CN111487924B - 一种基于生产线多源异构数据的刀具破损分析方法 - Google Patents
一种基于生产线多源异构数据的刀具破损分析方法 Download PDFInfo
- Publication number
- CN111487924B CN111487924B CN202010265604.4A CN202010265604A CN111487924B CN 111487924 B CN111487924 B CN 111487924B CN 202010265604 A CN202010265604 A CN 202010265604A CN 111487924 B CN111487924 B CN 111487924B
- Authority
- CN
- China
- Prior art keywords
- data
- source heterogeneous
- heterogeneous data
- cutter
- key
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000003754 machining Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 12
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000007514 turning Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000021474 generally recognized As safe (food) Nutrition 0.000 description 1
- 235000021473 generally recognized as safe (food ingredients) Nutrition 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种基于生产线多源异构数据的刀具破损分析方法,步骤如下:步骤一:分析刀具破损相关特征数据,找出反映刀具破损状况的关键的多源异构数据;步骤二:进行多次重复试验加工,在试验过程中采集关键多源异构数据;步骤三:融合步骤二中关键多源异构数据,寻找共同的信号特征,同步关键多源异构数据中每组信号的时序序列;步骤四:根据刀具破损状况结合共同的信号特征提取反应出刀具破损状况的关键多源异构数据特征;步骤五:结合关键多源异构数据特征,得到刀具破损识别关键阈值,实现刀具破损识别方法建模。本发明方法能够准确高效识别生产加工中刀具破损发生,可结合不同类型数据共同辨别加工情况,减少干扰影响,提高识别成功率。
Description
技术领域
本发明涉及一种基于生产线多源异构数据的刀具破损分析方法,它以数控加工过程质量控制为目标,通过加工试验采集到的动态信息和数控机床内部数据,及时准确识别出发生刀具破损的异常状态。适用于刀具保护、加工过程控制、智能制造加工等领域。
背景技术
机械切削加工是生产制造过程重要的组成部分。对于切削加工而言,刀具状况直接影响加工效率、加工精度、机床稳定性、制造结果等诸多问题。由于存在主轴转速、刀具状态、被加工件硬度、切深、温度、冷却液、刀具材料、加工参数等多方面影响,刀具可能在加工过程中出现失效甚至破损的情况。刀具破损,是指刀具加工过程中出现表面的崩裂,造成切削刃破坏或者断刀的情况。刀具破损影响加工效率,对工件精度有较大影响,甚至可能会影响机床状态,造成安全隐患。通过多源异构数据融合,实时分析刀具状态,识别刀具破损状态,对于切削加工的质量控制而言有重要的意义。
以往对于切削加工中刀具破损的实时监测往往着眼于单个或少量同类因素的检测,单种类型的数据往往只能代表一个方面的数据特征,容易受到干扰,也容易发生特征缺失,缺少准确性、稳定性的效果。而近些年随着传感器技术的快速发展,采集生产过程中的动态数据的难度大大降低,通过对生产线多源异构数据的监控,可以更好地监控加工过程。使用多源异构数据分析刀具破损情况,可以结合不同类型数据共同辨别加工情况,减少干扰的影响,提高识别成功率。本发明针对生产线刀具破损的识别的问题,考虑生产线中不同源、不同数据类型以及不同采样频率的多源异构数据各自的特点,提出了一种基于生产线多源异构数据的刀具破损分析技术,通过一系列加工试验,并在试验中采集相关多源异构数据,能够实现生产线刀具破损智能检测。
发明内容
在数控加工过程中,刀具破损影响加工效率、加工效果和生产安全,结合多源异构数据识别生产线中刀具破损状况十分重要。基于此,本发明的目的在于提供一种基于生产线多源异构数据的刀具破损分析方法,通过加工试验获取多源异构数据,分析数据的关系,对刀具破损状态进行识别,实现生产线刀具破损实时在线检测。
本发明提出了一种基于生产线多源异构数据的刀具破损分析方法。主要利用生产线中的多源异构数据,对生产加工中刀具的破损状态进行检测。本发明的具体实施步骤如下:
步骤一:分析刀具破损相关特征数据,找出能够反映刀具破损状况的关键的多源异构数据,并针对刀具破损状况分析多源异构数据的类型,设计采集关键多源异构数据的方法。
步骤二:针对所关注的生产线刀具破损问题,设计加工试验,进行多次重复试验加工,并在试验过程中采集步骤一中得出的关键多源异构数据。并在每次试验结束后分析刀具破损状况。
步骤三:融合步骤二中关键多源异构数据,寻找共同的信号特征,同步关键多源异构数据中每组信号的时序序列,分别给关键信号标记标签。
步骤四:根据刀具破损状况结合多源异构数据反应步骤三所述共同的信号特征提取反应出刀具破损状况的关键多源异构数据特征。
步骤五:结合步骤四所述的关键多源异构数据特征,得到刀具破损识别关键阈值,实现刀具破损识别方法建模。
其中,在步骤二中所述的“加工试验”,应当能够实现刀具破损状况并采集到可观数据。
其中,在步骤三所述的“共同的信号特征”,指的是多源异构数据中代表同一时刻同一次刀具破损发生时的信号特征。
其中,在步骤三所述的“同步关键多源异构数据中每组信号的时序序列”,指的是根据时间标记统一多源异构数据的相对关系,保证特征信号对应的是同一种状态或工况。信号的时序序列是一种动态数据,动态数据具有一个统一的特点,即通常来说利用时间戳作为每组数据的区分值,即主关键字,利用时间戳的特点构建如下所示结构对数据进行组织。数据1、数据2可以代表采集到的不同的实时数据,可以是实时采集的X方向切削力或当前切削噪声数据等,结合时间戳的序列性,可以更快的进行数据处理来保证计算效率,并节省存储空间,精确定位非结构数据的位置。
其中,在步骤三所述的“标记标签”,指的是给特殊的破损状况发生时的数据信号以特殊的标记,从而和正常加工状况以区分。
其中,在步骤四中所述的“多源异构数据特征”,指的是多源异构数据中经过数据处理得到的一些可以表征刀具破损发生的特征,包括冲击信号,具体指数据信号中出现的幅值比较大的冲击型信号,定义式I=MAX-MIN;上升沿,具体指数据信号中出现的短时间内上升幅度比较大的上升信号,定义式UP=HIGH-LOW;下降沿,具体指数据信号中出现的短时间内下降幅度比较大的下降信号,定义式DOWN=LOW-HIGH。其中,MAX和MIN表示一段数据中的最大值和最小值,HIGH和LOW表示两相邻数据中数值较高和较低的那一个。
其中,在步骤五中所述的“关键阈值”,指的是能够区分或识别刀具破损发生时多源异构数据特征和正常加工状态下数据特征的差异的阈值。在本发明中,首先分析外接传感器采集三个方向的振动信号和外界噪声信号,如果信号过大说明可能出现了刀具破损,之后同时分析数控机床主轴的负载信号,如果在这个时候也出现了下降沿,那么说明此时发生了刀具破损(见附图4)。
本发明一种基于生产线多源异构数据的刀具破损分析方法,优点在于:
①本发明是一种能够准确高效识别生产加工中刀具破损发生时的方法,面向的对象是加工过程中的动态信息,包括了机床内部的信息以及外界传感器采集到的信息,使得刀具破损识别能够及时准确。
②针对生产线刀具破损的识别的问题,考虑生产线中不同源、不同数据类型以及不同采样频率的多源异构数据各自的特点,使用多源异构数据分析刀具破损情况,可以结合不同类型数据共同辨别加工情况,减少干扰的影响,提高识别成功率。
附图说明
结合附图以及下面的详细描述,可更容易理解本发明的前述特征,其中:
图1a-d示出了本发明分析在刀具破损发生时外接传感器采集的三个方向的振动信号和外界噪声信号数据,图1a-c表示x、y、z三个方向的振动信号,图1d表示外界噪声信号;
图2示出了本发明分析在刀具破损发生时数控机床主轴负载的信号数据,横轴表示时间戳,纵轴表示数控机床主轴负载;
图3a-d示出了本发明分析在正常加工状况下可能出现的噪声干扰数据,图3a-c表示x、y、z三个方向的振动信号,图3d表示外界噪声信号;
图4示出了本发明结合多源异构数据的刀具破损分析方法的工作流程。
图5示出了本发明在识别刀具破损中出现并采集的负载下降沿信号。
图中序号、符号、代号说明如下:
x,y,z,s:三个方向的振动信号和外界噪声信号(见图1、图3)
具体实施方式
本发明的一个实施案例中,提供了一种生产线多源异构数据的刀具破损分析方法。在切削加工过程中,为了加工时出现的刀具破损,需要对加工过程特性与参数进行监控,为了更加准确地识别出刀具破损,需要通过本发明所提方法。
实施例
实验硬件和软件条件:
系统所需的硬件包括仪器硬件、软件平台硬件和测试平台硬件三类,仪器硬件有cDAQ-9185机箱,9234数据采集卡,GRAS 46AE声学传感器。这三件硬件设备组成了完整的传感器平台,可以将测得的数据用网卡传入接收端电脑。软件平台硬件是一台支持Framework4.5或以上版本的Windows 10操作系统电脑。该电脑承担了系统开发和数据采集接受存储的功能。测试平台硬件有DMG车铣复合机床(型号:CTX Gamma 2000TC),多件名义半径R:0.2mm外圆车刀,和用于测试的圆筒薄壁件。
一种生产线多源异构数据的刀具破损分析方法,具体步骤如下:
步骤一:分析刀具破损相关特征数据,找出能够反映刀具破损状况的关键的多源异构数据,并针对刀具破损状况分析多源异构数据的类型,设计采集关键多源异构数据的方法。针对所关注的刀具破损问题,使用车削加工作为案例。车削加工发生车刀破损时,容易出现振动冲击;同时,由于刀具破损之后切不到工件,数控机床主轴的负载在发生刀具破损之后短时间内降低。
其中,“特征数据”,主要是指刀具破损时可能出现的各种信号数据,如冲击信号、负载变化信号、电流波动信号、扭矩变化信号、弯矩变化信号、阶跃信号等。
其中,“多源异构数据”,主要是不同种类、不同来源共同表征生产线加工状态的数据。在本发明中,生产线主要将产生三种数据:情境信息、实时工况信息和历史工况信息。情境信息数据主要分为五大类:加工人员对象、加工设备对象、加工工艺对象、工件物料对象以及加工环境对象。实时工况信息需要采集产品加工过程的状态数据。历史工况信息需要感知的信息主要有三种:能够反映加工过程状态变化的物理变量,如主轴负载、进给轴电流、进给轴扭矩、进给轴负载、进给轴功率、主轴振动、加工噪声等;能够反映加工过程中的刀具信息,如刀具编号、刀具名称等;能够反映实际运行数控程序的数据,如当前执行程序行、当前执行程序名、当前主轴倍率、当前进给轴倍率等。
其中,“关键的多源异构数据”,主要是指能够与刀具破损状态相关的多源异构数据。
其中,“采集关键多源异构数据的方法”,主要是包括采集主轴三个方向的振动信号和外界噪声信号的方法和采集机床内部的数据信号的方法。振动信号和外界噪声信号可以用外接传感器采集;机床内部数据信号采集协议有OPC UA协议。本发明中,外接传感器包括三轴加速度传感器和声压传感器。三轴加速度传感器可以给出传感器所固定处三个方向的加速度信息,实际加工中需要将加速度传感器布置在主轴合适的地方,而声压传感器可以通过测量声压值反映加工状态,实际加工中需要放置在远离切削液的合适位置。OPC UA(Unified Architecture,统一架构)是下一代的OPC标准,通过提供一个完整的,安全和可靠的跨平台的架构,以获取实时和历史数据和时间。包括主轴负载、进给轴电流、进给轴功率、进给轴扭矩、进给轴负载、主轴转速倍率等类型数据。
步骤二:针对所关注的生产线刀具破损问题,设计相关加工试验,本实施例做车外圆加工试验,使用已经高度磨损即将发生破损的车刀,设定加工参数为:主轴转速300r/min,进给速度2000mm/min,切削深度1mm。在铣削过程中,用外接传感器采集三个方向的振动信号和外界噪声信号;通过OPC UA的方式采集机床内部的主轴负载信号。在本实施例中,外接传感器采样频率为51200Hz,OPC UA机床数据采样频率是10Hz。
步骤三:在所有采集到的数据中,融合多源异构数据,寻找共同的信号特征,同步信号的时序序列,分别给关键信号标记标签。在本专利中,需要从三个方向的主轴振动,切削噪声、主轴负载等过程变量的关键时域信号中对齐时间序列,找出信号的特征(见附图1a-d、2),同时还应该和正常加工时的外界信号作比较,找出可能出现的外界干扰(见附图3a-d)。
步骤四:根据刀具破损的工况,结合多源异构数据的实际数据,针对高频信号和低频信号,提取数据的特征。本实施例中,由于外接传感器采集三个方向的振动信号和外界噪声信号在发生刀具破损时会产生冲击,可以作为关键信号,但是同时也容易出现外界的冲击干扰,因此需要结合数控机床主轴负载共同分析加工状况。当刀具发生破损时,刀具切不到工件,数控机床主轴的负载在发生刀具破损之后短时间内降低,有下降沿,可以作为关键信号。
步骤五:结合数据特征,实现刀具破损识别方法建模。在本实施例中,首先分析外接传感器采集三个方向的振动信号和外界噪声信号,如果信号过大说明可能出现了刀具破损,之后同时分析数控机床主轴的负载信号,如果在这个时候也出现了下降沿,那么说明此时发生了刀具破损(见附图4)。下表展示了一次实验中机床主轴负载在发生刀具破损时的数值,数据折线图见附图5。
2.57568 | 2.61841 | 2.61841 | 2.83203 | 2.83203 | 2.50244 | 2.50244 | 2.64282 |
2.80762 | 2.41699 | 2.41699 | 2.98462 | 2.98462 | 2.92358 | 2.92358 | 2.50854 |
2.79541 | 2.96021 | 2.96021 | 2.48413 | 2.48413 | 2.90527 | 2.90527 | 2.90527 |
2.64893 | 2.81372 | 2.81372 | 2.88696 | 2.88696 | 2.6123 | 2.6123 | 2.64893 |
2.86255 | 2.85645 | 2.85645 | 2.87476 | 2.87476 | 2.88086 | 2.99683 | 2.99683 |
2.99072 | 2.99072 | 2.9541 | 2.9541 | 2.9541 | 2.9541 | 3.02124 | 3.02124 |
3.03345 | 3.03345 | 0.58594 | 0.58594 | 0.58594 | 0.58594 | 0.58594 | 0.95215 |
0.36621 | 0.36621 | 0.36621 | 0.3479 | 0.66528 | 0.66528 | 0.84229 | 0.84229 |
1.50757 | 1.50757 | 1.53198 | 1.53198 | 1.36719 | 1.36719 | 1.49536 | 1.49536 |
1.65405 | 1.65405 | 1.61743 | 1.61743 | 1.63574 | 1.63574 | 1.75781 | 1.75781 |
表1机床主轴负载数据
主轴负载在刀具破损时出现了下降沿,在本实验中,使用下降沿高度为原始数据大小的百分之七十作为阈值,超过此阈值说明出现了刀具破损。
Claims (4)
1.一种基于生产线多源异构数据的刀具破损分析方法,其特征在于:该方法步骤如下:
步骤一:分析刀具破损相关特征数据,找出能够反映刀具破损状况的关键的多源异构数据,并针对刀具破损状况分析多源异构数据的类型,设计采集关键多源异构数据的方法;
步骤二:针对所关注的生产线刀具破损问题,设计加工试验,进行多次重复试验加工,并在试验过程中采集步骤一中得出的关键多源异构数据;并在每次试验结束后分析刀具破损状况;
步骤三:融合步骤二中关键多源异构数据,寻找共同的信号特征,同步关键多源异构数据中每组信号的时序序列,分别给关键信号标记标签;
步骤四:根据刀具破损状况结合多源异构数据反应步骤三所述共同的信号特征提取反应出刀具破损状况的关键多源异构数据特征;
步骤五:结合步骤四所述的关键多源异构数据特征,得到刀具破损识别关键阈值,实现刀具破损识别方法建模。
2.根据权利要求1所述的一种基于生产线多源异构数据的刀具破损分析方法,其特征在于:步骤三所述的共同的信号特征,为多源异构数据中代表同一时刻同一次刀具破损发生时的信号特征。
3.根据权利要求1所述的一种基于生产线多源异构数据的刀具破损分析方法,其特征在于:步骤三所述的同步关键多源异构数据中每组信号的时序序列,是根据时间标记统一多源异构数据的相对关系,保证特征信号对应的是同一种状态或工况;信号的时序序列是一种动态数据,动态数据具有一个统一的特点,即利用时间戳作为每组数据的区分值,即主关键字,利用时间戳的特点构建如下所示结构对数据进行组织;数据1、数据2代表采集到的不同的实时数据,是实时采集的X方向切削力或当前切削噪声数据。
4.根据权利要求1所述的一种基于生产线多源异构数据的刀具破损分析方法,其特征在于:步骤四中所述的多源异构数据特征,是多源异构数据中经过数据处理得到的可以表征刀具破损发生的特征,包括冲击信号,具体指数据信号中出现的幅值比较大的冲击型信号,定义式I=MAX-MIN;上升沿,具体指数据信号中出现的短时间内上升幅度比较大的上升信号,定义式UP=HIGH-LOW;下降沿,具体指数据信号中出现的短时间内下降幅度比较大的下降信号,定义式DOWN=LOW-HIGH;其中,MAX和MIN表示一段数据中的最大值和最小值,HIGH和LOW表示两相邻数据中数值较高和较低的那一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265604.4A CN111487924B (zh) | 2020-04-03 | 2020-04-03 | 一种基于生产线多源异构数据的刀具破损分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265604.4A CN111487924B (zh) | 2020-04-03 | 2020-04-03 | 一种基于生产线多源异构数据的刀具破损分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487924A CN111487924A (zh) | 2020-08-04 |
CN111487924B true CN111487924B (zh) | 2021-08-24 |
Family
ID=71810842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010265604.4A Expired - Fee Related CN111487924B (zh) | 2020-04-03 | 2020-04-03 | 一种基于生产线多源异构数据的刀具破损分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487924B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031521A (zh) * | 2021-03-08 | 2021-06-25 | 西门子工厂自动化工程有限公司 | 数控机床的刀具监控系统和方法 |
CN114102261A (zh) * | 2021-12-27 | 2022-03-01 | 爱派尔(常州)数控科技有限公司 | 一种机床刀具安全检测方法、系统及机床 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3836834A (en) * | 1973-11-13 | 1974-09-17 | Atomic Energy Commission | Machine protection system |
US6131117A (en) * | 1997-12-29 | 2000-10-10 | Cisco Technology, Inc. | Technique for correlating logical names with IP addresses on internetworking platforms |
CN103324139B (zh) * | 2013-06-07 | 2016-02-24 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
CN205827213U (zh) * | 2016-07-29 | 2016-12-21 | 深圳市艾宇森自动化技术有限公司 | 一种刀具管理系统 |
CN107728580B (zh) * | 2017-10-18 | 2019-10-22 | 南京航空航天大学 | 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 |
CN109726228A (zh) * | 2018-11-01 | 2019-05-07 | 北京理工大学 | 一种大数据背景下的切削数据综合应用方法 |
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 |
-
2020
- 2020-04-03 CN CN202010265604.4A patent/CN111487924B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111487924A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6845340B2 (en) | System and method for machining data management | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
Ma et al. | A deep coupled network for health state assessment of cutting tools based on fusion of multisensory signals | |
CN104741638A (zh) | 一种车削刀具磨损状态监测系统 | |
CN111487924B (zh) | 一种基于生产线多源异构数据的刀具破损分析方法 | |
CN109834513B (zh) | 刀具状态检测系统及方法 | |
CN108227625A (zh) | 工具寿命推断装置 | |
CN101879690B (zh) | 一种基于多传感器信号的批量钻削工序质量监测方法 | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
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 | |
CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
CN110543147B (zh) | 分析装置、分析方法及记录了分析程序的计算机可读介质 | |
CN102323059B (zh) | 轴向铆装力及位移的轴铆轮毂轴承单元监控系统及方法 | |
CN111300148A (zh) | 一种电流信号监测刀具磨损的方法 | |
CN104101498A (zh) | 一种加工机床主轴轴承的实时故障检测方法及系统 | |
Huchel et al. | Chasing the cut: A measurement approach for machine tool condition monitoring | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN116186499A (zh) | 一种数控加工表面粗糙度预测方法 | |
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 | |
CN116922159B (zh) | 智能刀柄的加工方法及系统 | |
CN102764798A (zh) | 一种数控转塔冲床模具磨损在线检测系统及工作方法 | |
CN202683673U (zh) | 数控转塔冲床模具磨损在线检测系统 | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
CN114227378B (zh) | 一种夹具状态的检测方法、装置、终端和存储介质 | |
CN110889167B (zh) | 一种基于在线检测的直升机动部件质量监测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210824 |
|
CF01 | Termination of patent right due to non-payment of annual fee |