CN110153801B - 一种基于多特征融合的刀具磨损状态辨识方法 - Google Patents

一种基于多特征融合的刀具磨损状态辨识方法 Download PDF

Info

Publication number
CN110153801B
CN110153801B CN201910600308.2A CN201910600308A CN110153801B CN 110153801 B CN110153801 B CN 110153801B CN 201910600308 A CN201910600308 A CN 201910600308A CN 110153801 B CN110153801 B CN 110153801B
Authority
CN
China
Prior art keywords
feature
tool
signal
wear state
wear
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
Application number
CN201910600308.2A
Other languages
English (en)
Other versions
CN110153801A (zh
Inventor
邹益胜
卢昌宏
石朝
丁国富
江磊
张剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910600308.2A priority Critical patent/CN110153801B/zh
Publication of CN110153801A publication Critical patent/CN110153801A/zh
Application granted granted Critical
Publication of CN110153801B publication Critical patent/CN110153801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B23Q17/0952—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
    • 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
    • B23Q17/0966—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 a force on parts of the machine other than a motor
    • 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)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明涉及一种基于多特征融合的刀具磨损状态辨识方法，利用多种方法提取了振动加速度信号和切削力信号的特征信息，并基于奇异值分解对特征集进行了优化，提高刀具磨损状态的辨识精度。本发明主要是对切削力信号和振动信号融合提取特征，通过奇异值分解方法对特征集进行优化，然后输入到基于遗传算法优化的最小二乘支持向量基刀具磨损状态辨识模型进行辨识，输出刀具的磨损状态。本发明将切削力信号和振动加速度信号融合提取特征作为输入，提高了刀具磨损状态辨识的精度。

Description

一种基于多特征融合的刀具磨损状态辨识方法
所属技术领域
本发明涉及一种基于多特征融合的刀具磨损状态辨识方法，属于机械加工刀具及检测领域。
背景技术
机械加工制造是制造业的重要组成部分，在批量制造过程中，数控机床是制造过程中的关键装备。数控机床加工过程的核心是利用刀具从加工工件上去除多余材料，形成已加工表面。由于刀具直接参与加工过程，因此刀具的状态与工件质量和生产效率直接相关，所以保证刀具的良好状态是保证产品质量和生产效率的关键。在批量生产过程中大约百分之二十的停车时间是由于刀具磨钝引起的，由于刀具磨钝和更换所产生的经济成本占整个生产成本的5％～10％，采用有效的刀具磨损状态监测技术后，能够将整体停机时间减少百分之七十，将机床利用率提高到百分之五十以上并提高超过百分之二十的切削效率，因此解决刀具磨损状态识别问题意义重大且迫在眉睫。与此同时当前的刀具磨损状态监测技术存在一些缺陷，不能准确的反应出刀具的磨损状态。
发明内容
为解决上述问题，本发明的目的是提供一种基于多特征融合的刀具磨损状态辨识方法，能够准确的辨识出刀具的磨损状态。
本发明的目的是通过如下的手段实现的。
(1)在数控机床工作台夹具及工件上安装Kistler Type9272测力仪和1A302E型三向压电式加速度传感器；
(2)通过刀具对工件进行铣削加工操作，获取刀具铣削加工过程中的切削力信号、振动加速度信号以及四种刀具磨损状态(磨损初期、稳定磨损期、急剧磨损期、刀具失效期)；
(3)利用聚合经验模态分解(EEMD)对所采集的切削力信号和振动加速度信号尺度特征来进行分解，获得分解后的信号；
(4)提取EEMD分解后切削力和振动加速度的的时域特征、频域特征以及模糊熵、样本熵和近似熵三种熵值特征，融合构造新的特征集；
(5)利用奇异值分解(SVD)对上述力信号和振动信号的融合特征集进行降维优化；
(6)以优化后的特征集为输入，使用基于遗传算法优化的最小二乘支持向量机刀具状态识别模型进行辨识，输出所述刀具磨损状态；
采用本发明方法，提供了一种基于多特征融合的刀具磨损状态辨识方法，利用聚合经验模态方法对切削力信号和振动信号进行分解，有效抑制了EMD分解中的模态混叠现象，对分解后的切削力信号和振动信号进行特征提取、融合，再通过奇异值分解(SVD)降维提高了特征集的可靠性；最后使用遗传算法优化的最小二乘支持向量机刀具磨损状态识别模型进行辨识，输出刀具的磨损状态。
附图说明
图1基于多特征融合的刀具磨损状态辨识方法技术路线图
图2切削力Y向力信号EEMD分解及对应的FFT图
图3不同输入信号下的识别结果对比图
图4输入特征对识别结果的影响对比图
图5特征优化对识别结果的影响对比图
图6遗传算法优化后识别结果图
具体实施方式
下面结合附图，对本发明的内容作进一步的详述。
目前刀具磨损状态监测技术主要存在两个方面的问题：一是对于非平稳信号，信号处理提取的特征可靠性不高；二是需要大量的样本数据来保障识别精度，导致刀具磨损状态识别效率低。为了能够提高刀具磨损状态的识别效率，提出一种基于多特征融合的刀具磨损状态辨识方法，如图1所示。
(1)搭建铣削加工实验平台，获取刀具铣削加工过程中的切削力信号、加速度振动信号以及刀具磨损状态。
铣削加工过程中，刀具磨损首先会引起铣削力的变化，因此使用力信号作为监测信号能够实时且真实的反映出刀具磨损状态的变化，并且力传感器的抗干扰能力强，灵敏度高。由于刀具在铣削加工过程中其刀具旋转是周期性的过程，当刀具的磨损状态发生变化时会形成周期性的振动信号且当刀具磨损引起切削力变化时会造成切削系统不稳定也会产生振动信号，因此振动信号也包含着大量刀具磨损信息。力信号、振动信号属于不同维度的两种信号，其具有一定的互补性，可以从不同的角度反映出刀具的磨损情况。此外加速度传感器和力传感器安装较为方便，两种传感器之间并不会互相干涉。而声发射信号衰减快，对生产加工环境要求高，不便于采集，因此本发明选择以力信号和振动信号作为监测信号来搭建试验平台。
(2)利用聚合经验模态分解发法对所采集的切削力信号和加速度振动信号进行EEMD分解。
理想情况下，每个IMF都是一个简单平稳信号，代表原信号中的特征成分之一。但由于受到包络估计函数、白噪声幅值系数、聚合迭代次数等参数选择的影响，分解结果中不可避免地存在虚假成分。为了从IMFS中选取出最能反映原信号特征的分量，采用相关系数法求出各IMFS与原信号的相关系数如下表1所示：
表1.EEMD分解后的IMFS与原信号的相关系数
Figure GDA0002573403360000041
结果表明，前6个IMFS与原信号的相关系数除IMF1外均大于 0.1，后面的IMFS相关系数均小于0.1。根据EEMD的算法原理，IMF1 为信号中包含的高频部分能量较低。因此，选取EEMD分解后的前6 个IMFS作为后续特征提取的信号。
(3)对分解后的切削力信号和振动信号提取时域特征、频域特征以及近似熵、模糊熵和样本熵三种熵值，然后通过奇异值分解(SVD) 剔除联合多特征向量中的冗余特征和不相关特征，确定新的特征样本集。
表2为本发明所提供的时域分析处理方法表，表3为本发明所提供的频域分析处理方法表。
表2时域特征
Figure GDA0002573403360000051
Figure GDA0002573403360000061
表3频域特征
Figure GDA0002573403360000062
对特征提取结果进行分析发现：
①以切削力信号为例观察信号时域特征总体变化规律，切削力 Y向即进给方向的信号时域特征与刀具磨损有很强的关联性，X向即垂直进给向信号与刀具磨损也有一定的相关性，而Z向信号时域特征不能直观的反映出刀具磨损情况仅在刀具磨损后期切削系统稳定性降低时，其会出现一定的波动。
②观察频域特征参数随走刀次数的变化情况，其重心频率随着走刀次数的增加呈逐渐减小的趋势；均方频率和频率方差虽无明显的趋势，但在磨损中后期其波动较大，这是由于当刀具磨损到一定程度后，切削系统稳定性下降，而频域参数对切削系统稳定性较为敏感因此频域特征会在磨损后期表现出波动较大的特征。虽然频域信号显示出了当到达刀具磨损后期时，其波动会越来越剧烈，但是仅凭这种波动趋势并不能建立准确的刀具磨损表征模型，因此需要进一步对力信号和振动信号进行时频域上的特征提取。
③表4为本发明提供的在四种不同磨损状态下三种熵值变化情况，三种熵值随着刀具磨损状态的变化总体上都表现处增大的趋势，这是由于随着刀具磨损状态的变化，导致了切削系统稳定性的降低，最终会使信号的复杂程度提高。因此这三种熵值可以作为表征刀具磨损状态变化的特征量。
表4三种熵变化表
Figure GDA0002573403360000071
Figure GDA0002573403360000081
所以综上分析可得：切削力信号和振动信号的三种熵值特征可以较好的反映刀具的磨损情况，而频率特征只能在磨损前期能够很好地表征刀具磨损状态，切削力和振动信号的近似熵、模糊熵和样本熵特征可以很好地表征刀具磨损状态变化。最终得到时域上的特征量有2 ×3×15＝90个，将这90维特征向量记为Ts；频域上特征量有2×3× 3＝18个，将这18维特征向量记为Th；时频域上的特征共有2×3×3 ×6＝108个，将这108维特征向量记作Tsh；将上述的三个特征向量依次相连，组成初始联合多特征向量记作Tcs，则初始联合多特征向量为一个216维的特征向量。
为了剔除联合多特征向量中的冗余特征和不相关特征，提高求解过程的稳定性和效率，本发明利用奇异值分解(SVD)对联合多特征向量进行优化。根据降维后重构的新向量的贡献度，选择前十个主元作为新的特征向量来表征刀具磨损状态。
(4)将SVD降维后的特向量集作为输入，以所述刀具磨损状态为输出，使用基于遗传算法优化的最小二乘支持向量基刀具磨损状态辨识模型进行辨识。
将降维重构的样本集划分为训练集和测试集；将训练集作为输入，将刀具的磨损状态作为输出，使用基于遗传算法优化的最小二乘支持向量机的刀具状态识别模型进行辨识。
本发明采用RBF核函数建立基于最小二乘支持向量机的刀具状态识别模型，其表达式如(1)所示，RBF核函数需确定惩罚因子c 和核参数g两个参数，通过遗传算法对LS-SVM的参数进行优化。
Figure GDA0002573403360000091
(1)对RBF核函数的惩罚系数c和核参数g进行编码，并产生初始种群；
(2)然后运用训练样本集对LS-SVM分类模型进行训练，并用测试样本测试以得到分类结果，计算分类准确率即客观反映个体适应度，得到相应的适应度函数；
(3)进行停止条件判断，若满足则停止计算，得到优化后的最优惩罚系数c和核参数g。若不满足，则继续执行遗传操作并进行下一代遗传。
本发明采用的遗传算法相关参数设置如表5所示。
表5遗传算法参数设置
Figure GDA0002573403360000092
本发明经过50次迭代寻优，寻得模型最优参数c＝53.7038，g＝11.1414，最终在此参数下使用优化后的LS-SVM识别模型并输入测试集数据验证其识别率。
图3是不同输入信号下的识别结果。可以看到仅使用单一信号作为输入时的模型识别率均低于多信号输入的识别率。以振动信号和力信号同时作为监测信号，可以有效的避免单一信号反映信息不全面的情况，从而有效的提高模型的识别准确率。但是由于输入两种信号势必会造成特征维数增大，从而降低算法效率，因此对特征信息的优化就很有必要。
图4是输入的特征对识别结果的影响。可以看到，采用多特征作为模型输入，模型的总体识别率和各阶段识别率都有一定程度的提升。
图5是特征优化对识别结果的影响。可以看到特征优化后总体识别率有明显提升，各阶段识别率也有不同程度的提升。
图6是参数寻优对识别结果的影响。可以看到经遗传算法优化后，模型的整体识别精度和对刀具磨损各阶段的辨识精度都有不同程度的提升，遗传算法对LS-SVM模型参数寻优可以有效解决其在应用过程中模型参数选择的随机性和快速求解，避免陷入局部最优。
本发明提出了一种基于多特征融合的刀具磨损状态辨识方法。首先对原始信号使用聚合经验模态分解(EEMD)进行信号分解，然后对分解后的切削力和振动信号分别提取时域、频域和模糊熵、近似熵和样本熵特征信息，然后对提取的特征信息进行融合，再利用SVD方法对融合后的特征集进行了优化，随后在最小二乘支持向量机模型的基础上利用遗传算法对其参数进行优化，最后利用试验数据使用优化后的刀具磨损状态识别模型对其进行磨损辨识，验证了多信号融合、特征优化和参数寻优的有效性。本发明专利首次提出将切削力信号和振动信号融合作为测试数据，该方法新颖且具有创新性。实验结果也表明，该方法可以对数控机床加工过程中的刀具磨损状况进行高精度的预测，有效提高数控机床的有效使用寿命和加工效率。

Claims (5)

1.一种基于多特征融合的刀具磨损状态辨识方法，其特征在于，包括以下步骤：
(1)在数控机床工作台夹具及工件上安装测力仪和加速度传感器；
(2)用刀具对工件进行铣削加工操作，获取刀具铣削加工过程中的切削力信号、振动加速度信号，获取四种刀具磨损状态，即：磨损初期、稳定磨损期、急剧磨损期、刀具失效期；
(3)利用聚合经验模态分解对所采集的切削力信号和振动加速度信号来进行分解，获得分解后的信号；采用相关系数法确定各本征模函数与原信号的相关系数，根据相关系数的大小确定作为后续特征提取的信号的依据；
(4)对特征提取结果进行分析，确定切削力和振动信号的时域特征、频率特征、近似熵、模糊熵和样本熵特征与刀具的磨损情况之间的关系，根据分析所得的结果以及切削力和振动信号的时域特征、频率特征、近似熵、模糊熵和样本熵特征的特征量，构造初始联合多特征向量；切削力信号和振动信号的时域特征可以较好的反映刀具的磨损情况，而频率特征只能在磨损前期能够很好地表征刀具磨损状态，切削力和振动信号的近似熵、模糊熵和样本熵特征可以很好地表征刀具磨损状态变化；在此基础上，最终得到时域上的特征量有2×3×15＝90个，将这90维特征向量记为Ts；频域上特征量有2×3×3＝18个，将这18维特征向量记为Th；时频域上的特征共有2×3×3×6＝108个，将这108维特征向量记作Tsh；将三个特征向量依次相连，组成初始联合多特征向量记作Tcs，则初始联合多特征向量为一个216维的特征向量；
(5)利用奇异值分解对切削力信号和振动加速度信号联合多特征向量进行优化，剔除联合多特征向量中的冗余特征和不相关特征；
(6)以优化后的特征集作为输入，采用基于遗传算法优化的最小二乘支持向量机刀具磨损状态辨识模型进行辨识，将所述刀具磨损状态进行输出。
2.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：步骤(2)中，选择与原信号的相关系数大于0.1的本征模函数作为后续特征提取的信号。
3.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：步骤(5)中，根据降维后重构的新向量的贡献度，选择前十个主元作为新的特征向量来表征刀具磨损状态。
4.如权利要求1所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：在步骤(6)中，将降维重构的样本集划分为训练集和测试集；将训练集作为输入，将刀具的磨损状态作为输出，使用基于遗传算法优化的最小二乘支持向量机的刀具状态识别模型进行辨识。
5.如权利要求4所述的一种基于多特征融合的刀具磨损状态辨识方法，其特征在于：在步骤(6)中，采用RBF核函数建立基于最小二乘支持向量机的刀具状态识别模型，该核函数需确定惩罚因子c和核参数g两个参数，通过遗传算法进行优化；
(1)对RBF核函数的惩罚系数c和核参数g进行编码，并产生初始种群；
(2)运用训练样本集对LS-SVM分类模型进行训练，并用测试样本测试以得到分类结果，计算分类准确率即客观反映个体适应度，得到相应的适应度函数；
(3)进行停止条件判断，若满足则停止计算，得到优化后的最优惩罚系数c和核参数g若不满足，则继续执行遗传操作并进行下一代遗传。
CN201910600308.2A 2019-07-04 2019-07-04 一种基于多特征融合的刀具磨损状态辨识方法 Active CN110153801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910600308.2A CN110153801B (zh) 2019-07-04 2019-07-04 一种基于多特征融合的刀具磨损状态辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910600308.2A CN110153801B (zh) 2019-07-04 2019-07-04 一种基于多特征融合的刀具磨损状态辨识方法

Publications (2)

Publication Number Publication Date
CN110153801A CN110153801A (zh) 2019-08-23
CN110153801B true CN110153801B (zh) 2020-09-29

Family

ID=67637793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910600308.2A Active CN110153801B (zh) 2019-07-04 2019-07-04 一种基于多特征融合的刀具磨损状态辨识方法

Country Status (1)

Country Link
CN (1) CN110153801B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110561193B (zh) * 2019-09-18 2020-09-29 杭州友机技术有限公司 一种基于特征融合的刀具磨损评估及监控的方法与系统
CN110647943B (zh) * 2019-09-26 2023-06-30 西北工业大学 基于演化数据聚类分析的切削刀具磨损监测方法
CN112578019A (zh) * 2019-09-27 2021-03-30 北京化工大学 一种基于表面漏磁信号的高速长钢轨内部温度应力集中早期预警方法
CN112070208B (zh) * 2020-08-05 2022-08-30 同济大学 基于编码器-解码器阶段注意力机制的刀具磨损预测方法
CN112059725A (zh) * 2020-09-11 2020-12-11 哈尔滨理工大学 一种基于emd-svm的刀具磨损监测方法
CN112247674B (zh) * 2020-10-10 2021-09-21 北京理工大学 一种刀具磨损预测方法
TW202216353A (zh) * 2020-10-20 2022-05-01 財團法人工業技術研究院 刀具狀態偵測系統及方法
CN112486096A (zh) * 2020-12-09 2021-03-12 中国兵器装备集团自动化研究所 一种机床运行状态的监控方法
CN112720071B (zh) * 2021-01-27 2021-11-30 赛腾机电科技（常州）有限公司 多能域信号智能化融合的刀具实时状态监测指标构造方法
CN113043073A (zh) * 2021-03-22 2021-06-29 曲阜师范大学 一种刀具磨损及寿命预测方法及装置
CN113084237B (zh) * 2021-04-16 2022-07-29 贵州大学 铣刀磨损值的预测方法、装置、电子装置和存储介质
CN113221998A (zh) * 2021-05-06 2021-08-06 桂林电子科技大学 一种基于ssa-svm的稀土萃取搅拌轴故障诊断方法及系统
CN113334144A (zh) * 2021-05-20 2021-09-03 武汉理工大学 一种铣削刀具磨损状态检测系统及方法
CN113435255A (zh) * 2021-06-01 2021-09-24 西北工业大学 一种基于特征融合的发动机故障诊断方法
CN113352149B (zh) * 2021-08-11 2021-11-02 西安博澜数字科技有限公司 一种刀具工况参数监控方法和装置
CN113688534B (zh) * 2021-09-02 2024-04-05 苏州莱库航空装备科技有限公司 一种基于多特征融合模型寻找最优铣削参数的研究方法
CN113847949A (zh) * 2021-09-23 2021-12-28 徐州万达回转支承有限公司 一种基于传感器信息融合的多工况砂带磨损状态在线检测方法
CN114800039B (zh) * 2022-04-08 2023-03-14 山东大学 一种在线监测薄壁件铣削刀具状态的特征强化方法及系统
CN114833636B (zh) * 2022-04-12 2023-02-28 安徽大学 一种基于多特征空间卷积神经网络的刀具磨损监测方法
CN114595733B (zh) * 2022-05-10 2024-04-02 山东大学 基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统
CN114952419B (zh) * 2022-05-11 2023-12-22 深圳吉兰丁智能科技有限公司 一种基于多特征融合的断刀监控方法及电子设备
CN115157006B (zh) * 2022-09-08 2022-11-29 中科航迈数控软件(深圳)有限公司 基于信息熵的部件磨损检测方法、装置、终端及存储介质
CN116679614B (zh) * 2023-07-08 2024-02-02 四川大学 基于演化博弈的多特征刀具综合适配方法
CN117217050A (zh) * 2023-09-12 2023-12-12 哈尔滨理工大学 一种铣刀刀工界面熵产生及熵流分布特性表征方法
CN116944820B (zh) * 2023-09-20 2023-12-08 万向钱潮股份公司 一种万向节十字轴加工方法
CN117235507B (zh) * 2023-11-13 2024-01-23 成都西交轨道交通技术服务有限公司 一种钢轨打磨车磨石异常状态识别方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105820B (zh) * 2012-05-22 2014-10-29 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法
CN103941645B (zh) * 2014-04-09 2017-01-25 南京航空航天大学 薄壁零件复杂工况加工状态监测方法
JP6426667B2 (ja) * 2016-08-10 2018-11-21 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
CN107378641B (zh) * 2017-08-23 2019-02-01 东北电力大学 一种基于图像特征和lltsa算法的刀具磨损状态监测方法
CN108490880B (zh) * 2018-04-24 2020-01-21 湖北文理学院 一种数控机床切削刀具磨损状态实时监测方法
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN109571141A (zh) * 2018-11-01 2019-04-05 北京理工大学 一种基于机器学习的刀具磨损状态监测方法
CN109635847A (zh) * 2018-11-19 2019-04-16 昆明理工大学 一种基于振动和声发射的刀具磨损状态识别方法
CN109605127A (zh) * 2019-01-21 2019-04-12 南京航空航天大学 一种刀具磨损状态识别方法及系统

Also Published As

Publication number Publication date
CN110153801A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110153801B (zh) 一种基于多特征融合的刀具磨损状态辨识方法
Udmale et al. Application of spectral kurtosis and improved extreme learning machine for bearing fault classification
Benkedjouh et al. Tool wear condition monitoring based on continuous wavelet transform and blind source separation
CN111037365B (zh) 基于生成式对抗网络的刀具状态监测数据集增强方法
Wang et al. CHMM for tool condition monitoring and remaining useful life prediction
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
CN112692646B (zh) 一种刀具磨损状态智能评估方法及装置
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Kęcik et al. Stability lobes analysis of nickel superalloys milling
US8649990B2 (en) Method for detecting variance in semiconductor processes
CN112711850A (zh) 一种基于大数据的机组在线监测方法
CN113458873B (zh) 一种刀具磨损量和剩余寿命预测的方法
CN114789364A (zh) 多指标钻孔质量控制方法及其装置、设备
Mironovs et al. Prospects of structural damage identification using modal analysis and anomaly detection
CN112372371B (zh) 数控机床刀具磨损状态评估方法
CN111474476A (zh) 一种电机故障预测方法
CN115343676A (zh) 密封电子设备内部多余物定位技术的特征优化方法
US20100010763A1 (en) Method for detecting variance in semiconductor processes
CN112529099A (zh) 一种机器人铣削加工颤振辨识方法
CN116805041A (zh) 一种刀具磨损量预测方法及系统
CN114310483B (zh) 一种数控加工尺寸误差预测方法
JP7286049B1 (ja) 学習装置、数値制御装置、加工結果予測方法および加工システム
US20230081224A1 (en) Method and system for evaluating test data, wafer test system, and storage medium
CN114943495B (zh) 一种基于负载识别的电刨刀具工作状态磨损分析方法
Di et al. Tool Fault Diagnosis Method Based on Multiscale-Channel Attention Network

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