CN113780153A - 一种刀具磨损监测和预测方法 - Google Patents
一种刀具磨损监测和预测方法 Download PDFInfo
- Publication number
- CN113780153A CN113780153A CN202111044688.XA CN202111044688A CN113780153A CN 113780153 A CN113780153 A CN 113780153A CN 202111044688 A CN202111044688 A CN 202111044688A CN 113780153 A CN113780153 A CN 113780153A
- Authority
- CN
- China
- Prior art keywords
- representing
- vector
- tool wear
- wear
- cutter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明涉及机械加工领域,具体涉及基于切削力信号的刀具磨损监测和预测方法。本发明将整段切削信号按照10000个数据点的长度划分成N段(N取20),对每段数据进行时域特征、频域特征和时频域特征的提取,本发明利用特征正则化方法处理得到的特征向量序列,以最小化切削参数引起的切削信号变化,同时保留刀具磨损与切削信号之间的映射关系,为了进一步优化特征向量序列,通过注意力机制对特征向量序列中的不同特征分配不同的权重系数,加强特征向量序列中有价值的信息,弱化冗余信息,在提高生产效率的同时降低生产成本,对于当前数据驱动的智能制造模式具有很大意义。
Description
技术领域
本发明涉及机械加工领域,具体涉及基于切削力信号的刀具磨损监测和预测方法。
背景技术
现代制造工业,刀具磨损状态对工件的表面完整性、加工精度和加工效率具有很大的影响。刀具磨损不仅会降低工件的表面质量,而且剧烈的刀具磨损可能会直接导致零件的报废和机器的故障停机。为了保证零件的加工质量,避免因刀具磨损造成的损失,很有必要监测刀具磨损状态以及预测将来刀具磨损的变化。随着传感器技术和人工智能的发展,通过切削信号监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利用机器学习算法来实现刀具磨损状态的监测,但是机器学习算法大都具备浅层的网络结构,不能够从切削信号中提取高水平的特征,而且机器学习算法依赖于特征提取,丢失或忽略了切削信号内在的时间信息。虽然有研究将深度学习用于刀具磨损监测,但是并没有考虑实际多变的切削工况,且没有对所提取的特征表示进行筛选以保留重要的信息,弱化冗余信息。因此,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、普适性差,且没有考虑将来的刀具磨损状态预测。
发明内容
本发明所要解决的技术问题是提供一种以切削信号为基础,充分考虑多变的切削工况,基于注意力机制的刀具磨损监测和预测方法。
为克服上述技术问题,本发明采用如下技术手段:
①从切削信号中提取局部特征;
101将整段切削信号按照10000个数据点的长度划分成N段(N取20),对每段数据进行时域特征、频域特征和时频域特征的提取;提取的时域特征包括最大值、最小值、峰峰值、方差、均方根、峰度因子和偏度因子,频域特征包括均值、最大值、均方根和功率值,时频域特征包括小波能量值;
102将从数据中提取到的特征量按照切削信号的时间维度依次排序,形成特征向量序列,特征向量序列如下:
c=(c1,c2,...cT-1,cT) (1)
其中ci表示提取到的特征量,T表示将整段切削信号划分成的段数,在这里为20;
②对基于步骤①提取到的局部特征进行正则化处理;
③对步骤②中得到的局部特征进行处理;
301计算特征向量的权重,对计算得到的权重参数进行归一化处理,然后每一段切削数据中提取到的特征向量共享计算得到的归一化权重,其相应的计算过程如下所示:
ai=tanh(Wa·ci+ba)(1≤i≤m) (2)
其中,Wa表示注意力机制的权重,ba表示注意力机制的偏置,ai表示计算得到的特征向量权重,tanh表示双曲正切函数,αi表示归一化后的特征向量权重,exp表示指数函数,α表示特征向量的权重矩阵,m表示从一段时间序列信号中提取的特征数,T表示整段切削信号被划分成的段数;
302对特征向量的权重矩阵和原始的特征向量序列进行点乘操作,实现对不同的特征量赋予不同的权重;
④建立刀具磨损监测模型;
401串联向量和卷积核之间的乘法运算,其表示为:
Covi=f(W'xi:i+L-1+b) (5)
其中,Covi表示通过卷积操作后得到的特征表示,f表示激活函数,W表示卷积核,xi:i+L-1表示从输入样本中截取到的串联向量,L表示串联向量的长度,b表示卷积神经网络的权重;
402构建并行的、具有不同层数的卷积神经网络结构,包括单层的卷积神经网络和双层的卷积神经网络,然后合并不同层数的卷积神经网络获得的特征表示;
403合并后的特征表示被用作双向长短时记忆神经网络的输入,双向长短时记忆神经网络内部的单元结构主要包括遗忘门、输入门和输出门,其相应的表达式如下所示:
其中,ft表示遗忘门,it表示输入门,ot表示输出门,ht-1表示上一时刻的信息,xt表示当前时刻的输入向量,w,U,b分别表示需要被学习的网络参数,σ表示sigmoid函数;
404双向长短时记忆神经网络的长期记忆单元和短期记忆单元可以表示为:
⑤划分步骤④中监测到的刀具磨损数据,构建刀具磨损预测训练集T2;
⑥基于构建刀具磨损预测模型,建立历史输入向量与将来输出向量之间的映射关系。
所述步骤②中当切削速度为V,每齿进给量为fz,切削深度为ap时提取到的特征量为sf;当得到未磨损刀具下正则化后的特征量,对刀具磨损过程中提取到的特征量进行正则化处理,其计算过程如下所示:
其中sfN表示刀具未磨损时,正则化后的特征量,sfw表示刀具磨损过程中提取到的特征量,sfNw表示刀具磨损过程中正则化处理后的特征量,sfNw的数值越偏离1,说明刀具磨损的越严重。所述步骤⑤包括:
501当训练集T1中的样本作为输入时,利用步骤④中建立的刀具磨损监测模型,得到训练集相应的刀具磨损值,通过移动滑窗操作划分监测到的刀具磨损数据,用于构建后续刀具磨损预测模型的训练集T2;
503经过502中的数据处理后,以前两步刀具磨损值作为刀具磨损预测模型的输入,通过刀具磨损预测模型,预测接下来五步的刀具磨损值。
本发明的积极效果如下:在切削加工过程中,实时采集切削信号并离线测量当前的刀具磨损值,将采集到的整段切削信号划分成20段数据,对每一段数据进行时域、频域和时频域特征量提取,形成特征向量序列;利用特征正则化方法处理得到的特征向量序列,以最小化切削参数引起的切削信号变化,同时保留刀具磨损与切削信号之间的映射关系,为了进一步优化特征向量序列,通过注意力机制对特征向量序列中的不同特征分配不同的权重系数,加强特征向量序列中有价值的信息,弱化冗余信息;以优化后的特征向量序列作为刀具磨损监测模型的输入,结合并行的卷积神经网络结构与双向长短时记忆神经网络建立刀具磨损监测模型,监测当前切削时刻的刀具磨损值,以监测到的刀具磨损数据为基础,通过移动滑窗操作构建刀具磨损预测训练集T2,基于密集残差神经网络建立刀具磨损预测模型,以前两步历史刀具磨损监测值,预测未来5步的刀具磨损状态。机床操作人员能够根据所建立的刀具磨损监测和预测模型及时做出决策,更换即将失效的刀具,避免零件的报废和机床的故障停机,在提高生产效率的同时降低生产成本,对于当前数据驱动的智能制造模式具有很大意义。
附图说明
图1为刀具磨损监测和预测的总体流程图
图2为刀具磨损监测的具体实现过程图
图3为注意力机制的应用过程图
图4为基于深度学习算法建立的刀具磨损监测模型图
图5为移动滑窗操作生成训练集T2的流程图
图6为刀具磨损监测结果图
图7为刀具磨损预测结果图
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,为实现刀具磨损监测和预测的总体流程图,其主要包括两大部分:刀具磨损监测模块和刀具磨损预测模块,主要步骤如下:
从切削信号中提取局部特征:
101如图2所示,为刀具磨损监测模型的具体实现过程,首先将整段切削信号按照10000个数据点的长度划分成20段;
102对每段数据进行时域特征、频域特征和时频域特征的提取;
103提取的时域特征主要包括最大值、最小值、峰峰值、方差、均方根、峰度因子和偏度因子,频域特征主要包括均值、最大值、均方根和功率值,时频域特征主要包括小波能量值;
104将从多段数据中提取到的特征量按照切削信号的时间维度依次排序,形成特征向量序列,这样原始切削信号就转换为一个特征向量序列,在包含切削信号主要信息的前提下,同时保留了切削信号内在的时间信息,特征向量序列如下所示:
c=(c1,c2,...cT-1,cT) (1)
其中ci表示提取到的特征量,T表示将原始切削信号划分成的段数。
特征向量序列正则化处理:
201由于切削参数的变化会导致切削信号幅值发生改变,这会干扰到与刀具磨损有关的切削信息,所以要通过特征正则化方法处理提取到的局部特征,减弱因切削参数而引起的切削信号变化,同时保留因刀具磨损而引起的切削信号变化;
202假设当切削速度为V,每齿进给量为fz,切削深度为ap时提取到的特征量为sf,在名义的切削参数组合下,利用未磨损的刀具得到的特征量为sf0,那么正则化后的特征可以表示为:
其中,sfN表示刀具未磨损时,正则化后的特征量,α,β,γ表示需要通过优化算法确定的系数,在这里通过鲸鱼优化算法拟合这三个系数,V0表示名义的切削速度,fz0表示名义的每齿进给量,ap0表示名义的切削深度;
203理论上,刀具未磨损时,得到的正则化后的特征量总是接近1,因此α,β,γ这三个系数可以通过以下表达式确定:
其中n表示总的切削参数组合
204当得到未磨损刀具下正则化后的特征量,还需对刀具磨损过程中提取到的特征量进行正则化处理,其计算过程如下所示:
其中sfw表示刀具磨损过程中提取到的特征量,sfNw表示刀具磨损过程中正则化处理后的特征量,sfNw的数值越偏离1,说明刀具磨损的越严重。
基于注意力机制的权重分配:
301正则化后的特征向量中包含的信息不一定都对刀具磨损监测有帮助,所以要对特征向量中的特征赋予不同的权重,起到加强有价值的信息,过滤或弱化不重要信息的作用;
302注意力机制能够从复杂的信息中提取重要信息,获得目标信息,过滤或弱化不重要的信息。因此,注意力机制被用于处理正则化后的特征向量,注意力机制的具体实现过程如图3所示;
303注意力机制主要包括计算特征向量的权重,对计算得到的权重参数进行归一化处理,然后从每一段数据中提取到的特征向量共享计算得到的归一化权重,其相应的计算过程如下所示:
ai=tanh(Wa·ci+ba)(1≤i≤m) (5)
其中,Wa表示注意力机制的权重,ba表示注意力机制的偏置,ai表示计算得到的特征向量权重,tanh表示双曲正切函数,αi表示归一化后的特征向量权重,exp表示指数函数,α表示特征向量的权重矩阵,m表示从一段时间序列信号中提取的特征数,T表示整段切削信号被划分成的段数;
304对特征向量的权重矩阵和原始的特征向量序列进行点乘操作,便能实现对不同的特征量赋予不同的权重,以改善刀具磨损监测的准确度。
建立刀具磨损监测模型:
401要想实现刀具磨损状态监测,需要建立处理后的特征向量序列与刀具磨损状态之间的非线性映射关系,由于深度学习模型相比于传统的机器学习模型,其能够建立复杂的非线性映射关系,从特征向量序列中学习到高维的特征表示,因此结合卷积神经网络和双向的长短时记忆神经网络建立深度学习模型用于刀具磨损监测,所建立的深度学习模型如图4所示,其主要包括并行的卷积神经网络结构和单层的双向长短时记忆神经网络;
402卷积神经网络主要包括卷积和池化操作,卷积操作表示串联向量和卷积核之间的乘法运算,其主要表示为;
Covi=f(W'xi:i+L-1+b) (8)
其中,Covi表示通过卷积操作后得到的特征表示,f表示激活函数,W表示卷积核,xi:i+L-1表示从输入样本中截取到的串联向量,L表示串联向量的长度,b表示卷积神经网络的权重,卷积操作之后,池化操作用于进一步降低特征维度,提高卷积神经网络的学习效率,节约计算资源;
403为了提取从浅到深的特征表示,设计了一种并行的、具有不同层数的卷积神经网络结构,主要包括单层的卷积神经网络和双层的卷积神经网络,然后合并不同层数的卷积神经网络学习到的特征表示;
404卷积神经网络提取到的特征表示被用作双向长短时记忆神经网络的输入,双向长短时记忆神经网络通过正向和反向的双向操作能够学习到更高维度的特征表示。
405双向长短时记忆神经网络是在长短时记忆神经网络基础上发展而来,其内部的单元结构主要包括遗忘门、输入门和输出门,其相应的表达式如下所示:
其中,ft表示遗忘门,it表示输入门,ot表示输出门,ht-1表示上一时刻的信息,xt表示当前时刻的输入向量,w,U,b分别表示需要被学习的网络参数,σ表示sigmoid函数;
406然后双向长短时记忆神经网络的长期记忆单元和短期记忆单元可以表示为:
407双向长短时记忆神经网络通过对前向隐层向量和后向隐层向量的拼接,充分考虑了上下文信息,提高了刀具磨损监测的有效性;
通过移动滑窗操作构建训练集:
501当训练集T1中的样本作为输入时,利用步骤④中建立的刀具磨损监测模型,能够得到训练集T1相应的刀具磨损值,通过移动滑窗操作划分监测到的刀具磨损数据,用于构建后续刀具磨损预测模型的训练集T2;
502移动滑窗操作能扩大数据集,并保证监测到的刀具磨损数据的前后关联性,移动滑窗的具体操作如图5所示;
504经过503中的数据处理后,以前两步刀具磨损值作为刀具磨损预测模型的输入,通过训练好的刀具磨损预测模型,便能得到将来五步的刀具磨损值;
建立刀具磨损预测模型:
601要想实现刀具磨损状态预测,需要通过深度学习算法建立历史输入向量与将来输出向量之间的映射关系。由于密集残差神经网络不需要优化模型中的隐含单元数量,而且模型中只含有数十个超参数需要训练,极大地节约了计算资源。因此,基于密集残差神经网络建立刀具磨损状态预测模型;
602密集残差神经网络是在标准残差神经网络的基础上发展而来,网络的主要结构可以表示为:
y=F(x,{Wi})+x (12)
其中,y表示输出向量,F表示残差映射,x表示模型的输入向量,Wi表示需要被学习的超参数;
603密集残差神经网络通过合并规则的信息流和之前残差模块的输出和输入,能够恢复丢失的信息,改善信息流。因此,密集残差神经网络能够建立输入向量与输出向量之间的非线性映射关系,用于刀具磨损预测。
实施例1
本部分主要基于上文所述开展铣削试验,在不同的切削参数组合下加工镍基高温合金Haynes230,在车削过程中采集切削力信号,并在试验结束之后测量刀尖附近的最大磨损宽度。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
本次试验所用的材料为镍基高温合金Haynes230,刀具型号为XOMX090308TR-M08F40M,试验平台为DMU 80 mono BLOCK铣削加工中心,利用型号为Kistler 9057B的测力仪采集切削力,型号为Dino-Capture 2.0的光学显微镜测量刀尖附近最大的磨损宽度;
将单次切削得到的切削力信号划分成20段,从每一段切削数据中提取时域、频域和时频域特征量,按照切削信号采集的时间顺序依次排列形成特征向量序列;
对特征向量序列首先进行正则化处理,最小化因切削参数变化而引起的特征量的变化,然后利用注意力机制为正则化后的特征向量序列中的不同特征分配不同的权重系数;
经过上述处理后,特征向量序列用作刀具磨损监测模型的输入,以测试集#3中的数据作为测试集T3,监测得到的刀具磨损结果如图6所示。从图6中可以看出,监测得到的刀具磨损曲线接近于实际的刀具磨损曲线,说明刀具磨损监测模型的准确度高。当以均值误差和均方误差作为评价指标时,计算得到的指标值分别为0.0044和0.0057,定量地说明了所建立的刀具磨损监测模型可用于实际的切削状态监测;
以前2步刀具磨损监测模型监测到的刀具磨损值作为刀具磨损预测模型的输入,预测未来5步的刀具磨损值,其预测结果如图7所示。从图7中可以看出,刀具磨损预测曲线很接近实际的刀具磨损曲线,当以均值误差和均方误差作为评价指标时,计算得到的指标值分别为0.0054和0.0066,说明所建立的刀具磨损预测模型可用于实现将来刀具磨损状态的预测。通过所建立的刀具磨损监测和预测模型,机床操作人员能够及时地更换即将失效的刀具,避免因剧烈刀具磨损而引起的零件报废和机器的故障停机;
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)
1.一种刀具磨损监测和预测方法,其特征在于包括以下步骤:
①从切削信号中提取局部特征;
101将整段切削信号按照10000个数据点长度划分成N段(N取20),对每段数据进行时域特征、频域特征和时频域特征的提取;提取的时域特征包括最大值、最小值、峰峰值、方差、均方根、峰度因子和偏度因子,频域特征包括均值、最大值、均方根和功率值,时频域特征包括小波能量值;
102将从数据中提取到的特征量按照切削信号的时间维度依次排序,形成特征向量序列,特征向量序列如下:
c=(c1,c2,...cT-1,cT) (1)
其中ci表示提取到的特征量,T表示将整段切削信号划分成的段数,在这里为20;
②对基于步骤①提取到的局部特征进行正则化处理;
③对步骤②中得到的局部特征进行处理;
301计算特征向量的权重,对计算得到的权重参数进行归一化处理,然后每一段切削数据中提取到的特征向量共享计算得到的归一化权重,其相应的计算过程如下所示:
ai=tanh(Wa·ci+ba)(1≤i≤m) (2)
其中,Wa表示注意力机制的权重,ba表示注意力机制的偏置,ai表示计算得到的特征向量权重,tanh表示双曲正切函数,αi表示归一化后的特征向量权重,exp表示指数函数,α表示特征向量的权重矩阵,m表示从一段时间序列信号中提取到的特征数,T表示整段切削信号被划分成的段数;
302对特征向量的权重矩阵和原始的特征向量序列进行点乘操作,实现对不同的特征量赋予不同的权重;
④建立刀具磨损监测模型;
401串联向量和卷积核之间的乘法运算,其表示为:
Covi=f(W'xi:i+L-1+b) (5)
其中,Covi表示通过卷积操作后得到的特征表示,f表示激活函数,W表示卷积核,xi:i+L-1表示从输入样本中截取到的串联向量,L表示串联向量的长度,b表示卷积神经网络的权重;
402构建并行的、具有不同层数的卷积神经网络结构,包括单层的卷积神经网络和双层的卷积神经网络,然后合并不同层数的卷积神经网络获得的特征表示;
403合并后的特征表示被用作双向长短时记忆神经网络的输入,双向长短时记忆神经网络内部的单元结构主要包括遗忘门、输入门和输出门,其相应的表达式如下所示:
其中,ft表示遗忘门,it表示输入门,ot表示输出门,ht-1表示上一时刻的信息,xt表示当前时刻的输入向量,w,U,b分别表示需要被学习的网络参数,σ表示sigmoid函数;
404双向长短时记忆神经网络的长期记忆单元和短期记忆单元可以表示为:
⑤划分步骤④中监测到的刀具磨损数据,构建刀具磨损预测训练集T2;
⑥基于构建刀具磨损预测模型,建立历史输入向量与将来输出向量之间的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044688.XA CN113780153A (zh) | 2021-09-07 | 2021-09-07 | 一种刀具磨损监测和预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044688.XA CN113780153A (zh) | 2021-09-07 | 2021-09-07 | 一种刀具磨损监测和预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780153A true CN113780153A (zh) | 2021-12-10 |
Family
ID=78841496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044688.XA Pending CN113780153A (zh) | 2021-09-07 | 2021-09-07 | 一种刀具磨损监测和预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780153A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114161228A (zh) * | 2022-02-14 | 2022-03-11 | 湖南大学 | 刀具磨损预测方法、装置、设备及存储介质 |
CN114559298A (zh) * | 2022-02-25 | 2022-05-31 | 中国科学院合肥物质科学研究院 | 基于物理信息融合的刀具磨损监测方法 |
CN114905336A (zh) * | 2022-06-27 | 2022-08-16 | 西安交通大学 | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 |
CN116008114A (zh) * | 2023-01-17 | 2023-04-25 | 哈尔滨理工大学 | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 |
CN116021425A (zh) * | 2023-03-28 | 2023-04-28 | 江苏中科云控智能工业装备有限公司 | 一种基于物联网的去毛刺设备性能测试系统及方法 |
CN116843656A (zh) * | 2023-07-06 | 2023-10-03 | 滁州正汇科技有限公司 | 钢带管的涂塑控制方法及其系统 |
-
2021
- 2021-09-07 CN CN202111044688.XA patent/CN113780153A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114161228A (zh) * | 2022-02-14 | 2022-03-11 | 湖南大学 | 刀具磨损预测方法、装置、设备及存储介质 |
CN114161228B (zh) * | 2022-02-14 | 2022-06-21 | 湖南大学 | 刀具磨损预测方法、装置、设备及存储介质 |
CN114559298A (zh) * | 2022-02-25 | 2022-05-31 | 中国科学院合肥物质科学研究院 | 基于物理信息融合的刀具磨损监测方法 |
CN114905336A (zh) * | 2022-06-27 | 2022-08-16 | 西安交通大学 | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 |
CN114905336B (zh) * | 2022-06-27 | 2023-07-25 | 西安交通大学 | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 |
CN116008114A (zh) * | 2023-01-17 | 2023-04-25 | 哈尔滨理工大学 | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 |
CN116008114B (zh) * | 2023-01-17 | 2023-09-12 | 哈尔滨理工大学 | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 |
CN116021425A (zh) * | 2023-03-28 | 2023-04-28 | 江苏中科云控智能工业装备有限公司 | 一种基于物联网的去毛刺设备性能测试系统及方法 |
CN116843656A (zh) * | 2023-07-06 | 2023-10-03 | 滁州正汇科技有限公司 | 钢带管的涂塑控制方法及其系统 |
CN116843656B (zh) * | 2023-07-06 | 2024-03-15 | 安徽正汇汽配股份有限公司 | 钢带管的涂塑控制方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780153A (zh) | 一种刀具磨损监测和预测方法 | |
Xu et al. | Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism | |
Zan et al. | Control chart pattern recognition using the convolutional neural network | |
CN110153802B (zh) | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 | |
Huang et al. | Tool wear monitoring with vibration signals based on short-time fourier transform and deep convolutional neural network in milling | |
Wang et al. | Random convolutional neural network structure: An intelligent health monitoring scheme for diesel engines | |
Li et al. | Intelligent tool wear prediction based on Informer encoder and stacked bidirectional gated recurrent unit | |
CN113798920A (zh) | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 | |
CN112766182A (zh) | 一种拉削刀具磨损状态识别方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN114358185A (zh) | 一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法 | |
CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN115130749A (zh) | 融合nsga-ⅲ和topsis的数据驱动多目标优化方法 | |
Zhang et al. | A deep learning-based multi-sensor data fusion method for degradation monitoring of ball screws | |
Zegarra et al. | Comparison of CNN and CNN-LSTM architectures for tool wear estimation | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
El-Brawany et al. | Artificial intelligence-based data-driven prognostics in industry: A survey | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Ma et al. | Multi-scale one-dimensional convolution tool wear monitoring based on multi-model fusion learning skills | |
Qu et al. | Remaining Useful Life Prediction of High-Speed Railroad Contact Network Based on Stacking Integrated Attention-LSTM-CNN Deep Learning | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN114897139A (zh) | 一种排序稳定简化稀疏量子神经网络的轴承故障诊断方法 | |
CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 |
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 |