CN111782624A - 基于人工智能和大数据的机床刀具振动监控和分析方法 - Google Patents
基于人工智能和大数据的机床刀具振动监控和分析方法 Download PDFInfo
- Publication number
- CN111782624A CN111782624A CN202010549364.0A CN202010549364A CN111782624A CN 111782624 A CN111782624 A CN 111782624A CN 202010549364 A CN202010549364 A CN 202010549364A CN 111782624 A CN111782624 A CN 111782624A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- vibration
- cutter
- big data
- 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
Images
Classifications
-
- 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
-
- 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
- B23Q17/0971—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 by measuring mechanical vibrations of parts of the machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于人工智能和大数据的机床刀具振动监控和分析方法,该方法基于大数据的前提下,结合机器学习、深度学习等人工智能的方法对关键器件产生的振动信号进行特征提取、特征变换和特征学习,以实现对关键器件的监控和分析。本发明的有益效果是,振动分析具有特征提取简单、安装部署便捷、不破坏被测物体机体结构的优点。
Description
技术领域
本发明涉及领域,特别是一种基于人工智能和大数据的机床刀具振动监控和分析方法。
背景技术
随着科学技术的发展,振动及设备动态特性引起的的问题受到各行各业的高度关注。例如:机械加工设备的振动直接影响到加工的精度和有效性;大型旋转机械的振动信号直接反映了设备运转的主要信息。因此,振动信号的分析技术是机械动力学科的重要分支之一,是机械动力学工程应用的一个极为普遍的方面。随着设备朝着自动化、高速化的发展,振动引起的问题更为突出,需要解决的问题更为迫切。
传统的关键器件监控和分析技术基于声发射、电流、功率,扭矩等技术,通常来说所使用的传感器体积较大、价格昂贵、精度不高、安装受限、加工干涉等问题。所提取的特征信号往往灵敏度低,延迟高、信噪比高。传统的分析方法往往是基于过于简单的组合判断或过于复杂的数学建模,对特征信号处理的通用性和适用性都比较差,对于复杂问题的处理门槛较高。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于人工智能和大数据的机床刀具振动监控和分析方法。
实现上述目的本发明的技术方案为,一种基于人工智能和大数据的机床刀具振动监控和分析方法,该方法包括如下步骤:
步骤一,在离线模式下,先将实验采集到的原始振动信号进行前置处理,获得训练样本,再将训练样本输入到神经网络中进行训练,并将训练后的神经网络权值序列化到硬盘中,避免需要重复训练神经网络;将80%的收集数据用于训练,其余20%用于测试训练结果,将经过变换后的训练样本输入到神经网络中进行训练,训练的期望值为每个样本对应的刀具是否磨损;经过训练后的神经网络即有了对测试样本的预测能力,通过训练,神经网络可以很好的学习到各种信号频谱的特征,并能准确地识别出未知信号;
步骤二,进入在线模模式下,将已经训练好并序列化到硬盘上的神经网络权值文件加载到神经网络中,然后将传感器采集到的实时振动信号进行前置处理,所述前置处理是将原始振动信号经过大数据分布式批处理,从而得到待识别样本,然后将待识别样本输入到神经网络中,便能得到刀具磨损的预测值;大数据平台使用HDFS分布式文件存储,通过这种分布式存储架构可以通过横向扩展datanode的数量来增加承载能力,也即实现了动态横向扩展的能力。
所述步骤一中数据采集系统有振动传感器和数据采集卡共同组成;;所述实验采集到的原始振动信号是传感器通过磁力吸附在刀杆一侧靠近刀头处,然后再金属切削时产生的振动信号;所述振动信号有效频率一般不超过8000Hz;刀具为硬质合金刀片,以及该类型的规格完全相同的10把为进入磨损期的刀具和10把已经进入磨损期的刀具;刀具切削在数控机床上进行,主轴转速为800r/mi n,进给速度为40mm/mi n,切削深度为0.5mm;在该工况下对每把刀具进行一次车削实验,通过数据采集系统对每把刀采集数据30万个,耗时10s左右;采集到的原始振动信号存储到大数据平台中,等待前置处理。
所述步骤五一中训练过程包括4个步骤:
1)对训练样本进行特征工程,并输入到神经网络的输入层;
2)计算各层神经元的输出;
3)根据期望输出值,计算输出层神经元的误差;
4)根据误差的大小,调节神经元之间的权重;将所有训练样本分别输入到神经网络中进行训练,直至神经网络对所有训练样本的整体误差达到要求,则完成对神经网络的训练。
所述步骤二中,神经网络进行一次样本识别约需0.05ms,而对长度为1000的原始振动信号进行一次短时傅里叶变换约需0.04ms。
所述步骤二中通过大数据分布式批处理方式对原始振动信号的进行前置处理,其处理主要分为短时傅里叶和频段截取两个步骤;
首先,将原始的连续振动信号每1000个数据进行分割,则每把刀具获得300段长度为1000的振动时域信号,相当于加上了长度为1000的矩形窗;
其次,分别对每段信号进行傅里叶变换,得到其频域波形,典型的频域波形。
有益效果
利用本发明的技术方案制作的基于人工智能和大数据的机床刀具振动监控和分析方法,以大数据量技术为基础,结合机器学习、深度学习等人工智能的方法对关键器件产生的振动信号进行特征提取、特征变换和特征学习,以实现对关键器件的监控和分析;
本方法与传统的关键器件监控和分析技术相比,其振动分析具有特征提取简单、安装部署便捷、不破坏被测物体机体结构的优点
附图说明
图1是本发明所述基于人工智能和大数据的机床刀具振动监控和分析方法的系统原理示意图;
图2是本发明所述大数据分布式存储框架图;
图3是本发明所述对原始振动信号的进行前置处理后得到的频域波形图;
图4是本发明所述正常刀具经过前置处理后的样本波形图;
图5是本发明所述磨损刀具经过前置处理后的样本波形图。
具体实施方式
下面结合附图对本发明进行具体描述,如图1-5所示,在本技术方案中,如图1所示,在离线模式下,先将实验采集到的原始振动信号进行前置处理,获得训练样本,再将训练样本输入到神经网络中进行训练,并将训练后的神经网络权值序列化到硬盘中,避免需要重复训练神经网络。在在线模模式下,将已经训练好并序列化到硬盘上的神经网络权值文件加载到神经网络中,然后将传感器采集到的实时振动信号进行前置处理,得到待识别样本,将待识别样本输入到神经网络中,便能得到刀具磨损的预测值。
数据采集系统有振动传感器和数据采集卡共同组成。传感器通过磁力吸附在刀杆一侧靠近刀头处。金属切削时的振动信号有效频率一般不超过8000Hz。刀具为硬质合金刀片,以及该类型的规格完全相同的10把为进入磨损期的刀具和10把已经进入磨损期的刀具。刀具切削在数控机床上进行,主轴转速为800r/mi n,进给速度为40mm/mi n,切削深度为0.5mm。在该工况下对每把刀具进行一次车削实验,每把刀采集数据30万个,耗时10s左右。采集到的原始振动信号存储到大数据平台中,等待前置处理。
大数据平台使用HDFS分布式文件存储,如图2所示,具备高性能、多副本、高可用、弹性扩展等优点。如果客户端需要从某个文件读取数据,首先从基于人工智能和大数据的机床刀具振动监控和分析方法节点namenode获取该文件的位置(具体在哪个datanode),然后从该位置获取具体的数据。namenode是主备部署,而datanode则是由大量节点构成一个集群。由于元数据的访问频度和访问量相对数据都要小很多,因此namenode通常不会成为性能瓶颈,而datanode集群可以分散客户端的请求。因此,通过这种分布式存储架构可以通过横向扩展datanode的数量来增加承载能力,也即实现了动态横向扩展的能力。
经过大数据分布式批处理,对原始振动信号的进行前置处理。处理主要分为短时傅里叶和频段截取两个步骤。首先将原始的连续振动信号每1000个数据进行分割,则每把刀具获得300段长度为1000的振动时域信号,相当于加上了长度为1000的矩形窗。分别对每段信号进行傅里叶变换,得到其频域波形,典型的频域波形,如图3所示。
将80%的收集数据用于训练,其余20%用于测试训练结果。然后将经过变换后的训练样本输入到神经网络中进行训练,训练的期望值为每个样本对应的刀具是否磨损。
训练过程分为4个步骤:1)对训练样本进行特征工程,并输入到神经网络的输入层。2)计算各层神经元的输出。3)根据期望输出值,计算输出层神经元的误差。4)根据误差的大小,调节神经元之间的权重。将所有训练样本分别输入到神经网络中进行训练,直至神经网络对所有训练样本的整体误差达到要求,则完成对神经网络的训练。
经过前置处理后的样本如图4(正常刀具),图5所示(磨损刀具),可以看到正常刀具的幅值明显小于磨损刀具的幅值。不同的刀具对应的频域波形各具有自身的特点,这是从中获取刀具磨损信息的必要条件。然后这些特点分散在很多地方,且大多数特点并非同类型的每一个信号都具备。因此单纯人工选取个别特征作为判断标准,很容易发生误判现象。针对该问题,将这些频域波形作为训练样本,直接输入到神经网络中进行训练,训练后的神经网络能够学习到每种频谱较为全面的特征,因此可以很好地对未知信号做出准确的判断。
经过训练后的神经网络即有了对测试样本的预测能力。通过训练,神经网络可以很好的学习到各种信号频谱的特征,并能准确地识别出未知信号。神经网络进行一次样本识别约需0.05ms,而对长度为1000的原始振动信号进行一次短时傅里叶变换约需0.04ms。
本技术方案是以监测噪声和振动信号为基础的,噪声和振动信号中包含了大量反应机器运行状态的信息。通过关键元器件的噪声和振动信号的处理和分析,可反向推断机器产生振动和噪声的原因。在机械故障诊断中,运用噪声或振动强度的测定分析可以初步判断机器运行质量是否存在问题。通过信号滤波频谱等的分析可进一步判断出问题发生的部位和原因。另外,通过对机械噪声和振动信号的实时处理也可以对机器的未来状态进行监测和预报。
机器学习是实现人工智能的一种方法。机器学习是众多算法的集合,算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等。从学习方法上来分,机器学习算法可以分为监督学习、无监督学习、半监督学习、集成学习、深度学习和强化学习。深度学习是机器学习的一个分支。神经网络是实现深度学习的一种方式。
神经网络是模拟人脑思维方式的一种数学模型,在信号处理、模式识别等领域有着广泛的应用。神经网络具有很强的学习能力,泛化能力以及非线性映射能力,可以避开传统复杂的建模过程。人工提取的特征值必须能够反映刀具的磨损程度,需要有较强的稳定性。而由于实际信号十分复杂,特征体现在较多分散的地方,单纯通过人工选取有限个特征值往往不能全面细致地反映信号的特点,当某一特征值出现较大偏差时会对预测结果产生较大影响,使得这些方法的预测稳定性不强。针对以上问题,将振动信号变换为时域(波形合成、分解,幅值分布,统计特征)、频域(频谱分析,频率谱分析,倒频谱分析,细化谱分析)和时频域(短时傅里叶变换、小波分析)上的特征,并将这些特征作为训练样本,直接输入到神经网络中进行训练。充分利用神经网络自身的学习能力和非线性映射能力,使神经网络掌握这些频谱的特征,进而准确的识别振动信号特征。
机器学习和深度学习通常需要在大数据量下才能较好的工作。如果数据量较小,训练出的模型的泛化能力、容错能力、扩展能力可能会较差。
在机械加工过程中,设备上的刀具磨损通常分为三个阶段:1)初期磨损阶段(Ⅰ):由于刀具表面粗糙度粗或刀具表层组织不耐磨,因而在开始切削的短时间里磨损较快。2)正常磨损阶段(Ⅱ):由于刀具表面的高低不同及不耐磨表层在Ⅰ期已被磨去,刀面上的工作压强减小,而且均匀,所以磨损较Ⅰ期缓慢,这是刀具工作的有效期间。3)急剧磨损阶段(Ⅲ):超过了Ⅱ期阶段磨损值时,摩擦力加大,切削温度急剧上升,导致刀具磨损或烧损,失去切削力,这是急剧磨损阶段。使用刀具时应当避免进入这一阶段。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (5)
1.一种基于人工智能和大数据的机床刀具振动监控和分析方法,其特征在于,该方法包括如下步骤:
步骤一,在离线模式下,先将实验采集到的原始振动信号进行前置处理,获得训练样本,再将训练样本输入到神经网络中进行训练,并将训练后的神经网络权值序列化到硬盘中,避免需要重复训练神经网络;将80%的收集数据用于训练,其余20%用于测试训练结果,将经过变换后的训练样本输入到神经网络中进行训练,训练的期望值为每个样本对应的刀具是否磨损;经过训练后的神经网络即有了对测试样本的预测能力,通过训练,神经网络可以很好的学习到各种信号频谱的特征,并能准确地识别出未知信号;
步骤二,进入在线模模式下,将已经训练好并序列化到硬盘上的神经网络权值文件加载到神经网络中,然后将传感器采集到的实时振动信号进行前置处理,所述前置处理是将原始振动信号经过大数据分布式批处理,从而得到待识别样本,然后将待识别样本输入到神经网络中,便能得到刀具磨损的预测值;大数据平台使用HDFS分布式文件存储,通过这种分布式存储架构可以通过横向扩展datanode的数量来增加承载能力,也即实现了动态横向扩展的能力。
2.根据权利要求1所述的基于人工智能和大数据的机床刀具振动监控和分析方法,其特征在于,所述步骤一中数据采集系统有振动传感器和数据采集卡共同组成;;所述实验采集到的原始振动信号是传感器通过磁力吸附在刀杆一侧靠近刀头处,然后再金属切削时产生的振动信号;所述振动信号有效频率一般不超过8000Hz;刀具为硬质合金刀片,以及该类型的规格完全相同的10把为进入磨损期的刀具和10把已经进入磨损期的刀具;刀具切削在数控机床上进行,主轴转速为800r/min,进给速度为40mm/min,切削深度为0.5mm;在该工况下对每把刀具进行一次车削实验,通过数据采集系统对每把刀采集数据30万个,耗时10s左右;采集到的原始振动信号存储到大数据平台中,等待前置处理。
3.根据权利要求1所述的基于人工智能和大数据的机床刀具振动监控和分析方法,其特征在于,所述步骤五一中训练过程包括4个步骤:
1)对训练样本进行特征工程,并输入到神经网络的输入层;
2)计算各层神经元的输出;
3)根据期望输出值,计算输出层神经元的误差;
4)根据误差的大小,调节神经元之间的权重;将所有训练样本分别输入到神经网络中进行训练,直至神经网络对所有训练样本的整体误差达到要求,则完成对神经网络的训练。
4.根据权利要求1所述的基于人工智能和大数据的机床刀具振动监控和分析方法,其特征在于,所述步骤二中,神经网络进行一次样本识别约需0.05ms,而对长度为1000的原始振动信号进行一次短时傅里叶变换约需0.04ms。
5.根据权利要求1所述的基于人工智能和大数据的机床刀具振动监控和分析方法,其特征在于,所述步骤二中通过大数据分布式批处理方式对原始振动信号的进行前置处理,其处理主要分为短时傅里叶和频段截取两个步骤;
首先,将原始的连续振动信号每1000个数据进行分割,则每把刀具获得300段长度为1000的振动时域信号,相当于加上了长度为1000的矩形窗;
其次,分别对每段信号进行傅里叶变换,得到其频域波形,典型的频域波形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549364.0A CN111782624A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549364.0A CN111782624A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111782624A true CN111782624A (zh) | 2020-10-16 |
Family
ID=72755926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549364.0A Pending CN111782624A (zh) | 2020-06-16 | 2020-06-16 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782624A (zh) |
Cited By (6)
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 |
CN112518425A (zh) * | 2020-12-10 | 2021-03-19 | 南京航空航天大学 | 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 |
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 |
TWI766489B (zh) * | 2020-12-21 | 2022-06-01 | 財團法人工業技術研究院 | 用於工具機的加工監控方法及加工監控系統 |
CN115401524A (zh) * | 2022-08-19 | 2022-11-29 | 上汽通用五菱汽车股份有限公司 | 一种刀具振动信号监控方法、系统及介质 |
CN116690313A (zh) * | 2023-08-01 | 2023-09-05 | 成都飞机工业(集团)有限责任公司 | 一种飞机结构件腹板加工刀具失效监控方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
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 |
-
2020
- 2020-06-16 CN CN202010549364.0A patent/CN111782624A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
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 |
Cited By (8)
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 |
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 |
CN112518425A (zh) * | 2020-12-10 | 2021-03-19 | 南京航空航天大学 | 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 |
CN112518425B (zh) * | 2020-12-10 | 2022-10-04 | 南京航空航天大学 | 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 |
TWI766489B (zh) * | 2020-12-21 | 2022-06-01 | 財團法人工業技術研究院 | 用於工具機的加工監控方法及加工監控系統 |
CN115401524A (zh) * | 2022-08-19 | 2022-11-29 | 上汽通用五菱汽车股份有限公司 | 一种刀具振动信号监控方法、系统及介质 |
CN116690313A (zh) * | 2023-08-01 | 2023-09-05 | 成都飞机工业(集团)有限责任公司 | 一种飞机结构件腹板加工刀具失效监控方法 |
CN116690313B (zh) * | 2023-08-01 | 2023-12-12 | 成都飞机工业(集团)有限责任公司 | 一种飞机结构件腹板加工刀具失效监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111782624A (zh) | 基于人工智能和大数据的机床刀具振动监控和分析方法 | |
Madhusudana et al. | Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal | |
Al-Bugharbee et al. | A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling | |
Li et al. | A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM | |
Li | A brief review: acoustic emission method for tool wear monitoring during turning | |
CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
Shen et al. | Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
Hong et al. | Using neural network for tool condition monitoring based on wavelet decomposition | |
CN109318056A (zh) | 一种基于多种类传感器复合信号的刀具磨损监控方法 | |
Kuo et al. | Intelligent tool wear estimation system through artificial neural networks and fuzzy modeling | |
Chen et al. | Research on tool wear monitoring in drilling process based on APSO-LS-SVM approach | |
Wang et al. | A virtual sensing based augmented particle filter for tool condition prognosis | |
Gangadhar et al. | Fault diagnosis of single point cutting tool through vibration signal using decision tree algorithm | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Bonda et al. | Vibration signature based stability studies in internal turning with a wavelet denoising preprocessor | |
Kong et al. | Surface roughness prediction using kernel locality preserving projection and Bayesian linear regression | |
CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
Zhang et al. | Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm | |
Madhusudana et al. | Use of discrete wavelet features and support vector machine for fault diagnosis of face milling tool | |
Ferreira et al. | Feature selection using non-binary decision trees applied to condition monitoring | |
Nguyen et al. | Deep Stacked Auto-Encoder Network Based Tool Wear Monitoring in the Face Milling Process. | |
CN104708497A (zh) | 一种基于电流与声发射复合信号的刀具磨损监测系统 | |
Ibarra-Zarate et al. | Prediction of Inconel 718 roughness with acoustic emission using convolutional neural network based regression | |
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 |
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 |