CN110031214B - 基于长短期记忆网络的滚齿质量在线评估方法 - Google Patents
基于长短期记忆网络的滚齿质量在线评估方法 Download PDFInfo
- Publication number
- CN110031214B CN110031214B CN201910280354.9A CN201910280354A CN110031214B CN 110031214 B CN110031214 B CN 110031214B CN 201910280354 A CN201910280354 A CN 201910280354A CN 110031214 B CN110031214 B CN 110031214B
- Authority
- CN
- China
- Prior art keywords
- evaluated
- subsequence
- precision
- vibration
- hobbing
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数控滚齿机床加工技术领域,针对传统的滚齿过程需要人工检验齿轮质量、效率低的缺点,公开了基于长短期记忆网络的滚齿质量在线评估方法,在滚齿加工过程获取滚齿有效振动序列数据集与滚齿精度指标数据集;通过样本分割和特征提取建立特征矩阵集,针对每个精度指标,分别建立与特征矩阵集对应的精度矩阵集;基于长短期记忆网络分别建立各振动方向下各精度指标的评估模型并得到各精度指标对应最优振动方向的评估模型;对于待评估的滚齿过程,截取待评估有效振动序列,通过样本分割和特征提取获取待评估特征矩阵,结合各精度指标对应最优振动方向的评估模型得到滚齿质量在线评估结果。本发明与现有技术相比,具有效率高的有益效果。
Description
技术领域
本发明涉及数控滚齿机床加工技术领域,具体涉及在滚齿过程中对滚齿质量进行在线评估的方法。
背景技术
滚齿是一种常用的齿轮加工方法。传统的滚齿过程一般包括加工和检验两个过程。首先是先在数控滚齿机上进行滚齿加工操作,然后取下齿轮工件进行精度检验。齿轮的精度检验过程需人工操作,效率低,严重影响整个生产过程的效率。
滚齿加工中齿轮的误差主要是由切削力引起的,切削力会导致冲击和热变形,继而影响齿轮的齿面形貌。滚齿过程中滚刀的振动信号是滚齿物理过程的综合反映,如何从滚刀的振动信号中获取齿轮的质量信息是研究难点。
滚刀的振动信号本质上是一段时间序列,正常的滚齿过程和异常的滚齿过程在时间序列上有各自的特点,因此滚齿质量评估的问题可以转化为正常滚齿序列与异常滚齿序列的分类问题。长短期记忆网络(Long short-term memory networks)是一种序列分类方法,它可以用来学习时间序列中各部分的内在联系以实现序列的分类。本发明的出发点是通过长短期记忆网络学习滚齿序列中各阶段的联系以实现正常与异常滚齿质量的序列分类。
发明内容
针对传统的滚齿过程需要人工检验齿轮质量、效率低的缺点,本发明公开了基于长短期记忆网络的滚齿质量在线评估方法,通过长短期记忆网络学习不同滚齿质量下滚刀振动序列的特点,实现基于振动序列的滚齿质量在线评估,提高效率。
本发明通过下述技术方案实现:
基于长短期记忆网络的滚齿质量在线评估方法,包括以下步骤:
步骤S1:在滚齿加工过程中采集滚刀相互垂直的三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取该齿轮的有效振动序列,将加工完成的齿轮进行精度检测获取精度指标,所述精度指标包括但不限于齿形总误差、齿向总误差;
步骤S2:将步骤S1重复N次,获取滚齿有效振动序列数据集与滚齿精度指标数据集,所述N不小于10;
步骤S3:样本分割,首先确定二级子序列长度以及样本分割数Q,再依据有效振动序列长度确定一级子序列数P,对于滚齿有效振动序列数据集中每个齿轮的有效振动序列,先将有效振动序列分成P个依时间顺序排列的一级子序列,再将每个一级子序列分成Q个依时间顺序排列二级子序列,将每个一级子序列中的第1个二级子序列依次取出组成样本Y1,将每个一级子序列中的第2个二级子序列依次取出组成样本Y2,以此类推,将每个一级子序列中的第Q个二级子序列依次取出组成样本YQ,所述Q的值与二级子序列的长度固定,P的值随不同齿轮间有效振动序列长度的不同而改变;
步骤S4:特征提取,从每个样本的Q个二级子序列中分别提取信号时域特征组成该样本的特征矩阵,将所有样本的特征矩阵依据振动方向分别组成特征矩阵集,针对每个精度指标,分别建立与特征矩阵集对应的精度矩阵集;
步骤S5:针对各精度指标,先将所有有效振动序列依据精度评估结果进行排序,分别将评估结果最好的m个有效振动序列与评估结果最差的m个有效振动序列设为训练序列,剩余有效振动序列为测试序列,所述m为不小于0.25×N的整数,对应的将精度矩阵集分割为训练样本标签和测试样本标签,将特征矩阵集分割为与训练样本标签和测试样本标签分别对应的训练样本特征矩阵集和测试样本特征矩阵集;
步骤S6:将各精度指标的训练样本标签与各振动方向的训练样本特征矩阵集送入长短期记忆网络分别训练,得到各振动方向下针对各精度指标的评估模型;
步骤S7:针对各精度指标,将各振动方向下的测试样本特征矩阵集与测试样本标签送入由步骤S6得到的相应精度指标和振动方向下的评估模型,取各精度指标下准确率最高的振动方向作为该精度指标的最优振动方向,继而确定各精度指标对应最优振动方向的评估模型;
步骤S8:对于待评估的滚齿过程,采集滚刀三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取待评估有效振动序列,确定待评估样本分割数D以及待评估二级子序列长度,依据待评估有效振动序列长度、待评估样本分割数D以及待评估二级子序列长度确定待评估一级子序列数R,先将待评估有效振动序列分成R个依时间顺序排列的待评估一级子序列,再将每个待评估一级子序列分成D个依时间顺序排列的待评估二级子序列,将每个待评估一级子序列中的第n个待评估二级子序列依次取出组成待评估样本,所述n为不大于D的任一正整数;
步骤S9:针对各精度指标,选取相应最优振动方向下的待评估样本提取时域特征获取待评估特征矩阵,将待评估特征矩阵送入各精度指标对应最优振动方向的评估模型得到质量评估结果。
本发明的原理为,首先通过数控滚齿机加工一定量的齿轮作为样本,按精度指标进行分类,如按齿形总误差可分为齿形合格、齿形不合格,按齿向总误差可分为齿向合格,齿向不合格,样本的数量决定了分类的细化程度;然后是滚齿序列的分割,长短期记忆网络对数据需求量大而加工大量齿轮又不切实际,考虑到一个完整的滚齿序列可以视为一系列具有相同加工质量的滚齿序列的集合,本发明中采用步骤S3对单个齿轮的滚齿序列进行分割以增加样本数,在此过程中,保持单个齿轮分割出的样本数Q不变以及二级子序列的长度不变,这样一来对于有效加工时间长的齿轮,对应的P会相应变大,实际分割时P的值向下取整数;特征提取阶段,对分割完成的样本提取时域特征,样本对应齿轮的精度指标则为相应的标签;制作训练样本及测试样本后即可进行评估模型的训练,评估模型的数量由振动方向数量和精度指标数量确定,如3个方向的振动序列和2个精度指标,则需训练6个评估模型;对于各精度指标,不同振动方向的效果存在区别,评估模型训练完成后通过测试样本获得各精度指标下的最优振动方向;实际进行滚齿质量在线评估时,依据进给量、齿厚确定有效加工时间,然后进行样本分割、特征提取,对于待评估的精度指标,选取相应最优振动方向下的待评估特征矩阵送入对应最优振动方向的评估模型得到质量评估结果。
进一步地,步骤S4与步骤S9中所述时域特征为无量纲特征,包括但不限于波形指标、峭度、歪度、峰值因子、裕度、脉冲因子。采用无量纲特征可以消除工况变化对评估模型的影响。
进一步地,所述步骤S3中Q与所述步骤S8中D相等,所述步骤S3中二级子序列与所述步骤S8中待评估二级子序列长度相等。评估时采用与建立模型时相同的二级子序列长度以及单个齿轮分割成的样本数目可以提高评估的准确率。
本发明具有如下的优点和有益效果:
1、效率高,本发明通过长短期记忆网络学习不同滚齿质量下滚刀振动序列的特点,可以实现基于振动序列的滚齿质量原位、在线评估,与传统人工检测的方式相比,效率高;
2、精度高,长短期记忆网络需要大量样本进行训练,本发明中对有限的滚齿样本进行分割以满足长短期记忆网络对样本量的需求,可以提高评估模型的准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明基于长短期记忆网络的滚齿质量在线评估方法实现流程图;
图2为滚齿过程单个方向有效振动序列示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一:
本发明基于长短期记忆网络的滚齿质量在线评估方法实现流程图如图1所示,包括以下步骤:
步骤S1:在滚齿加工过程中采集滚刀相互垂直的三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取该齿轮的有效振动序列,将加工完成的齿轮进行精度检测获取精度指标,所述精度指标包括但不限于齿形总误差、齿向总误差。
齿轮单方向的有效振动序列如图2所示,本实施例中,所加工的齿轮为直齿,模数3mm,齿数42,压力角20°,齿面宽度36mm,滚刀转速796.18r/min,工件转速56.87r/min,进给量142.175mm/min,振动加速度采样频率25.6kHz,有效振动序列长度24s,共包括614400个数据点。
步骤S2:将步骤S1重复N次,获取滚齿有效振动序列数据集与滚齿精度指标数据集,所述N不小于10。
本发明实施时N应尽可能的大,以保证得到涵盖各种加工质量下的齿轮样本,N越大,评估模型准确性越高。
步骤S3:样本分割,首先确定二级子序列长度以及样本分割数Q,再依据有效振动序列长度确定一级子序列数P,对于滚齿有效振动序列数据集中每个齿轮的有效振动序列,先将有效振动序列分成P个依时间顺序排列的一级子序列,再将每个一级子序列分成Q个依时间顺序排列二级子序列,将每个一级子序列中的第1个二级子序列依次取出组成样本Y1,将每个一级子序列中的第2个二级子序列依次取出组成样本Y2,以此类推,将每个一级子序列中的第Q个二级子序列依次取出组成样本YQ,所述Q的值与二级子序列的长度固定,P的值随不同齿轮间有效振动序列长度的不同而改变。
对于本实施例,二级子序列的长度为1024,Q为50,则P为614400÷(1024×50)=12,对于其他齿轮如果其有效振动序列长度30s,则其对应的P则为15。
步骤S4:特征提取,从每个样本的Q个二级子序列中分别提取信号时域特征组成该样本的特征矩阵,将所有样本的特征矩阵依据振动方向分别组成特征矩阵集,针对每个精度指标,分别建立与特征矩阵集对应的精度矩阵集。
步骤S5:针对各精度指标,先将所有有效振动序列依据精度评估结果进行排序,分别将评估结果最好的m个有效振动序列与评估结果最差的m个有效振动序列设为训练序列,剩余有效振动序列为测试序列,所述m为不小于0.25×N的整数,对应的将精度矩阵集分割为训练样本标签和测试样本标签,将特征矩阵集分割为与训练样本标签和测试样本标签分别对应的训练样本特征矩阵集和测试样本特征矩阵集。
将评估结果最好的m个有效振动序列与评估结果最差的m个有效振动序列设为训练序列有助于提高评估模型的准确度。
步骤S6:将各精度指标的训练样本标签与各振动方向的训练样本特征矩阵集送入长短期记忆网络分别训练,得到各振动方向下针对各精度指标的评估模型。
评估模型的数量由振动方向数量和精度指标数量确定,如3个方向的振动序列和2个精度指标,则需训练6个评估模型,若是3个方向的振动序列和3个精度指标,则需训练9个评估模型。
步骤S7:针对各精度指标,将各振动方向下的测试样本特征矩阵集与测试样本标签送入由步骤S6得到的相应精度指标和振动方向下的评估模型,取各精度指标下准确率最高的振动方向作为该精度指标的最优振动方向,继而确定各精度指标对应最优振动方向的评估模型。
此步骤用于确定各精度指标的最优振动方向,即获取各精度指标的最优评估模型。
步骤S8:对于待评估的滚齿过程,采集滚刀三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取待评估有效振动序列,确定待评估样本分割数D以及待评估二级子序列长度,依据待评估有效振动序列长度、待评估样本分割数D以及待评估二级子序列长度确定待评估一级子序列数R,先将待评估有效振动序列分成R个依时间顺序排列的待评估一级子序列,再将每个待评估一级子序列分成D个依时间顺序排列的待评估二级子序列,将每个待评估一级子序列中的第n个待评估二级子序列依次取出组成待评估样本,所述n为不大于D的任一正整数。
步骤S9:针对各精度指标,选取相应最优振动方向下的待评估样本提取时域特征获取待评估特征矩阵,将待评估特征矩阵送入各精度指标对应最优振动方向的评估模型得到质量评估结果。
进一步地,步骤S4与步骤S9中所述时域特征为无量纲特征,包括但不限于波形指标、峭度、歪度、峰值因子、裕度、脉冲因子。
采用无量纲特征可以消除工况变化对评估模型的影响。
进一步地,所述步骤S3中Q与所述步骤S8中D相等,所述步骤S3中二级子序列与所述步骤S8中待评估二级子序列长度相等。
评估时采用与建立模型时相同的二级子序列长度以及单个齿轮分割成的样本数目可以提高评估的准确率。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于长短期记忆网络的滚齿质量在线评估方法,其特征在于,包括以下步骤:
步骤S1:通过滚齿机加工齿轮,在滚齿加工过程中采集滚刀相互垂直的三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取该齿轮的有效振动序列,将加工完成的齿轮进行精度检测获取精度指标,所述精度指标为齿形总误差或齿向总误差;
步骤S2:将步骤S1重复N次,获取滚齿有效振动序列数据集与滚齿精度指标数据集,所述N不小于10;
步骤S3:样本分割,首先确定二级子序列长度以及样本分割数Q,再依据有效振动序列长度确定一级子序列数P,对于滚齿有效振动序列数据集中每个齿轮的有效振动序列,先将有效振动序列分成P个依时间顺序排列的一级子序列,再将每个一级子序列分成Q个依时间顺序排列二级子序列,将每个一级子序列中的第1个二级子序列依次取出组成样本Y1,将每个一级子序列中的第2个二级子序列依次取出组成样本Y2,以此类推,将每个一级子序列中的第Q个二级子序列依次取出组成样本YQ,所述Q的值与二级子序列的长度固定,P的值随不同齿轮间有效振动序列长度的不同而改变;
步骤S4:特征提取,从每个样本的Q个二级子序列中分别提取信号时域特征组成该样本的特征矩阵,将所有样本的特征矩阵依据振动方向分别组成特征矩阵集,针对每个精度指标,分别建立与特征矩阵集对应的精度矩阵集;
步骤S5:针对各精度指标,先将所有有效振动序列依据精度评估结果进行排序,分别将评估结果最好的m个有效振动序列与评估结果最差的m个有效振动序列设为训练序列,剩余有效振动序列为测试序列,所述m为不小于0.25×N的整数,对应的将精度矩阵集分割为训练样本标签和测试样本标签,将特征矩阵集分割为与训练样本标签和测试样本标签分别对应的训练样本特征矩阵集和测试样本特征矩阵集;
步骤S6:将各精度指标的训练样本标签与各振动方向的训练样本特征矩阵集送入长短期记忆网络分别训练,得到各振动方向下针对各精度指标的评估模型;
步骤S7:针对各精度指标,将各振动方向下的测试样本特征矩阵集与测试样本标签送入由步骤S6得到的相应精度指标和振动方向下的评估模型,取各精度指标下准确率最高的振动方向作为该精度指标的最优振动方向,继而确定各精度指标对应最优振动方向的评估模型;
步骤S8:对于待评估的滚齿过程,采集滚刀三个方向上的振动加速度信号,依据进给量、齿厚确定有效加工时间,依据有效加工时间截取待评估有效振动序列,确定待评估样本分割数D以及待评估二级子序列长度,依据待评估有效振动序列长度、待评估样本分割数D以及待评估二级子序列长度确定待评估一级子序列数R,先将待评估有效振动序列分成R个依时间顺序排列的待评估一级子序列,再将每个待评估一级子序列分成D个依时间顺序排列的待评估二级子序列,将每个待评估一级子序列中的第n个待评估二级子序列依次取出组成待评估样本,所述n为不大于D的任一正整数;
步骤S9:针对各精度指标,选取相应最优振动方向下的待评估样本提取时域特征获取待评估特征矩阵,将待评估特征矩阵送入各精度指标对应最优振动方向的评估模型得到质量评估结果。
2.根据权利要求1所述的基于长短期记忆网络的滚齿质量在线评估方法,其特征在于,步骤S4与步骤S9中所述时域特征为无量纲特征,所述无量纲特征为波形指标、峭度、歪度、峰值因子、裕度、脉冲因子。
3.根据权利要求1和2中任一项所述的基于长短期记忆网络的滚齿质量在线评估方法,其特征在于,所述步骤S3中Q与所述步骤S8中D相等,所述步骤S3中二级子序列与所述步骤S8中待评估二级子序列长度相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280354.9A CN110031214B (zh) | 2019-04-09 | 2019-04-09 | 基于长短期记忆网络的滚齿质量在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280354.9A CN110031214B (zh) | 2019-04-09 | 2019-04-09 | 基于长短期记忆网络的滚齿质量在线评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110031214A CN110031214A (zh) | 2019-07-19 |
CN110031214B true CN110031214B (zh) | 2020-09-22 |
Family
ID=67237708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280354.9A Active CN110031214B (zh) | 2019-04-09 | 2019-04-09 | 基于长短期记忆网络的滚齿质量在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007817A (zh) * | 2019-12-11 | 2020-04-14 | 三一重工股份有限公司 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0024064D0 (en) * | 1999-10-12 | 2000-11-15 | Csi Technology Inc | Intigrated electric motor monitor |
CN105678297A (zh) * | 2015-12-29 | 2016-06-15 | 南京大学 | 一种基于标签转移及lstm模型的人像语义分析的方法及系统 |
CN107219924A (zh) * | 2017-05-27 | 2017-09-29 | 华南理工大学 | 一种基于惯性传感器的空中手势识别方法 |
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108519890A (zh) * | 2018-04-08 | 2018-09-11 | 武汉大学 | 一种基于自注意力机制的鲁棒性代码摘要生成方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
-
2019
- 2019-04-09 CN CN201910280354.9A patent/CN110031214B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0024064D0 (en) * | 1999-10-12 | 2000-11-15 | Csi Technology Inc | Intigrated electric motor monitor |
CN105678297A (zh) * | 2015-12-29 | 2016-06-15 | 南京大学 | 一种基于标签转移及lstm模型的人像语义分析的方法及系统 |
CN107219924A (zh) * | 2017-05-27 | 2017-09-29 | 华南理工大学 | 一种基于惯性传感器的空中手势识别方法 |
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108519890A (zh) * | 2018-04-08 | 2018-09-11 | 武汉大学 | 一种基于自注意力机制的鲁棒性代码摘要生成方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Long Short-Term Memory Networks Based Automatic Feature Extraction for Photovoltaic Array Fault Diagnosis;ALBERT YAW APPIAH;《IEEE Access》;20190320;全文 * |
基于长短期记忆网络的轴承故障识别;唐赛等;《汽车工程学报》;20180731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110031214A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN110031214B (zh) | 基于长短期记忆网络的滚齿质量在线评估方法 | |
CN113408195B (zh) | 一种过程中刀具磨损状态预测方法 | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN110569566A (zh) | 一种板带力学性能预测方法 | |
CN117464420B (zh) | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 | |
CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
CN103093078A (zh) | 一种改进53h算法的数据检验方法 | |
CN112686838A (zh) | 船舶锚链闪光焊接系统的快速检测装置及检测方法 | |
CN115922443B (zh) | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 | |
CN115255566B (zh) | 一种基于高质量时域特征的焊偏实时智能检测方法 | |
CN111538755A (zh) | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 | |
CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
CN115422978A (zh) | 一种工件表面粗糙度预测方法 | |
CN109389039A (zh) | 一种优化核极限学习机在线监测刀具磨损状态方法及系统 | |
CN112949203B (zh) | 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法 | |
CN112182877B (zh) | 一种复合材料智能化切削加工优化方法及系统 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN113377067A (zh) | 一种数控五轴联动机床动态感知监控采集补偿方法及装置 | |
CN104050277A (zh) | 一种基于聚类分析的3mad-mmmd过失误差侦破方法 | |
CN113467434B (zh) | 基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法 | |
CN117732886B (zh) | 一种基于级联智能诊断的热轧质量预控制方法 | |
CN114862283B (zh) | 机床加工的质检方法、质检装置 |
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 |