CN111085898A - 一种工况自适应的高速铣削加工过程刀具监测方法及系统 - Google Patents

一种工况自适应的高速铣削加工过程刀具监测方法及系统 Download PDF

Info

Publication number
CN111085898A
CN111085898A CN201911399488.9A CN201911399488A CN111085898A CN 111085898 A CN111085898 A CN 111085898A CN 201911399488 A CN201911399488 A CN 201911399488A CN 111085898 A CN111085898 A CN 111085898A
Authority
CN
China
Prior art keywords
wear
dae
cutter
gmm
signals
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
CN201911399488.9A
Other languages
English (en)
Inventor
杨文安
刘伟超
王鹏宇
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911399488.9A priority Critical patent/CN111085898A/zh
Publication of CN111085898A publication Critical patent/CN111085898A/zh
Pending legal-status Critical Current

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
    • B23Q17/0957—Detection of tool breakage

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

本发明公开了一种工况自适应的高速铣削加工过程刀具监测方法，包括如下步骤：（1）获取原始传感信号，测量刀具磨损量；（2）信号预处理和特征提取；（3）特征降维；（4）磨损阶段划分；（5）模型参数训练；（6）磨损状态识别。同时还公布了实现上述方法的系统。本发明实现了对刀具磨损状态的在线工况自适应监测，从而提高刀具磨损状态监测准确率，有效的降低了生产成本、提高了生产效率和生产质量。

Description

一种工况自适应的高速铣削加工过程刀具监测方法及系统
技术领域
本发明涉及机械加工状态监测领域，主要是刀具磨损状态监测方法及系统，尤其涉及一种工况自适应的高速铣削加工过程刀具监测方法及系统。
背景技术
刀具磨损在难加工材料高速数控铣削加工过程中是一种普遍存在的现象，且随着加工时长的增加而不断增加，是一个不可逆过程。作为数控机床的关键部件，磨损程度不同的刀具对于加工零件的精度、效率和生产效益等都有着重要的影响。据工业统计数据表明，由于刀具过度磨损且未被及时发现而造成零件报废、机床故障停机的比例达到1/3。此外，刀具的磨损对于机床寿命甚至操作人员的人身安全都有重要的影响。因此，准确高效的刀具运行状态监测对于降低成本、提高生产效率和生产质量具有重要意义。
目前，根据检测原理可将刀具磨损监测分为直接监测和间接监测两种。直接监测主要是采用机器视觉技术，通过采集刀具磨损图像，运用图像处理检测刀具磨损的边界等，从而直接获取刀具当前的磨损量，得到刀具的磨损状态。直接检测可直接获取刀具磨损量，精度较高，但由于采集刀具磨损图像时需要机床停机，多用于离线检测，且由于图像采集受光源、现场油液环境等影响，因此刀具磨损直接检测技术没有得到广泛运用。间接监测主要是指通过监测与磨损量直接相关的切削力、振动、声发射等传感信号，以此来判断刀具当前的磨损状态。间接监测技术实现比较容易，且能够实现在线监测。同时，间接监测可以同时监测多种物理量，通过多传感数据融合、识别模型优化等可进一步提高监测的准确性，因此，间接监测目前被广泛的运用于刀具磨损监测。
在选定监测方法及所监测物理量的基础上，通过分析信号特征，构建有效算法进行刀具磨损状态识别。由于刀具磨损是一个时间序列且不可逆的过程，常用的人工神经网络和支持向量机等算法模型不能有效的处理时间序列；同时，当工况改变(切削条件、刀具尺寸等)时，基于原有工况训练的算法模型不能适应当前变化的工况，造成磨损状态识别准确率低下。
发明内容
本发明的目的是提供一种工况自适应的高速铣削加工过程刀具监测方法及系统，实现了对刀具磨损状态的在线工况自适应监测，从而提高刀具磨损状态监测准确率，有效的降低了生产成本、提高了生产效率和生产质量。
为解决上述技术问题，本发明采用如下技术方案：
一种工况自适应的高速铣削加工过程刀具监测方法，包括如下步骤：
(1)获取原始传感信号，测量刀具磨损量
采集不同铣削条件下的切削力、振动和声发射传感信号，测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量；
(2)信号预处理和特征提取
对采集到的原始传感信号进行预处理，消除与刀具磨损不相干的成分，并分别提取各信号的时域、频域和时频域特征；
(3)特征降维
采用去噪堆叠自编码器(SDAE)对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；
(4)磨损阶段划分
按照刀具实际磨损量，将不同工况下的刀具磨损特征向量分别分为多个磨损阶段；
(5)模型参数训练
将步骤(4)中划分的磨损阶段类别和步骤(3)中降维后的特征向量分别输入HSMM中，同时采用细菌觅食算法(BFOA)优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；
(6)磨损状态识别
实时采集待监测刀具传感信号，经由步骤(2)、(3)特征提取和特征降维之后，分别输入步骤(5)中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段。
进一步的，步骤(1)中采集到的原始特征信号共计七组，具体来说为x,y,z方向的切削力信号、x,y,z方向的振动信号、声发射信号。
进一步的，所述步骤(2)中：时域特征包括：均值、峰值、峰-峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子；频域特征包括：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度；时频域特征为6层小波包分解的64个频带能量所占百分比。
进一步的，所述步骤(3)采用的SDAE特征降维方法，由两个DAE堆叠而成，每个DAE为一个三层神经网络，包括输入层、中间层和输出层，分别做贪婪训练得到最优参数。原始高维特征信号归一化处理后作为第一个DAE输入层的输入，第一个DAE的中间层作为第二个DAE的输入层，第二个DAE的中间层即为降维后的特征数据；具体地包括如下步骤：
步骤3.1：原始高维特征信号[0,1]归一化处理；
步骤3.2：归一化后的高维特征做随机映射，添加环境噪声，增加特征信号抗干扰能力；
步骤3.3：归一化后的数据作为SDAE中第一个DAE输入层的输入，然后进行贪婪训练，得到第一个DAE的中间层输出；
步骤3.4：第一个DAE中间层的输出在随机映射之后作为第二个DAE输入层输入，第二个DAE做贪婪训练之后的中间层输出即为降维后的特征向量。
更进一步的，其中步骤(3)中第一个DAE中间层隐藏节点数小于高维特征数，第二个DAE中间层隐藏节点数小于第一个DAE中间层隐藏节点数，以此来达到降维的目的。
进一步的，所述步骤(4)中刀具磨损阶段分类采用的是泰勒刀具寿命曲线二阶导数的近10μm交叉点作为不同磨损阶段之间的边界。
进一步的，所述步骤(5)中：HSMM的训练参数包括隐藏状态数Q、初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ、各GMM组成分量个数K。其中隐藏状态数状态Q、各GMM组成分量个数K由BFOA优化得到；初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ由Baum-Welch算法迭代得到。
进一步的，所述步骤(6)中计算当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度采用的是KL散度，具体来说通过计算KL散度，可得到当前数据高斯混合模型(GMM)与各模型GMM分布之间的距离度量值，值越大，说明相似性越小，反之值越小，相似性越大；将该距离度量值[0,1]归一化后作为各模型输出似然概率的加权系数；具体包括如下步骤：
步骤6.1：实时采集监测刀具的七路传感信号；
步骤6.2：原始采集信号经过信号预处理、特征提取和SDAE特征降维后，得到低维特征向量；
步骤6.3：降维后的特征向量输入步骤五中训练的多工况下各阶段HSMM模型中，计算得到多工况下各阶段HSMM模型输出的似然概率；
步骤6.4：计算监测刀具特征向量的GMM分布以及多工况下各磨损阶段HSMM模型中的GMM分布，然后通过计算各GMM分布之间的距离度量值，得到相似性系数；
步骤6.5：将步骤6.3输出的似然概率和步骤6.4中得到的相似性系数分别加权相乘，得到多工况下各磨损阶段最终输出似然概率；
步骤6.6：通过比较步骤6.5中得到的最终输出似然概率，最大者即为当前刀具所处磨损阶段。
一种实现工况自适应的高速铣削加工过程刀具监测方法的系统，包括：
加速度传感器，用于监测和发送不同铣削条件下的三向振动信号(测量x,y,z方向的振动信号)；
三向测力仪，用于监测和发送不同铣削条件下的三向切削力信号；
声发射传感器，用于监测和发送不同铣削条件下的单向声发射信号；
数据采集模块，用于采集不同铣削条件下的三向振动信号、三向切削力信号以及单向声发射信号；
电子显微镜，用于测量刀具实际磨损量；
数据处理模块，用于信号预处理、特征提取以及相关处理；
状态识别模块，用于判断刀具当前所处磨损阶段。
与现有技术相比，本发明的有益技术效果：
(1)本发明采集刀具磨损的多种传感器信号并融合多传感器信号的有效信息，提取时域、频域和时频域的特征信号，避免了单一传感器精度低，监测稳定性差的问题，有效地提高了灵活性及监测准确性。
(2)本发明采用SDAE对原始高维特征信号进行降维，SDAE可自动提取高维特征信号中的最相关特征信息，减少噪声干扰，建立有效特征向量，大大减少后续识别算法计算量。
(3)本发明采用BFOA优化多工况下各磨损阶段的HSMM参数，可自动优化得出各磨损阶段最优参数，从而提高模型识别准确率。
(4)本发明采用多分支HSMM综合决策，将多工况下个磨损阶段的特征信号分别输入不同的HSMM中训练，并分别计算当前待识别刀具特征GMM与各HSMM模型GMM分布之间的相似度，并以此作为加权系数对最终结果进行综合决策，提高了模型的多工况适应能力，有效地提高了刀具磨损状态识别的准确率和稳定性。
附图说明
下面结合附图说明对本发明作进一步说明。
图1为本发明实施例提供的一种工况自适应的高速铣削加工过程刀具监测方法流程图；
图2为本发明实施例提供的SDAE特征降维网络结构图；
图3为本发明实施例提供的一种工况自适应的高速铣削加工过程刀具监测系统框图。
具体实施方式
实施例1
一种工况自适应的高速铣削加工过程刀具监测方法，包括以下步骤：
步骤1：获取原始传感信号，测量刀具磨损量
如图1所示，实施多组铣削实验，通过数据采集模块采集不同铣削条件下的三向振动信号、三向切削力信号以及单向声发射信号；同时，采用电子显微镜测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量。
步骤2：信号预处理和特征提取
对采集到的原始传感信号进行预处理并分别提取各信号的时域、频域和时频域特征。时域特征包括：均值、峰值、峰-峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子；频域特征包括：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度；时频域特征为6层小波包分解的64个频带能量所占百分比。
步骤3：特征降维
采用SDAE对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；
如图2所示，采用的SDAE特征降维方法由两个DAE堆叠而成，每个DAE为一个三层神经网络，包括输入层、中间层和输出层，分别做贪婪训练得到最优参数。原始高维特征信号归一化处理后作为第一个DAE输入层的输入，第一个DAE的中间层作为第二个DAE的输入层，第二个DAE的中间层即为降维后的特征数据；
具体包括如下步骤：
步骤3.1：原始高维特征信号[0,1]归一化处理；
步骤3.2：归一化后的高维特征做随机映射，添加环境噪声，增加特征信号抗干扰能力；
步骤3.3：归一化后的数据作为SDAE中第一个DAE输入层的输入，然后进行贪婪训练，得到第一个DAE的中间层输出；
步骤3.4：第一个DAE中间层的输出在随机映射之后作为第二个DAE输入层输入，第二个DAE做贪婪训练之后的中间层输出即为降维后的特征向量；
其中第一个DAE中间层隐藏节点数小于高维特征数，第二个DAE中间层隐藏节点数小于第一个DAE中间层隐藏节点数，以此来达到降维的目的。
步骤4：磨损阶段划分：根据电子显微镜测量的刀具实际磨损量，采用泰勒刀具寿命曲线二阶导数的近10μm交叉点作为不同磨损阶段之间的边界对刀具磨损阶段进行划分。
步骤5：模型参数训练：将步骤四中划分的磨损阶段类别和步骤三中降维后的特征向量分别输入HSMM中，同时采用BFOA优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；
其中：HSMM的训练参数包括隐藏状态数Q、初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ、各GMM组成分量个数K。其中隐藏状态数状态Q、各GMM组成分量个数K由BFOA优化得到；初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ由Baum-Welch算法迭代得到。
步骤6：磨损状态识别
待监测刀具传感信号，经由步骤2、3中特征提取和特征降维之后，分别输入步骤五中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段；
其中步骤6中计算当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度采用的是KL散度，具体来说通过计算KL散度，可得到当前数据高斯混合模型(GMM)与各模型GMM分布之间的距离度量值，值越大，说明相似性越小，反之值越小，相似性越大。将该距离度量值[0,1]归一化后作为各模型输出似然概率的加权系数；
具体地包括如下步骤：
步骤6.1：实时采集监测刀具的七路传感信号；
步骤6.2：原始采集信号经过信号预处理、特征提取和SDAE特征降维后，得到低维特征向量；
步骤6.3：降维后的特征向量输入步骤五中训练的多工况下各阶段HSMM模型中，计算得到多工况下各阶段HSMM模型输出的似然概率；
步骤6.4：计算监测刀具特征向量的GMM分布以及多工况下各磨损阶段HSMM模型中的GMM分布，然后通过计算各GMM分布之间的距离度量值，得到相似性系数；
步骤6.5：将步骤6.3输出的似然概率和步骤6.4中得到的相似性系数分别加权相乘，得到多工况下各磨损阶段最终输出似然概率；
步骤6.6：通过比较6.5中得到的最终输出似然概率，最大者即为当前刀具所处磨损阶段。
实施例2
如图3所示，一种实现工况自适应的高速铣削加工过程刀具监测方法的系统，包括：
加速度传感器，用于监测和发送不同铣削条件下的三向振动信号(测量x，y，z三向振动信号)；
三向测力仪，用于监测和发送不同铣削条件下的三向切削力信号；
声发射传感器，用于监测和发送不同铣削条件下的单向声发射信号；
数据采集模块，用于采集不同铣削条件下的三向振动信号、三向切削力信号以及单向声发射信号；
电子显微镜，用于测量刀具实际磨损量；
数据处理模块，用于信号预处理、特征提取以及相关处理；
状态识别模块，用于判断刀具当前所处磨损阶段。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种工况自适应的高速铣削加工过程刀具监测方法，其特征在于，包括如下步骤：
(1)获取原始传感信号，测量刀具磨损量
采集不同铣削条件下的切削力、振动和声发射传感信号，测量刀具实际磨损量，并保存测得的传感信号和刀具实际磨损量；
(2)信号预处理和特征提取
对采集到的原始传感信号进行预处理，消除与刀具磨损不相干的成分，并分别提取各信号的时域、频域和时频域特征；
(3)特征降维
采用去噪堆叠自编码器(SDAE)对提取到的多传感、多特征高维数据进行降维，得到最有效特征向量，减少噪声干扰，提高后续算法计算速度；
(4)磨损阶段划分
按照刀具实际磨损量，将不同工况下的刀具磨损特征向量分别分为多个磨损阶段；
(5)模型参数训练
将步骤(4)中划分的磨损阶段类别和步骤(3)中降维后的特征向量分别输入HSMM中，同时采用细菌觅食算法(BFOA)优化HSMM的参数，得到不同工况、不同磨损阶段的最优参数模型；
(6)磨损状态识别
实时采集待监测刀具传感信号，经由步骤(2)、(3)特征提取和特征降维之后，分别输入步骤(5)中所得各参数模型，计算各模型输出的似然概率以及当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度，将各模型之间的相似度作为加权系数对各模型输出的似然概率进行加权计算，最大者即为当前刀具所处磨损阶段。
2.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，步骤(1)中采集到的原始特征信号共计七组，具体来说为x,y,z方向的切削力信号、x,y,z方向的振动信号、声发射信号。
3.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(2)中：时域特征包括：均值、峰值、峰-峰值、均方根、斜度、峭度、峭度因子、方差、标准差、偏斜度、峰值因子、波形因子、脉冲因子和裕度因子；频域特征包括：信号能量、重心频率、频率方差、均方频率、功率谱均值、功率谱峰值、功率谱方差、功率谱峭度和功率谱裕度；时频域特征为6层小波包分解的64个频带能量所占百分比。
4.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(3)采用的SDAE特征降维方法，由两个DAE堆叠而成，每个DAE为一个三层神经网络，包括输入层、中间层和输出层，分别做贪婪训练得到最优参数。原始高维特征信号归一化处理后作为第一个DAE输入层的输入，第一个DAE的中间层作为第二个DAE的输入层，第二个DAE的中间层即为降维后的特征数据；具体地包括如下步骤：
步骤3.1：原始高维特征信号[0,1]归一化处理；
步骤3.2：归一化后的高维特征做随机映射，添加环境噪声，增加特征信号抗干扰能力；
步骤3.3：归一化后的数据作为SDAE中第一个DAE输入层的输入，然后进行贪婪训练，得到第一个DAE的中间层输出；
步骤3.4：第一个DAE中间层的输出在随机映射之后作为第二个DAE输入层输入，第二个DAE做贪婪训练之后的中间层输出即为降维后的特征向量。
5.根据权利要求4所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，其中步骤(3)中第一个DAE中间层隐藏节点数小于高维特征数，第二个DAE中间层隐藏节点数小于第一个DAE中间层隐藏节点数，以此来达到降维的目的。
6.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(4)中刀具磨损阶段分类采用的是泰勒刀具寿命曲线二阶导数的近10μm交叉点作为不同磨损阶段之间的边界。
7.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(5)中：HSMM的训练参数包括隐藏状态数Q、初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ、各GMM组成分量个数K。其中隐藏状态数状态Q、各GMM组成分量个数K由BFOA优化得到；初始概率πm、状态转移矩阵A、状态持续时间Pd、各隐状态下GMM的均值μ和协方差矩阵Σ由Baum-Welch算法迭代得到。
8.根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法，其特征在于，所述步骤(6)中计算当前数据高斯混合模型(GMM)与不同工况下各模型GMM之间的相似度采用的是KL散度，具体来说通过计算KL散度，可得到当前数据高斯混合模型(GMM)与各模型GMM分布之间的距离度量值，值越大，说明相似性越小，反之值越小，相似性越大；将该距离度量值[0,1]归一化后作为各模型输出似然概率的加权系数；具体包括如下步骤：
步骤6.1：实时采集监测刀具的七路传感信号；
步骤6.2：原始采集信号经过信号预处理、特征提取和SDAE特征降维后，得到低维特征向量；
步骤6.3：降维后的特征向量输入步骤五中训练的多工况下各阶段HSMM模型中，计算得到多工况下各阶段HSMM模型输出的似然概率；
步骤6.4：计算监测刀具特征向量的GMM分布以及多工况下各磨损阶段HSMM模型中的GMM分布，然后通过计算各GMM分布之间的距离度量值，得到相似性系数；
步骤6.5：将步骤6.3输出的似然概率和步骤6.4中得到的相似性系数分别加权相乘，得到多工况下各磨损阶段最终输出似然概率；
步骤6.6：通过比较步骤6.5中得到的最终输出似然概率，最大者即为当前刀具所处磨损阶段。
9.一种实现根据权利要求1所述的工况自适应的高速铣削加工过程刀具监测方法的系统，其特征在于，包括：
加速度传感器，用于监测和发送不同铣削条件下的三向振动信号；
三向测力仪，用于监测和发送不同铣削条件下的三向切削力信号；
声发射传感器，用于监测和发送不同铣削条件下的单向声发射信号；
数据采集模块，用于采集不同铣削条件下的三向振动信号、三向切削力信号以及单向声发射信号；
电子显微镜，用于测量刀具实际磨损量；
数据处理模块，用于信号预处理、特征提取以及相关处理；
状态识别模块，用于判断刀具当前所处磨损阶段。
CN201911399488.9A 2019-12-30 2019-12-30 一种工况自适应的高速铣削加工过程刀具监测方法及系统 Pending CN111085898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911399488.9A CN111085898A (zh) 2019-12-30 2019-12-30 一种工况自适应的高速铣削加工过程刀具监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911399488.9A CN111085898A (zh) 2019-12-30 2019-12-30 一种工况自适应的高速铣削加工过程刀具监测方法及系统

Publications (1)

Publication Number Publication Date
CN111085898A true CN111085898A (zh) 2020-05-01

Family

ID=70397832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911399488.9A Pending CN111085898A (zh) 2019-12-30 2019-12-30 一种工况自适应的高速铣削加工过程刀具监测方法及系统

Country Status (1)

Country Link
CN (1) CN111085898A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111716150A (zh) * 2020-06-30 2020-09-29 大连理工大学 一种刀具状态智能监测的进化学习方法
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
CN111890127A (zh) * 2020-08-06 2020-11-06 南京航空航天大学 基于在线增量磨损演化模型的切削状态边缘智能监控方法
CN112192319A (zh) * 2020-09-28 2021-01-08 上海交通大学 无监督模型的刀具磨损监测方法及系统
CN112207631A (zh) * 2020-09-21 2021-01-12 深圳市玄羽科技有限公司 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN112247674A (zh) * 2020-10-10 2021-01-22 北京理工大学 一种刀具磨损预测方法
CN112434613A (zh) * 2020-11-25 2021-03-02 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质
CN112589535A (zh) * 2020-11-25 2021-04-02 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质
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
CN114193229A (zh) * 2021-12-30 2022-03-18 中国航空工业集团公司金城南京机电液压工程研究中心 一种基于因果推断的变工况刀具磨损预测方法
CN114850969A (zh) * 2022-07-08 2022-08-05 成都飞机工业（集团）有限责任公司 一种基于振动信号的刀具失效监控方法
CN115213735A (zh) * 2022-09-20 2022-10-21 南京航空航天大学 一种铣削加工过程刀具状态监测系统及方法
CN117226600A (zh) * 2023-11-14 2023-12-15 四川工程职业技术学院 一种合金铣削中刀具磨损预测方法、装置、介质及设备
CN117961645A (zh) * 2024-03-29 2024-05-03 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法
CN112434613B (zh) * 2020-11-25 2024-06-07 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101549468A (zh) * 2009-04-24 2009-10-07 北京邮电大学 基于影像的刀具在线检测与补偿系统及方法
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
CN101758423A (zh) * 2008-12-23 2010-06-30 上海诚测电子科技发展有限公司 基于图像识别的旋转刀具状态多参数综合评价方法
CN102073300A (zh) * 2010-12-28 2011-05-25 华中科技大学 一种数控加工状态自学习的刀具磨损监控系统
CN102152172A (zh) * 2011-02-24 2011-08-17 天津大学 基于协整建模的刀具磨损监测方法
CN102689230A (zh) * 2012-05-09 2012-09-26 天津大学 基于条件随机场模型的刀具磨损状态监测方法
CN103105820A (zh) * 2012-05-22 2013-05-15 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
CN103264317A (zh) * 2013-05-16 2013-08-28 湖南科技大学 一种铣削加工刀具运行可靠性的评估方法
CN106002483A (zh) * 2016-05-04 2016-10-12 北京信息科技大学 一种智能刀具故障诊断方法
CN106181579A (zh) * 2016-08-23 2016-12-07 西安交通大学 一种基于多传感器电流信号的刀具磨损监测方法
CN107194427A (zh) * 2017-05-26 2017-09-22 温州大学 一种铣削刀具故障监测与识别方法及系统
CN107378641A (zh) * 2017-08-23 2017-11-24 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
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
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
CN109158954A (zh) * 2018-09-10 2019-01-08 杭州电子科技大学 一种基于声信号检测的超声刀具磨损状态识别方法与系统
CN109318055A (zh) * 2018-09-11 2019-02-12 温州大学苍南研究院 一种铣削刀具磨损状态特征提取多目标优化方法
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
CN110263873A (zh) * 2019-06-27 2019-09-20 华北电力大学 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101758423A (zh) * 2008-12-23 2010-06-30 上海诚测电子科技发展有限公司 基于图像识别的旋转刀具状态多参数综合评价方法
CN101549468A (zh) * 2009-04-24 2009-10-07 北京邮电大学 基于影像的刀具在线检测与补偿系统及方法
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
CN102073300A (zh) * 2010-12-28 2011-05-25 华中科技大学 一种数控加工状态自学习的刀具磨损监控系统
CN102152172A (zh) * 2011-02-24 2011-08-17 天津大学 基于协整建模的刀具磨损监测方法
CN102689230A (zh) * 2012-05-09 2012-09-26 天津大学 基于条件随机场模型的刀具磨损状态监测方法
CN103105820A (zh) * 2012-05-22 2013-05-15 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
CN103264317A (zh) * 2013-05-16 2013-08-28 湖南科技大学 一种铣削加工刀具运行可靠性的评估方法
CN106002483A (zh) * 2016-05-04 2016-10-12 北京信息科技大学 一种智能刀具故障诊断方法
CN106181579A (zh) * 2016-08-23 2016-12-07 西安交通大学 一种基于多传感器电流信号的刀具磨损监测方法
CN107194427A (zh) * 2017-05-26 2017-09-22 温州大学 一种铣削刀具故障监测与识别方法及系统
CN107378641A (zh) * 2017-08-23 2017-11-24 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
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
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
CN109158954A (zh) * 2018-09-10 2019-01-08 杭州电子科技大学 一种基于声信号检测的超声刀具磨损状态识别方法与系统
CN109318055A (zh) * 2018-09-11 2019-02-12 温州大学苍南研究院 一种铣削刀具磨损状态特征提取多目标优化方法
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
CN110263873A (zh) * 2019-06-27 2019-09-20 华北电力大学 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法

Cited By (19)

* 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
CN111716150A (zh) * 2020-06-30 2020-09-29 大连理工大学 一种刀具状态智能监测的进化学习方法
CN111890127B (zh) * 2020-08-06 2022-09-20 南京航空航天大学 基于在线增量磨损演化模型的切削状态边缘智能监控方法
CN111890127A (zh) * 2020-08-06 2020-11-06 南京航空航天大学 基于在线增量磨损演化模型的切削状态边缘智能监控方法
CN112207631A (zh) * 2020-09-21 2021-01-12 深圳市玄羽科技有限公司 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN112192319A (zh) * 2020-09-28 2021-01-08 上海交通大学 无监督模型的刀具磨损监测方法及系统
CN112247674A (zh) * 2020-10-10 2021-01-22 北京理工大学 一种刀具磨损预测方法
CN112434613A (zh) * 2020-11-25 2021-03-02 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质
CN112589535A (zh) * 2020-11-25 2021-04-02 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质
CN112434613B (zh) * 2020-11-25 2024-06-07 北京南洋思源智能科技有限公司 一种刀具状态监测方法及装置、设备、存储介质
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
CN114193229B (zh) * 2021-12-30 2023-12-12 中国航空工业集团公司金城南京机电液压工程研究中心 一种基于因果推断的变工况刀具磨损预测方法
CN114193229A (zh) * 2021-12-30 2022-03-18 中国航空工业集团公司金城南京机电液压工程研究中心 一种基于因果推断的变工况刀具磨损预测方法
CN114850969A (zh) * 2022-07-08 2022-08-05 成都飞机工业（集团）有限责任公司 一种基于振动信号的刀具失效监控方法
CN115213735A (zh) * 2022-09-20 2022-10-21 南京航空航天大学 一种铣削加工过程刀具状态监测系统及方法
CN117226600A (zh) * 2023-11-14 2023-12-15 四川工程职业技术学院 一种合金铣削中刀具磨损预测方法、装置、介质及设备
CN117961645A (zh) * 2024-03-29 2024-05-03 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法
CN117961645B (zh) * 2024-03-29 2024-05-28 中国矿业大学 一种面向小样本噪声数据的刀具磨损软测量方法

Similar Documents

Publication Publication Date Title
CN111085898A (zh) 一种工况自适应的高速铣削加工过程刀具监测方法及系统
US20210364482A1 (en) Prediction method of part surface roughness and tool wear based on multi-task learning
CN109396953B (zh) 基于信号融合的机床工作状态智能辨识系统
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
CN113664612A (zh) 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法
CN111716150B (zh) 一种刀具状态智能监测的进化学习方法
CN111275024B (zh) 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法
CN113496312A (zh) 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN110561191A (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
CN113369994A (zh) 一种高速铣削过程刀具状态监测方法
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
Han et al. ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system
CN113485244A (zh) 一种基于刀具磨损预测的数控机床控制系统及其方法
CN114871850B (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
Chaowen et al. Research on tool wear monitoring based on GRU-CNN
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN112783138A (zh) 生产线设备加工稳定性智能监控和异常诊断方法及装置
CN113043073A (zh) 一种刀具磨损及寿命预测方法及装置
Wang et al. Detection for cutting tool wear based on convolution neural networks
CN115564338A (zh) 面向多工况的数控机床关键部件集群性能评估方法
Zhou et al. Milling cutter wear prediction based on bidirectional long short-term memory neural networks
CN111993158B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质

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: 20200501