CN110605663A - 基于时间常数的切入式磨削砂轮钝化预测方法 - Google Patents

基于时间常数的切入式磨削砂轮钝化预测方法 Download PDF

Info

Publication number
CN110605663A
CN110605663A CN201910878177.4A CN201910878177A CN110605663A CN 110605663 A CN110605663 A CN 110605663A CN 201910878177 A CN201910878177 A CN 201910878177A CN 110605663 A CN110605663 A CN 110605663A
Authority
CN
China
Prior art keywords
grinding
signal
time constant
force
grinding wheel
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
Application number
CN201910878177.4A
Other languages
English (en)
Inventor
迟玉伦
刘斌
葛爱丽
谭绍东
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910878177.4A priority Critical patent/CN110605663A/zh
Publication of CN110605663A publication Critical patent/CN110605663A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明提出了基于时间常数的切入式磨削砂轮钝化预测方法，该方法包括：利用安装于机床的磨削力传感器、加速度传感器、声发射传感器、功率传感器分别获取磨削力信号、磨削加速度信号、磨削声发射信号、磨削砂轮主轴功率信号；将获取的磨削力信号、磨削功率信号、磨削声发射信号的时间常数进行计算提取，并对磨削力信号、磨削功率信号、磨削声发射信号标准差进行计算提取；将提取得到的磨削力信号时间常数、功率信号时间常数、声发射信号时间常数、加速度信号标准差作为最小二乘支持向量机的输入参数对磨削砂轮锋利和钝化两种状态进行预测。本发明可以预测砂轮磨损钝化或锋利状态，来提高磨削加工质量和磨削加工效率。

Description

基于时间常数的切入式磨削砂轮钝化预测方法
技术领域
本发明涉及精密机械加工技术领域，尤其涉及基于时间常数的切入式磨削砂轮钝化预测方法。
背景技术
精密磨削加工过程中，磨削砂轮会发生磨损，从锋利状态变为钝化状态，砂轮钝化是砂轮磨削性能的重要指标之一，直接影响磨削加工的生产效率和加工质量。磨削砂轮钝化后，磨粒逐渐失去切削能力，若持续磨削可能会产生磨削烧伤和磨削颤振等现象。因此，有效预测磨削砂轮锋利和钝化状态，对切入磨削工艺优化技术发展与应用有着重要意义。
发明内容
本发明的目的在于提出了一种基于时间常数的切入式磨削砂轮钝化预测方法，以提高磨削加工质量和磨削加工效率。
为实现上述目的，本发明所采用的技术方案为：基于时间常数的切入式磨削砂轮钝化预测方法，该方法包括：
利用安装于机床头架顶尖的磨削力传感器来测量磨削力信号；
利用安装于机床尾架顶尖的加速度传感器和声发射传感器来测量磨削加速度信号、磨削声发射信号；
利用功率传感器来测量磨削砂轮主轴功率信号的功率传感器；
利用计算机获取经过滤波处理的磨削力传感器、加速度传感器、声发射传感器、功率传感器信号；
分别对磨削力信号、磨削功率信号、磨削声发射信号的时间常数进行计算提取，并对磨削力信号、磨削功率信号、磨削声发射信号标准差进行计算提取；
将提取得到的磨削力信号时间常数、功率信号时间常数、声发射信号时间常数、加速度信号标准差作为最小二乘支持向量机的输入参数对磨削砂轮锋利和钝化两种状态进行预测，当磨削砂轮锋利时，预测输出结果为1；当磨削砂轮钝化时，预测输出结果为-1。
基于时间常数的切入式磨削砂轮钝化预测方法中，根据加速度传感器检测信号来计算磨削加工过程中的加速度信号标准差VIBMSD，如下式所示：
其中，xi为提取的加速度信号数据，加速度信号平均值，N为满足条件的数据的数量。
基于时间常数的切入式磨削砂轮钝化预测方法中，根据AE信号RMS与法向磨削力呈线性关系，可获得：
VAE(t)＝kaeFn(t)；
式中，VAE(t)为实时测量磨削AE信号RMS值，kae为实时AE信号RMS与磨削力Fn(t)的比例系数，t为磨削加工时间；
声发射信号的时间常数τAE可以表示为：
式中，V'AE为稳态声发射信号，为声发射信号变化率。
基于时间常数的切入式磨削砂轮钝化预测方法中，砂轮单位磨削宽度的功率P'与单位磨削宽度的切向磨削力Ft'之间的关系，可表示为：
P'＝Ft'vs；
式中，vs为砂轮线速度；
则磨削主轴的功率可表示为：
P＝kpFtvs；
式中，P为磨削砂轮主轴的功率；kp为功率系数，其大小取决于磨削条件；Ft为切向磨削力；
其切入磨削过程，法向磨削力Fn与切向磨削力Ft的关系为：
Fn＝kntFt；
式中，knt为法向磨削力与切向磨削力的比例系数；
磨削功率信号时间常数τPower可以表示为：
式中，P'为稳态功率信号，为功率变化率。
基于时间常数的切入式磨削砂轮钝化预测方法中，在切入式外圆磨削过程中，法向磨削力Fn可以利用磨削力装置测量获得，根据如下公式：
式中，Fn'为稳态磨削力信号，为磨削力变化率，vs为砂轮线速度，KS为常系数；
磨削力信号时间常数可表示为：
基于时间常数的切入式磨削砂轮钝化预测方法中，磨削系统时间常数τ的计算方法如下：
磨削系统等效刚度ke可表示为：式中，ks为砂轮刚度，kw为工件刚度，ka为磨削接触刚度；
法向磨削力Fn产生的弹性变形δ可表示为：式中，Fn为磨削砂轮与工件接触点的法向磨削力；
切入磨削中法向磨削力Fn与实际进给速度服从一定的线性关系，其表达式为：式中，a为工件每转下的进给深度，kc为磨削力系数，为工件半径增大速度，nw为工件转速；
当忽略砂轮磨损磨削系统中，砂轮的指令进给速度和实际进给速度之间的磨削差值δ可表示为：
联立式(1)、(2)和(3)可得磨削系统控制公式：
经变换整理得：式中，τ为磨削系统时间常数，可表示为：
与现有技术相比，本发明的优点为：本发明通过磨削测量实验设置，传感器信号采集，信号特征提取，砂轮状态分类识别来预测砂轮磨损钝化或锋利状态，来提高磨削加工质量和磨削加工效率。
附图说明
图1为砂轮磨损钝化预测流程图。
图2为砂轮磨损钝化预测流程中实验设置示意简图。
图3为砂轮磨损钝化预测流程中传感器信号采集示意简图。
图4为砂轮磨损钝化预测流程中信号特征提取示意简图。
图5为砂轮磨损钝化预测流程中砂轮状态分类识别示意简图。
图6为机床磨削测量实验设置详细结构示意图。
图7为磨削加工各种传感器监控信号图，其中，(a)为磨削力传感器获取的力信号数据图；(b)为声发射传感器获取的声发射信号数据图；(c)为功率传感器获取的功率信号数据图；(d)为加速度传感器获取的加速度信号数据图。
具体实施方式
下面将结合示意图对本发明所采用的技术方案作进一步的说明。
参见图1，基于时间常数的切入式磨削砂轮钝化预测方法以下步骤：实验设置步骤101、传感器信号采集步骤102、信号特征提取步骤103、砂轮状态分类识别步骤104。
参见图2-5，实验设备包括机床，传感器信号采集中主要利用到相关传感器、采集卡、计算机，在计算机获取到相关数据后进行数据计算以及砂轮状态分类识别来预测砂轮磨损钝化或锋利状态。
下面对本发明提出的基于时间常数的切入式磨削砂轮钝化预测方法进行详述。
1.磨削测量实验设置
如图6所示，该图为磨削测量实验设置示意图。首先将磨削力传感器1安装在机床头架顶尖2上用来测量磨削力信号，加速度传感器3和声发射传感器4安装在机床尾架顶尖5上用来测量磨削加速度信号和磨削声发射信号，功率传感器则安装在机床电气柜中用来测量磨削砂轮主轴功率信号。然后，将所有传感器与信号放大器连接后，通过AD采集卡与计算机连接。最后，把工件6安装在头架顶尖2和尾架顶尖5之间，用砂轮7进行切入式磨削加工，在图6中还示出了工作台8、尾架套筒9、尾架壳体10、头架壳体11。
2.传感器信号采集
当砂轮切入式磨削工件时，将各种传感器(力传感器，声发射传感器，加速度传感器和功率传感器)信号，依次经过信号放大器、AD采集卡传输到计算机12上，并通过卡尔曼滤波原理，对采集各种传感器信号进行滤波处理，如公式(1)到公式(6)所示。
P′k＝APk-1AT+Q (2)
Kk＝P′kHT(HP′kHT+R)-1 (4)
Pk＝(I-KkH)P′k (6)
其中，卡尔曼估计值；
Pk：卡尔曼估计误差协方差矩阵；
预测值；
P′k：预测误差协方差矩阵；
Kk：卡尔曼增益；
测量余量；
A：状态转移矩阵；
uk：系统输入向量；
B：输入增益矩阵；
H：测量矩阵；
Q：协方差矩阵；
通过上述卡尔曼滤波处理后各种传感器监控信号，如图7，该图为磨削加工各种传感器监控信号图。
3.信号特征提取
为有效预测磨削砂轮磨损状态，需要对检测磨削力信号，磨削功率信号，磨削声发射信号和磨削加速度信号进行特征提取。本发明专利分别对磨削力信号，磨削功率信号，磨削声发射信号的时间常数进行计算提取，对磨削力信号，磨削功率信号，磨削声发射信号标准差进行计算提取，具体如下：
3.1时间常数计算方法
根据切入式磨削原理，磨削系统等效刚度ke可表示为：
式中，ks为砂轮刚度，kw为工件刚度，ka为磨削接触刚度。法向磨削力Fn产生的弹性变形δ可表示为：
式中，Fn为磨削砂轮与工件接触点的法向磨削力。
切入磨削中法向磨削力Fn与实际进给速度服从一定的线性关系，其表达式为：
式中，a为工件每转下的进给深度，kc为磨削力系数，为工件半径增大速度(实际进给速度)，nw为工件转速。
当忽略砂轮磨损磨削系统中(切入磨削瞬时砂轮磨损量很小)，砂轮的指令进给速度和实际进给速度之间的磨削差值δ可表示为：
联立式(8)、(9)和(10)可得磨削系统控制公式：
经变换整理得：
式中，τ为磨削系统时间常数，可表示为：
该时间常数τ与磨削系统等效刚度ke，磨削力系数kc及工件转速nw有关。
3.2磨削力信号时间常数计算
在切入式外圆磨削过程中，法向磨削力Fn可以利用磨削力装置测量获得。根据迟玉伦论文【迟玉伦.基于功率信号的切入式磨削工艺优化关键技术研究，博士论文，2016年6月】可获得如下公式。
式中，Fn'为稳态磨削力信号，为磨削力变化率，vs为砂轮线速度，KS为常系数。磨削力信号的时间常数τForce可表示为：
3.3磨削功率信号时间常数计算
砂轮单位磨削宽度的功率P'与单位磨削宽度的切向磨削力Ft'之间的关系，可表示为：
P'＝Ft'vs (17)
式中，vs为砂轮线速度。
则磨削主轴的功率可表示为：
P＝kpFtvs (18)
式中，P为磨削砂轮主轴的功率；kp为功率系数，其大小取决于磨削条件；Ft为切向磨削力。
其切入磨削过程，法向磨削力Fn与切向磨削力Ft的关系为：
Fn＝kntFt (13)
式中，knt为法向磨削力与切向磨削力的比例系数。
功率信号的时间常数τPower可以表示为：
式中，P'为稳态功率信号，为功率变化率。
3.4声发射信号时间常数计算
根据参考文献TAWAKOLI【Taghi Tawakoli.Developments in grinding processmonitoring and evaluation of results.Int.J.Mechatronics and ManufacturingSystems,2008,4(1):307-320.】的研究表明，在一定磨削工艺参数范围内切入磨削过程AE信号的RMS值与法向或切向磨削力的变化非常相近，声发射信号的均方根值在一定程度表征了磨削能量强度。
根据AE信号RMS与法向磨削力Fn(t)呈线性关系，可获得：
VAE(t)＝kaeFn(t) (15)
式中，VAE(t)为实时测量磨削AE信号RMS值；kae为实时AE信号RMS与磨削力Fn(t)的比例系数；t为磨削加工时间。
声发射信号的时间常数τAE可以表示为：
式中，V'AE为稳态声发射信号，为声发射信号变化率。
3.5加速度信号标准差计算
根据加速度传感器监测信号，计算切入磨削加工过程中的加速度信号标准差VIBMSD，如下式所示：
其中，xi为提取的加速度信号数据，为加速度信号平均值，N为满足条件的数据的数量。
4.砂轮状态分类识别
本发明专利将上述监控不同信号参数，磨削力信号时间常数τForce，功率信号时间常数τPower，声发射信号时间常数τAE和加速度信号标准差VIBMSD作为最小二乘支持向量机的输入参数对磨削砂轮锋利和钝化两种状态进行预测。
4.1最小二乘支持向量机
由参考文献Suyken【K.Pelckman,J.A.K.Suykens,T.V.Gestel,J.D Brabanter,L.Lukas,B.Hamers,B.D.Moor,J.Vandewalle.“A Matlab/c toolbox for least squaresupport vector machines,”ESAT-SCD-SISTA Technical Report,2002,02-145.】开发的最小二乘支持向量机原理如下：
最小化函数：
受制于：
yi((ω·xi)+b)＝1-ξi，ξi≥0,i＝1,…,l. (19)
其中，ξi为一个非负的松弛变量。C是系数。加权矢量ω定义了分离超平面的方向，如公式(12)所示。
f(x)＝sign{ω·x+b} (20)
其中，偏置b为超平面距原点的距离。
最优条件的应用产生以下线性KKT(Karush-Kuhn-Tucker)系统：
其中：
Ω＝ZTZ，ZT＝(y1Φ(x1)，…，ynΦ(xn)) (22)
YT＝(y1，…，yn)，1v＝(1，…，1)，α＝(α1，…，αn) (23)
然后：
Ω＝ψ(xi，xl)＝Φ(xi)TΦ(xl)i，l＝1，…，N (24)
通过将内核应用于矩阵，分类器函数估计变为：
式中，内核函数K(xi，xj)如下所示：
K(xi，xj)＝Φ(xi)Φ(xj) (26)
在这里，Ф为实际的映射函数。磨削砂轮锋利为I类，磨削砂轮钝化为II类，分类方程如下式所示：
当磨削砂轮锋利时，预测输出结果为1；当磨削砂轮钝化时，预测输出结果为-1。
下表1为最小二乘支持向量机训练数据表，选取砂轮尖锐数据4组和砂轮磨损数据6组，用于训练学习最小二乘支持向量机，学习训练后最小二乘支持向量机可预测砂轮表面钝化。
表1最小二乘支持向量机训练数据表
No. states τ<sub>Force</sub> τ<sub>Power</sub> τ<sub>AE</sub> VIB<sub>MSD</sub>
1 尖锐(1) F1 P1 A1 M1
2 尖锐(1) F2 P2 A2 M2
3 尖锐(1) F3 P3 A3 M3
4 尖锐(1) F4 P4 A4 M4
5 磨损(-1) F5 P5 A5 M5
6 磨损(-1) F6 P6 A6 M6
7 磨损(-1) F7 P7 A7 M7
8 磨损(-1) F8 P8 A8 M8
9 磨损(-1) F9 P9 A9 M9
10 磨损(-1) F10 P10 A10 M10
4.2磨削砂轮磨损钝化和锋利预测
首先，分别选取5组磨削砂轮钝化和5组磨削砂轮锋利状态的时间常数τForce，τPower，τAE和加速度信号标准差VIBMSD作为最小二乘支持向量机的训练参数。
然后，根据实时监控磨削力信号时间常数τForce，功率信号时间常数τPower，声发射信号时间常数τAE和加速度信号标准差VIBMSD作为最小二乘支持向量机的输入参数对磨削砂轮锋利和钝化两种状态进行实时预测，即当磨削砂轮锋利时，预测输出结果为1；当磨削砂轮钝化时，预测输出结果为-1。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (6)

1.基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，该方法包括：
利用安装于机床头架顶尖的磨削力传感器来测量磨削力信号；
利用安装于机床尾架顶尖的加速度传感器和声发射传感器来测量磨削加速度信号、磨削声发射信号；
利用功率传感器来测量磨削砂轮主轴功率信号的功率传感器；
利用计算机获取经过滤波处理的磨削力传感器、加速度传感器、声发射传感器、功率传感器信号；
分别对磨削力信号、磨削功率信号、磨削声发射信号的时间常数进行计算提取，并对磨削力信号、磨削功率信号、磨削声发射信号标准差进行计算提取；
将提取得到的磨削力信号时间常数、功率信号时间常数、声发射信号时间常数、加速度信号标准差作为最小二乘支持向量机的输入参数对磨削砂轮锋利和钝化两种状态进行预测，当磨削砂轮锋利时，预测输出结果为1；当磨削砂轮钝化时，预测输出结果为-1。
2.根据权利要求1所述的基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，根据加速度传感器检测信号来计算磨削加工过程中的加速度信号标准差VIBMSD，如下式所示：
其中，xi为提取的加速度信号数据，加速度信号平均值，N为满足条件的数据的数量。
3.根据权利要求1所述的基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，根据AE信号RMS与法向磨削力呈线性关系，可获得：
VAE(t)＝kaeFn(t)；
式中，VAE(t)为实时测量磨削AE信号RMS值，kae为实时AE信号RMS与磨削力Fn(t)的比例系数，t为磨削加工时间；
声发射信号的时间常数τAE可以表示为：
式中，V′AE为稳态声发射信号，为声发射信号变化率。
4.根据权利要求1所述的基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，砂轮单位磨削宽度的功率P'与单位磨削宽度的切向磨削力F′t之间的关系，可表示为：
P'＝F′tvs；
式中，vs为砂轮线速度；
则磨削主轴的功率可表示为：
P＝kpFtvs；
式中，P为磨削砂轮主轴的功率；kp为功率系数，其大小取决于磨削条件；Ft为切向磨削力；
其切入磨削过程，法向磨削力Fn与切向磨削力Ft的关系为：
Fn＝kntFt；
式中，knt为法向磨削力与切向磨削力的比例系数；
磨削功率信号时间常数τPower可以表示为：
式中，P'为稳态功率信号，为功率变化率。
5.根据权利要求1所述的基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，在切入式外圆磨削过程中，法向磨削力Fn可以利用磨削力装置测量获得，根据如下公式：
式中，F′n为稳态磨削力信号，为磨削力变化率，vs为砂轮线速度，KS为常系数；
磨削力信号时间常数可表示为：
6.根据权利要求5所述的基于时间常数的切入式磨削砂轮钝化预测方法，其特征在于，磨削系统时间常数τ的计算方法如下：
磨削系统等效刚度ke可表示为：式中，ks为砂轮刚度，kw为工件刚度，ka为磨削接触刚度；
法向磨削力Fn产生的弹性变形δ可表示为：式中，Fn为磨削砂轮与工件接触点的法向磨削力；
切入磨削中法向磨削力Fn与实际进给速度服从一定的线性关系，其表达式为：式中，a为工件每转下的进给深度，kc为磨削力系数，为工件半径增大速度，nw为工件转速；
当忽略砂轮磨损磨削系统中，砂轮的指令进给速度和实际进给速度之间的磨削差值δ可表示为：
联立式(1)、(2)和(3)可得磨削系统控制公式：
经变换整理得：式中，τ为磨削系统时间常数，可表示为：
CN201910878177.4A 2019-09-17 2019-09-17 基于时间常数的切入式磨削砂轮钝化预测方法 Pending CN110605663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910878177.4A CN110605663A (zh) 2019-09-17 2019-09-17 基于时间常数的切入式磨削砂轮钝化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910878177.4A CN110605663A (zh) 2019-09-17 2019-09-17 基于时间常数的切入式磨削砂轮钝化预测方法

Publications (1)

Publication Number Publication Date
CN110605663A true CN110605663A (zh) 2019-12-24

Family

ID=68891455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910878177.4A Pending CN110605663A (zh) 2019-09-17 2019-09-17 基于时间常数的切入式磨削砂轮钝化预测方法

Country Status (1)

Country Link
CN (1) CN110605663A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721835A (zh) * 2020-06-28 2020-09-29 上海理工大学 空心钻磨削砂轮状态智能监测方法
CN114235043A (zh) * 2021-12-14 2022-03-25 上海理工大学 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5454921A (en) * 1993-09-14 1995-10-03 Seiko Seiki Kabushiki Kaisha Electrolytic combined processing machine
CN107756250A (zh) * 2017-11-08 2018-03-06 山东理工大学 一种磨削功率与能耗智能监控系统及决策方法
CN108956783A (zh) * 2018-05-18 2018-12-07 南京大学 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5454921A (en) * 1993-09-14 1995-10-03 Seiko Seiki Kabushiki Kaisha Electrolytic combined processing machine
CN107756250A (zh) * 2017-11-08 2018-03-06 山东理工大学 一种磨削功率与能耗智能监控系统及决策方法
CN108956783A (zh) * 2018-05-18 2018-12-07 南京大学 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
巩亚东: "基于多传感器融合的磨削砂轮钝化的智能监测", 《东北大学学报》 *
肖鹏飞等: "基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模", 《中国机械工程》 *
迟玉伦: "基于功率信号的切入式磨削工艺优化关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
迟玉伦: "基于时间常数外圆切入磨削砂轮钝化的监测方法", 《中国机械工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721835A (zh) * 2020-06-28 2020-09-29 上海理工大学 空心钻磨削砂轮状态智能监测方法
CN111721835B (zh) * 2020-06-28 2023-03-31 上海理工大学 空心钻磨削砂轮状态智能监测方法
CN114235043A (zh) * 2021-12-14 2022-03-25 上海理工大学 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法

Similar Documents

Publication Publication Date Title
Pandiyan et al. In-process tool condition monitoring in compliant abrasive belt grinding process using support vector machine and genetic algorithm
Reichenbach et al. The role of chip thickness in grinding
Nakai et al. Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics
Salgado et al. In-process surface roughness prediction system using cutting vibrations in turning
Mahata et al. A robust condition monitoring methodology for grinding wheel wear identification using Hilbert Huang transform
Liao et al. Grinding wheel condition monitoring with boosted minimum distance classifiers
Azizi et al. Modeling and analysis of grinding forces based on the single grit scratch
CN110605663A (zh) 基于时间常数的切入式磨削砂轮钝化预测方法
CN110434676B (zh) 一种多传感器时频特征融合的镗削颤振监测方法
Pandiyan et al. In-process endpoint detection of weld seam removal in robotic abrasive belt grinding process
CN106002490B (zh) 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法
CN114714145B (zh) 一种刀具磨损状态的格拉姆角场增强对比学习监测方法
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
Sauter et al. In-process detection of grinding burn using machine learning
CN111958321B (zh) 基于深度神经网络的数控机床刀具磨损程度识别方法
Botcha et al. Process-machine interactions and a multi-sensor fusion approach to predict surface roughness in cylindrical plunge grinding process
Miranda et al. Monitoring single-point dressers using fuzzy models
CN103941645A (zh) 薄壁零件复杂工况加工状态监测方法
Subrahmanya et al. Automated sensor selection and fusion for monitoring and diagnostics of plunge grinding
CN103395001B (zh) 一种磨削加工过程诊断及智能优化系统和方法
CN112207631A (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
Maeda et al. Method for automatically recognizing various operation statuses of legacy machines
CN105710782A (zh) 基于时间常数的切入磨削接触刚度测量方法
CN107153728A (zh) 一种基于双谱幅值分布熵的砂轮磨损状态特征提取方法
Cardoz et al. Random forests based classification of tool wear using vibration signals and wear area estimation from tool image data

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: 20191224