CN112486097A - 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 - Google Patents
一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112486097A CN112486097A CN202011302535.6A CN202011302535A CN112486097A CN 112486097 A CN112486097 A CN 112486097A CN 202011302535 A CN202011302535 A CN 202011302535A CN 112486097 A CN112486097 A CN 112486097A
- Authority
- CN
- China
- Prior art keywords
- wear
- model
- cutting
- cutter
- tool
- 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.)
- Withdrawn
Links
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
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
- A23N7/00—Peeling vegetables or fruit
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- 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
- G05B2219/37232—Wear, breakage detection derived from tailstock, headstock or rest
Abstract
本发明涉及一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质,包括:获取刀具运行参数,建立模型;通过图像识别获取刀具磨损区域图像,提取图像特征,通过模型对图像特征进行分析,生成磨损信息,将磨损信息与预设信息进行比较,得到偏差率;判断所述偏差率是否大于预设偏差率阈值,若大于,则进行刀具磨损预警,得到预警信息;将预警信息按照预定方式进行显示。
Description
技术领域
本发明涉及一种切割平台磨损状态监测方法,尤其涉及一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质。
背景技术
随着计算机技术的发展,共享果汁机技术受到越来越多的关注,尤其是智能技术的盛行,更是为该领域的研究提供了许多理论方法。同时,该方向的研究也推动了传感器技术、模式识别技术、信号处理技术和智能技术的发展,最先的智能行为体现在计算机的符号推理,即专家系统。大量的应用专家系统的开发实践证实了专家系统是人工智能应用的重要部分,但其是建立在符号推理的基础之上的,有其内在的不足之处,主要表现对领域专家知识的依赖性、知识获取的困难以及解决问题的灵活性等无法克服的困难,还有开发成的专家系统的通用性也较差,在共享果汁机对水果果皮进行切削过程中,如何实时准确地监测刀具切削状态及磨损状态,对于避免加工异常所引起的对设备的破坏、降低成本、提高生产率,有重大的影响。刀具磨损状态的准确监测可以有效减少停机时间,并且有助于避免切削过程中果汁机颤振和刀具的过度磨损、破损等异常发生,同时在无人值守果皮切削环境中尤其重要,此外制造业加工过程中,刀具作为切削过程的直接执行者,在工件的切削加工过程中,不可避免的存在着磨损和破损现象,刀具状态的变化直接导致切削力的增加,切削温度升高,工件表面的粗糙度上升,因此切削磨损状态监测对于推动加工过程自动化和无人化发展具有极其重要的作用。
为了能够对切削刀具磨损状态监测实现精准的控制,需要开发一款与其相匹配的系统进行控制,该系统通过图像识别获取刀具磨损区域图像,对图像特征进行分析,生成磨损信息,并对刀具磨损状态进行监测预警,但是在进行控制过程中,如何实现精准控制的同时,实现刀具磨损状态的监控都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足,提供一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质。
为达到上述目的,本发明采用的技术方案为:一种基于模型算法的切割平台磨损状态监测方法,包括:
获取刀具运行参数,建立模型;
通过图像识别获取刀具磨损区域图像,提取图像特征,
通过模型对图像特征进行分析,生成磨损信息,
将磨损信息与预设信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,
若大于,则进行刀具磨损预警,得到预警信息;
将预警信息按照预定方式进行显示。
优选的,所述刀具运行参数包括刀具切削速度、切削力、刀具温度、刀具振动幅度中的一种或两种以上的组合。
优选的,通过图像识别获取刀具磨损区域图像,提取图像特征,具体包括:
获取刀具磨损区域图像,计算磨损区域的分形维数;
提取分形特征与分形结构,并生成切削速度与分形结构之间的曲线图;
其中维数为连续函数。
优选的,获取刀具运行参数,建立模型;具体包括:
设定采样间隔,获取不同采样时间间隔下的磨损系数,
并计算多个磨损系数的平均值,获取瞬时刀具状态信息;
根据瞬时刀具状态信息建立模型;
利用递归最小乘方方法更改模型系数,
根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
优选的,利用正交试验法获得样本数据,对样本数据进行特征提取;
特征提取后进行样本数据归一化处理,将特征向量输入网络模型进行训练;
调整网络隐层神经元的数据,判断误差是否大于预设阈值,
若大于,则对样本数据进行筛选,剔除偏差较大的数据。
优选的,获取切削信号,对切削信号进行降噪处理,得到稳定信号;
将稳定信号进行频段分解,并提取每一频段的信号特征;
通过频谱分析与傅里叶转换得到频域特征;
通过频域特征变化进行监测刀具磨损状态。
本发明第二方面还提供了一种基于模型算法的切割平台磨损状态监测系统,该系统包括:存储器、处理器,所述存储器中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被所述处理器执行时实现如下步骤:
获取刀具运行参数,建立模型;
通过图像识别获取刀具磨损区域图像,提取图像特征,
通过模型对图像特征进行分析,生成磨损信息,
将磨损信息与预设信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,
若大于,则进行刀具磨损预警,得到预警信息;
将预警信息按照预定方式进行显示。
优选的,获取刀具运行参数,建立模型;具体包括:
设定采样间隔,获取不同采样时间间隔下的磨损系数,
并计算多个磨损系数的平均值,获取瞬时刀具状态信息;
根据瞬时刀具状态信息建立模型;
利用递归最小乘方方法更改模型系数,
根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
优选的,获取切削信号,对切削信号进行降噪处理,得到稳定信号;
将稳定信号进行频段分解,并提取每一频段的信号特征;
通过频谱分析与傅里叶转换得到频域特征;
通过频域特征变化进行监测刀具磨损状态。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被处理器执行时,实现上述任一项所述的基于模型算法的切割平台磨损状态监测方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
(1)本申请通过采集不同时间间隔的刀具图像,并与标准图像进行比较,通过判断磨损信息偏差进行实时监测刀具的磨损状态,在刀具磨损达到预定磨损程度时,进行预警更换或维护,提高果汁机的安全运行,同时保证果汁机进行水果削皮时的精度,提高果汁口感度。
(2)通过模型进行自动监测刀具磨损状态,对磨损状态进行时域分析,计算不同采样时刻的磨损系数,并利用递归最小乘方方法更改模型系数,能够对模型进行有效训练,保证模型数据的实时有效性。
(3)对切削信号,进行频段分解,并提取每一频段的信号特征,通过频谱分析与傅里叶转换得到频域特征,在对信号频段进行分解后,进行统一处理,提取时域特征,如均值等来提取有效特征向量,通过监测信号的敏感频段能量变化来进行监测刀具磨损状态,监测精度较高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于模型算法的切割平台磨损状态监测方法的流程图;
图2示出了建立模型方法流程图;
图3示出了样本数据处理方法流程图;
图4示出了切削信号处理方法流程图;
图5示出了基于模型算法的切割平台磨损状态监测系统框图;
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于模型算法的切割平台磨损状态监测方法的流程图。
如图1所示,本发明第一方面提供了一种基于模型算法的切割平台磨损状态监测方法,包括:
S102,获取刀具运行参数,建立模型;
S104,通过图像识别获取刀具磨损区域图像,提取图像特征,
S106,通过模型对图像特征进行分析,生成磨损信息,
S108,将磨损信息与预设信息进行比较,得到偏差率;
S110,判断所述偏差率是否大于预设偏差率阈值,
S112,若大于,则进行刀具磨损预警,得到预警信息;
S114,将预警信息按照预定方式进行显示。
需要说明的是,通过光学传感器获得刀具磨损区域的图像,利用磨损区与非磨损区不同的反射率来获得表征磨损量的形态参数,磨损区的反射率高于非磨损区的反射率,并通过图像处理技术得到刀具的磨损状态,通过图像识别的方式不受切削条件与水果种类的影响,能够同时获得刀具多个磨损状态的图形,对刀具的磨损状态能够进行全方位的监测。
优选的,所述刀具运行参数包括刀具切削速度、切削力、刀具温度、刀具振动幅度中的一种或两种以上的组合。
优选的,通过图像识别获取刀具磨损区域图像,提取图像特征,具体包括:
获取刀具磨损区域图像,计算磨损区域的分形维数;
提取分形特征与分形结构,并生成切削速度与分形结构之间的曲线图;
其中维数为连续函数。
需要说明的是,通过采集不同时间间隔的刀具图像,并与标准图像进行比较,通过判断磨损信息偏差进行实时监测刀具的磨损状态,在刀具磨损达到预定磨损程度时,进行预警更换或维护,提高果汁机的安全运行,同时保证果汁机进行水果削皮时的精度,提高果汁口感度。
如图2所示,本发明公开了建立模型方法流程图;
优选的,获取刀具运行参数,建立模型;具体包括:
S202,设定采样间隔,获取不同采样时间间隔下的磨损系数,
S204,计算多个磨损系数的平均值,获取瞬时刀具状态信息;
S206,根据瞬时刀具状态信息建立模型;
S208,利用递归最小乘方方法更改模型系数,
S210,根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
需要说明的是,刀具状态信息包括刀具切削力,利用切削力三向正交分力,包括动态力和静态力,并配合振动信号来进行刀具状态监测,对信号进行时域和频域分析的结果显示所测量的信号中一些分量与刀具状态密切相关,根据切削力系数、摩擦力系数、切屑平均厚度和切削刃的平均长度与刀具磨损之间的关系,并建立数学模型,可较好预测刀具磨损,通过提取切削力信号的不同特征,利用神经网络建立了切削力与刀具磨损之间的映射关系,对刀具磨损状态进行识别或计算精确的刀具磨损值。
如图3所示,本发明公开了样本数据处理方法流程图;
优选的,S302,利用正交试验法获得样本数据,对样本数据进行特征提取;
S304,特征提取后进行样本数据归一化处理,将特征向量输入网络模型进行训练;
S306,调整网络隐层神经元的数据,判断误差是否大于预设阈值,
S308,若大于,则对样本数据进行筛选,剔除偏差较大的数据。
如图4所示,本发明公开了切削信号处理方法流程图;
优选的,S402,获取切削信号,对切削信号进行降噪处理,得到稳定信号;
S404,将稳定信号进行频段分解,并提取每一频段的信号特征;
S406,通过频谱分析与傅里叶转换得到频域特征;
S408,通过频域特征变化进行监测刀具磨损状态。
需要说明的是,信号的频段内存在敏感频段能量,通过监测信号的敏感频段能量变化来进行监测刀具磨损状态,例如随着刀具磨损增加,切削信号的频段能量变化明显,同样刀具在切削过程中声信号与振动信号也存在特征变化,且频段能量随刀具磨损加剧而单调递增,在对信号频段进行分解后,进行统一处理,提取时域特征,如均值等来提取有效特征向量,提高监测精度。
需要说明的是,在对切削信号进行采集过程中,通过设置多个传感器进行监测,监测后的数据进行信息融合,多传感器信息融合能够充分合理地选择多种传感器,提取对象的有效信息,充分利用多传感器资源,通过对它们的合理支配和使用,把多个传感器在时间或空间上的冗余信息或互补信息依据某种准则进行组合,以获得被测对象的一致性解释或描述,使该信息系统由此获得比其各组成部分的子集所构成的系统具有更优越的性能,各种传感器对不同种类的故障具有的敏感性程度不同,经过集成和融合的传感器信息具有较好的冗余性和互补性。
如图5所示,本发明公开了一种基于模型算法的切割平台磨损状态监测系统框图;
本发明第二方面还提供了一种基于模型算法的切割平台磨损状态监测系统5,该系统5包括:存储器51、处理器52,所述存储器中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被所述处理器执行时实现如下步骤:
获取刀具运行参数,建立模型;
通过图像识别获取刀具磨损区域图像,提取图像特征,
通过模型对图像特征进行分析,生成磨损信息,
将磨损信息与预设信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,
若大于,则进行刀具磨损预警,得到预警信息;
将预警信息按照预定方式进行显示。
需要说明的是,通过光学传感器获得刀具磨损区域的图像,利用磨损区与非磨损区不同的反射率来获得表征磨损量的形态参数,磨损区的反射率高于非磨损区的反射率,并通过图像处理技术得到刀具的磨损状态,通过图像识别的方式不受切削条件与水果种类的影响,能够同时获得刀具多个磨损状态的图形,对刀具的磨损状态能够进行全方位的监测。
优选的,所述刀具运行参数包括刀具切削速度、切削力、刀具温度、刀具振动幅度中的一种或两种以上的组合。
优选的,通过图像识别获取刀具磨损区域图像,提取图像特征,具体包括:
获取刀具磨损区域图像,计算磨损区域的分形维数;
提取分形特征与分形结构,并生成切削速度与分形结构之间的曲线图;
其中维数为连续函数。
需要说明的是,通过采集不同时间间隔的刀具图像,并与标准图像进行比较,通过判断磨损信息偏差进行实时监测刀具的磨损状态,在刀具磨损达到预定磨损程度时,进行预警更换或维护,提高果汁机的安全运行,同时保证果汁机进行水果削皮时的精度,提高果汁口感度。
优选的,获取刀具运行参数,建立模型;具体包括:
设定采样间隔,获取不同采样时间间隔下的磨损系数,
并计算多个磨损系数的平均值,获取瞬时刀具状态信息;
根据瞬时刀具状态信息建立模型;
利用递归最小乘方方法更改模型系数,
根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
需要说明的是,刀具状态信息包括刀具切削力,利用切削力三向正交分力,包括动态力和静态力,并配合振动信号来进行刀具状态监测,对信号进行时域和频域分析的结果显示所测量的信号中一些分量与刀具状态密切相关,根据切削力系数、摩擦力系数、切屑平均厚度和切削刃的平均长度与刀具磨损之间的关系,并建立数学模型,可较好预测刀具磨损,通过提取切削力信号的不同特征,利用神经网络建立了切削力与刀具磨损之间的映射关系,对刀具磨损状态进行识别或计算精确的刀具磨损值。
优选的,获取切削信号,对切削信号进行降噪处理,得到稳定信号;
将稳定信号进行频段分解,并提取每一频段的信号特征;
通过频谱分析与傅里叶转换得到频域特征;
通过频域特征变化进行监测刀具磨损状态。
需要说明的是,信号的频段内存在敏感频段能量,通过监测信号的敏感频段能量变化来进行监测刀具磨损状态,例如随着刀具磨损增加,切削信号的频段能量变化明显,同样刀具在切削过程中声信号与振动信号也存在特征变化,且频段能量随刀具磨损加剧而单调递增,在对信号频段进行分解后,进行统一处理,提取时域特征,如均值等来提取有效特征向量,提高监测精度。
需要说明的是,在对切削信号进行采集过程中,通过设置多个传感器进行监测,监测后的数据进行信息融合,多传感器信息融合能够充分合理地选择多种传感器,提取对象的有效信息,充分利用多传感器资源,通过对它们的合理支配和使用,把多个传感器在时间或空间上的冗余信息或互补信息依据某种准则进行组合,以获得被测对象的一致性解释或描述,使该信息系统由此获得比其各组成部分的子集所构成的系统具有更优越的性能,各种传感器对不同种类的故障具有的敏感性程度不同,经过集成和融合的传感器信息具有较好的冗余性和互补性。
优选的,利用正交试验法获得样本数据,对样本数据进行特征提取;
特征提取后进行样本数据归一化处理,将特征向量输入网络模型进行训练;
调整网络隐层神经元的数据,判断误差是否大于预设阈值,
若大于,则对样本数据进行筛选,剔除偏差较大的数据。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被处理器执行时,实现上述任一项所述的基于模型算法的切割平台磨损状态监测方法的步骤。
本申请通过采集不同时间间隔的刀具图像,并与标准图像进行比较,通过判断磨损信息偏差进行实时监测刀具的磨损状态,在刀具磨损达到预定磨损程度时,进行预警更换或维护,提高果汁机的安全运行,同时保证果汁机进行水果削皮时的精度,提高果汁口感度。
通过模型进行自动监测刀具磨损状态,对磨损状态进行时域分析,计算不同采样时刻的磨损系数,并利用递归最小乘方方法更改模型系数,能够对模型进行有效训练,保证模型数据的实时有效性。
对切削信号,进行频段分解,并提取每一频段的信号特征,通过频谱分析与傅里叶转换得到频域特征,在对信号频段进行分解后,进行统一处理,提取时域特征,如均值等来提取有效特征向量,通过监测信号的敏感频段能量变化来进行监测刀具磨损状态,监测精度较高。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于模型算法的切割平台磨损状态监测方法,其特征在于,包括:
获取刀具运行参数,建立模型;
通过图像识别获取刀具磨损区域图像,提取图像特征,
通过模型对图像特征进行分析,生成磨损信息,
将磨损信息与预设信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,
若大于,则进行刀具磨损预警,得到预警信息;
将预警信息按照预定方式进行显示。
2.根据权利要求1所述的一种基于模型算法的切割平台磨损状态监测方法,其特征在于,
所述刀具运行参数包括刀具切削速度、切削力、刀具温度、刀具振动幅度中的一种或两种以上的组合。
3.根据权利要求1所述的一种基于模型算法的切割平台磨损状态监测方法,其特征在于,
通过图像识别获取刀具磨损区域图像,提取图像特征,具体包括:
获取刀具磨损区域图像,计算磨损区域的分形维数;
提取分形特征与分形结构,并生成切削速度与分形结构之间的曲线图;
其中维数为连续函数。
4.根据权利要求3所述的一种基于模型算法的切割平台磨损状态监测方法,其特征在于,
获取刀具运行参数,建立模型;具体包括:
设定采样间隔,获取不同采样时间间隔下的磨损系数,
并计算多个磨损系数的平均值,获取瞬时刀具状态信息;
根据瞬时刀具状态信息建立模型;
利用递归最小乘方方法更改模型系数,
根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
5.根据权利要求1所述的一种基于模型算法的切割平台磨损状态监测方法,其特征在于,
利用正交试验法获得样本数据,对样本数据进行特征提取;
特征提取后进行样本数据归一化处理,将特征向量输入网络模型进行训练;
调整网络隐层神经元的数据,判断误差是否大于预设阈值,
若大于,则对样本数据进行筛选,剔除偏差较大的数据。
6.根据权利要求1所述的一种基于模型算法的切割平台磨损状态监测方法,其特征在于,
获取切削信号,对切削信号进行降噪处理,得到稳定信号;
将稳定信号进行频段分解,并提取每一频段的信号特征;
通过频谱分析与傅里叶转换得到频域特征;
通过频域特征变化进行监测刀具磨损状态。
7.一种基于模型算法的切割平台磨损状态监测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被所述处理器执行时实现如下步骤:
获取刀具运行参数,建立模型;
通过图像识别获取刀具磨损区域图像,提取图像特征,
通过模型对图像特征进行分析,生成磨损信息,
将磨损信息与预设信息进行比较,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,
若大于,则进行刀具磨损预警,得到预警信息;
将预警信息按照预定方式进行显示。
8.根据权利要求7所述的一种基于模型算法的切割平台磨损状态监测系统,其特征在于,获取刀具运行参数,建立模型;具体包括:
设定采样间隔,获取不同采样时间间隔下的磨损系数,
并计算多个磨损系数的平均值,获取瞬时刀具状态信息;
根据瞬时刀具状态信息建立模型;
利用递归最小乘方方法更改模型系数,
根据模型计算刀具磨损量及磨损状态信息;
刀具状态信息包括切削力大小、摩擦力、切削平均厚度、切削刃平均长度。
9.根据权利要求7所述的一种基于模型算法的切割平台磨损状态监测系统,其特征在于,获取切削信号,对切削信号进行降噪处理,得到稳定信号;
将稳定信号进行频段分解,并提取每一频段的信号特征;
通过频谱分析与傅里叶转换得到频域特征;
通过频域特征变化进行监测刀具磨损状态。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于模型算法的切割平台磨损状态监测方法程序,所述基于模型算法的切割平台磨损状态监测方法程序被处理器执行时,实现如权利要求1至6中任一项所述的基于模型算法的切割平台磨损状态监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302535.6A CN112486097A (zh) | 2020-11-19 | 2020-11-19 | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302535.6A CN112486097A (zh) | 2020-11-19 | 2020-11-19 | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112486097A true CN112486097A (zh) | 2021-03-12 |
Family
ID=74932103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302535.6A Withdrawn CN112486097A (zh) | 2020-11-19 | 2020-11-19 | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486097A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269746A (zh) * | 2021-05-23 | 2021-08-17 | 东台升华工具有限公司 | 一种利用图像识别的钻头磨损检测方法 |
CN113478007A (zh) * | 2021-08-09 | 2021-10-08 | 安徽奔腾五金制造有限公司 | 一种空调加工用铝卷开平截断机构 |
CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
CN114378639A (zh) * | 2021-12-30 | 2022-04-22 | 科大讯飞华南人工智能研究院(广州)有限公司 | 刀具寿命预测方法及装置、存储介质及电子设备 |
CN114742798A (zh) * | 2022-04-13 | 2022-07-12 | 武汉科技大学 | 一种基于剪刃磨损检测的圆盘剪换刀时机预测系统及方法 |
CN114850967A (zh) * | 2022-04-18 | 2022-08-05 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和系统 |
CN115083124A (zh) * | 2022-06-08 | 2022-09-20 | 北京首钢股份有限公司 | 石墨碳辊套的磨损预警方法、装置、介质及电子设备 |
CN115108715A (zh) * | 2022-07-26 | 2022-09-27 | 启东市云鹏玻璃机械有限公司 | 一种高良品率玻璃生产机床进料现场编排控制方法 |
EP4270123A1 (en) * | 2022-04-27 | 2023-11-01 | Siemens Aktiengesellschaft | Systems and methods for computer-aided machining |
CN116997100A (zh) * | 2023-05-29 | 2023-11-03 | 上海展华电子(南通)有限公司 | 一种基于机器视觉的焊盘制作方法、系统及介质 |
-
2020
- 2020-11-19 CN CN202011302535.6A patent/CN112486097A/zh not_active Withdrawn
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269746A (zh) * | 2021-05-23 | 2021-08-17 | 东台升华工具有限公司 | 一种利用图像识别的钻头磨损检测方法 |
CN113478007A (zh) * | 2021-08-09 | 2021-10-08 | 安徽奔腾五金制造有限公司 | 一种空调加工用铝卷开平截断机构 |
CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
CN114378639A (zh) * | 2021-12-30 | 2022-04-22 | 科大讯飞华南人工智能研究院(广州)有限公司 | 刀具寿命预测方法及装置、存储介质及电子设备 |
CN114378639B (zh) * | 2021-12-30 | 2024-01-09 | 科大讯飞华南人工智能研究院(广州)有限公司 | 刀具寿命预测方法及装置、存储介质及电子设备 |
CN114742798A (zh) * | 2022-04-13 | 2022-07-12 | 武汉科技大学 | 一种基于剪刃磨损检测的圆盘剪换刀时机预测系统及方法 |
CN114850967A (zh) * | 2022-04-18 | 2022-08-05 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和系统 |
CN114850967B (zh) * | 2022-04-18 | 2024-04-19 | 上海交通大学 | 一种基于人在回路的刀具磨损状态检测方法和系统 |
EP4270123A1 (en) * | 2022-04-27 | 2023-11-01 | Siemens Aktiengesellschaft | Systems and methods for computer-aided machining |
WO2023208675A1 (en) * | 2022-04-27 | 2023-11-02 | Siemens Aktiengesellschaft | Systems and methods for computer-aided machining |
CN115083124A (zh) * | 2022-06-08 | 2022-09-20 | 北京首钢股份有限公司 | 石墨碳辊套的磨损预警方法、装置、介质及电子设备 |
CN115108715B (zh) * | 2022-07-26 | 2022-11-08 | 启东市云鹏玻璃机械有限公司 | 一种高良品率玻璃生产机床进料现场编排控制方法 |
CN115108715A (zh) * | 2022-07-26 | 2022-09-27 | 启东市云鹏玻璃机械有限公司 | 一种高良品率玻璃生产机床进料现场编排控制方法 |
CN116997100A (zh) * | 2023-05-29 | 2023-11-03 | 上海展华电子(南通)有限公司 | 一种基于机器视觉的焊盘制作方法、系统及介质 |
CN116997100B (zh) * | 2023-05-29 | 2024-02-20 | 上海展华电子(南通)有限公司 | 一种基于机器视觉的焊盘制作方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112486097A (zh) | 一种基于模型算法的切割平台磨损状态监测方法、系统及可读存储介质 | |
US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
US6957172B2 (en) | Complex signal decomposition and modeling | |
CN112454008A (zh) | 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质 | |
CN110059775A (zh) | 旋转型机械设备异常检测方法及装置 | |
CN113008583B (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
CN110736968A (zh) | 基于深度学习的雷达异常状态诊断方法 | |
CN108508297B (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN116717437A (zh) | 一种风电机组故障监测方法及系统 | |
CN116366374A (zh) | 基于大数据的电网网络管理的安全评估方法、系统及介质 | |
CN110830504A (zh) | 一种网络入侵行为检测方法及系统 | |
CN108333443B (zh) | 电力设备间歇性缺陷的报警方法 | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN115150206B (zh) | 一种信息安全用的入侵检测安全预警系统及其方法 | |
Zhong et al. | Fault diagnosis of motor bearing using self-organizing maps | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN112528754A (zh) | 一种共享果汁平台的流道监测方法、系统及可读存储介质 | |
CN115389121B (zh) | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 | |
Sánchez et al. | Singular spectral analysis of ill-known signals and its application to predictive maintenance of windmills with SCADA records | |
CN115378738B (zh) | 一种基于分类算法的告警过滤方法、系统及设备 | |
CN116545115B (zh) | 一种低压配电柜故障监测系统及其方法 | |
CN117648651A (zh) | 一种电力系统电弧检测辨识方法及电子设备 | |
Schmidt et al. | Rotating Machinery Condition Monitoring Methods for Applications with Different Kinds of Available Prior Knowledge | |
Gao et al. | Fault Diagnosis Based on Sensitive SVD and Gaussian Process Latent Variable Model |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210312 |