CN111476430A - 一种基于机器学习回归算法的刀具剩余寿命预测方法 - Google Patents
一种基于机器学习回归算法的刀具剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111476430A CN111476430A CN202010315858.2A CN202010315858A CN111476430A CN 111476430 A CN111476430 A CN 111476430A CN 202010315858 A CN202010315858 A CN 202010315858A CN 111476430 A CN111476430 A CN 111476430A
- Authority
- CN
- China
- Prior art keywords
- regression
- tool
- life
- cutter
- residual life
- 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 30
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 11
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 41
- 238000005299 abrasion Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 2
- 238000003754 machining Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明涉及机床刀具剩余寿命预测领域,公开了一种基于机器学习回归算法的刀具剩余寿命预测方法,包括模型训练和在线寿命预测两部分,模型训练包括完整寿命周期的原始数据收集并和刀具实际寿命建立对应关系、信号预处理、提取信号特征构成特征向量、交叉验证获取最优刀具寿命模型、超参数调优;在线寿命预测部分包括实时数据采集、信号预处理、提取信号特征构成特征向量、输入基于最优超参数的最优刀具寿命模型、输出刀具的剩余寿命。本发明模型训练时每个通道提取的特征值数量多,因此训练精度高,刀具剩余寿命预测准确,并建立刀具的剩余寿命智能预测模型,能够根据不同的工况环境智能化选择不同的回归模型,模型的泛化性能好、移植性强。
Description
技术领域
本发明涉及机床刀具剩余寿命预测领域,特别是涉及一种基于机器学习回归算法的刀具剩余寿命预测方法。
背景技术
在切削加工领域,刀具的状态及其寿命是加工过程中主要关注的对象,刀具剩余寿命(磨耗程度)是影响加工工件质量的关键因子,刀具失效可能造成工件表面粗糙度和尺寸精度的下降,或造成更严重的工件报废或机床受损。采取过度的保护策略又会造成刀具剩余寿命的浪费以及不必要的换刀停机时间浪费。将有效地优化工作排程且降低刀具采购成本。因此为了避免刀具磨损失效引起刀具破损,损坏零件和机床,人们需要预测刀具的剩余寿命,当刀具剩余寿命不足以完成此次加工时,提醒操作者及时更换刀具,合理安排生产进度且降低刀具采购成本。
传统的刀具剩余寿命预测方法主要分为两种,第一种采用累计刀具当量切削时间的方法来评估刀具的寿命,这种传统的寿命预测方法不适合复杂工况下的情况且会造成大量刀具的保守,已经逐渐地不再适应现代化制造的发展。另一种是基于某个机器学习算法模型进行回归预测,这通寿命预测方法虽然能够预测刀具的寿命,但是适用范围比较狭窄、模型单一、准确率不高。
发明内容
有鉴于此,本发明提供的一种基于机器学习回归算法的刀具剩余寿命预测方法,至少能够部分的解决现有技术中存在的问题,为了达到上述目的,本发明采取的技术方案为:
一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,包括模型训练和在线寿命预测两部分,所述模型训练部分包括如下步骤:
100、利用多通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床多个关键点的加速度信号并储存,用刀具磨损量在线自动测量系统获取刀具实时剩余寿命,将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应;
101、对采集的加速度信号进行信号预处理;
102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取;
103、将所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量同时输入回归模块,采用交叉验证的方式对回归模块中的每个模型进行训练,选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型;
104、对最优刀具剩余寿命模型进行超参数调优,得到基于最优超参数的最优刀具剩余寿命模型;
所述在线寿命预测部分包括如下步骤:
200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存;
201、对采集的加速度信号进行信号预处理,预处理的方法和模型训练的步骤101相同;
202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取,提取的特征和模型训练的步骤102相同,所有通道每一秒的特征值构成一个一维特征向量;
203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型,输出该时刻对应的刀具剩余寿命。
进一步地,步骤101的预处理包括如下步骤:
1011、删除设备停机状态的下的数据;
1012、根据三西格玛原则剔除异常数据,然后过滤掉高频噪声信号,并将每个通道的加速度信号重采样为8kHz;
1013、对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取加速度信号对应的速度信号和包络信号。
进一步地,步骤102中每种信号提取的时域特征包括有绝对均值、峰值、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数,提取的频域特征包括有重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峰稳定指数、第一频带相对能量、第二频带相对能量、第三频带相对能量、第四频带相对能量和第五频带相对能量,即每种信号每秒共提取24个特征值,每个通道的三种信号每秒共提取72个特征值。
进一步地,步骤103中的回归模块中包括但不限于以下模型:随机树、多项式回归、岭回归、套索回归、最小二乘回归、样条回归、弹性网络回归、高斯过程回归、随机森林、梯度提升树、ARD自相关回归、贝叶斯线性回归、感知器回归、被动攻击回归、SGD随梯度下降回归、正交匹配跟踪回归、神经网络回归。
进一步地,步骤104中超参数调优的具体方法为:针对步骤103所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量,将最优刀具剩余寿命模型的超参数空间里的每个预设参数值逐一输入最优刀具剩余寿命模型,获取均方误差MSE最小的超参数作为最优超参数。
本发明相比现有技术具有以下明显的优点:
1、模型训练时每个通道提取的特征值数量多,因此训练精度高,刀具剩余寿命预测准确;
2、建立刀具的剩余寿命智能预测模型,能够根据不同的工况环境智能化选择不同的回归模型,模型的泛化性能好、移植性强。
附图说明
图1为本发明的模型训练和实时刀具剩余寿命预测的流程图;
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,下文中将结合附图对本发明的实施例进行详细说明。
如图1所示,本实施例包括模型训练和在线寿命预测两部分,模型训练部分包括如下步骤:
100、利用3通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床3个关键点的加速度信号并储存,用刀具磨损量在线自动测量系统获取刀具实时剩余寿命,刀具剩余寿命获取方法可参考王强、李迎光、郝小忠等2019年发表于《航空制造技术》期刊的论文“基于在线学习的数控加工刀具寿命动态预测方法”,将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应;
101、对采集的加速度信号进行信号预处理,预处理包括如下步骤:
1011、删除设备停机状态的下的数据;
1012、根据三西格玛原则剔除异常数据,然后过滤掉高频噪声信号,并将每个通道的加速度信号重采样为8kHz;
1013、对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取加速度信号对应的速度信号和包络信号。
102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取,提取的时域特征包括有绝对均值、峰值、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数,提取的频域特征包括有重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峰稳定指数、第一频带相对能量、第二频带相对能量、第三频带相对能量、第四频带相对能量和第五频带相对能量,这些特征的计算公式参见表1,即每种信号每秒共提取24个特征值,每个通道的三种信号每秒共提取72个特征值。
表1提取的刀具时频域特征的计算公式
备注:xi为时域信号,f为信号的频率,Fs为信号的采样频率,p(f)为信号的功率谱,Bf为信号每一频带的宽度,且Bf=Fs/10。
假设每个特征值用x(a,b,c)来表示,其中a表示时间编号,b表示通道编号,c表示特征值编号,特征值按照加速度信号时域特征、加速度信号频域特征、速度信号时域特征、速度信号频域特征、包络信号时域特征、包络信号频域特征的顺序编号,例如,x(1,2,26)表示第1秒钟第2通道提取的第26个特征值,即为其速度信号的峰值xp,假设刀具的完整寿命周期为T秒,则第1秒获取的所有3个通道的特征值构成一个1行72列特征向量:
[x(1,1,1),x(1,1,2)…x(1,1,72),x(1,2,1),x(1,2,2)…x(1,2,72),x(1,3,1),x(1,3,2)…x(1,3,72)]
此向量对应的刀具剩余寿命为T-1秒,因为此时刀具使用了1秒;
同理,第2秒获取的所有3个通道的特征值构成一个1行72列特征向量:
[x(2,1,1),x(2,1,2)…x(2,1,72),x(2,2,1),x(2,2,2)…x(2,2,72),x(2,3,1),x(2,3,2)…x(2,3,72)]
此向量对应的刀具剩余寿命为T-2秒,因为此时刀具使用了2秒;
以此类推,第T秒获取的所有3个通道的特征值构成一个1行72列特征向量:
[x(T,1,1),x(T,1,2)…x(T,1,72),x(T,2,1),x(T,2,2)…x(T,2,72),x(T,3,1),x(T,3,2)…x(T,3,72)]
此向量对应的刀具剩余寿命为0秒,因为此时刀具已经使用了T秒(寿命结束了);
将所有通道每秒提取的特征值构成一个T行72列特征向量:
其对应的刀具剩余寿命构成一个T行1列特征向量:
103、将所有通道每秒提取的特征值构成的特征向量
和对应的刀具剩余寿命构成的特征向量
同时输入回归模块,采用交叉验证的方式对回归模块中的每个模型进行训练,回归模块中包括但不限于以下模型:随机树、多项式回归、岭回归、套索回归、最小二乘回归、样条回归、弹性网络回归、高斯过程回归、随机森林、梯度提升树、ARD自相关回归、贝叶斯线性回归、感知器回归、被动攻击回归、SGD随梯度下降回归、正交匹配跟踪回归、神经网络回归。选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型;
104、对最优刀具剩余寿命模型进行超参数调优,每个回归模型都提前预设了超参数空间,步骤103中进行交叉验证时每个模型的超参数采用的是系统默认值,本步骤针对所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量,将最优刀具剩余寿命模型超参数空间里的每个超参数逐一输入最优刀具剩余寿命模型,获取均方误差MSE最小的超参数作为最优超参数,从而得到基于最优超参数的最优刀具剩余寿命模型;
所述在线寿命预测部分包括如下步骤:
200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存;
201、对采集的加速度信号进行信号预处理,预处理的方法和模型训练的步骤101相同;
202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取,提取的特征和模型训练的步骤102相同,所有通道每一秒的特征值构成一个一维特征向量:
[x(r,1,1),x(r,1,2)…x(r,1,72),x(r,2,1),x(r,2,2)…x(r,2,72),x(r,3,1),x(r,3,2)…x(r,3,72)];
203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型,输出该时刻对应的刀具剩余寿命Treal。
本发明相比现有技术具有以下明显的优点:
1、模型训练时每个通道提取的特征值数量多,因此训练精度高,刀具剩余寿命预测准确;
2、建立刀具的剩余寿命智能预测模型,能够根据不同的工况环境智能化选择不同的回归模型,模型的泛化性能好、移植性强。
虽然本发明所揭露的实施方式如上,但其内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (5)
1.一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,包括模型训练和在线寿命预测两部分,所述模型训练部分包括如下步骤:
100、利用多通道加速度传感器采集刀具在一个完整的寿命周期下的刀具机床多个关键点的加速度信号并储存,用刀具磨损量在线自动测量系统获取刀具实时剩余寿命,将完整的寿命周期下所有通道每秒的加速度信号和刀具剩余寿命一一对应;
101、对采集的加速度信号进行信号预处理;
102、对预处理后所有通道完整寿命周期下的每一秒的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取;
103、将所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量同时输入回归模块,采用交叉验证的方式对回归模块中的每个模型进行训练,选择交叉验证后均方误差MSE最小的模型作为最优刀具剩余寿命模型;
104、对最优刀具剩余寿命模型进行超参数调优,得到基于最优超参数的最优刀具剩余寿命模型;
所述在线寿命预测部分包括如下步骤:
200、利用多通道加速度传感器实时采集刀具机床多个关键点每一秒的加速度信号并储存;
201、对采集的加速度信号进行信号预处理,预处理的方法和模型训练的步骤101相同;
202、对预处理后所有通道每一秒的加速度信号、速度信号、包络信号进行特征提取,提取的特征和模型训练的步骤102相同,所有通道每一秒的特征值构成一个一维特征向量;
203、将步骤202中的一维特征向量输入至由模型训练的步骤104得出的基于最优超参数的最优刀具剩余寿命模型,输出该时刻对应的刀具剩余寿命。
2.如权利要求1所述的一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,步骤101的预处理包括如下步骤:
1011、删除设备停机状态的下的数据;
1012、根据三西格玛原则剔除异常数据,然后过滤掉高频噪声信号,并将每个通道的加速度信号重采样为8kHz;
1013、对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取加速度信号对应的速度信号和包络信号。
3.如权利要求1所述的一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,步骤102中每种信号提取的时域特征包括有绝对均值、峰值、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数,提取的频域特征包括有重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峰稳定指数、第一频带相对能量、第二频带相对能量、第三频带相对能量、第四频带相对能量和第五频带相对能量,即每种信号每秒共提取24个特征值,每个通道的三种信号每秒共提取72个特征值。
4.如权利要求1所述的一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,步骤103中的回归模块中包括但不限于以下模型:随机树、多项式回归、岭回归、套索回归、最小二乘回归、样条回归、弹性网络回归、高斯过程回归、随机森林、梯度提升树、ARD自相关回归、贝叶斯线性回归、感知器回归、被动攻击回归、SGD随梯度下降回归、正交匹配跟踪回归、神经网络回归。
5.如权利要求1所述的一种基于机器学习回归算法的刀具剩余寿命预测方法,其特征在于,步骤104中超参数调优的具体方法为:针对步骤103所有通道每秒提取的特征值构成的特征向量和对应的刀具剩余寿命构成的特征向量,将最优刀具剩余寿命模型的超参数空间里的每个预设参数值逐一输入最优刀具剩余寿命模型,获取均方误差MSE最小的超参数作为最优超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315858.2A CN111476430A (zh) | 2020-04-21 | 2020-04-21 | 一种基于机器学习回归算法的刀具剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315858.2A CN111476430A (zh) | 2020-04-21 | 2020-04-21 | 一种基于机器学习回归算法的刀具剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476430A true CN111476430A (zh) | 2020-07-31 |
Family
ID=71755514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315858.2A Pending CN111476430A (zh) | 2020-04-21 | 2020-04-21 | 一种基于机器学习回归算法的刀具剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476430A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100777A (zh) * | 2020-11-16 | 2020-12-18 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN112160364A (zh) * | 2020-08-10 | 2021-01-01 | 中交第二航务工程局有限公司 | 一种基于tpot的铣槽机施工设定参数推荐方法 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
CN112781820A (zh) * | 2020-12-29 | 2021-05-11 | 浙江大学 | 一种滚刀性能退化趋势评估方法 |
CN113723016A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市信润富联数字科技有限公司 | 冲头剩余寿命预测方法、装置、系统与可读存储介质 |
CN113932707A (zh) * | 2021-08-29 | 2022-01-14 | 北京工业大学 | 基于弹性网络算法补偿三坐标测量机几何误差的方法 |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
CN114684096A (zh) * | 2022-03-08 | 2022-07-01 | 中南大学 | 一种基于多源数据融合的电磁阀寿命预测装置及方法 |
CN114812484A (zh) * | 2022-03-30 | 2022-07-29 | 有研工程技术研究院有限公司 | 一种楔焊劈刀有效寿命的高效检验方法 |
EP4184264A1 (de) | 2021-11-22 | 2023-05-24 | Schuler Pressen GmbH | Verfahren und vorrichtung zur überwachung eines zyklischen arbeitsprozesses |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
-
2020
- 2020-04-21 CN CN202010315858.2A patent/CN111476430A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
高宏力 等: "基于PCA和动态监测模型的刀具寿命在线检测技术" * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112160364B (zh) * | 2020-08-10 | 2022-10-18 | 中交第二航务工程局有限公司 | 一种基于tpot的铣槽机施工设定参数推荐方法 |
CN112160364A (zh) * | 2020-08-10 | 2021-01-01 | 中交第二航务工程局有限公司 | 一种基于tpot的铣槽机施工设定参数推荐方法 |
CN112100777B (zh) * | 2020-11-16 | 2021-02-02 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN112100777A (zh) * | 2020-11-16 | 2020-12-18 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及系统 |
CN112781820A (zh) * | 2020-12-29 | 2021-05-11 | 浙江大学 | 一种滚刀性能退化趋势评估方法 |
CN113932707A (zh) * | 2021-08-29 | 2022-01-14 | 北京工业大学 | 基于弹性网络算法补偿三坐标测量机几何误差的方法 |
CN113723016A (zh) * | 2021-11-01 | 2021-11-30 | 深圳市信润富联数字科技有限公司 | 冲头剩余寿命预测方法、装置、系统与可读存储介质 |
DE102021130482A1 (de) | 2021-11-22 | 2023-05-25 | Schuler Pressen Gmbh | Verfahren und Vorrichtung zur Überwachung eines zyklischen Arbeitsprozesses |
EP4184264A1 (de) | 2021-11-22 | 2023-05-24 | Schuler Pressen GmbH | Verfahren und vorrichtung zur überwachung eines zyklischen arbeitsprozesses |
CN114216558B (zh) * | 2022-02-24 | 2022-06-14 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
CN114684096B (zh) * | 2022-03-08 | 2023-02-17 | 中南大学 | 一种基于多源数据融合的电磁阀寿命预测装置及方法 |
CN114684096A (zh) * | 2022-03-08 | 2022-07-01 | 中南大学 | 一种基于多源数据融合的电磁阀寿命预测装置及方法 |
CN114812484A (zh) * | 2022-03-30 | 2022-07-29 | 有研工程技术研究院有限公司 | 一种楔焊劈刀有效寿命的高效检验方法 |
CN114812484B (zh) * | 2022-03-30 | 2024-02-13 | 中国有研科技集团有限公司 | 一种楔焊劈刀有效寿命的高效检验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476430A (zh) | 一种基于机器学习回归算法的刀具剩余寿命预测方法 | |
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
US9508042B2 (en) | Method for predicting machining quality of machine tool | |
CN110160462B (zh) | 一种大型深孔零件镗削过程圆度与直线度的检测方法 | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
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 | |
CN108490880A (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
CN110434676B (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
CN107728580B (zh) | 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 | |
CN103192292B (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
Liu et al. | Online monitoring and measurements of tool wear for precision turning of stainless steel parts | |
CN108445838A (zh) | 一种数控机床加工质量分析方法、分类器及设备 | |
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 | |
Han et al. | ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system | |
Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN115922442A (zh) | 基于主轴振动信号的刀具磨破损实时监控方法及相关装置 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
Tugengol’d et al. | Monitoring and control of tools in multifunctional machine tools | |
US20220193852A1 (en) | Monitoring method and system for machine tool | |
Wang et al. | Research on tool remaining life prediction method based on CNN-LSTM-PSO | |
CN111599348A (zh) | 一种机床加工过程监测信号的自动分段方法和系统 | |
US20220009049A1 (en) | Calibration-Based Tool Condition Monitoring System for Repetitive Machining Operations |
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: 20200731 |