CN111633467A - 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 - Google Patents

一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 Download PDF

Info

Publication number
CN111633467A
CN111633467A CN202010411308.0A CN202010411308A CN111633467A CN 111633467 A CN111633467 A CN 111633467A CN 202010411308 A CN202010411308 A CN 202010411308A CN 111633467 A CN111633467 A CN 111633467A
Authority
CN
China
Prior art keywords
model
training
layer
wear state
network
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.)
Granted
Application number
CN202010411308.0A
Other languages
English (en)
Other versions
CN111633467B (zh
Inventor
李宏坤
杨国葳
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.)
Dalian University of Technology
Original Assignee
Dalian University of 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010411308.0A priority Critical patent/CN111633467B/zh
Publication of CN111633467A publication Critical patent/CN111633467A/zh
Application granted granted Critical
Publication of CN111633467B publication Critical patent/CN111633467B/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
    • B23Q17/0957—Detection of tool breakage
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，属于高速铣削加工技术领域。包括如下几个步骤：采集加工过程中机床主轴电机三相交流电信号，将其融合成电流有效值并做归一化处理，作为ODCAE网络的输入；利用CAE进行无监督预训练，保留由提取的短序列向量组成的编码部分，用来存储最优的权值信息；以无监督预训练阶段获得的权值作为有监督网络的初始权重，利用BP算法对网络进行有监督微调；完成网络的训练之后，将测试样本输入到训练好的ODCAE模型中，获得刀具不同磨损状态的识别结果。本发明可以避免繁琐的预处理手段，摆脱对专家经验的依赖，能够高效精确的识别出变工况条件下刀具的磨损状态，具有识别精度高，鲁棒性强的特点。

Description

一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
技术领域
本发明属于高速铣削加工技术领域，涉及到刀具磨损状态监测问题，具体为一种基于一维深度卷积自动编码器的刀具磨损状态监测方法。
背景技术
近年来，高速铣削加工领域已经成为先进加工制造业的重要组成部分，其优势在于极高的加工精度、极快的加工效率和极好的加工表面质量。在实际的加工生产过程中，刀具作为直接与被加工件接触的切削工具会不可避免的产生磨损现象。研究表明，由于刀具磨损和破损而导致的计划外停机是造成加工效率降低和生产成本提高的主要原因。因此，在加工过程中，对刀具状态进行实时监测具有重要意义。
刀具的状态监测主要分为直接监测法和间接监测法。直接监测法对刀具进行直接测量，主要包括光学图像法，接触式电阻测量法和放射性元素法。直接测量法的测量精度高，但是必须进行离线监测，会造成切削过程不连续，产生延长加工时间的问题，不利于实际应用。因此，越来越多的学者专注于间接监测法的研究。
目前主流的间接测量法主要是基于信号分析和机器学习算法，也是传统的刀具磨损状态监测方法。通常首先采集加工过程中的切削力信号，振动信号，电机电流与功率信号等，然后人为的对原始信号的时域、频域、时频域进行特征提取，最后采用机器学习算法，实现刀具磨损状态识别。如赵帅等对主轴电流信号的时域、频域、时频域进行特征提取，通过主成分分析(Principal Component Analysis，PCA)对提取的特征进行降维处理，最后利用随机森林得到刀具磨损的分级评估结果；程灿等通过遗传算法合理选择特征参数，利用支持向量机(Support vector machine，SVM)实现了刀具磨损量的预测；吕震宇等通过散布矩阵分析特征参数对刀具不同磨损状态的敏感程度并对高度敏感特征进行降维处理，最后利用隐马尔科夫模型(Hidden Markov Model，HMM)识别刀具磨损状态。但是上述方法存在的主要问题在于：一方面，人为的对原始数据进行预处理和特征参数提取会导致包含在原始信号中对刀具磨损状态敏感的特征信息未被利用，存在信息丢失的风险；另一方面，对原始数据进行特征筛选的过程十分依赖技术人员的信号处理技术和专业的诊断经验，远远达不到智能化要求，存在一定的局限性。
发明内容
为了解决现有技术存在的问题，本发明提供一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，该发明能够摆脱对信号处理技术和诊断经验等先验知识的依赖，自适应的提取隐藏在原始信号中对刀具磨损状态敏感的特征信息，具有识别精度高，适用性强的特点。
本发明的技术方案为：
所述一种基于一维卷积自动编码器的刀具磨损状态监测方法，其特征在于：包括以下步骤：
步骤1：样本数据获取和预处理：
利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值并做归一化处理；将所述经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的刀具磨损状态组合成为训练集和测试集；
步骤2：搭建一维深度卷积自动编码器模型；
所述一维深度卷积自动编码器模型由编码块、解码块和输出块三部分组成；
编码块包括输入信号、卷积层、ReLu激活层和池化层；解码块包括上采样层和卷积层；编码块以池化层作为输出层，输入至解码块以后，通过上采样和卷积操作实现输入信息的还原；在上采样操作中，采用复制插值的方法进行输出维度的扩张；输出块采用全局平均池化层、DropOut层和SoftMax分类器组成，产生整个模型的输出结果；
卷积层采用的卷积核数量为160、大小为13、步长为1，池化层池化大小为4，上采样操作步长为4；
步骤3：模型训练；
整个模型的训练过程分为无监督预训练和有监督微调两个阶段；
在无监督预训练阶段，利用Adam优化算法，以输入信号为目标值，以均方误差作为损失函数对步骤2搭建的网络的编码块和解码块进行无监督训练；均方误差函数MSE表示为：
Figure BDA0002493351830000021
其中，J表示损失函数值，H为样本个数，
Figure BDA0002493351830000022
表示第i个样本的网络输出，xi表示第i个输入样本；
在无监督预训练阶段结束以后，以训练后的编码块输出作为网络输出块的输入，以交叉熵作为损失函数，对网络的编码块和输出块进行有监督微调；交叉熵函数表示为：
Figure BDA0002493351830000023
其中，
Figure BDA0002493351830000024
表示网络预测结果，y表示真实结果，
Figure BDA0002493351830000025
表示网络SoftMax层的输出，yi表示样本标签，C表示磨损状态类别个数；
在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为20；每批样本结束训练以后，记录模型的损失值和识别准确率，以此作为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；
步骤4：采用步骤3获得的最终模型进行监测；
按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。
本发明的有益效果为：运用一维深度卷积自动编码器自适应的提取基于原始时域信号本身的表征刀具磨损状态的特征信息，有效地避免了繁琐的信号预处理过程，摆脱了传统刀具磨损状态监测技术对专家经验的依赖。具有多层次的特征表达能力，提高了数据特征的有效性。
附图说明
图1是本发明提供的基于一维深度卷积自动编码器的刀具磨损状态监测方法流程图；
图2是一维深度卷积自动编码器的结构框图；
图3是无监督预训练过程中输入信号和重构信号对比图，图中(a)为第一类磨损状态下输入信号和重构信号对比图，图中(b)为第二类磨损状态下输入信号和重构信号对比图，图中(c)为第三类磨损状态下输入信号和重构信号对比图，图中(d)为第四类磨损状态下输入信号和重构信号对比图，图中(e)为第五类磨损状态下输入信号和重构信号对比图，图中(f)为第六类磨损状态下输入信号和重构信号对比图；
图4是有监督微调过程中损失值变化过程；
图5是不同模型在验证集上的识别结果对比。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
本实施例中一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，附图1表示该刀具磨损状态监测方法流程图，包括以下步骤：
步骤1：样本数据获取和预处理：
利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相电流合成电流有效值并做归一化处理；将所述经过归一化预处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的刀具磨损状态组合成为训练集和测试集；
具体地，实验所用机床为台湾东昱精机公司生产的CMV-850A型立式加工中心，采用FANUC 0I-MC数控系统，主轴电机为FANUC公司生产的β12/8000i型三相异步电动机，主轴传动方式为同步带传动。铣削电流信号采用瑞士LEM公司生产的LT 108-S7型闭环霍尔效应电流传感器获得。刀具为台湾Di牌2刃硬质合金平头立铣刀，直径为12mm，螺旋角为30°；工件材料为40Cr。
为加快刀具磨损，实验采用干铣方式，并人为的将刀具磨损为6种不同的磨损状态。同时，为了测试模型在变工况条件下对刀具不同磨损状态的识别能力，在每种磨损状态下完成表1中9组不同加工参数切削实验，同时采集电流信号，采样频率为4K。
表1加工参数
Figure BDA0002493351830000041
将采集到的三相电流信号Iu，Iv，Iw融合为三相电流有效值Irms，具体公式如下：
Figure BDA0002493351830000042
将融合后的Irms值归一化至[0，1]区间，具体公式为：
Figure BDA0002493351830000043
式中Imax为电流有效值的最大值，Imin为电流有效值的最小值，以此作为网络模型的输入样本。
不同磨损状态在不同的加工条件下采集的样本数量均为200个，共获得1200个样本，每个样本大小为2048个点。样本标签根据刀具的不同磨损状态设定为1-6并转化为独热编码形式。取数据集的80％，即960个样本作为训练集，用于训练神经网络。剩余240个样本作为验证集，用来最终测试模型识别精度。具体数据集划分情况如表2所示。
表2数据集划分
Figure BDA0002493351830000044
步骤2：搭建一维深度卷积自动编码器模型；
如附图2所示，所述一维深度卷积自动编码器模型由编码块、解码块和输出块三部分组成；
编码块包括输入信号、卷积层、ReLu激活层和池化层；其中卷积核尺寸大小为13，卷积核数量为160，卷积步长为1，卷积后填充策略为有效模式，池化窗口大小为4。
解码块包括上采样层和卷积层；卷积层的参数设置和编码块相同；编码块以池化层作为输出层，输入至解码块以后，通过上采样和卷积操作实现输入信息的还原；上采样操作以复制插值的方法实现输出维度的扩张。即将上采样层的每一输入特征元素重复4次，赋值给待插入的序列位置，得到4倍于输入维度的特征维度。通过逐层叠加，得到与原始输入信号维度相同的输出特征。
输出块采用全局平均池化层、DropOut层和SoftMax分类器组成，产生整个模型的输出结果；DropOut层参数设置为0.5，即将全局平均池化层中的神经元以0.5的概率置零，防止模型过拟合。
步骤3：模型训练；
整个模型的训练过程分为无监督预训练和有监督微调两个阶段；
在无监督预训练阶段，利用Adam优化算法，以输入信号为目标值，以均方误差作为损失函数对步骤2搭建的网络的编码块和解码块进行无监督训练，预训练后不同磨损状态下重构信号与原始信号对比结果如图3(a)-(f)所示；均方误差函数MSE表示为：
Figure BDA0002493351830000051
其中，J表示损失函数值，H为样本个数，
Figure BDA0002493351830000052
表示第i个样本的网络输出，xi表示第i个输入样本；
在无监督预训练阶段结束以后，以训练后的编码块输出作为网络输出块的输入，以交叉熵作为损失函数，对网络的编码块和输出块进行有监督微调；交叉熵函数表示为：
Figure BDA0002493351830000053
其中，
Figure BDA0002493351830000054
表示网络预测结果，y表示真实结果，
Figure BDA0002493351830000055
表示网络SoftMax层的输出，yi表示样本标签，C表示磨损状态类别个数；
在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练，每批样本个数为20，图4为训练损失值变化曲线；每批样本结束训练以后，记录模型的损失值和识别准确率，以此作为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；
步骤4：采用步骤3获得的最终模型进行监测；
按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。
结合图5，采用三种不同的监测方法一维深度卷积神经网络(1DCNN)、堆叠降噪自动编码器(SDAE)和支持向量机(SVM)与本发明一种基于一维深度卷积自动编码器的刀具磨损状态监测方法进行对比验证，对比结果显示本发明提供的方法对不同磨损状态的识别率和平均识别率都较高，由此表明本方法能够更加准确的识别出刀具的不同磨损状态。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例仅用以说明本发明的技术方案，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明原理和宗旨情况下，在本发明的范围内可以对以上述实施例进行修改和替换。

Claims (2)

1.一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，其特征在于，包括以下步骤：
步骤1：样本数据获取和预处理：
利用闭环霍尔效应电流传感器采集不同刀具磨损状态下机床主轴电机三相交流电信号；将三相交流电信号合成电流有效值并做归一化处理；将所述经过归一化处理后的电流有效值信号进行分割，得到多个等长度的时间序列样本数据；根据分割得到的多个样本数据与对应的刀具磨损状态组合成为训练集和测试集；
步骤2：搭建一维深度卷积自动编码器模型；
所述一维深度卷积自动编码器模型由编码块、解码块和输出块三部分组成；
编码块包括输入信号、卷积层、ReLu激活层和池化层；解码块包括上采样层和卷积层；编码块以池化层作为输出层，输入至解码块以后，通过上采样和卷积操作实现输入信息的还原；在上采样操作中，采用复制插值的方法进行输出维度的扩张；输出块采用全局平均池化层、DropOut层和SoftMax分类器组成，产生整个模型的输出结果；
步骤3：模型训练；
整个模型的训练过程分为无监督预训练和有监督微调两个阶段；
在无监督预训练阶段，利用Adam优化算法，以输入信号为目标值，以均方误差作为损失函数对步骤2搭建的网络的编码块和解码块进行无监督训练；均方误差函数MSE表示为：
Figure FDA0002493351820000011
其中，J表示损失函数值，H为样本个数，
Figure FDA0002493351820000012
表示第i个样本的网络输出，xi表示第i个输入样本；
在无监督预训练阶段结束以后，以训练后的编码块输出作为网络输出块的输入，以交叉熵作为损失函数，对网络的编码块和输出块进行有监督微调；交叉熵函数表示为：
Figure FDA0002493351820000013
其中，
Figure FDA0002493351820000014
表示网络预测结果，y表示真实结果，
Figure FDA0002493351820000015
表示网络SoftMax层的输出，yi表示样本标签，C表示磨损状态类别个数；
在模型的整个训练过程中，使用批处理的方法分批对样本数据进行训练；批处理大小选定为20；每批样本结束训练以后，记录模型的损失值和识别准确率，以此作为模型识别效果的判断依据；在训练过程结束以后，选定损失值最小，识别准确率最高的模型作为最终模型；
步骤4：采用步骤3获得的最终模型进行监测；
按照步骤1的方式进行数据采集和预处理，获得时间序列样本；将时间序列样本输入到最终模型中获得当前时刻的刀具磨损状态。
2.根据权利要求1所述的一种基于一维深度卷积自动编码器的刀具磨损状态监测方法，其特征在于，卷积层采用的卷积核数量为160、大小为13、步长为1，池化层池化大小为4，上采样操作步长为4。
CN202010411308.0A 2020-05-15 2020-05-15 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 Active CN111633467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411308.0A CN111633467B (zh) 2020-05-15 2020-05-15 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411308.0A CN111633467B (zh) 2020-05-15 2020-05-15 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法

Publications (2)

Publication Number Publication Date
CN111633467A true CN111633467A (zh) 2020-09-08
CN111633467B CN111633467B (zh) 2021-07-16

Family

ID=72325574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411308.0A Active CN111633467B (zh) 2020-05-15 2020-05-15 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法

Country Status (1)

Country Link
CN (1) CN111633467B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113369993A (zh) * 2021-07-30 2021-09-10 温州大学 一种小样本下刀具磨损状态监测方法
CN113640244A (zh) * 2021-07-28 2021-11-12 湖南师范大学 一种基于可见近红外光谱的果树品种鉴别方法
CN113664612A (zh) * 2021-08-24 2021-11-19 沈阳工业大学 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
CN113798920A (zh) * 2021-09-23 2021-12-17 大连理工大学 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法
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
CN114346761A (zh) * 2022-01-06 2022-04-15 中国科学技术大学 一种基于改进条件生成对抗网络的刀具磨损状况检测方法
TWI763234B (zh) * 2020-11-27 2022-05-01 財團法人工業技術研究院 刀具狀態評估系統及方法
CN114800041A (zh) * 2022-05-06 2022-07-29 嘉兴南湖学院 一种刀具状态监测方法及其监测装置
CN114833636A (zh) * 2022-04-12 2022-08-02 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

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831746A (en) * 1993-02-25 1998-11-03 Ohio Electronic Engravers, Inc. Engraved area volume measurement system and method using pixel data
US20030144897A1 (en) * 2002-01-30 2003-07-31 Burruss James W. Finite life cycle demand forecasting
US20050222705A1 (en) * 2004-04-03 2005-10-06 Budd Gerald W Automatic detection system for broken tools in CNC machining centers using advanced machine vision techniques
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
JP2016087781A (ja) * 2014-10-30 2016-05-23 Ｊｆｅスチール株式会社 加工方法および加工装置
KR101626458B1 (ko) * 2015-02-06 2016-06-01 동명대학교산학협력단 공작기계의 공구이상 검출장치
CN107877262A (zh) * 2017-11-13 2018-04-06 华中科技大学 一种基于深度学习的数控机床刀具磨损监测方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN110355608A (zh) * 2019-07-18 2019-10-22 浙江大学 基于自注意力机制与深度学习的刀具磨损量预测方法
CN110421408A (zh) * 2019-07-02 2019-11-08 绍兴安迪自动化设备有限公司 一种刀具磨损状态的监测方法
CN110153802B (zh) * 2019-07-04 2020-05-01 西南交通大学 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831746A (en) * 1993-02-25 1998-11-03 Ohio Electronic Engravers, Inc. Engraved area volume measurement system and method using pixel data
US20030144897A1 (en) * 2002-01-30 2003-07-31 Burruss James W. Finite life cycle demand forecasting
US20050222705A1 (en) * 2004-04-03 2005-10-06 Budd Gerald W Automatic detection system for broken tools in CNC machining centers using advanced machine vision techniques
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
JP2016087781A (ja) * 2014-10-30 2016-05-23 Ｊｆｅスチール株式会社 加工方法および加工装置
KR101626458B1 (ko) * 2015-02-06 2016-06-01 동명대학교산학협력단 공작기계의 공구이상 검출장치
CN107877262A (zh) * 2017-11-13 2018-04-06 华中科技大学 一种基于深度学习的数控机床刀具磨损监测方法
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN109262368A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具失效判定方法
CN109262369A (zh) * 2018-09-13 2019-01-25 成都数之联科技有限公司 一种刀具状态检测系统及方法
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN110421408A (zh) * 2019-07-02 2019-11-08 绍兴安迪自动化设备有限公司 一种刀具磨损状态的监测方法
CN110153802B (zh) * 2019-07-04 2020-05-01 西南交通大学 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法
CN110355608A (zh) * 2019-07-18 2019-10-22 浙江大学 基于自注意力机制与深度学习的刀具磨损量预测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI763234B (zh) * 2020-11-27 2022-05-01 財團法人工業技術研究院 刀具狀態評估系統及方法
CN113640244A (zh) * 2021-07-28 2021-11-12 湖南师范大学 一种基于可见近红外光谱的果树品种鉴别方法
CN113640244B (zh) * 2021-07-28 2022-09-23 湖南师范大学 一种基于可见近红外光谱的果树品种鉴别方法
CN113369993A (zh) * 2021-07-30 2021-09-10 温州大学 一种小样本下刀具磨损状态监测方法
CN113664612A (zh) * 2021-08-24 2021-11-19 沈阳工业大学 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
CN113798920A (zh) * 2021-09-23 2021-12-17 大连理工大学 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法
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
CN114346761A (zh) * 2022-01-06 2022-04-15 中国科学技术大学 一种基于改进条件生成对抗网络的刀具磨损状况检测方法
CN114833636A (zh) * 2022-04-12 2022-08-02 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
CN114800041A (zh) * 2022-05-06 2022-07-29 嘉兴南湖学院 一种刀具状态监测方法及其监测装置
CN114800041B (zh) * 2022-05-06 2023-05-09 嘉兴南湖学院 一种刀具状态监测方法及其监测装置

Also Published As

Publication number Publication date
CN111633467B (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN111633467B (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
CN113798920B (zh) 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法
Dun et al. A chatter detection method in milling of thin-walled TC4 alloy workpiece based on auto-encoding and hybrid clustering
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
CN107877262B (zh) 一种基于深度学习的数控机床刀具磨损监测方法
Sun et al. Multiclassification of tool wear with support vector machine by manufacturing loss consideration
CN111716150B (zh) 一种刀具状态智能监测的进化学习方法
CN112435363B (zh) 一种刀具磨损状态实时监测方法
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
CN111126255A (zh) 基于深度学习回归算法的数控机床刀具磨损值预测方法
CN113780153A (zh) 一种刀具磨损监测和预测方法
CN113554621A (zh) 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法
Ochoa et al. New approach based on autoencoders to monitor the tool wear condition in HSM
CN111814728A (zh) 数控机床刀具磨损状态识别方法和存储介质
Oberle et al. A use case to implement machine learning for life time prediction of manufacturing tools
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
CN111881860B (zh) 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法
CN113780208A (zh) 一种基于对抗迁移学习的刀具磨损状态预测方法及装置
CN113458873B (zh) 一种刀具磨损量和剩余寿命预测的方法
CN114239810A (zh) 一种基于改进PCANet模型的铣刀磨损预测方法
CN112801139B (zh) 基于异构域自适应迁移学习的刀具磨损状态智能识别方法
CN113627544A (zh) 一种基于多源异构数据融合的机床铣刀状态识别方法
CN110020680B (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法
CN113523904A (zh) 一种刀具磨损检测方法

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