CN112496862B - 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 - Google Patents
一种基于包含铣削角度理论模型的铣削颤振智能识别方法 Download PDFInfo
- Publication number
- CN112496862B CN112496862B CN202011374265.XA CN202011374265A CN112496862B CN 112496862 B CN112496862 B CN 112496862B CN 202011374265 A CN202011374265 A CN 202011374265A CN 112496862 B CN112496862 B CN 112496862B
- Authority
- CN
- China
- Prior art keywords
- milling
- theoretical model
- chatter
- model containing
- method based
- 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
- 238000003801 milling Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 17
- 238000013016 damping Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000005236 sound signal Effects 0.000 abstract 2
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 244000145845 chattering Species 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23C—MILLING
- B23C9/00—Details or accessories so far as specially adapted to milling machines or cutter
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于包含铣削角度理论模型的铣削颤振智能识别方法,在工业化的铣削加工生产过程中,根据实际的铣床结构和刀具参数建立包含铣削角度在内的动力学方程,通过铣削力实验测得各项参数。之后利用工业化大数据训练神经网络,拟合出判断是否发生颤振的阈值函数。在实时的工业生产过程中,利用麦克风测量声音信号,将其短截取后进行奇异谱分解,根据KL散度和皮尔逊系数关系选择特征分量,并通过加权排列熵构建判断指标。根据指标与阈值函数的大小关系,实现对于颤振现象的智能预防。
Description
技术领域
本发明涉及工业化铣削加工领域,具体地,涉及一种基于包含铣削角度理论模型的铣削颤振智能识别方法。
背景技术
颤振现象是工业化高速铣削加工中需要避免的问题。颤振是由于自激振动的不断加剧造成的恶劣后果,如果不加以控制,会引起一系列影响工件、刀具、铣床的严重问题。颤振会影响到工业化生产的效率和质量,使工厂产生巨大的经济损失。因此,在生产效率不断增加,产品质量需求持续提高的当下,对颤振问题进行研究具有十分重要的意义。目前,有许多工程人员投身于加工颤振方面的科学研究,提出了一些相关的方法。
现在机器学习方法发展迅速,在工业界中的应用方案被不断提出。从智能角度考虑,颤振的研究主要分为三个方面:第一种是无机器学习的颤振识别,这类研究主要是从铣削过程的控制方程出发,建立铣削的理论模型,预测颤振边界,对实际生产过程中的颤振识别提供参考;第二种是有浅层机器学习参与的颤振识别,这类方法基本上不考虑铣削过程中的物理模型,仅通过传感器获取加工过程中各物理量的变化,通过信号处理的方法建立数据指标,训练一些浅层的机器学习模型,如支撑向量机、反馈神经网络、故障树等,实现颤振的识别;第三种是深度学习驱动的颤振识别方法研究,这类研究主要采用如深度卷积神经网络、堆栈自动编码器等深度学习模型,利用海量的数据训练模型,实现颤振的识别。
在现有的技术层面,上述的三种方案均存在着一定程度的不足。第一类方案缺少颤振识别的自适应性,不能根据变化的加工条件作出调整,并且现有的理论模型没有考虑到铣削角度对颤振的影响,与实际工况存在出入;第二类研究偏向于仅从信号触发,缺少对铣削加工过程自身的原理性研究;第三类研究依托深度学习模型,但这类模型训练所需的数据量过于庞大,目前状况下在实际工业化生产中的应用存在局限性。
此外,加工信号的选择目前主要分为三种类型:一类是表征工件振动情况的位移、速度、加速度信号;第二类是反映加工过程中工件与铣刀之间相互作用的铣削力信号;第三类则是反映加工状态的声信号。考虑到信号采集的难易程度以及对原始加工系统的影响,采用声信号进行分析处理是一种可行的方案。
公开号为CN107457609A的专利文献“基于刚度变化的铣削颤振抑制方法及铣削颤振优化系统”,公开了一种基于刚度变化的铣削颤振抑制方法及铣削颤振优化系统,但和本发明解决的技术问题并不相同。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于包含铣削角度理论模型的铣削颤振智能识别方法。
根据本发明提供的一种基于包含铣削角度理论模型的铣削颤振智能识别方法,包括如下步骤:
步骤1:通过布置的传感器,获取铣削过程中的信号以便于后续进行分析;
步骤2:对获取的信号进行加工周期倍数的短截取,并对截取后的信号进行奇异谱分解;
步骤3:对奇异谱分解产生的奇异谱分量进行筛选,选取出特征分量,求取特征分量的加权排列熵值;
步骤4:将加权排列熵值与神经网络拟合的阈值函数作比较,判断颤振情况。
所述步骤1中采用的是非接触式测量的麦克风采集声信号。
优选地,所述步骤2中采用主轴旋转周期的两倍作为截取的长度。
优选地,所述步骤3中采用KL散度和皮尔逊系数相结合的方法进行分量筛选,分别设定KL散度阈值为560,皮尔逊系数阈值为0.65。
优选地,阈值函数由包含有铣削角度的理论动力学模型和机器学习的方法共同得到。
优选地,所述阈值函数由包含有铣削角度的理论动力学模型和机器学习的方法共同得到,包含如下步骤:
子步骤1,根据具体的铣床结构与工件模态参数,构建包含铣削角度在内的三自由度铣削动力学方程;
子步骤2,进行铣削实验,测得理论模型所需的铣削力参数;
子步骤3,根据完善的铣削动力学方程,绘制稳定性叶瓣图;
子步骤4,根据理论模型,选取几组颤振边界的转速、切深、铣削角度等参数作为粒子群算法优化的初值条件,对神经网络的参数进行预处理;
子步骤5,进行实际的颤振实验,测得加权排列熵值,训练经粒子群算法优化的神经网络,拟合阈值函数。
优选地,所述子步骤1建立的铣削动力学方程为:
式中:mx-x方向模态质量;c1x-x方向阻尼;k1x,k2x,k3x-x方向非线性刚度;
my-y方向模态质量;c1y-y方向阻尼;k1y,k2y,k3y-y方向非线性刚;
mz-z方向模态质量;c1z-z方向阻尼;k1z,k2z,k3z-z方向非线性刚度。
优选地,所述子步骤3的稳定性叶瓣图由谱元法得到。
优选地,所述步骤4中,进行颤振实验,获得训练集,训练神经网络,拟合出阈值函数;
优选地,将实时监测的加权排列熵值与阈值函数比较,根据大小关系判断是否有颤振趋势。
与现有技术相比,本发明具有如下的有益效果:
1、本发明可以在现代工业化生产中得到实际的应用,方案中建立的理论模型针对工厂中的特定铣床;
2、本发明可以依据工厂中存在的大量数据训练机器学习模型后,可以凭借算法的实时性,实现颤振问题的智能预防,提高生产效率与产品质量。从而避免颤振问题继续恶化产生一系列的恶劣后果以至于造成巨额的经济损失。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明所述方案的流程示意图;
图2为本方案的传感器布置示意图;
图3为奇异谱分解的实施过程介绍示意图;
图4为根据理论模型绘制出的稳定性叶瓣图;
图5为粒子群算法原理示意图;
图6为神经网络原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
在本实施例中,分为如下步骤实现,S1,布置传感器,获取铣削过程中的信号以便于后续进行分析。具体的传感器布置如图2所示,1为工件,2为铣床主轴,3为麦克风,4为麦克风支架,5为铣刀。采用的传感器为麦克风,设置采样频率Fs=20kHz。在传感器的布置方面,麦克风安装在支架上,放置在铣削加工区域附近,但不会被切屑等影响到的地方。麦克风的优势在于实施非接触式测量,不会对原始的加工系统产生影响。麦克风收集的信号通过数据采集器传递给PC端进行下一步处理。
S2,为实现预防手段的实时性,对获取的信号进行主轴旋转周期两倍的短截取,实时分析截取后的信号片段。在工业生产过程中,信号通常包含有大量噪声,且呈现明显的非平稳、非线性特征。为有效处理上述信号,本发明采用奇异谱分解的方法进行处理。
奇异谱分解的具体实施过程如图3所示。算法采用构建hankel矩阵,进行下三角元素移置以及对角平均的方法,将原始复杂的信号,分解成一系列频率成分主导的SSC分量。在本发明使用的奇异谱分解算法中,设定的终止阈值为0.001,设置的最大分量个数为1000。
S3,传统的SSD算法存在着明显的冗余分量问题,为排除干扰分量的影响。本发明采用KL散度和皮尔逊系数相结合的方法,对SSC分量进行筛选。在本发明的实施过程中,设定KL散度的阈值为560,皮尔逊系数阈值为0.65。对提取出的SSC分量,采用加权排列熵作为判断指标。加权排列熵具有优异的抗噪声、抗干扰性能,能够有效的反映出信号的变化情况。
加权排列熵的计算将原始信号:sig=y(1),y(2),……,y(L),填充为多维矩阵。
将矩阵的每一行按照大小的降序排序:
S′(i,:)=[y(i+(j1-1)×L),y(i+(j2-1)×L),……,y(i+(jm-1)×L)]
统计各行的符号数,与幅值相乘后求得香农熵,作为加权排列熵的值。
S4,将加权排列熵值与神经网络拟合的阈值函数作比较,判断颤振情况。加权排列熵能够反映信号的复杂程度,当颤振发生时,信号集中在颤振频率附近,信号复杂度降低,其加权排列熵值下降。因此,对应于阈值函数,当加权排列熵值大于阈值函数时,颤振未发生;当加权排列熵值接近阈值函数时,颤振有发生的趋势,需要采用措施进行预防。
在本发明中,阈值函数由包含有铣削角度的理论动力学模型和机器学习的方法共同得到,其步骤如下所示:
T1,根据现有的铣床结构建立相关的动力学方程。理论方程是包含有铣削角度在内的三自由度方程。其方程形式如下所示:
式中:mx-x方向模态质量;c1x-x方向阻尼;k1x,k2x,k3x-x方向非线性刚度;
my-y方向模态质量;c1y-y方向阻尼;k1y,k2y,k3y-y方向非线性刚;
mz-z方向模态质量;c1z-z方向阻尼;k1z,k2z,k3z-z方向非线性刚度。
进一步地,上述方程为考虑铣削角度的非线性时滞效应动力学方程式,根据倾斜角度的条件,分力变化的讨论可以得到不同方向的稳定性。
T2,根据实际的铣削实验,测得上述方程中的铣削力系数,部分主要系数值为:mx=20kg,cx=1200N.s/m,k1x=7.2*10^6N/m,k2x=7*10^9,k3x=8*10^12,my=20kg,cy=4300N.s/m,k1y=6.48*10^7N/m,k2y=8*10^9N/m*m,k3y=9*10^12N/m*m*m mz=20kg,cz=6000N.s/m,k1z=5*10^8N/m,k2z=9*10^9,k3z=10^13N/m*m*m
T3,根据完善的铣削动力学方程,绘制出稳定性叶瓣图如图4所示,图4展示了x,y,z三个方向上转速与切深之间的稳定性联系,可以作为后续参数选择的参考。
T4,根据图4中选择的参数,作为粒子群算法的初值条件,对神经网络的参数进行预处理。传统的BP神经网络容易陷入局部最优化等问题,因此采用粒子群算法进行优化。粒子群算法的原理如图5所示,粒子群优化算法(PSO)是一种基于群体智能的进化计算技术,粒子在群体空间内不断运动,迭代过程中跟踪到的全局最佳粒子记录为gbest,每一代的最佳粒子记录为pbest。每一代粒子更新后都会经历自适应随机变异。粒子的更新公式为:
T5,进行颤振实验,获得训练集,训练神经网络,拟合出阈值函数。神经网络的基础原理如图6所示,本发明中一个实例设定的神经网络参数为:输入层节点:4;隐藏层节点:4,输出层节点:1;隐藏层压制函数:tansig;输出层压制函数:tansig;学习函数:trainlm;误差目标:0.00001;粒子数:10;粒子维度:25;粒子群训练目标:0.5。
根据以上步骤即可实现工业化数据驱动下的颤振智能预防,能够有效的预防颤振现象的发生,避免经济损失,提高产品质量和生产效率。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,包括:
步骤1:通过布置的传感器,获取铣削过程中的信号以便于后续进行分析;
步骤2:对获取的信号进行加工周期倍数的短截取,并对截取后的信号进行奇异谱分解;
步骤3:对奇异谱分解产生的奇异谱分量进行筛选,选取出特征分量,求取特征分量的加权排列熵值;
步骤4:将加权排列熵值与神经网络拟合的阈值函数作比较,判断颤振情况;
所述步骤3中采用KL散度和皮尔逊系数相结合的方法进行分量筛选,分别设定KL散度阈值为560,皮尔逊系数阈值为0.65;
阈值函数由包含有铣削角度的理论动力学模型和机器学习的方法共同得到;
所述阈值函数由包含有铣削角度的理论动力学模型和机器学习的方法共同得到,包含如下步骤:
子步骤1,根据具体的铣床结构与工件模态参数,构建包含铣削角度在内的三自由度铣削动力学方程;
子步骤2,进行铣削实验,测得理论模型所需的铣削力参数;
子步骤3,根据完善的铣削动力学方程,绘制稳定性叶瓣图;
子步骤4,根据理论模型,选取几组颤振边界的转速、切深、铣削角度等参数作为粒子群算法优化的初值条件,对神经网络的参数进行预处理;
子步骤5,进行实际的颤振实验,测得加权排列熵值,训练经粒子群算法优化的神经网络,拟合阈值函数。
2.根据权利要求1所述的基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,所述步骤1中采用的是非接触式测量的麦克风采集声信号。
3.根据权利要求1所述的基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,所述步骤2中采用主轴旋转周期的两倍作为截取的长度。
5.根据权利要求4所述的基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,所述子步骤3的稳定性叶瓣图由谱元法得到。
6.根据权利要求1所述的基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,所述步骤4中,进行颤振实验,获得训练集,训练神经网络,拟合出阈值函数。
7.根据权利要求6所述的基于包含铣削角度理论模型的铣削颤振智能识别方法,其特征在于,将实时监测的加权排列熵值与阈值函数比较,根据大小关系判断是否有颤振趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374265.XA CN112496862B (zh) | 2020-11-30 | 2020-11-30 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374265.XA CN112496862B (zh) | 2020-11-30 | 2020-11-30 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112496862A CN112496862A (zh) | 2021-03-16 |
CN112496862B true CN112496862B (zh) | 2021-10-29 |
Family
ID=74968701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374265.XA Expired - Fee Related CN112496862B (zh) | 2020-11-30 | 2020-11-30 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112496862B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325103A (zh) * | 2013-03-07 | 2013-09-25 | 上海交通大学 | 高分辨率图像复原方法及系统 |
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105808950A (zh) * | 2016-03-09 | 2016-07-27 | 常州信息职业技术学院 | 微铣削颤振的在线预测方法 |
CN108638076A (zh) * | 2018-07-25 | 2018-10-12 | 东北大学 | 一种六自由度串联机器人铣削加工三维稳定性预测方法 |
CN109605128A (zh) * | 2019-01-09 | 2019-04-12 | 西安交通大学 | 一种基于功率谱熵差的铣削颤振在线检测方法 |
US10386831B2 (en) * | 2016-07-04 | 2019-08-20 | Dmg Mori Co., Ltd. | Machining status display apparatus |
CN110561195A (zh) * | 2019-09-04 | 2019-12-13 | 清华大学深圳研究生院 | 一种机械加工过程中颤振的监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6243260B2 (ja) * | 2013-12-16 | 2017-12-06 | 国立大学法人 東京大学 | 主軸モータの制御装置 |
-
2020
- 2020-11-30 CN CN202011374265.XA patent/CN112496862B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325103A (zh) * | 2013-03-07 | 2013-09-25 | 上海交通大学 | 高分辨率图像复原方法及系统 |
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105808950A (zh) * | 2016-03-09 | 2016-07-27 | 常州信息职业技术学院 | 微铣削颤振的在线预测方法 |
US10386831B2 (en) * | 2016-07-04 | 2019-08-20 | Dmg Mori Co., Ltd. | Machining status display apparatus |
CN108638076A (zh) * | 2018-07-25 | 2018-10-12 | 东北大学 | 一种六自由度串联机器人铣削加工三维稳定性预测方法 |
CN109605128A (zh) * | 2019-01-09 | 2019-04-12 | 西安交通大学 | 一种基于功率谱熵差的铣削颤振在线检测方法 |
CN110561195A (zh) * | 2019-09-04 | 2019-12-13 | 清华大学深圳研究生院 | 一种机械加工过程中颤振的监测方法 |
Non-Patent Citations (2)
Title |
---|
立铣加工过程稳定性分析及切削颤振在线监测方法研究;王二化;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》;20150215(第2期);全文 * |
车削颤振的实时辨识与在线抑制系统研究;孙宇昕;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》;20190815(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112496862A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
CN111136509B (zh) | 一种基于elm-sdae算法的刀具状态监测方法 | |
Zhu et al. | A cyber-physical production system framework of smart CNC machining monitoring system | |
CN111085898A (zh) | 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 | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
CN111079690B (zh) | 基于堆栈稀疏自动编码网络的主轴和工件振动预测方法 | |
Liu et al. | A hybrid health condition monitoring method in milling operations | |
CN113752089B (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
CN105700477A (zh) | 一种基于颤振频率的加工颤振智能抑制方法 | |
CN107263211A (zh) | 一种基于多传感融合的刀具状态监测方法 | |
CN113369994A (zh) | 一种高速铣削过程刀具状态监测方法 | |
CN112496862B (zh) | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Bai et al. | Real-time tool breakage monitoring based on dimensionless indicators under time-varying cutting conditions | |
CN108984951B (zh) | 一种优化机床整机动态特性的方法 | |
Tonshoff et al. | Application of fast Haar transform and concurrent learning to tool-breakage detection in milling | |
CN115564338A (zh) | 面向多工况的数控机床关键部件集群性能评估方法 | |
CN115890366A (zh) | 对轴承套圈内圆切入磨削加工早期颤振在线监测方法 | |
CN114378653A (zh) | 基于bp神经网络外圆磨削颤振在线识别和监测方法 | |
Zhou et al. | Feature extraction and analysis method of spindle vibration signal for tool wear monitoring | |
CN114357851A (zh) | 一种基于dae-rnn的数控铣削表面粗糙度预测方法 | |
Gui et al. | Unsupervised detection of tool breakage: A novel approach based on time and sensor domain data analysis | |
CN111523662A (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 | |
Zhang et al. | Research progress on the chatter stability in machining systems |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211029 |