CN112247674B - 一种刀具磨损预测方法 - Google Patents
一种刀具磨损预测方法 Download PDFInfo
- Publication number
- CN112247674B CN112247674B CN202011079075.5A CN202011079075A CN112247674B CN 112247674 B CN112247674 B CN 112247674B CN 202011079075 A CN202011079075 A CN 202011079075A CN 112247674 B CN112247674 B CN 112247674B
- Authority
- CN
- China
- Prior art keywords
- cutting
- gray level
- image
- surface texture
- sensor
- 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.)
- Active
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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及机械加工领域,具体涉及基于表面纹理特征与多传感信号特征融合的刀具磨损预测方法。本发明切削信号采集系统包括设置在卡盘上的卡爪、工件、设置在刀杆上的车刀片、内六角螺栓、测力仪传感器、高速照相机和振动传感器,所述刀杆通过内六角螺栓设置在测力仪传感器内,所述振动传感器设置在刀杆前端外侧上,所述工件通过卡爪设置在卡盘上;本发明利用测力仪传感器、振动传感器、高速照相机搭建了一套工件已加工表面纹理和多传感器切削信号采集装置,对加工后的表面纹理进行了灰度直方图均衡化处理,并计算了预处理后表面纹理的灰度共生矩阵,并对矩阵进行了能量、熵、惯性矩和相关性四种特征量的提取,用于监测刀具磨损。
Description
技术领域
本发明涉及机械加工领域,具体涉及基于表面纹理特征与多传感信号特征融合的刀具磨损预测方法。
背景技术
切削加工过程中,刀具磨损会降低工件的表面质量,并且会增大切削过程中的切削力和切削温度。为了获得合格的表面质量,避免不必要的损失,很有必要在切削加工的过程中监测刀具磨损状态。随着传感技术的发展和刀具监测系统的崛起,通过实时采集切削过程中的切削信号,并对切削信号进行时域、频域特征提取,形成特征集,然后利用回归分析预测刀具磨损状态成为了一种可能。目前,有关刀具磨损监测的研究大多数还停留在基于多传感器信号融合的基础上,表面纹理作为切削加工过程中一种重要的切削数据,其能够反映刀具磨损的程度,刀具处于正常磨损阶段时,工件的表面纹理状态规则有序,当刀具发生严重破损时,表面纹理会变得杂乱无章。另外,切削加工过程中往往包含多种类型的刀具和工件材料,仅仅实现特定刀具和材料组合下的刀具磨损监测是远远不够的。由此可见,目前刀具磨损监测的研究还存在着局限性,所得到的刀具磨损监测模型预测准确度不够高且预测模型普适性差。
发明内容
本发明所要解决的技术问题是提供一种考虑表面纹理特征,在采集多传感器信号的基础上,充分考虑表面纹理特征与多传感器信号特征的融合,在样本数据较少的前提下实现不同刀具与材料组合下的刀具磨损监测。
为解决以上技术问题,本发明采用如下的技术方案,本发明采用如下步骤:
①搭建切削信号采集系统;
所述切削信号采集系统包括设置在卡盘上的卡爪、工件、设置在刀杆上的车刀片、内六角螺栓、测力仪传感器、高速照相机和振动传感器,所述刀杆通过内六角螺栓设置在测力仪传感器内,所述振动传感器设置在刀杆前端外侧上,所述工件通过卡爪设置在卡盘上,所述高速照相机设置在工件已加工表面正上方;
②利用步骤①中的切削信号采集系统采集工件已加工表面的表面纹理进行预处理并进行特征提取;
201对高速照相机拍摄得到的表面纹理图像进行灰度图像预处理,将原始图像用f(x,y)表示,其灰度分布函数为1-D的离散函数,D表示图像范围,即:
其中,fk表示图像的灰度级k,nk是图像f中具有灰度k的像素点数,n是图像的像素点总个数,Pf表示灰度为k的像素点数所占的比例,通过累积分布函数将原始图像f的分布转化为均匀分布g,定义为:
grk=[gk]
由原图像的直方图计算出均衡化后各像素的灰度值grk,得到直方图均衡化后的表面纹理图像;202构建纹理与像素点的灰度和空间位置的灰度共生矩阵,并用图像灰度级之间的联合概率密度P(i,j,d,θ)表示,当灰度分为L级时,P为L×L的方阵;P(i,j,d,θ)表示空间中的距离为d,方向为θ,灰度是i和j中两个像素出现的概率,表示为:
P(i,j,d,θ)={(x,y)|f(x,y)=i,f(x+cosθ·d,y+sinθ·d)=j;x,y=0,1,...,L-1} (三)
203对矩阵进行特征量提取,通过对表面纹理图像的灰度共生矩阵计算,提取矩阵的相关特征量,包括能量、熵、惯性矩和相关性四种特征量:
其中E表示能量,S表示熵,I表示惯性矩,C表示相关性,P表示图像的灰度共生矩阵,P(i,j)表示矩阵中的元素,L表示像素点灰度级数,u1、u2、σ1、σ2表示与P(i,j)相关联的边缘分布的均值和标准偏差,其表达式如下:
③对步骤①中采集的切削力信号和振动信号进行特征提取;
④对步骤②和③中提取到的特征信号进行选择和转换;
401以表面纹理和多传感器信号特征为基础,进行特征量的转换,在切削速度为V,进给量为f,切削深度为ap的切削参数组合下的处理过程如下:
其中,α、β、κ为需要确定的系数,V0、f0、ap,0为计算得到的特征量作为转换基准时的名义切削参数,sf0为名义切削参数下计算得到的特征量,sfN为转换后的其他切削参数组合下的特征量,当保证以下表达式中的差值Δ最小时,即可确定α、β、κ的值;
402对各特征量数量级上的差别,进行归一化处理:
⑤基于步骤④中的特征信号,建立刀具磨损预测模型。
所述步骤③为:
ψ(t)为基本小波,其衰减条件为:
小波变换为:
其中a代表尺度参量,b代表位移参量,f(t)表示原始的时间序列信号,R表示积分的范围;302将相同切削参数下提取到的多传感器信号特征量与表面纹理特征量进行按行排列,形成数组矩阵,其中每一行表示一个样本,每一列表示一个特征,形成标准化的特征数据集。
所述步骤⑤为:
1-yi·(wTxi+b)≤0 (十五)
其中wT表示权重向量,wT=(w1,w2,...,wn),n表示特征值个数,b表示偏置;
503以均方误差和决策系数R2作为优化目标,利用网格搜索确定最优的参数组合,其满足;
其中n表示样本总数,yi表示第i个样本的实际刀具磨损值,yip表示第i个样本预测得到的刀具磨损值,MSE表示均方误差,R2表示决策系数。
本发明的积极效果如下:本发明利用测力仪传感器、振动传感器、高速照相机搭建了一套工件已加工表面纹理和多传感器切削信号采集装置,对加工后的表面纹理进行了灰度直方图均衡化处理,并计算了预处理后表面纹理的灰度共生矩阵,并对矩阵进行了能量、熵、惯性矩和相关性四种特征量的提取,用于监测刀具磨损;本发明对多传感器切削信号不仅考虑了信号的时域、频域特征量的提取,而且利用小波分析对多传感切削信号进行时-频域处理;本发明利用随机森林模型对得到的多特征集进行特征选择,实现数据降维,同时得到最优的子特征集;为了能够实现多种刀具和材料组合下的刀具磨损预测,同时对得到的最优子特征集进行转换处理,本发明最后建立基于支持向量机的刀具磨损预测模型,能够准确实现多种材料和刀具组合下的刀具磨损量预测,对于指导生产过程,提醒机床操作人员及时更换刀具,避免加工零件的报废具有积极作用。
附图说明
图1为刀具磨损预测总体流程图;
图2为表面纹理与多传感器信号采集系统图;
图3为采集得到的表面纹理和切削信号图;
图4为不同刀具磨损阶段下的表面纹理图;
图5为表面纹理的灰度共生矩阵图;
图6为随机森林模型特征选择结果图;
图7为包含表面纹理特征时的刀具磨损预测结果图;
图8为不同材料和刀具组合下的刀具磨损预测结果图;
在图中:1卡盘、2卡爪、3工件、4车刀片、5刀杆、6内六角螺栓、7测力仪传感器、8高速照相机、9振动传感器。
具体实施方式
下面结合附图和具体的切削实例对本发明进行详细说明。如图1所示,为实现表面完整性评价的总体流程图,其主要步骤如下:
①搭建表面纹理与多传感器切削信号采集系统;
如图2所示,所述的表面纹理和多传感器切削信号采集系统包括安装在卡爪2上的工件3,所述刀杆5通过内六角螺栓6固定在测力仪传感器7上;所述振动传感器9通过磁性吸附在刀杆5上,所述车刀片4通过螺钉固定在刀杆5上,所述高速照相机8放在机床的外面拍摄已加工后的表面纹理。之后使用所述的车刀片4车削工件3,在车削的过程中,完成了切削力、振动信号的采集,并在加工结束后,拍摄已加工表面的表面纹理。
②表面纹理预处理并进行特征量计算;
201对高速照相机拍摄到的表面纹理进行预处理并提取相关特征量;
202首先将已加工表面的图像进行灰度化,灰度化是将彩色图片转变为灰度图片,在本发明申请中采用加权平均值法对表面纹理图像进行灰度处理;
203高速照相机拍摄得到的表面纹理图像的灰度分布很不均匀,差异较大,因此须进行灰度图像的预处理,以消除因为光强和色泽不均带来的误差。所采用的预处理方法为直方图均衡化,将原始图像用f(x,y)表示,则其灰度分布函数是一个1-D的离散函数,D表示图像范围,即:
其中,fk表示图像的灰度级k,nk是图像f中具有灰度k的像素点数,n是图像的像素点总个数,Pf表示灰度为k的像素点数所占的比例。通过累积分布函数(CDF)可将原始图像f的分布转化为均匀分布g,定义为:
grk=[gk]
由原图像的直方图算出均衡化后各像素的灰度值grk,最终得到直方图均衡化后的表面纹理图像;
204纹理与像素点的灰度和空间位置有关,空间位置灰度分布的重复交替形成纹理。一阶灰度直方图与像素在空间的位置无关,没有描述领域像素的空间依赖关系。灰度共生矩阵是由图像灰度级之间的联合概率密度P(i,j,d,θ)构成的矩阵,反映了图像中任意两点之间灰度的空间相关性。通常使用P表示灰度共生矩阵,如果将灰度分为L级,则P为L×L的方阵。P(i,j,d,θ)表示空间中的距离为d,方向为θ,灰度是i和j中两个像素出现的概率,其为:
P(i,j,d,θ)={(x,y)|f(x,y)=i,f(x+cosθd,y+sinθd)=j;x,y=0,1,...,L-1}(三)
每个图像都可看作是一个三维曲面,曲面中相邻间距为d的两个像素点常有四种空间位置关系,水平,竖直,正45°和负45°,即θ=0°,90°,45°和-45°;
205灰度共生矩阵虽然可以反映刀具磨损状态,但是现象不明显,需对矩阵进行特征量提取,通过对表面纹理图像的灰度共生矩阵再计算,提取灰度共生矩阵中的相关特征量。其中,主要包括能量、熵、惯性矩和相关性。这四种特征量能够分别反映表面纹理的均匀性、复杂程度、清晰程度和线性依赖性;
其中E表示能量,S表示熵,I表示惯性矩,C表示相关性,P表示图像的灰度共生矩阵,P(i,j)表示矩阵中的元素,L表示像素点灰度级数,u1、u2、σ1、σ2表示与P(i,j)相关联的边缘分布的均值和标准偏差,其表达式如下:
③多传感切削信号的时域、频域特征量进行提取和计算;
301将切削力信号、振动信号从波形图中提取出来,进行均值(Mea)、标准差(RMS)、方差值(Var)、协方差(Cov)、偏度(Skew)、峰态系数(Kurt)时域特征量的提取;
302对切削信号进行傅里叶变换得到相应的频谱,得到切削力和振动信号的功率谱密度函数,在此基础上加矩形窗计算得到相应切削信号的功率谱,最后进行频段能量(FBE)、方差(Var)、均方频率(MSF)频域特征量的提取;
303傅里叶变换得到的频率特性是建立在信号完整的时间区域内,并不能反映切削信号时-频域特性。为此利用小波分析对切削力信号和振动信号进行时-频分析,设ψ(t)∈L(R)∩L2(R),其傅里叶变换为若其满足容许条件:
则称ψ(t)为基本小波,表明ψ(t)中不含直流,只含交流,具有振荡性。为使ψ(t)具有局部性,需加入一个衰减条件:
衰减条件要求小波具有局部性,这种局部称之为“小”,故称之为小波。小波变换定义为:
其中a代表尺度参量,b代表位移参量,用来定义小波的时频中心与半径,f(t)表示原始的时间序列信号,R表示积分的范围;
304通过小波分析后,原始传感信号被分解为低频分量和高频分量。在本发明申请中利用db6小波函数对切削力和振动信号进行5层小波分解,并分别计算不同频段的能量,得到小波分解各频段能量;
305将提取到的多传感器信号特征量与表面纹理特征量进行数据合并,形成标准化的特征数据集。
④对得到的特征集进行特征选择和转换;
401由于得到的特征数据集中包含多个特征量,这不仅会影响到计算速度,还会影响到刀具磨损预测的精度,为此需要先进行特征选择;
402利用随机森林模型对得到的特征集进行特征选择,选择出与刀具磨损最为相关的子特征集,当使用这个子特征集时,刀具磨损量的预测准确度最高;
403不同的材料和刀具组合得到的表面纹理图像、多传感器信号存在差异,这会影响到刀具磨损预测的准确度,为此需要对得到的表面纹理和多传感器信号进行再处理;
404以一种特定的材料和刀具组合下得到的表面纹理和多传感器信号特征为基础,对其他类型的材料和刀具组合,进行特征量的转换。在切削速度为V,进给量为f,切削深度为ap的切削参数组合下的处理过程如下:
其中α、β、κ为需要确定的系数,V0、f0、ap,0为计算到的特征量作为转换基准时的名义切削参数,sf0为名义切削参数下计算得到的特征量,sfN为转换后的其他切削参数组合下的特征量。当以下表达式中的差值Δ最小时,即可确定α、β、κ的值;
405最终得到的各个特征量存在数量级上的差别,这最终会对刀具磨损预测准确度产生很大的影响,为此需要进行归一化处理:
⑤建立刀具磨损预测模型;
501采用支持向量机搭建刀具磨损预测模型,支持向量机模型不依靠统计方法,可解释性强,最终决策函数只需少数的关键样本决定,而不是样本空间的维数,适用于建立刀具磨损预测模型;
502给定训练样本支持向量机的目标是找到一个回归模型f(x)=ωTx+b,使得回归值f(x)与真实值yi之间的差值最小,即1-yi·(wTxi+b)≤0,其中wT表示权重向量,wT=(w1,w2,...,wn),n表示特征值个数,b表示偏置。由于刀具磨损预测模型建立过程中这个表达式属于不等式约束问题,为此需要引入松弛变量将不等式约束优化转变为等式约束优化;
503由于步骤④得到的特征数大于两个,属于多维问题。在二维空间内并不能完全线性可分,因此通过引入函数其中σ表示方差,xi和xj表示数据集中两个不同的样本,将二维线性不可分的特征集映射到高维空间,使得特征集在高维空间内线性可分;
504由于支持向量机中的核参数γ和惩罚系数C影响模型的预测准确度,为此以均方误差和决策系数R2作为优化目标,利用网格搜索思想找到最优的参数组合:
其中n表示样本总数,yi表示第i个样本的实际刀具磨损值,yip表示第i个样本预测得到的刀具磨损值,MSE表示均方误差,R2表示决策系数;
505最后选择一小部分数据作为测试集,数据量大小一般为训练集的四分之一或者三分之一,用来验证模型的准确度。
本发明所述的测力仪传感器所采用的型号为Kistler 9022A,振动传感器型号为CT1050L ICP/IEPE,高速照相机型号为FR-600C。
实施例1
本部分主要基于上文所述开展车削试验,在不同的切削参数和刀具类型下车削不同型号的工件,在车削过程中采集切削力、振动信号,并在试验结束之后拍摄已加工表面的表面纹理。其中切削参数组合如表1所示:
表1:不同刀具和材料类型下的切削参数组合
本次试验所采用的材料为42CrMo、45CrNiMoVA、38CrSi,采用型号为DNMG150408GS、VBMT160408-F1 CP500、CNMG120408FP的刀片进行切削试验,试验平台为TC-HAWK150CNC,利用型号为Kistler 9057B的测力仪采集切削力,型号为CT1050L ICP/IEPE的振动传感器采集切削振动,型号为FR-600C的高速照相机拍摄已加工表面的表面纹理,其采集的原始数据如图3所示。
随着刀具磨损的变化,切削表面纹理将发生不规则的变化,如图4所示。首先需要将已加工表面的图像进行灰度化处理,便于后续的分析处理。利用加权平均值法实现彩色图片的灰度处理,为了消除因为光强和色泽不均带来的误差,对灰度化处理后的表面纹理进行直方图均衡化处理,将原图像的灰度直方图变换为分布均匀的直方图,增加像素的动态范围。表面纹理通过直方图处理后能够消除误差干扰,其不同磨损值下的灰度图片和灰度分布图以及直方图均衡化后的灰度图片和灰度分布图如图4所示。并按照如图5所示的方向计算表面纹理的灰度共生矩阵,并从中提取能量、熵、惯性矩和相关性四种特征量。
按照上述特征处理方法,对采集到的切削信号进行时域、频域和时-频域特征量的计算,其中切削力包含三个方向,振动信号包含两个方向。并将得到的特征量与表面纹理特征量进行汇总形成特征集,由于特征集中包含较多的特征量,这不仅会增加计算时间,并且会导致刀具磨损的预测准确度下降,为此利用随机森林模型,以均方误差和决策系数为准则,对得到的特征集进行特征选择,如图6所示。总共得到94种特征量,当保留14种特征量时,均方误差最小,决策系数最大。另外,不同的材料和刀具组合得到的表面纹理和多传感器切削信号存在差异,为此以试验组数1、4、7下计算得到的特征量为基准,对其他切削参数组合下得到的表面纹理特征量和多传感器切削信号特征量进行转换处理,保证数据的一致性,提高刀具磨损的预测准确度。
为了验证在刀具磨损预测模型中考虑表面纹理特征后能够提高刀具磨损的预测准确度,将特征集分为两部分,一部分特征集中包含表面纹理特征,而另外一部分中不包含表面纹理特征,而其余特征量完全一样,其刀具磨损预测结果如图7所示。当考虑表面纹理特征后,刀具磨损的预测准确度得到提高,特别是在刀具剧烈磨损阶段,当以均方误差为衡量标准时,刀具磨损预测结果的准确度提高了60%。
通过以上计算分析后,对其中5种特定的刀具和材料组合下的刀具磨损值进行预测,其预测结果如图8所示。其中计算得到的均方误差大约为9μm,决策系数R2为0.99,充分说明了模型的准确性和普适性。通过将以上模型模块化后,嵌入到后台系统中,便能够用于实际生产过程中刀具磨损量的预测。通过以上分析,说明了这种方法的可行性。
以上所述实施方式仅为本发明的优选实施例,而并非本发明可行实施的穷举。对于本领域一般技术人员而言,在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动,都应当被认为包含在本发明的权利要求保护范围之内。
Claims (3)
1.一种刀具磨损预测方法,其特征在于包括以下步骤:
①搭建切削信号采集系统;
所述切削信号采集系统包括设置在卡盘(1)上的卡爪(2)、工件(3)、设置在刀杆(5)上的车刀片(4)、内六角螺栓(6)、测力仪传感器(7)、高速照相机(8)和振动传感器(9),所述刀杆(5)通过内六角螺栓(6)设置在测力仪传感器(7)内,所述振动传感器(9)设置在刀杆(5)前端外侧上,所述工件(3)通过卡爪(2)设置在卡盘(1)上,所述高速照相机(8)设置在工件(3)已加工表面正上方;
②利用步骤①中的切削信号采集系统采集工件(3)已加工表面的表面纹理进行预处理并进行特征提取;
201对高速照相机(8)拍摄得到的表面纹理图像进行灰度图像预处理,将原始图像用f(x,y)表示,其灰度分布函数为1-D的离散函数,D表示图像范围,即:
其中,fk表示图像的灰度级k,nk是图像f中具有灰度k的像素点数,n是图像的像素点总个数,Pf表示灰度为k的像素点数所占的比例,通过累积分布函数将原始图像f的分布转化为均匀分布g,定义为:
grk=[gk]
由原图像的直方图计算出均衡化后各像素的灰度值grk,得到直方图均衡化后的表面纹理图像;202构建纹理与像素点的灰度和空间位置的灰度共生矩阵,并用图像灰度级之间的联合概率密度P(i,j,d,θ)表示,当灰度分为L级时,P为L×L的方阵;P(i,j,d,θ)表示空间中的距离为d,方向为θ,灰度是i和j中两个像素出现的概率,表示为:
P(i,j,d,θ)={(x,y)|f(x,y)=i,f(x+cosθ·d,y+sinθ·d)=j;x,y=0,1,...,L-1}(三)
203对矩阵进行特征量提取,通过对表面纹理图像的灰度共生矩阵计算,提取矩阵的相关特征量,包括能量、熵、惯性矩和相关性四种特征量:
其中E表示能量,S表示熵,I表示惯性矩,C表示相关性,P表示图像的灰度共生矩阵,P(i,j)表示矩阵中的元素,L表示像素点灰度级数,u1、u2、σ1、σ2表示与P(i,j)相关联的边缘分布的均值和标准偏差,其表达式如下:
③对步骤①中采集的切削力信号和振动信号进行特征提取;
④对步骤②和③中提取到的特征信号进行选择和转换;
401以表面纹理和多传感器信号特征为基础,进行特征量的转换,在切削速度为V,进给量为f,切削深度为ap的切削参数组合下的处理过程如下:
其中,α、β、κ为需要确定的系数,V0、f0、ap,0为计算得到的特征量作为转换基准时的名义切削参数,sf0为名义切削参数下计算得到的特征量,sfN为转换后的其他切削参数组合下的特征量,当保证以下表达式中的差值Δ最小时,即可确定α、β、κ的值;
402对各特征量数量级上的差别,进行归一化处理:
⑤基于步骤④中的特征信号,建立刀具磨损预测模型。
3.根据权利要求1所述的一种刀具磨损预测方法,其特征在于,所述步骤⑤为:
1-yi·(wTxi+b)≤0 (十五)
其中wT表示权重向量,wT=(w1,w2,...,wn),n表示特征值个数,b表示偏置;
503以均方误差和决策系数R2作为优化目标,利用网格搜索确定最优的参数组合,其满足;
其中n表示样本总数,yi表示第i个样本的实际刀具磨损值,yip表示第i个样本预测得到的刀具磨损值,MSE表示均方误差,R2表示决策系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079075.5A CN112247674B (zh) | 2020-10-10 | 2020-10-10 | 一种刀具磨损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079075.5A CN112247674B (zh) | 2020-10-10 | 2020-10-10 | 一种刀具磨损预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112247674A CN112247674A (zh) | 2021-01-22 |
CN112247674B true CN112247674B (zh) | 2021-09-21 |
Family
ID=74242868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011079075.5A Active CN112247674B (zh) | 2020-10-10 | 2020-10-10 | 一种刀具磨损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112247674B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861728B (zh) * | 2021-02-07 | 2022-04-22 | 山东大学 | 一种多传感信号融合监测薄壁件铣削数据降维方法及系统 |
CN113600896A (zh) * | 2021-08-05 | 2021-11-05 | 豪丰茂五金制品(太仓)有限公司 | 一种数控机床铣刀磨损状态信号监测方法 |
CN113618491A (zh) * | 2021-08-23 | 2021-11-09 | 浙江工业大学 | 一种拉刀磨损状态识别模型建立方法 |
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 |
CN113909997B (zh) * | 2021-10-20 | 2022-12-13 | 陕西法士特齿轮有限责任公司 | 一种基于数控机床主轴负载信号的刀具损伤监测方法 |
CN115922443B (zh) * | 2023-01-09 | 2023-06-16 | 湖南大学 | 一种基于滑动窗口的刀具剩余使用寿命实时预测方法 |
CN117217050B (zh) * | 2023-09-12 | 2024-06-04 | 哈尔滨理工大学 | 一种铣刀刀工界面熵产生及熵流分布特性表征方法 |
CN117876382B (zh) * | 2024-03-13 | 2024-06-18 | 咸阳黄河轮胎橡胶有限公司 | 一种汽车轮胎胎面花纹缺陷检测系统和方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4845763A (en) * | 1987-11-06 | 1989-07-04 | General Motors Corporation | Tool wear measurement by machine vision |
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 |
CN104117876B (zh) * | 2013-04-28 | 2018-08-03 | 郑州大学 | 一种检查切削刀具是否断裂或磨损的方法及其设备 |
CN107186547A (zh) * | 2017-05-25 | 2017-09-22 | 重庆大学 | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 |
CN107717631B (zh) * | 2017-10-31 | 2019-07-16 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
CN108296880B (zh) * | 2018-03-22 | 2023-07-21 | 山东大学 | 基于ccd的刀具磨破损在线检测装置及其检测方法 |
CN110153801B (zh) * | 2019-07-04 | 2020-09-29 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 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 |
-
2020
- 2020-10-10 CN CN202011079075.5A patent/CN112247674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112247674A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112247674B (zh) | 一种刀具磨损预测方法 | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
Zhang et al. | A method for tool condition monitoring based on sensor fusion | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
Palani et al. | On-line prediction of micro-turning multi-response variables by machine vision system using adaptive neuro-fuzzy inference system (ANFIS) | |
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 | |
CN110598299B (zh) | 一种基于传感器融合与深度学习的表面完整性评价方法 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN111832432B (zh) | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 | |
CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN113504768B (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
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 | |
CN114021443A (zh) | 基于多传感器的碳纤维复合材料钻削出口分层损伤预测方法 | |
CN113704922B (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 | |
CN114139772B (zh) | 一种基于优化广义回归神经网络预测工件表面质量的方法 | |
CN114714145A (zh) | 一种刀具磨损状态的格拉姆角场增强对比学习监测方法 | |
CN116012480A (zh) | 数据驱动的切削加工表面形貌灰度图像生成方法 | |
CN115392292A (zh) | 基于注意力循环神经网络的刀具磨损在线监测方法 | |
CN114997216A (zh) | 一种基于张量多模态特征高阶匹配的轴承故障识别方法 | |
CN114638265A (zh) | 一种基于信号卷积神经网络的铣削颤振判别方法 | |
Chebrolu et al. | Automated Evaluation of Surface Roughness using Machine Vision based Intelligent Systems | |
CN108764337B (zh) | 基于相对灰色关联度边界约束的水下机器人推进器故障程度辨识方法 |
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 |