CN113847949A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113847949A CN113847949A CN202111115489.3A CN202111115489A CN113847949A CN 113847949 A CN113847949 A CN 113847949A CN 202111115489 A CN202111115489 A CN 202111115489A CN 113847949 A CN113847949 A CN 113847949A
- Authority
- CN
- China
- Prior art keywords
- abrasive belt
- sensor
- grinding
- signal
- signals
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
Abstract
本发明公开了磨削加工控制方法技术领域的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,建立了砂带磨损度与材料去除率之间的时域映射关系,进而推导出砂带磨损度表征因数,建立了包含力传感器、振动传感器、声音传感器和声发射传感器在内的多传感器集成磨削系统,进一步对传感器信号进行了单因素和多因素灵敏度实验,获得了砂带磨损度对于信号的灵敏度,在此基础上确定了输入信号的最优组合;采用改进马氏距离和CNN卷积神经网络方法建立了包含磨削工况分类和磨损状态识别的双层砂带磨损状态检测模型,该方法不局限于固定的工况条件,扩大了模型的适用范围;从理论上避免了人为经验对特征提取的影响,提高了模型的判断精度。
Description
技术领域
本发明涉及磨削加工控制方法技术领域,具体为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。
背景技术
磨削一般作为机械加工的最后一道工序,可以有效消除前面工序产生的加工缺陷,提高产品的形状精度与表面质量。其中砂带磨削因其去除效率高、加工热量低、弹性大、加工自由曲面能力强等优点,在国内外得到了广泛应用。砂带磨削过程复杂,磨削质量的影响因素较多,其中又以砂带磨损影响尤为突出。由于磨粒的持续磨损,砂带的去除能力下降,特别是当砂带接近其使用末期时,砂带磨削质量下降显著。而砂带磨损是一个多因素的时变过程,由于其高度的非线性和耦合性特征,磨损机理和规律尚未被充分了解。在实际生产中,主要依赖人工经验,通过人眼观察或者记录使用时间的方式进行砂带磨损状态判断,这种方法容易实施,但缺陷明显。频繁更换造成停机损耗和砂带资源浪费,不及时更换则导致因砂带严重磨损而降低工件磨削质量。以人工经验为基础的砂带磨损状态判断方法不再适合现代高度自动化的制造过程。因此,一种可靠、高效的砂带磨损状态检测方法对于保证磨削质量和效率具有重要作用。
人们对于砂带磨损状态检测开展了诸多研究,并形成了较为丰富的研究成果。现有砂带磨损状态检测方法可以分为两类:直接法与间接法。直接法是通过直接测量砂带表面的晶粒尺寸、磨损面积等,获得砂带的磨损信息。该方法准确率高,但是成本较高,且因为需要停机检测,因而不适用于自动化的工业生产过程。间接法则是通过采用信号传感器,对与砂带磨损状态相关的加工参数信号进行监测,并建立信号与磨损状态之间的关系模型,进而对磨损状态进行评估。与直接方法相比,间接法不干扰正常加工过程,可以极大地减少停机时间,这对自动化加工过程是必不可少的。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敏感程度不明确。目前多为经验模型,主要以试验为基础。该方法的原理和应用相对简单。缺点是:一方面试验结果仅适用于固定的试验条件,适用范围较窄;另一方面,只能考虑部分砂带磨损影响因素,精度相对较低。所以到目前为止依然没有一种较为成熟的可适用于多种工况条件下的砂带磨损状态高精度检测方法。
为此,我们提出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。
发明内容
本发明的目的在于获得磨削过程中砂带的实时磨损状态,避免砂带欠磨造成的频繁更换或者过磨导致的磨削质量降低等问题,并进一步改善现有信号监测技术判断准确度低和工况适用范围窄的不足,本发明提出了一种采集磨削过程中力、振动、声发射和声音等多种信号,通过多种信号的优化组合,构建工况识别-深度神经网络双层判断模型的砂带磨损状态在线检测方法,可以快速的对不同工况条件下的砂带磨损状况进行判断,获得准确的砂带磨损状态信息。
为实现上述目的,本发明提供如下技术方案: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,该在线检测方法包括如下步骤:
S1:基于材料去除效率定义砂带磨损度表征因数kt;
S2:搭建砂带磨削试验平台,协同规划多传感器布局,设计多组工况下的正交试验方案,开展磨削试验并同步采集各类传感器信号;
S3:对采集的多种原始传感器信号进行预处理;
S4:对预处理后的传感器信号进行有效性分析,确定最佳的信号组合方案;
S5:构建工况分类-神经网络预测的双层砂带磨损度识别模型,并进行模型训练;
S6:获取实际磨削中传感器信号,采用砂带磨损度识别模型来判断当前砂带磨损状态。
进一步的,所述步骤S1包括以下子步骤:
a1、依据Preston方程和赫兹接触理论,由磨削去除深度h、法向磨削力Fn、砂带与工件相对速度V和接触面积S导出砂带磨削材料去除率系数K如下式:
b1、定义初始全新砂带磨削时的材料去除率系数为k0,磨削过程在任意时刻的材料去除率系数为kt,则砂带磨损度表征因数kt可以表示为:
进一步的,所述步骤S2包括以下子步骤:
a2、搭建砂带磨削试验平台,针对传感器信号特征协同合理布局传感器安装位置,并结合砂带磨削特征,选取磨削法向力、砂带线速度和进给速度作为磨削过程控制的主要工艺参数,在此基础上进行多种工况条件下的正交试验方案设计,每隔固定的磨削时间测量砂带磨削的材料去除深度;
b2、利用力传感器、振动传感器、声发射传感器和声音传感器采集磨削过程中与砂带磨损相关的各类传感器信号;在每组工艺参数组合下,一个砂带磨损度表征因数对应该段磨削时间采集到的一组原始传感器信。
进一步的,所述步骤S3包括以下子步骤:
a3、首先对采集的原始传感器信号进行磨削段信号截取;
b3、然后对磨削段信号进行低通滤波,提高信号信噪比,降低噪声干扰;
c3、考虑信号传播带来的延时,进一步对信号的零点进行标定,实现零点对齐,至此,完成了采集得到的原始传感器信号的预处理。
进一步的,所述步骤S4具体实现方法为:
a4、对于多种磨削信号进行有效性分析,在此基础上获得单一信号有效性排序;
b4、按照信号有效性排序,依次进行两种、三种、四种以及五种信号组合,进行磨损状态预测;
c4、依据预测准确度以及时间等指标,选取最优的信号组合方案。
进一步的,所述步骤S5包括以下子步骤:
a5、采用响应曲面法构建砂带磨损度与工艺参数的映射关系模型,进而采用求导的方式获得砂带磨损度对于每一个工艺参数的灵敏度,在此基础上采用马氏距离判断不同工艺参数组合下工况条件的接近程度;
b5、制作出深度卷积神经网络训练所需的训练集和测试集。将每个长信号裁剪为数个小信号,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%;
c5、基于训练集数据,对各个工艺参数组合的深度卷积神经网络模型进行训练,用以后续判断砂带的磨损程度。
进一步的,所述步骤S5包括以下子步骤:所述步骤S6具体实现方法为:获取实际磨削中砂带磨损状态的传感器信号,首先通过工况条件识别模型选择砂带磨损度识别模型中最接近的工况条件,进一步调用该工况条件下的深度卷积神经网络模型判断信号对应的砂带磨损状态。
与现有技术相比,本发明的有益效果是:
本发明采用的传感器包括力传感器、振动传感器、声发射传感器和声音传感器等,易安装且采集效果稳定,通过针对信号特征的预处理过程以及有效性分析,获得了用于判断砂带磨损状态的信号优化组合,提高检测结果的准确度。
本发明采用深度卷积神经网络模型进行砂带磨损状态的检测,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,提高了结果的准确性;提出了工况识别-深度神经网络的双层判断模型的砂带磨损状态检测方法,可以适用于多种工况条件下的砂带磨损状态检测,提高了模型的普适性。
附图说明
图1为本发明基于传感器信息的多工况砂带磨损状态在线检测方法流程图;
图2为本发明方法实施例信号有效性试验结果示意图;
图3为本发明方法实施例多工况条件下砂带磨损状态识别方法流程图;
图4为本发明方法实施例模型训练过程以及预测精度示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1至图4。本发明以力、振动、声发射和声音传感器为例,采用夹持式砂带机磨削平台,砂带选择60#粒度的3M氧化铝砂带,工件材料为钛合金TC4,尺寸为200mm×150mm×11mm,为加速砂带磨损进程,节约试验时间,采用干磨削方式,来说明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的数据采集、预处理、模型构建和磨损状态识别的具体步骤。
图1为本发明基于传感器信息的多工况砂带磨损状态在线检测方法流程图。
步骤一:基于多传感器的原始磨削信号数据采集。
信号采集平台由力传感器Kistler 9255B、声发射传感器Kistler 8443B、振动传感器Dytran 5225F1(Dytran Instruments,Inc,America)、声音采集器WS600A(XiXingTechnology,Inc,usa)组成。在实验过程中,声发射传感器、测力传感器安装到磨削试验工作台上,利用压板和垫块组成夹具将工件固定在测力平台,振动传感器固定在工件上。声音传感器安装在工业机器人的末端,与声源的距离保持在0.3m以内,接收效果较好。
综合考虑磨削法向力、砂带线速度和进给速度,设置三因素四水平共16组磨削工艺组合试验。在各组磨削工艺组合试验下,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,并根据法向磨削力Fn、砂带与工件相对速度V和接触面积S导出计算出材料去除率系数K,进而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度因数K0。
一个砂带磨损度数值(一种磨损状态)对应一组磨削力信号、一组振动信号、一组声发射信号和一组声音信号。本步骤中采集到的力信号、振动信号、声发射信号以及声音信号为原始数据。
表1为三因素四水平磨削工艺参数表。
表1
步骤二:对采集到的原始传感器信号进行预处理,包括滤波和零点对齐等。
滤波是指对传感器采集的初始信号进行低通滤波,减小其他噪声对信号的干扰,提升信号的信噪比;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,进而需要对信号零点进行标定,实现信号的零点对齐。
步骤三:基于信号有效性的信号优化组合。
首先针对力信号、振动信号、声发射信号以及声音信号分别进行单因素实验,通过实验结果分析每一种信号与砂带磨损状态的关联关系,获得砂带磨损状态对于不同信号的敏感程度。在此基础上,按照信号敏感度顺次,依次开展基于多信号的砂带磨损状态检测试验,并依据预测准确度(85%以上)以及时间等指标,选取最优的信号组合方案。
图2为本发明方法实施例信号有效性试验结果示意图。
步骤四:砂带磨损状态识别模型的信号数据集制作。
对优选后的信号组合进行裁剪处理,制作出砂带磨损状态识别模型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。将每段信号分割成250个400行的小段信号。每一组磨削工艺参数组合包含14个采样时刻,因此共计具有14×250=3500个样本。
将上述分割好的信号集合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%。
步骤五:砂带磨损状态识别模型的构建。
采用响应曲面法构建砂带磨损度与工艺参数的映射关系模型,如式所示:
其中β0是常数项,βi代表了不同参数xi的系数,ε代表了误差,βij是不同工艺参数之间的耦合影响系数,βii是每一个工艺参数的二次项。
依据上式采用求偏导的方式获得砂带磨损度对于每一个工艺参数的灵敏度。在此基础上采用马氏距离判断不同工艺参数组合下工况条件的接近程度,进而构建工况条件识别模型,如式所示:
其中:dm代表了两组不同工艺参数的马氏距离;x与y分别代表了两组参数组合下对应的工艺参数,wi是砂带磨损度对于该工艺参数的敏感度系数,σ是试验样本的标准差。
采用深度卷积神经网络模型判断砂带的磨损程度,并将试验的信号数据训练集输入到模型中进行模型训练。
图3为本发明方法实施例多工况条件下砂带磨损状态识别方法流程图。
步骤六:获取实际磨削中砂带磨损状态的传感器信号,首先通过工况条件识别模型选择砂带磨损度判断模型16组工艺参数组合中最接近的工况条件,进一步调用该工况条件下的深度卷积神经网络模型判断信号对应的砂带磨损状态。
图4为本发明方法实施例模型训练过程以及预测精度示意图。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一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,其特征在于:该在线检测方法包括如下步骤:
S1:基于材料去除效率定义砂带磨损度表征因数kt;
S2:搭建砂带磨削试验平台,协同规划多传感器布局,设计多组工况下的正交试验方案,开展磨削试验并同步采集各类传感器信号;
S3:对采集的多种原始传感器信号进行预处理;
S4:对预处理后的传感器信号进行有效性分析,确定最佳的信号组合方案;
S5:构建工况分类-神经网络预测的双层砂带磨损度识别模型,并进行模型训练;
S6:获取实际磨削中传感器信号,采用砂带磨损度识别模型来判断当前砂带磨损状态。
3.根据权利要求1所述的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,其特征在于:所述步骤S2包括以下子步骤:
a2、搭建砂带磨削试验平台,针对传感器信号特征协同合理布局传感器安装位置,并结合砂带磨削特征,选取磨削法向力、砂带线速度和进给速度作为磨削过程控制的主要工艺参数,在此基础上进行多种工况条件下的正交试验方案设计,每隔固定的磨削时间测量砂带磨削的材料去除深度;
b2、利用力传感器、振动传感器、声发射传感器和声音传感器采集磨削过程中与砂带磨损相关的各类传感器信号;在每组工艺参数组合下,一个砂带磨损度表征因数对应该段磨削时间采集到的一组原始传感器信。
4.根据权利要求1所述的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,其特征在于:所述步骤S3包括以下子步骤:
a3、首先对采集的原始传感器信号进行磨削段信号截取;
b3、然后对磨削段信号进行低通滤波,提高信号信噪比,降低噪声干扰;
c3、考虑信号传播带来的延时,进一步对信号的零点进行标定,实现零点对齐,至此,完成了采集得到的原始传感器信号的预处理。
5.根据权利要求1所述的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,其特征在于:所述步骤S4具体实现方法为:
a4、对于多种磨削信号进行有效性分析,在此基础上获得单一信号有效性排序;
b4、按照信号有效性排序,依次进行两种、三种、四种以及五种信号组合,进行磨损状态预测;
c4、依据预测准确度以及时间等指标,选取最优的信号组合方案。
6.根据权利要求1所述的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,其特征在于:所述步骤S5包括以下子步骤:
a5、采用响应曲面法构建砂带磨损度与工艺参数的映射关系模型,进而采用求导的方式获得砂带磨损度对于每一个工艺参数的灵敏度,在此基础上采用马氏距离判断不同工艺参数组合下工况条件的接近程度;
b5、制作出深度卷积神经网络训练所需的训练集和测试集,将每个长信号裁剪为数个小信号,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%;
c5、基于训练集数据,对各个工艺参数组合的深度卷积神经网络模型进行训练,用以后续判断砂带的磨损程度。
7.根据权利要求1所述的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,其特征在于:所述步骤S5包括以下子步骤:所述步骤S6具体实现方法为:获取实际磨削中砂带磨损状态的传感器信号,首先通过工况条件识别模型选择砂带磨损度识别模型中最接近的工况条件,进一步调用该工况条件下的深度卷积神经网络模型判断信号对应的砂带磨损状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115489.3A CN113847949A (zh) | 2021-09-23 | 2021-09-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115489.3A CN113847949A (zh) | 2021-09-23 | 2021-09-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113847949A true CN113847949A (zh) | 2021-12-28 |
Family
ID=78978930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111115489.3A Pending CN113847949A (zh) | 2021-09-23 | 2021-09-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113847949A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108038079A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种多源机械信号分析与优化组合方法 |
CN108581633A (zh) * | 2018-04-11 | 2018-09-28 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111143990A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 一种敏感测点选择及融合的机床铣刀剩余寿命预测方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
CN112247673A (zh) * | 2020-09-07 | 2021-01-22 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
CN112247674A (zh) * | 2020-10-10 | 2021-01-22 | 北京理工大学 | 一种刀具磨损预测方法 |
CN112798453A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 一种多传感器信息融合的砂带磨损检测方法 |
CN112946072A (zh) * | 2021-01-27 | 2021-06-11 | 重庆大学 | 基于机器学习的砂带磨损状态监测方法 |
CN113252790A (zh) * | 2021-06-21 | 2021-08-13 | 四川轻化工大学 | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 |
-
2021
- 2021-09-23 CN CN202111115489.3A patent/CN113847949A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038079A (zh) * | 2017-12-05 | 2018-05-15 | 北京工业大学 | 一种多源机械信号分析与优化组合方法 |
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 |
CN108581633A (zh) * | 2018-04-11 | 2018-09-28 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111143990A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 一种敏感测点选择及融合的机床铣刀剩余寿命预测方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
CN112247673A (zh) * | 2020-09-07 | 2021-01-22 | 博深普锐高(上海)工具有限公司 | 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法 |
CN112247674A (zh) * | 2020-10-10 | 2021-01-22 | 北京理工大学 | 一种刀具磨损预测方法 |
CN112798453A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 一种多传感器信息融合的砂带磨损检测方法 |
CN112946072A (zh) * | 2021-01-27 | 2021-06-11 | 重庆大学 | 基于机器学习的砂带磨损状态监测方法 |
CN113252790A (zh) * | 2021-06-21 | 2021-08-13 | 四川轻化工大学 | 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
CN108942409A (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
CN109940461B (zh) | 一种高进给铣刀刀齿后刀面磨损特性的检测方法 | |
CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
CN108747590A (zh) | 一种基于振动频谱和神经网络的刀具磨损测量方法 | |
CN110405537B (zh) | 一种基于深度学习的导轨精度预测模型的建立方法 | |
CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
Segreto et al. | Signal processing and pattern recognition for surface roughness assessment in multiple sensor monitoring of robot-assisted polishing | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN112757052B (zh) | 不同磨损刀具的车削热与多元影响因子的相关性分析方法 | |
CN114290503A (zh) | T梁蒸汽养生发生器功率控制方法及其装置 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN114523338A (zh) | 一种基于噪声分析的切削刀具磨损状态监测方法 | |
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 | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
CN112798453B (zh) | 一种多传感器信息融合的砂带磨损检测方法 | |
CN117381547A (zh) | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
CN114378653B (zh) | 基于bp神经网络外圆磨削颤振在线识别和监测方法 | |
CN210878880U (zh) | 一种数控车床刀具磨损监测系统 | |
CN113752084A (zh) | 一种数控机床刀具性能的智能化监测方法和系统 | |
CN112380646B (zh) | 不同磨损刀具车削温度变化与车削振动耦合特性研究方法 |
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 |