CN112692646A - 一种刀具磨损状态智能评估方法及装置 - Google Patents
一种刀具磨损状态智能评估方法及装置 Download PDFInfo
- Publication number
- CN112692646A CN112692646A CN202011632233.5A CN202011632233A CN112692646A CN 112692646 A CN112692646 A CN 112692646A CN 202011632233 A CN202011632233 A CN 202011632233A CN 112692646 A CN112692646 A CN 112692646A
- Authority
- CN
- China
- Prior art keywords
- tool
- wear state
- module
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000003754 machining Methods 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000012797 qualification Methods 0.000 abstract 1
- 230000001133 acceleration Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity 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
- B23Q17/09—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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种刀具磨损状态智能评估方法及装置，该方法包括：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；对采集到的信号数据进行预处理；对预处理后的数据进行特征提取；对提取的特征进行选择；利用选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；将选择的特征量输入训练得到的模型中，输出刀具的磨损状态。该装置包括：信号采集模块、预处理模块、特征提取模块、特征选择模块以及模式识别模块。通过本发明，监测准确，能提高刀具利用率，降低刀具维护时间，提高加工工件合格率，有效地降低生产加工成本。
Description
技术领域
本发明涉及刀具磨损检测技术领域，特别涉及一种刀具磨损状态智能评估方法及装置。
背景技术
刀具在数控加工系统中最容易磨损和失效，而刀具的状态对加工过程有着十分重要的影响。刀具磨损严重需停机更换刀具，刀具残屑则会加速刀具磨损，从而影响刀具表面完整性。刀具磨损会导致加工工件尺寸不合格，从而工件表面的加工质量会因此受到影响。加工尺寸不合格会导致工件返修甚至直接报废；表面质量的恶化会使得零件的疲劳寿命降低，降低零件的可靠性，因此刀具磨损不仅会降低生产效率，还增加了生产成本。
申请号为：201910607592.6，名称为：一种数控机床刀具剩余寿命预测方法的发明专利公开了一种数控机床刀具剩余寿命预测方法，主要包含信号数据采集、数据预处理、特征提取、模型监测、寿命输出等步骤，步骤一、收集PLC控制器信号和外置传感器信号；步骤二、对步骤一所得到的信号进行时域特征提取；步骤三、对步骤二所提取的时域特征利用主元分析PCA的T2特征图得到对应的数据矩阵；步骤四：对步骤三所得到的数据矩阵提取该特征向量的每一时间段的中值，和每一时间段范围的变化值，以及他们各自的一阶差分值；步骤五：将步骤四所得到的矩阵特征向量作为多核加权最小二乘支持向量机的输入，得到相应的剩余寿命值。
申请号为：201910657300.X，名称为：基于LSTM网络的变工况下刀具剩余寿命预测方法的发明专利公开了一种基于LSTM网络的变工况下数控机床刀具剩余寿命预测方法，采用希尔伯特黄变换从过程监测信号中提取出磨损特征，并对多工况下加工工况场景进行定义，通过长短期记忆网络学习加工中工况场景与刀具磨损特征变化之间的关联关系，预测刀具剩余寿命。
上述专利存在以下问题：模型训练选用的特征参数类型较少，影响了预测精度。
发明内容
本发明针对上述现有技术中存在的问题，提出一种刀具磨损状态智能评估方法及装置，采用主轴的振动信号与功率信号特征融合的方法对刀具状态进行监测，监测准确，能提高刀具利用率，降低刀具维护时间，提高加工工件合格率，有效地降低生产加工成本。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种刀具磨损状态智能评估方法，其包括：
S11：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
S12：对所述S11采集到的信号数据进行预处理；
S13：对所述S12预处理后的数据进行特征提取；
S14：对所述S13提取的特征进行选择；
S15：利用所述S14选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；
S16：将所述S14选择的特征量输入所述S15训练得到的模型中，输出刀具的磨损状态。
较佳地，所述S11中的主轴的振动信号包括：主轴前端或后端的x、y、z三个方向的振动信号。
较佳地，所述S16之后还包括：
S31：根据所述刀具的磨损状态对刀具的寿命进行预测。
较佳地，所述S12进一步包括：对数据进行缺失值填充、异常值处理、刀具号提取以及每把刀具加工时的信号段提取。
较佳地，所述S13进一步包括：对每把刀具的加工时的信号段进行时域分析、频域分析以及时频域分析。
较佳地，所述S14进一步包括：对所述S13提取的特征进行特征排序，然后利用特征搜索进行特征的组合选取。
较佳地，所述特征排序是基于最大信息系数值进行特征选取；
所述特征搜索是基于遗传算法来进行特征组合选取。
较佳地，所述S15中的模型训练为基于长短期记忆神经网络的识别模型。
较佳地，所述S13中在特征提取之后还包括：把提取的特征存入数据库，用于对模型进行学习优化。
本发明还提供一种刀具磨损状态智能评估装置，其包括：信号采集模块、预处理模块、特征提取模块、特征选择模块以及模式识别模块；其中，
所述信号采集模块用于采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
所述预处理模块用于对所述信号采集模块采集到的信号数据进行预处理；
所述特征提取模块用于对所述预处理模块预处理后的数据进行特征提取；
所述特征选择模块用于对所述特征提取模块提取的特征进行选择；
所述模式识别模块用于利用所述特征选择模块选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类，还用于将所述特征选择模块选择的特征量输入训练得到的模型中，输出刀具的磨损状态。
较佳地，还包括：存储单元，用于每次加工的刀具提取的特征量进行存储，以利用存储的特征量进行不断学习、训练，提高模型的准确性。
相较于现有技术，本发明具有以下优点：
(1)本发明提供的刀具磨损状态智能评估方法及装置，振动信号与功率信号相结合对刀具的在线状态进行监测，振动信号与功率信号对刀具磨损敏感性较好，利用多传感器特征融合的办法得到的预测模型预测效果更加准确，适用范围更广；
(2)本发明提供的刀具磨损状态智能评估方法及装置，采集振动信号采用的加速度传感器安装方便，后端安装不影响机床的加工，实施性更强，同时加速度传感器价格较低，对环境的要求也不高，节省成本，而功率信号则直接采用主轴的功率，无需外加感应器，因此，本发明所设计的采集装置安装方便，对生产线影响小；
(3)本发明提供的刀具磨损状态智能评估方法及装置，提取的特征包括时域、频域、时频域等多种特征量，特征提取全面，有利于后期的特征量优化选择；
(4)本发明提供的刀具磨损状态智能评估方法及装置，通过在建模之前对特征进行特征排序与特征搜索，去除了特征中的弱相关特征参数与冗余特征参数，模型选用的特征更合理，训练出的模型更优；
(5)本发明提供的刀具磨损状态智能评估方法及装置，通过针对机床多种刀具利用遗传算法加长短期记忆神经网络进行模型训练学习，训练出的模型能够监测机床多把刀具的磨损状态，适用性强，提高了识别精度。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明一实施例的刀具磨损状态智能评估方法的流程图；
图2为本发明一实施例的刀具磨损状态智能评估装置的结构示意图。
标号说明：1-信号采集模块，2-预处理模块，3-特征提取模块，4-特征选取模块，5-模式识别模块。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示为本发明一实施例的刀具磨损状态智能评估方法的流程图。
请参考图1，本实施例的刀具磨损状态智能评估方法包括：
S11：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
S12：对S11采集到的信号数据进行预处理；
S13：对S12预处理后的数据进行特征提取；
S14：对S13提取的特征进行选择；
S15：利用S14选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；
S16：将S14选择的特征量输入S15训练得到的模型中，输出刀具的磨损状态。
较佳实施例中，S11中采集刀具加工时的信号数据可以为机床生产加工工件时所有刀具主轴的x、y、z三个方向的振动加速度信号，以及主轴功率信号。
一较佳实施例中，S12中的对数据进行预处理具体包括对数据进行缺失值填充、异常值处理、刀具号提取以及每把刀具加工时的信号段提取。具体地，采用K最近邻法对数据进行缺失值以及异常值填充，利用刀具加工工件与空转之间的能量突变，将x方向振动信号按0.1s分段，求出0.1s信号的功率因子，利用功率因子与空转时的功率因子比较，提取出每把刀具加工时的信号段。
一较佳实施例中，S13中对预处理后的数据进行特征提取包括对每把刀的加工时的信号段进行时域分析、频域分析以及时频域分析。具体地，时域分析可以求取信号的均值、均方值、均方根、均方差、标准差、偏度、峭度、功率因子、波形因子、峰值因子、脉冲因子、裕度因子等作为特征参数。频域可以将信号进行快速傅里叶变换后得到的频谱图中的频率幅值的均值、均方根、均方差等作为参数特征。时频域分析则是通过小波包分析、经验模态分解等时频分析方法，获得刀具不同频段的能量值，该能量值可采用该频带内信号的RMS值(均方根值)等形式来表征；然后，提取不同频带能量占总能量的比例作为特征参数，或称特征分量，这样根据所分析的频带数量可以获得对应的多个特征参数或特征分量，将这些特征参数构成特征向量。
一较佳实施例中，S14中对提取的特征进行选择包括对获取的特征量进行特征排序以及特征搜索，去除弱相关特征以及冗余特征。具体地，计算提取的特征与刀具的磨损数据之间的MIC(最大信息系数maximal information coefficient)值，利用MIC值去除部分弱相关特征。之后利用遗传算法进行选择、交叉、变异得到子代特征，子代特征与磨损数据进行回归模型训练与测试得到确定系数(R squared)，经过多代的选择、交叉、变异得到相对最优的子代特征，去除冗余的特征。
一较佳实施例中，S15具体包括：将经过特征选择去除弱相关与冗余特征后的子代特征与磨损数据输入长短期记忆神经网络经过训练，得到预测模型。
一较佳实施例中，S16之后还包括：
S31：根据刀具的磨损状态对刀具的寿命进行预测。
如图2所示为本发明一实施例的刀具磨损状态智能评估装置的结构示意图。
请参考图2，本实施例的刀具磨损状态智能评估装置包括：信号采集模块1、预处理模块2、特征提取模块3、特征选取模块4以及模式识别模块5，其中，
信号采集模块1用于采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
预处理模块2用于对信号采集模块1采集到的信号数据进行预处理；
特征提取模块3用于对预处理模块2预处理后的数据进行特征提取；
特征选择模块4用于对特征提取模块3提取的特征进行选择；
模式识别模块5用于利用特征选择模块4选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类，还用于将特征选择模块4选择的特征量输入训练得到的模型中，输出刀具的磨损状态。
一较佳实施例中，信号采集模块1采用振动信号与功率信号相结合，振动传感器可以安装在主轴端部。
一较佳实施例中，预处理模块2采用K最近邻法对数据进行缺失值以及异常值填充，利用信号的功率因子对加工的信号进行分段，提取刀具号以及每把刀具加工时的信号段。
一较佳实施例中，特征提取模块3中时域分析可以求取信号的均值、均方值、均方根、均方差、标准差、偏度、峭度、功率因子、波形因子、峰值因子、脉冲因子、裕度因子等作为特征参数。频域可以将信号进行快速傅里叶变换后得到的频谱图中的频率幅值的均值、均方根、均方差等作为参数特征。时频域分析则是通过小波包分析、经验模态分解等时频分析方法，获得刀具不同频段的能量值，该能量值可采用该频带内信号的RMS值(均方根值)等形式来表征；然后，提取不同频带能量占总能量的比例作为特征参数，或特征分量。
一较佳实施例中，特征选择模块4用于计算提取的特征与刀具的磨损数据之间的MIC(最大信息系数maximal information coefficient)值，利用MIC值去除部分弱相关特征。之后利用遗传算法进行选择、交叉、变异得到子代特征，子代特征与磨损数据进行回归模型训练与测试得到确定系数(R squared)，经过多代的选择、交叉、变异得到相对最优的子代特征，去除冗余的特征。
一较佳实施例中，模式识别模块5用于将经过特征选择去除弱相关与冗余特征后的子代特征与磨损数据输入长短期记忆神经网络经过训练，得到预测模型。
一较佳实施例中，刀具磨损状态智能评估装置还包括：存储单元，对每次加工的刀具提取的特征量进行存储，利用存储的特征量进行不断学习、训练，提高模型的准确性。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。
Claims (10)
1.一种刀具磨损状态智能评估方法，其特征在于，包括：
S11：采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
S12：对所述S11采集到的信号数据进行预处理；
S13：对所述S12预处理后的数据进行特征提取；
S14：对所述S13提取的特征进行选择；
S15：利用所述S14选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类；
S16：将所述S14选择的特征量输入所述S15训练得到的模型中，输出刀具的磨损状态。
2.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S11中的主轴的振动信号包括：主轴前端或后端的x、y、z三个方向的振动信号。
3.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S16之后还包括：
S31：根据所述刀具的磨损状态对刀具的寿命进行预测。
4.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S12进一步包括：对数据进行缺失值填充、异常值处理、刀具号提取以及每把刀具加工时的信号段提取。
5.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S13进一步包括：对每把刀具的加工时的信号段进行时域分析、频域分析以及时频域分析。
6.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S14进一步包括：对所述S13提取的特征进行特征排序，然后利用特征搜索进行特征的组合选取。
7.根据权利要求6所述的刀具磨损状态智能评估方法，其特征在于，所述特征排序是基于最大信息系数值进行特征选取；
所述特征搜索是基于遗传算法来进行特征组合选取。
8.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S15中的模型训练为基于长短期记忆神经网络的识别模型。
9.根据权利要求1所述的刀具磨损状态智能评估方法，其特征在于，所述S13中在特征提取之后还包括：把提取的特征存入数据库，用于对模型进行学习优化。
10.一种刀具磨损状态智能评估装置，其特征在于，用于实现如权利要求1至9任一项所述的刀具磨损状态智能评估方法，其包括：信号采集模块、预处理模块、特征提取模块、特征选择模块以及模式识别模块；其中，
所述信号采集模块用于采集刀具加工时的信号数据，包括：主轴的振动信号以及主轴的功率信号；
所述预处理模块用于对所述信号采集模块采集到的信号数据进行预处理；
所述特征提取模块用于对所述预处理模块预处理后的数据进行特征提取；
所述特征选择模块用于对所述特征提取模块提取的特征进行选择；
所述模式识别模块用于利用所述特征选择模块选择的特征与磨损数据进行模型训练，得到刀具识别模型以及刀具的特征种类，还用于将所述特征选择模块选择的特征量输入训练得到的模型中，输出刀具的磨损状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011632233.5A CN112692646B (zh) | 2020-12-31 | 2020-12-31 | 一种刀具磨损状态智能评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011632233.5A CN112692646B (zh) | 2020-12-31 | 2020-12-31 | 一种刀具磨损状态智能评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112692646A true CN112692646A (zh) | 2021-04-23 |
| CN112692646B CN112692646B (zh) | 2022-07-15 |
Family
ID=75513566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011632233.5A Active CN112692646B (zh) | 2020-12-31 | 2020-12-31 | 一种刀具磨损状态智能评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112692646B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
| CN114161227A (zh) * | 2021-12-28 | 2022-03-11 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114178905A (zh) * | 2021-12-01 | 2022-03-15 | 广州先进技术研究所 | 一种铣刀磨损量预测方法和系统 |
| CN114742106A (zh) * | 2022-04-11 | 2022-07-12 | 喻达 | 一种一体化泵站管理方法、装置、设备及可读存储介质 |
| CN114986258A (zh) * | 2022-07-22 | 2022-09-02 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
| CN115157005A (zh) * | 2022-08-12 | 2022-10-11 | 华侨大学 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
| CN116551467A (zh) * | 2023-07-05 | 2023-08-08 | 南京维拓科技股份有限公司 | 基于物联网监控数据的刀具磨损状态识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
| CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
| CN109352416A (zh) * | 2018-12-05 | 2019-02-19 | 上海交通大学 | 一种机床主轴夹屑和/或刀具缠屑的报警方法及装置 |
| CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
| JP2020015106A (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 工具摩耗判定装置 |
-
2020
- 2020-12-31 CN CN202011632233.5A patent/CN112692646B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
| JP2020015106A (ja) * | 2018-07-23 | 2020-01-30 | 三菱電機株式会社 | 工具摩耗判定装置 |
| CN109158953A (zh) * | 2018-09-04 | 2019-01-08 | 温州大学激光与光电智能制造研究院 | 一种刀具磨损状态在线监测方法及系统 |
| CN109352416A (zh) * | 2018-12-05 | 2019-02-19 | 上海交通大学 | 一种机床主轴夹屑和/或刀具缠屑的报警方法及装置 |
| CN110472800A (zh) * | 2019-08-23 | 2019-11-19 | 山东浪潮通软信息科技有限公司 | 一种基于lstm+cnn的机床刀具剩余寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱翔: "基于多种机器学习算法的铣刀磨损故障监测", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 李威霖: "车铣刀具磨损状态监测及预测关键技术研究", 《中国优秀博士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091544A (zh) * | 2021-11-29 | 2022-02-25 | 西南交通大学 | 基于振动信号与神经网络的tbm盘形滚刀磨损识别系统 |
| CN114178905A (zh) * | 2021-12-01 | 2022-03-15 | 广州先进技术研究所 | 一种铣刀磨损量预测方法和系统 |
| CN114161227A (zh) * | 2021-12-28 | 2022-03-11 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114161227B (zh) * | 2021-12-28 | 2024-05-03 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114742106A (zh) * | 2022-04-11 | 2022-07-12 | 喻达 | 一种一体化泵站管理方法、装置、设备及可读存储介质 |
| CN114986258A (zh) * | 2022-07-22 | 2022-09-02 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
| CN114986258B (zh) * | 2022-07-22 | 2024-04-16 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
| CN115157005A (zh) * | 2022-08-12 | 2022-10-11 | 华侨大学 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
| CN115157005B (zh) * | 2022-08-12 | 2023-12-05 | 华侨大学 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
| CN116551467A (zh) * | 2023-07-05 | 2023-08-08 | 南京维拓科技股份有限公司 | 基于物联网监控数据的刀具磨损状态识别方法 |
| CN116551467B (zh) * | 2023-07-05 | 2023-09-01 | 南京维拓科技股份有限公司 | 基于物联网监控数据的刀具磨损状态识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112692646B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| 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 | |
| CN108536938A (zh) | 一种机床刀具寿命预测系统及预测方法 | |
| 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 | |
| JPH06170696A (ja) | 工具寿命と予測工具摩耗の診断用のリアル・タイム・エキスパート・システムを使用するシステムと方法 | |
| CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
| CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| CN102848266A (zh) | 一种机床主轴精度预测方法 | |
| CN109333159B (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN111443326B (zh) | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 | |
| CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN117961646B (zh) | 一种重载加工用数控刀片剩余使用寿命预测方法及系统 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
| CN116222988A (zh) | 融合智能学习算法的激光切割机齿条系统故障诊断方法 | |
| CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
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 |