CN112798453A - 一种多传感器信息融合的砂带磨损检测方法 - Google Patents
一种多传感器信息融合的砂带磨损检测方法 Download PDFInfo
- Publication number
- CN112798453A CN112798453A CN202011615783.6A CN202011615783A CN112798453A CN 112798453 A CN112798453 A CN 112798453A CN 202011615783 A CN202011615783 A CN 202011615783A CN 112798453 A CN112798453 A CN 112798453A
- Authority
- CN
- China
- Prior art keywords
- abrasive belt
- grinding
- signal
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/56—Investigating resistance to wear or abrasion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0001—Type of application of the stress
- G01N2203/0005—Repeated or cyclic
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/026—Specifications of the specimen
- G01N2203/0262—Shape of the specimen
- G01N2203/0278—Thin specimens
- G01N2203/0282—Two dimensional, e.g. tapes, webs, sheets, strips, disks or membranes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
- G01N2203/0676—Force, weight, load, energy, speed or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明一种多传感器信息融合的砂带磨损检测方法,属于磨削加工领域;该方法具体步骤为:首先定义砂带磨损因数,搭建磨削平台,设置多组磨削用量并采集各类传感器信号;然后对采集到的原始传感器信号进行初步处理;再对初步处理后的信号进行裁剪处理;训练深度卷积神经网络模型;最后获取实际磨削中砂带磨损传感器信号,输入磨削用量编号,调用相应模型来判断对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数等。本发明提出了多个深度卷积神经网络模型相互配合的方法,提高了模型的准确度,从而可以输出更为准确的砂带磨损信息。
Description
技术领域
本发明属于磨削加工领域,具体涉及一种多传感器信息融合的砂带磨损检测方法。
背景技术
磨削一般作为机械加工的最后一道工序,可以有效的消除前面工序产生的加工缺陷,提高产品表面质量。磨削过程复杂,影响磨削质量的因素众多,其中磨具磨损影响尤为突出。磨具磨损状态受磨具类型、磨削对象、使用时间以及工艺参数等因素影响,是一个典型的时变、多因素耦合过程,因而磨损状态检测困难。现有磨削过程中,主要依赖人工经验,通过人眼观察磨具状态或者记录使用时间的方式进行磨具状态判断,容易导致过早或不及时的磨具更换,降低抛光效率,甚至造成工件损坏,提高加工成本。因而如何有效进行磨具磨损状态检测,对于保证磨削质量,实现磨削加工智能化具有重要的理论意义与工程应用价值。
人们开展了对工具的磨损过程和磨损状态的许多研究,提出了多种检测方法。按照是否对工具本身进行测量分为直接法和间接法,直接法对工具本体进行测量,一般是通过视觉取相或接触的方法测量工具表面的形貌和几何尺寸来获得工具的磨损状态,甚至采用称重的方法来检测砂轮等硬质磨削工具的磨损状态。间接法是指基于对磨损密切相关的传感器信号的监测,构建监测信号与工具磨损状态的模型以间接获取当前磨损状态,常使用的传感器信号有力信号、振动信号、声发射信号、功率信号和声音信号等。这种方法不干涉正常的磨削过程,检测时不需要停机,可以满足实时监测的要求。但是在砂带磨削领域,砂带作为柔性抛光工具,结构尺寸微小,砂带结构与砂轮等硬质抛光工具不同,难以使用数字量表征磨损程度,因此许多直接检测方法如称重等不适用于砂带磨损检测。而对于间接法,目前使用的监测信号类型较少,且每种信号对砂带磨损的响应程度不明确,模型的搭建需要大量的信号数据支持,对模型的准确度要求较高。所以到目前为止依然没有一种较为成熟的砂带磨损检测方法。
发明内容
要解决的技术问题:
为了避免现有技术的不足之处,实时检测砂带的磨损状态,避免砂带欠用造成的砂带频繁更换以及砂带过用造成的工件破坏等问题,本发明提出一种多传感器信息融合的砂带磨损检测方法,采集磨削过程中力信号、振动信号和声音信号等传感器信号,训练深度学习模型对磨损状态进行识别的砂带磨损检测方法,可以快速的对砂带磨损状况进行测量,获得准确的砂带磨损信息。
本发明的技术方案是:一种多传感器信息融合的砂带磨损检测方法,其特征在于具体步骤如下:
步骤一:首先,通过以下公式定义砂带磨损因数kt:
其中,Ca为砂带初始磨损常数,h为去除深度,Fn为法向力,Vr为砂带与工件相对速度;将全新砂带磨损因数设定为kt=1,由全新砂带初次驻留磨削的去除深度h标定砂带初始磨损常数Ca;
然后,搭建磨削平台,设置多组磨削用量并采集各类传感器信号;
步骤二:对步骤一采集到的原始传感器信号进行初步处理,得到零点对齐的信号;
步骤三:对步骤二初步处理后的信号进行裁剪处理,得到深度卷积神经网络训练所需的训练集和测试集;
步骤四:采用多个卷积神经网络模型配合的磨损状态识别方法,训练步骤三的训练集和测试集得到深度卷积神经网络模型,用以判断采用的磨削用量;再训练针对各个磨削用量的深度卷积神经网络模型,用以判断砂带的磨损程度;
步骤五:获取实际磨削中砂带磨损传感器信号,信号输入磨削用量识别的卷积神经网络模型中判断所用的磨削用量编号,调用相应的的深度卷积神经网络模型判断该信号对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数。
本发明的进一步技术方案是:所述步骤一中利用力传感器、振动传感器和声音传感器来采集工件磨削过程中与砂带磨损密切相关的各类传感器信号,分别为力信号、振动信号和声音信号;在每组磨削用量下,一个砂带磨损因数对应该段磨削时间采集到的一组原始传感器信号。
本发明的进一步技术方案是:所述步骤二初步处理方法为:
(1)从步骤一所采集的原始信号中截取出磨削段信号;所述原始信号包括磨削段和怠速非磨削段;
(2)对截取出的磨削段信号进行低通滤波,减小噪声对信号的干扰;
(3)对信号的零点进行标定,实现零点对齐,减少由于信号传播介质带来的延时误差。
本发明的进一步技术方案是:所述步骤三中,将每个信号裁剪为若干个小信号,随机划分入训练集和测试集,其中训练集占总数据集的80%,测试集占20%。
本发明的进一步技术方案是:所述步骤四中,多个卷积神经网络模型是指两个卷积神经网络模型,分别为用于对输入信号做作16种磨削用量判断的卷积神经网络模型和用于对14种磨损状态判断的卷积神经网络模型。
有益效果
本发明的有益效果在于:
1.本发明针对变磨削参数下砂带磨损状态的检测,采用深度卷积神经网络模型,与传统机器学习方法相比,不需要提取信号特征值,训练过程不受主观因素干扰;提出了多个深度卷积神经网络模型相互配合的方法,提高了模型的准确度,从而可以输出更为准确的砂带磨损信息。
2.方法采用的传感器包括力传感器、振动传感器和声音传感器等,易安装且采集效果稳定,通过考虑信号传播延时的影响,提高并保证了信号的准确度。
附图说明
图1为本发明多传感器信息融合砂带磨损状态方法流程图;
图2为本发明方法以力传感器和振动传感器采集磨削过程信号的示意图;
图3为本发明方法实施例采集的三个方向力信号和振动信号示意图;
图4为本发明方法实施例采集的声音信号滤波前后波形图;
图5为本发明方法实施例模型结构示意图;
图6为本发明方法实施例模型训练过程示意图;
图7为本发明方法实施例模型配合识别磨损状态过程示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
参照图1至图7。本发明以力传感器、振动传感器和声音传感器为例,采用工业机器人砂带机磨削平台,砂带选择3M金字塔形砂带,工件材料为TC4,尺寸为230mm×150mm×11mm,来说明基于多传感器信息融合的砂带磨损检测方法的数据采集、处理、模型搭建和磨损识别的具体步骤。
步骤一:原始传感器数据的采集。
将测力平台安装到磨削工作台上,利用压板和垫块组成夹具将工件材料固定在测力台上,振动传感器安装在工件侧面,声音传感器安装在工业机器人上。综合考虑砂带粒度、法向力、砂带线速度和进给速度,设置四因素四水平共16组磨削用量。在各组磨削用量下,每磨削一分钟后进行驻留磨削,在工件上留下用于测量去除深度的凹坑,使用Aiceyi高度计测量去除深度h,并根据法向力Fn、砂带与工件相对速度Vr和砂带初始磨损常数Ca计算出砂带磨损因数kt如下式:
定义全新砂带磨损因数kt=1,由全新砂带初次驻留磨削的去除深度标定砂带初始磨损常数Ca。
一个砂带磨损因数值对应一组原始力信号、一组原始振动信号和一组原始声音信号。本步骤中采集到的磨损因数值、力信号、振动信号和声音信号为原始数据。
图2为本发明方法以力传感器和振动传感器采集磨削过程信号的示意图;
图3为本发明方法实施例采集的三个方向力信号和振动信号示意图;
表1为四因素四水平磨削参数表;
表1
步骤二:对采集到的原始传感器信号进行处理,包括截取、滤波和零点对齐。
截取是指从采集的包括磨削段和怠速非磨削段的原始信号中截取出磨削段信号;滤波是指对采集的传感器信号进行低通滤波,减小噪声对信号的干扰;零点对齐是指修正因为信号传播带来的延时,特别是声音从声源处通过空气传播到声音传感器所需时间比其他通过固体传播且传播距离短的信号更长,需要对信号的零点进行标定,实现零点对齐。
声音在空气中传播速度为340m/s,声源距离声音传感器距离为0.3m,需要的传播时间为0.3÷340≈0.000882s。所以此时采集到的声音信号是0.000882s之前的磨损状态发出的声音。考虑声音采集器的采样频率为20000Hz,则声音采集器采集到的信号滞后约0.000882×20000=17个数据点。将声音信号数据提前17个数据点即保证了声音传感器信号的同步。
图4为本发明方法实施例采集的声音信号滤波前后波形图;
步骤三:磨损识别模型数据集制作。
对信号进行裁剪处理,制作出卷积神经网络训练所需的训练集和测试集。每个采样时刻的采样时间为5s,采样率20000Hz,则每段信号为20000×5=100000行,砂带的磨损信息就包含在这些数据中。将此段信号分割成250个400行的小段信号。相当于1个采样时刻获得了250个样本。每一组磨削用量有14个采样时刻,具有14×250=3500个样本。
将每个长信号裁剪为数个小信号,随机分入训练集和测试集,其中训练集占总数据集的80%,测试集占20%。
步骤四:采用多个卷积神经网络模型配合的磨损状态识别方法,训练一个针对16种磨削用量的深度卷积神经网络模型用以判断采用的磨削用量,分类数为16,训练针对各个磨削用量的深度卷积神经网络模型用以判断砂带的磨损程度,分类数为14。
图5为本发明方法实施例模型结构示意图。
图6为本发明方法实施例模型训练过程示意图;
步骤五:获取实际磨削中砂带磨损传感器信号,信号输入磨削用量识别的卷积神经网络模型中判断所用的磨削用量编号,调用相应的的深度卷积神经网络模型判断该信号对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数等。
图7为本发明方法实施例模型配合识别磨损状态过程示意图。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种多传感器信息融合的砂带磨损检测方法,其特征在于具体步骤如下:
步骤一:首先,通过以下公式定义砂带磨损因数kt:
其中,Ca为砂带初始磨损常数,h为去除深度,Fn为法向力,Vr为砂带与工件相对速度;将全新砂带磨损因数设定为kt=1,由全新砂带初次驻留磨削的去除深度h标定砂带初始磨损常数Ca;
然后,搭建磨削平台,设置多组磨削用量并采集各类传感器信号;
步骤二:对步骤一采集到的原始传感器信号进行初步处理,得到零点对齐的信号;
步骤三:对步骤二初步处理后的信号进行裁剪处理,得到深度卷积神经网络训练所需的训练集和测试集;
步骤四:采用多个卷积神经网络模型配合的磨损状态识别方法,训练步骤三的训练集和测试集得到深度卷积神经网络模型,用以判断采用的磨削用量;再训练针对各个磨削用量的深度卷积神经网络模型,用以判断砂带的磨损程度;
步骤五:获取实际磨削中砂带磨损传感器信号,信号输入磨削用量识别的卷积神经网络模型中判断所用的磨削用量编号,调用相应的的深度卷积神经网络模型判断该信号对应的砂带磨损状态并输出砂带使用时间、剩余寿命和磨损因数。
2.根据权利要求1所述多传感器信息融合的砂带磨损检测方法,其特征在于:所述步骤一中利用力传感器、振动传感器和声音传感器来采集工件磨削过程中与砂带磨损密切相关的各类传感器信号,分别为力信号、振动信号和声音信号;在每组磨削用量下,一个砂带磨损因数对应该段磨削时间采集到的一组原始传感器信号。
3.根据权利要求1所述多传感器信息融合的砂带磨损检测方法,其特征在于:所述步骤二初步处理方法为:
(1)从步骤一所采集的原始信号中截取出磨削段信号;所述原始信号包括磨削段和怠速非磨削段;
(2)对截取出的磨削段信号进行低通滤波,减小噪声对信号的干扰;
(3)对信号的零点进行标定,实现零点对齐,减少由于信号传播介质带来的延时误差。
4.根据权利要求1所述多传感器信息融合的砂带磨损检测方法,其特征在于:所述步骤三中,将每个信号裁剪为若干个小信号,随机划分入训练集和测试集,其中训练集占总数据集的80%,测试集占20%。
5.根据权利要求1所述多传感器信息融合的砂带磨损检测方法,其特征在于:所述步骤四中,多个卷积神经网络模型是指两个卷积神经网络模型,分别为用于对输入信号做作16种磨削用量判断的卷积神经网络模型和用于对14种磨损状态判断的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615783.6A CN112798453B (zh) | 2020-12-30 | 2020-12-30 | 一种多传感器信息融合的砂带磨损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615783.6A CN112798453B (zh) | 2020-12-30 | 2020-12-30 | 一种多传感器信息融合的砂带磨损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112798453A true CN112798453A (zh) | 2021-05-14 |
CN112798453B CN112798453B (zh) | 2023-06-23 |
Family
ID=75804672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011615783.6A Active CN112798453B (zh) | 2020-12-30 | 2020-12-30 | 一种多传感器信息融合的砂带磨损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06226626A (ja) * | 1992-08-12 | 1994-08-16 | Koyo Seiko Co Ltd | マシニングセンタの制御方法および制御装置 |
CN108037034A (zh) * | 2017-12-21 | 2018-05-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理系统 |
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN111761409A (zh) * | 2020-07-09 | 2020-10-13 | 内蒙古工业大学 | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 |
-
2020
- 2020-12-30 CN CN202011615783.6A patent/CN112798453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06226626A (ja) * | 1992-08-12 | 1994-08-16 | Koyo Seiko Co Ltd | マシニングセンタの制御方法および制御装置 |
CN108037034A (zh) * | 2017-12-21 | 2018-05-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理系统 |
CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
CN111761409A (zh) * | 2020-07-09 | 2020-10-13 | 内蒙古工业大学 | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 |
Non-Patent Citations (1)
Title |
---|
巩亚东,吕洋,王宛山,朱晓峰: "基于多传感器融合的磨削砂轮钝化的智能监测", 东北大学学报(自然科学版), no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112798453B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US3694637A (en) | Method and apparatus for detecting tool wear | |
CN104990503B (zh) | 一种基于激光位移传感器的砂轮外圆跳动检测方法 | |
CN101829951A (zh) | 外圆磨削工件表面质量可视化实时监测方法 | |
CN108490880A (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
Sutowski et al. | Monitoring of cylindrical grinding processes by use of a non-contact AE system | |
CN103234471B (zh) | 金刚石圆锯片基体检测系统及测量方法 | |
CN105445132A (zh) | 新型超声振动辅助单颗磨粒划刻试验装置及试验方法 | |
CN102172893A (zh) | 砂轮修整形貌可视化监测装置及其监测方法 | |
CN112798453B (zh) | 一种多传感器信息融合的砂带磨损检测方法 | |
JPH01281849A (ja) | 加工作業における軌跡の適応制御方法およびその装置 | |
CN107966388B (zh) | 一种随动式单层砂轮磨粒分布特性检测方法及其装置 | |
CN206066100U (zh) | 数控深孔内圆磨床测量监控加工一体化装置及控制系统 | |
CN115712248A (zh) | 一种基于反馈优化的研磨智能控制方法及系统 | |
CN109885900A (zh) | 一种基于灰度分析的车削参数优化方法 | |
CN204686664U (zh) | 一种砂轮磨损及g比率的测量装置 | |
CN106112713A (zh) | 数控深孔内圆磨床测量监控加工一体化装置及控制系统 | |
CN110405627A (zh) | 一种基于声发射监测的金刚石刀具圆弧波纹度控制方法 | |
CN203542367U (zh) | 砂轮自动检测与补偿装置及磨削加工中心 | |
CN202267498U (zh) | 一种锯片自动检测装置 | |
CN115389074A (zh) | 一种陶瓷材料残余应力检测方法及系统 | |
CN104174931B (zh) | 一种间歇式自适应磨前磨后测量和免测量的锯齿磨削方法 | |
CN113359655A (zh) | 铸件打磨智能生产信息模型的建立方法 | |
CN113847949A (zh) | 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 | |
Xiqing et al. | Tool wear monitoring of acoustic emission signals from milling processes |
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 |