，为切削力信号的提取与分析提供了可靠依据；
S102：提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对其中的关键参数进行定义；
S103：最终通过改进的累积和控制图形成完善的刀具失效状态分析方法。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的基于累积和控制理论的刀具失效状态监测方法包括以下步骤：
步骤一，通过对加工过程中的切削力信号进行基于经验模态分解的滤波重构；
步骤二，以摩擦系数和平均功率为依据分析切削过程的刀具磨损和破损，实时监测其失效状态。
本发明提供步骤一中经验模态分解算法思路如下：
求解信号的所有极大值点、极小值点，利用三次样条函数求上下包络线，并计算上下包络均值；将原信号减去包络均值，重新求取极值点上下包络线及包络均值；重复该步骤直至结果不满足给定门限条件。通过该方法获得相互正交且有序排列的多阶本征模函数的过程，本质上完成的是对原始信号从高频到低频的滤波，各阶分量相互叠加可以完全重构出原信号。分解后的每个分量满足两个条件：
①任意点的上下包络线均值为零；②零点和极值点交叉出现，且两者个数相差至多为1。该方法对于任意信号都可以自适应分解，因而在不规则信号处理中有着广泛应用。但是，由于其无法排除间歇冲击或噪声等异常信号干扰，容易发生模态混叠问题，即单个IMF分量含有全异尺度或多个IMF分量具有相同尺度。
为解决模态混叠问题，WuZ.H.和HuangN.E.提出总体经验模态分解 (EnsembleEmpiricalModeDecomposition，EEMD)，将均值为零且功率谱均匀分布的高斯白噪声添加到原始信号，利用白噪声的统计学特性来均匀原始信号的极值点分布，减弱偶然冲击干扰，有效抑制模态混叠现象。EEMD分解方法步骤如下：
①初始化所加入的高斯白噪声信号幅值比值系数k(即标准差与原始信号标准差的比值)与总体平均次数M，并为i赋值为i＝1；
②为原始信号s(t)添加高斯白噪声信号ni(t)得到混叠信号si(t)为：
si(t)＝s(t)+k·ni(t)i＝1，2，…，M；(1)
③将混叠信号si(t)进行EMD分解为：
其中J为所得IMF总量，ci，j(t)为第i次分解得到的第j个IMF，ri，J(t)为残余分量；
④加入幅值不同的白噪声序列，重复以上步骤直至M次，得到IMF分量为：
{{c1，j(t)}，{c2，j(t)}，…，{CM，j(t)}}；(3)
⑤将各个IMF求均值cj(t)得到最终IMF分量为：
通过该方法，原始信号被分解为频率从高到低的多个IMF和一个残余分量，而不会发生模态混叠。
本发明提供步骤一中切削力信号的分解方法如下：
正常车削时的切削力信号为平稳连续信号，但由于噪声与振动信号影响，分析之前需要进行滤波；而由于刀具失效过程中切削力信号的不确定性，使用 EEMD方法可对其进行分解并从中提取包含刀具失效状态的有效特征。
使用EEMD算法分析切削力信号，关键在于确定所添加高斯白噪声信号幅值比值系数k与总体平均次数M。加入的白噪声信号幅值比值系数k与总体平均次数M存在对应关系为：
其中，e为期望分解误差，即分解后获得所有IMF之和的相对误差。
而添加的白噪声信号幅值比值系数k需要根据原始信号频率进行调整，其添加准则为：
0＜k≤σh/3σ0 (6)
其中，σh为原始信号高频成分幅值标准差，σ0为原始信号幅值标准差。根据公式(6)，高斯白噪声信号的参数确定需要首先提取原始信号高频成分。针对刀具磨损过程中原始切削力信号干扰因素多、随机性强的特点，需要首先对其进行中值滤波以去除脉冲干扰，之后进行EEMD分解并从中提取第一阶信号作为其高频成分，以保证分解信号不发生模态混叠。将高频成分和原始信号的幅值标准差代入公式(5)与(6)可确定添加白噪声的参数，对原始信号进行 EEMD分解；分解后如图2所示。
本发明提供步骤一中切削力信号的筛选重构方法如下：
已分解的切削力信号含有多阶信息，需要使用一定的方法对其进行筛选重构。根据各阶信号的幅值与频率特性，将其与原始信号进行比较可以排除随机特征的干扰，故而可以选择使用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的IMF进行保留。
相关性表示的是两个时间序列之间的相关程度，是滤波分析时最常用的参数。互相关函数是描述随机信号x(t)，y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，其数学表达式为：
其中f1(t)与f2(t)代表两组不同的信号。各阶IMF信号与原始信号的自相关分析结果呈现正态分布，数值集中在0.6～0.9之间，故可将0.6设为相关性阈值，对IMF低于0.6的IMF进行筛选。
“熵(Entropy)”最初用以描述热力学和统计物理学中的能量分布状态，而信息熵用来衡量一个随机变量出现的期望值，可用于衡量系统的复杂度，其数学表达式为：
其中n表示信号所有可能发生情况的个数，pi表示各种情况的相互独立的概率。信息熵的数值越大则信号随机性越强，在数控切削中可以表征机床颤振和温度累积等因素的影响。可通过将IMF与原始信号对比分析进行筛选，获取与原始信号具有较强一致性的分量。
通过对各阶IMF进行峭度分析，即求解归一化4阶中心矩，可发现其结果在2.5-3.5之间变化，表明各分量较好地服从正态分布，故而可采用正态分布常用的3σ准则作为数据筛选的依据。方法如下：首先计算各阶IMF的信息熵，并求解其均值和方差，将(μ-3σ,μ+3σ)范围内的分量视为合格，其他IMF视为随机误差进行剔除。
将同时满足相关性和信息熵条件的IMF与残余分量进行叠加重构，可减弱原始信号中的随机误差影响，并得到相对平稳的重构信号。完整信号滤波重构过程如图3所示。
下面结合实验对本发明的应用效果作详细的描述。
1、摩擦系数与信号平均功率分析
1.1摩擦系数分析
与传统的切削过程不同，在高速切削过程中，刀具-切屑摩擦副表面摩擦剧烈、温度梯度大，接触区材料的物理性能与摩擦特性也随之发生变化，更易发生刀具失效。
Grzesik等的研究表明，由于刀具磨损后的接触表面摩擦情况发生变化，摩擦系数也随之发生变化。从切削区域的摩擦系数入手分析刀具失效具有重要意义。
在直角切削中，刀具的受力主要发生在摩擦变形区，即前刀面靠近切削刃的区域。根据直角切削理论，刀具的受力情况如图4所示，与工件的受力是一对相互作用力，由轴向力和径向力组成，其沿刀具前刀面的分量为摩擦力，垂直于刀具前刀面的分量为正压力。根据库伦摩擦定律，Merchant对摩擦系数的定义如下：
其中τ为摩擦角，α为刀具前角，Ffc和Ftc分别为轴向力和切向力，由工件材料的变形产生。
而在斜角切削中，刀具的受力分布在主切削刃两侧，而其与工件在前刀面与主后刀面的摩擦挤压都会导致刀具磨损。
对于刀具前刀面，由于前角和刃倾角的存在，刀具切削区域的合力不变，但实际三个正交分力坐标系1mn需要在直角坐标系的基础上作坐标变换，即绕x 轴旋转λs角度并绕y轴旋转γn角度，如图5所示。其坐标变换矩阵可记作
通过两次坐标变换可获得切削力在坐标系1mn下的分量为：
可求得此时的正交三向分力分别为：
Fl＝-Fx sinλssinγn+Fy cosλs-Fzsinλscosγn；(13)
Fm＝Fx cosλssinγn+Fy sinλs+Fz cosλscosγn；(14)
Fn＝FxcoSγn-Fzsinγn；(15)
对于刀具主后刀面，由于后角的存在，需要将刀具切削区域的受力作分解，在Oxz平面内得到沿后刀面的作用力Fα和垂直于后刀面的作用力FαN，如图6 所示，此时在Oxz平面的正交分力分别为：
Fα＝Fzcosαn-Fxsinαn；(16)
FαN＝-Fzsinαn+Fxcosαn；(17)
根据库伦摩擦定律，刀具主切削刃两侧前后刀面的摩擦力沿接触面，正压力垂直于接触面，正常切削状态下刀具与工件接触摩擦区域的受力剖面图如图7 (a)所示。则其接触区域的平均摩擦系数可分别定义为：
磨损后的刀具与工件接触区域的受力剖面图如图7(b)所示。由于参与切削的实际切深变小且刀具角度发生变化，则切削刃处的摩擦力大小和方向都发生了变化，可通过摩擦系数的变化规律寻找刀具磨损的预测规律。
1.2信号平均功率分析
传感器采集的切削力信号经过EEMD分解后不具有周期性，而切削力信号的平均功率可以反映刀具与工件之间的振动情况，在刀具发生热裂与崩刃等非正常失效时较为明显，故其大小可作为刀具非正常失效的判别依据。信号的平均功率为信号在单位时间内的功率，需要对采样周期内的切削合力进行分段计算，其定义如下：
其中X为采样信号，Fe为采样频率，N为样本数量。将采样获取的三向力数值进行合成，并采用分段采样方法进行提取，分别计算其平均功率，并按照时间顺序对平均功率进行分析。
2、刀具失效时刻的辨识分析
通过摩擦系数和切削力平均功率的分析，可找到其随刀具磨损的变化趋势。而刀具失效时刻的辨识则需要借助一定的算法实现。
为了使切削参数变化量得到更为直观的体现，使用相邻两点的移动平均值 mr作为刀具失效辨识的参数，其定义为：
mri＝|Ki-Ki-1|；(21)
由于采样的切削力样本较大，原始移动平均值容易受到局部异常点的影响，可对原始数据进行分箱，并使用按箱平均值替代原始移动平均值以减小随机误差，获取更平滑的数值。替代方法为：
其中S为所分箱数，其取值可由时间序列总长度选择。
由于刀具的磨损失效是逐渐累积的过程，可使用表格的标准累积和 (CUSUM)控制图对箱型移动平均值进行分析，揭示数据点在平均移动范围内的变化规律。该算法是一种控制过程均值变化的方法，其思想是对数据的变化进行累积，通过将过程中变量值对目标值的微小漂移加以累计实现偏差放大的效果，找到数据的偏移位置。对于变量序列xi，其前i项变量的均值μi即为目标值，当xi位于控制上单侧累积和C+和下单侧累积和C－之间时称为“可控”，其计算公式为：
其中i为变量序列，初始值为C0 +＝C0 -＝0。当上下单侧累积和之一超出决策区间H+和H－时称为“不可控”，其对应的时间序列即为数据的偏移位置。工业生产中，当Kc、H+和H－分别取σ/2、5σ和﹣5σ时可以较好地反映统计规律，而本发明中针对不同材料选用不同参数作为判据，对刀具的非正常破损与正常磨损进行分析。
3、刀具失效状态的实验分析与验证
3.1加工设备与实验方案
基于上述理论开展多种材料与刀具的磨损分析实验。实验针对高硬度材料的半精加工工艺展开，方案为使用硬质合金刀具车削四种难加工材料的外圆。按照ISO3685推荐的VB＝0.3mm失效标准完成实验，对VB进行等时间间隔的测量，并以每个时间段为单位对切削力信号进行分析。该实验使用 CincinnatiHAWKTC-150数控精密车削中心完成。使用Kistler9121测力仪对切削过程中X、Y和Z三个方向的切削力进行采集，导出其中的的关键参数供刀具失效状态分析；使用Kenyence显微镜对刀具靠近刀尖位置的后刀面磨损宽度进行观测，获取刀具磨损曲线对分析结果进行验证。实验设备连接与过程变量采集如图8所示。
3.2刀具破损失效分析
将实验过程中的原始切削力数值通过DynoWare软件进行导出，并按照上述方法进行分解重构，计算每个时间间隔内重构切削力信号的平均功率。
实验结果表明，平均功率是一组与刀具和工件无关的参数，正常失效状态下的平均功率是一组数量级为1～10的序列，整体变化趋势为阶梯式递增，在刀具非正常破损时其递增速度发生变化，破损的大小与平均功率的数量级有较强的相关性。针对超高强度钢和不锈钢材料硬度较高、散热困难等特点，平均功率分析可用于发现刀具崩刃与热裂等问题。以vc＝120m/min条件下切削合金结构钢1材料的刀具状态为例，崩刃失效和细微崩刃时的刀具后刀面磨损形态与平均功率对照如图9和图10所示。刀具完全崩刃失效(图9，t＝8min)时的信号平均功率的数值变化较大，信号平均功率的递增规律发生改变，该现象由崩刃后刀具实际切深的改变而产生，此时可判定刀具已经完全失效；而刀具细微崩刃(图10，t＝10min)时的信号平均功率增长速率发生变化但不影响整体递增趋势，该现象是伴随刀具正常磨损而产生，此时刀具处于平稳磨损阶段，不影响正常切削。
通过曲线的数值大小和变化趋势对刀具破损失效作出判断，而正常磨损过程中刀具的细微崩刃则需要借助信号平均功率的累积和控制图实现。
原始累积和控制算法中的关键参数取值由整个时间段内的统计量μ和σ决定，目的在于找到所有不可控点。而在本发明中，刀具磨损的时间是不确定的，使用累积和控制算法的目的在于及时捕捉序列中的第一个不可控点，而不关注之后的问题。可对原始算法做出如下改进：
①按照公式21和22，分段计算原始xi的移动平均值mri；
②对于任意时刻i，分别计算[0,i]区间内mri的均值和方差，记作μi和σi；
③根据公式23和24，代入μi和σi计算时刻i的参数Ci +、Ci －、Hi +、Hi －和 Kci，作为时刻i的累积和控制参数；
④根据每个时刻的控制参数Ci +、Ci －、Hi +、Hi －和Kci作图，并按照Ci －<H －或Ci +>Hi +的标准逐个判别，当序列i中出现第一个不可控点时即跳出循环。
由于切削力信号平均功率的数值受到材料和刀具的影响较小，通过多组不同实验可确定平均功率分析中的Kc、H+和H－分别取σ/3、5σ和﹣5σ，代入改进后的累积和控制算法即可对信号平均功率进行判定。上文中vc＝120m/min条件下切削合金结构钢1材料时的累积和控制图如图11所示，由于均值和标准差的时变性，控制上下限不断变化，通过捕捉其中的第一个不可控点可以确定刀具开始出现细微崩刃的时刻。
3.3刀具磨损失效分析
根据上文的摩擦系数分析方法可由实时切削力计算实验过程中的摩擦系数理论值。切削力重构信号的摩擦系数随取样区间的不同产生变化，为减弱该误差影响，可借助提出的按箱平均方法，将采样时间内的重构切削力平均分段，计算不同分段摩擦系数的按箱平均值作为整个采样时间内的结果。实例中的切削力与刀具磨损采样间隔为1min，分析时可以10s为单位求解按箱平均值，得到前后刀面摩擦系数。由于实验针对高强度、高硬度材料的半精加工工艺，刀具后角较小，其取值变化不会对刀具后刀面摩擦系数产生较大影响，因此可选取前刀面的摩擦系数用于刀具磨损状态分析。前刀面的摩擦系数曲线与刀具磨损曲线的变化趋势具有较强的相关性，可用于刀具磨损状态的判断。而值得注意的是，前刀面摩擦系数在平稳磨损阶段会由于涂层剥落和刀具细微崩刃产生较为明显的波动，容易影响刀具磨损状态的正常判定。而针对此问题，由于超高强度钢材料和不锈钢材料的加工性较差，使用硬质合金刀具切削时容易发生崩刃和热裂，刀具失效往往是正常磨损和细微破损共同作用的结果，即刀具达到VB＝0.3mm失效标准时已经发生过细微崩刃，可借助切削力信号平均功率的结果选择分析参数，使前刀面摩擦系数理论不可控点的出现晚于刀具出现细微破损的时刻，以解决平稳磨损阶段摩擦系数变化对判定结果的干扰。刀具后刀面磨损形态与摩擦系数的理论值对照如图12所示。
通过前刀面的摩擦系数对刀具磨损状态进行判定需要借助提出的改进累积和控制算法完成。与平均功率的数值规律不同，摩擦系数与工件-刀具摩擦副的接触状态关系密切，只有相同工件和刀具条件下的摩擦系数服从相同的统计分布，绘图时需要针对工件和刀具设置不同的分析参数，分别选择Kc、H+和H－为σ/3、5σ和﹣5σ对前文的前刀面摩擦系数进行分析，其累积和控制图如图13 所示，控制上下限不断变化，通过捕捉其中大于首次细微崩刃时刻的第一个不可控点可以确定刀具磨损失效的时刻。
至此完成刀具破损和磨损失效的分析。本次实例中的刀具磨损曲线、每个采样区间内的平均三向切削力与刀具失效参数的对照结果如图14所示，可以发现在VB达到0.3mm之前刀具已经处于剧烈磨损阶段，而本发明提出的分析方法捕捉到刀具首次出现细微崩刃和达到磨损失效的时刻，较好地吻合刀具磨损曲线的结果。
3.4刀具失效分析的实验验证
作为分析方法的补充和验证，开展4种不同的工件材料和刀具参数的单因素实验。
以对刀具磨损影响最为显著的切削速度为变量，每种材料选取4种不同切削速度进行固定进给量和切削深度的外圆车削，实验参数如表1所示。
表1刀具磨损实验参数
进行刀具失效状态分析验证。针对不同的工件和刀具，需要在绘制摩擦系数累积和图时合理选择Kc和H的取值，以确保输出的刀具失效时刻不受平稳磨损阶段摩擦系数波动的影响，较好地贴近刀具磨损曲线的拐点。通过曲线规律归纳结果，选取累积和分析的Kc和H取值如表2所示。
表2累积和分析参数
本发明提出的分析方法所得到的首次出现细微崩刃的时刻(较早的点)和达到磨损失效的时刻(较晚的点)由垂直于横坐标的直线表示，刀具磨损曲线由折线方式表示。
刀具首次出现细微崩刃时刻的VB值一般位于0.15～0.2mm之间，即稳定磨损阶段，该情况是由于材料硬度高、散热差造成的；而刀具正常磨损失效时刻的VB值一般小于0.3mm，是由于半精加工中实际切深小于刀尖圆弧半径造成的，该工况下刀尖处后刀面比起主切削刃处后刀面的温度和压力都更高，对切削力造成的影响更显著，其磨损量也更能反映刀具的耐用度信息，故而与刀具失效的实际情况更为接近。本发明提出的分析方法可以较好地对应磨损曲线拐点，最大误差在两组以内，即完整刀具耐用度的10％以内，具有较好的可靠性。对比结果表明，该分析方法可以快速及时地获取刀具失效时刻信息，比起 VB＝0.3mm磨损准则的离线测量方法更贴近磨损规律，也更高效。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述基于累积和控制理论的刀具失效状态监测方法以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构；提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对关键参数进行定义；通过改进的累积和控制图形成完善的刀具失效状态分析方法。
2.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述经验模态分解算法具体包括：
①初始化所加入的高斯白噪声信号幅值比值系数k与总体平均次数M，并为i赋值为i＝1；
②为原始信号s(t)添加高斯白噪声信号ni(t)得到混叠信号si(t)为：
si(t)＝s(t)+k·ni(t) i＝1，2，…，M；
③将混叠信号si(t)进行EMD分解为：
其中J为所得IMF总量，ci,j(t)为第i次分解得到的第j个IMF，ri,J(t)为残余分量；
④加入幅值不同的白噪声序列，重复以上步骤直至M次，得到IMF分量为：
{{c1，j(t)}，{c2，j(t)}，…，{cM，j(t)}}；
⑤将各个IMF求均值cj(t)得到最终IMF分量为：
3.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述切削力信号的分解方法具体包括：
加入的白噪声信号幅值比值系数k与总体平均次数M存在对应关系为：
其中，e为期望分解误差，即分解后获得所有IMF之和的相对误差；
添加的白噪声信号幅值比值系数k需要根据原始信号频率进行调整，其添加准则为：
0＜k≤σh/3σ0；
其中，σh为原始信号高频成分幅值标准差，σ0为原始信号幅值标准差。
4.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述切削力信号的筛选重构方法具体包括：
根据各阶信号的幅值与频率特性，与原始信号进行比较排除随机特征的干扰，故而可以选择使用相关性与信息熵作为信号筛选的依据，对同时满足两种条件的IMF进行保留；相关性表示的是两个时间序列之间的相关程度，是滤波分析时最常用的参数；互相关函数描述随机信号x(t)，y(t)在任意两个不同时刻t1，t2的取值之间的相关程度，数学表达式为：
其中f1(t)与f2(t)代表两组不同的信号；各阶IMF信号与原始信号的自相关分析结果呈现正态分布，数值集中在0.6～0.9，0.6设为相关性阈值，对IMF低于0.6的IMF进行筛选；
信息熵用来衡量一个随机变量出现的期望值，用于衡量系统的复杂度，其数学表达式为：
其中n表示信号所有可能发生情况的个数，pi表示各种情况的相互独立的概率。
5.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述刀具接触区域的平均摩擦系数定义为：
6.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，对采样周期内的切削合力进行分段计算定义如下：
其中X为采样信号，Fe为采样频率，N为样本数量；将采样获取的三向力数值进行合成，并采用分段采样方法进行提取，分别计算其平均功率，并按照时间顺序对平均功率进行分析。
7.如权利要求1所述的基于累积和控制理论的刀具失效状态监测方法，其特征在于，所述刀具失效时刻的辨识使用相邻两点的移动平均值mr作为刀具失效辨识的参数，定义为：
其中S为所分箱数，其取值可由时间序列总长度选择。
8.一种应用权利要求1～7任意一项所述基于累积和控制理论的刀具失效状态监测方法的机床。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811297324.0A CN109746765A (zh) | 2018-11-01 | 2018-11-01 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811297324.0A CN109746765A (zh) | 2018-11-01 | 2018-11-01 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109746765A true CN109746765A (zh) | 2019-05-14 |
Family
ID=66402489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811297324.0A Pending CN109746765A (zh) | 2018-11-01 | 2018-11-01 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109746765A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110103079A (zh) * | 2019-06-17 | 2019-08-09 | 中国科学院合肥物质科学研究院 | 一种微铣削过程中刀具磨损的在线监测方法 |
| CN111772631A (zh) * | 2020-07-06 | 2020-10-16 | 天津大学 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
| CN111914721A (zh) * | 2020-07-27 | 2020-11-10 | 华中科技大学 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
| CN112705766A (zh) * | 2020-12-18 | 2021-04-27 | 成都航空职业技术学院 | 一种刀具非均匀磨损状态监测方法 |
| CN112958840A (zh) * | 2021-02-10 | 2021-06-15 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 精密零件加工削力信号自动分段方法 |
| CN113158559A (zh) * | 2021-04-02 | 2021-07-23 | 杭州电子科技大学 | 一种精密复杂刀具高效智能设计方法 |
| WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 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 |
| CN113810025A (zh) * | 2021-07-23 | 2021-12-17 | 西安交通大学 | 一种摩擦系数的自适应趋势滤波处理方法 |
| CN115837472A (zh) * | 2023-02-20 | 2023-03-24 | 成都大金航太科技股份有限公司 | 环形端面深窄槽断屑车加工方法 |
| 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
| CN108460087A (zh) * | 2018-01-22 | 2018-08-28 | 北京邮电大学 | 探索式高维数据可视化装置及方法 |
-
2018
- 2018-11-01 CN CN201811297324.0A patent/CN109746765A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
| CN108460087A (zh) * | 2018-01-22 | 2018-08-28 | 北京邮电大学 | 探索式高维数据可视化装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| XUECHUN SHI: "A real-time tool failure monitoring system based on cutting force analysis", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110103079A (zh) * | 2019-06-17 | 2019-08-09 | 中国科学院合肥物质科学研究院 | 一种微铣削过程中刀具磨损的在线监测方法 |
| 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 |
| WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 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 |
| CN111772631A (zh) * | 2020-07-06 | 2020-10-16 | 天津大学 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
| CN111772631B (zh) * | 2020-07-06 | 2021-12-14 | 天津大学 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
| CN111914721A (zh) * | 2020-07-27 | 2020-11-10 | 华中科技大学 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
| CN111914721B (zh) * | 2020-07-27 | 2024-02-06 | 华中科技大学 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
| CN112705766A (zh) * | 2020-12-18 | 2021-04-27 | 成都航空职业技术学院 | 一种刀具非均匀磨损状态监测方法 |
| CN112958840A (zh) * | 2021-02-10 | 2021-06-15 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 精密零件加工削力信号自动分段方法 |
| CN112958840B (zh) * | 2021-02-10 | 2022-06-14 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 精密零件加工削力信号自动分段方法 |
| CN113158559A (zh) * | 2021-04-02 | 2021-07-23 | 杭州电子科技大学 | 一种精密复杂刀具高效智能设计方法 |
| CN113810025A (zh) * | 2021-07-23 | 2021-12-17 | 西安交通大学 | 一种摩擦系数的自适应趋势滤波处理方法 |
| CN113810025B (zh) * | 2021-07-23 | 2024-05-10 | 西安交通大学 | 一种摩擦系数的自适应趋势滤波处理方法 |
| CN115837472B (zh) * | 2023-02-20 | 2023-06-09 | 成都大金航太科技股份有限公司 | 环形端面深窄槽断屑车加工方法 |
| CN115837472A (zh) * | 2023-02-20 | 2023-03-24 | 成都大金航太科技股份有限公司 | 环形端面深窄槽断屑车加工方法 |
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109746765A (zh) | 一种基于累积和控制理论的刀具失效状态监测方法 | |
| Li et al. | A novel online chatter detection method in milling process based on multiscale entropy and gradient tree boosting | |
| Lee et al. | Monitoring of a machining process using kernel principal component analysis and kernel density estimation | |
| Li et al. | Systematic review on tool breakage monitoring techniques in machining operations | |
| Zhou et al. | Review of tool condition monitoring methods in milling processes | |
| Zhou et al. | Tool wear condition monitoring in milling process based on current sensors | |
| Rizal et al. | Cutting tool wear classification and detection using multi-sensor signals and Mahalanobis-Taguchi System | |
| Madhusudana et al. | Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal | |
| Lu | Study on prediction of surface quality in machining process | |
| Patange et al. | Review on tool condition classification in milling: A machine learning approach | |
| Martinez Arellano et al. | Towards an active learning approach to tool condition monitoring with bayesian deep learning | |
| Shi et al. | A real-time tool failure monitoring system based on cutting force analysis | |
| Bombiński et al. | Detection of accelerated tool wear in turning | |
| Tiwari et al. | Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces | |
| Aralikatti et al. | Comparative study on tool fault diagnosis methods using vibration signals and cutting force signals by machine learning technique | |
| Cheng et al. | Tool wear intelligent monitoring techniques in cutting: a review | |
| Ajayram et al. | Condition monitoring of carbide and non-carbide coated tool insert using decision tree and random tree–A statistical learning | |
| Grzenda et al. | Improvement of surface roughness models for face milling operations through dimensionality reduction | |
| Duo et al. | Drilling process monitoring: a framework for data gathering and feature extraction techniques | |
| Kwon et al. | Adaptive support vector regression analysis of closed-loop inspection accuracy | |
| Yang et al. | Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states | |
| Kucukyildiz et al. | A multistage cutting tool fault diagnosis algorithm for the involute form cutter using cutting force and vibration signals spectrum imaging and convolutional neural networks | |
| Nießner et al. | A methodology to quantify tool wear effects in a shear cutting process based on an automatic feature extraction | |
| Elbestawi et al. | Tool condition monitoring in machining | |
| CN110543908B (zh) | 一种基于动态观测窗口的控制图模式识别方法 |
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 |
Application publication date: 20190514 |
|
| RJ01 | Rejection of invention patent application after publication |