CN113916884A - 一种硬车削工件表面质量在线预测方法 - Google Patents
一种硬车削工件表面质量在线预测方法 Download PDFInfo
- Publication number
- CN113916884A CN113916884A CN202111175319.4A CN202111175319A CN113916884A CN 113916884 A CN113916884 A CN 113916884A CN 202111175319 A CN202111175319 A CN 202111175319A CN 113916884 A CN113916884 A CN 113916884A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- turning
- images
- turning process
- detected
- 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
- 238000007514 turning Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 38
- 230000003746 surface roughness Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005266 casting Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 238000005520 cutting process Methods 0.000 description 15
- 238000003754 machining Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 229910000760 Hardened steel Inorganic materials 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 229910052582 BN Inorganic materials 0.000 description 1
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/30—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明公开了一种硬车削工件表面质量在线预测方法,涉及预测技术领域。本发明主要包括:标准工件与待检验工件对比检验、车削过程状态信号的采集方法、车削过程状态信号的特征提取方法、车削过程中工件表面粗糙度精度等级在线识别模型,先通过相机系统拍照标准工件与待检验工件表面对比,再通过采集靠近车刀刀尖处的车削振动加速度信号,然后采用奇异谱和小波分析提取车刀沿坐标轴三个方向振动的识别特征,最后将得到的车削振动识别特征输入到识别模型中得到所需要的工件表面粗糙度精度等级。本发明通过以上铸造加工工艺方法,识别装置简单,在线车削工件表面粗糙度精度等级识别精度高,通常情况下能够达到93%的正确识别率。
Description
技术领域
本发明属于预测技术领域,特别是涉及一种硬车削工件表面质量在线预测方法。
背景技术
硬车削是指把淬硬钢的车削作为最终加工或精加工的工艺方法,以避免普遍采用的磨削技术。车削加工是机械制造业中最基本、最广泛、最重要的一种工艺方法,它直接影响生产的效率、成本、能源消耗和环境保护。
由于现代科学技术的发展,各种高强度、高硬度的工程材料越来越多地被采用,传统的车削技术难以胜任或根本无法实现对某些高强度、高硬度材料的加工,而现代的硬车削技术使之成为可能,并在生产中取得明显效益。淬硬钢通常指淬火后具有马氏体组织,硬度高,强度也高,几乎没有塑性的工件材料。当淬硬钢的硬度>55HRC时,其强度sb约为2100~2600N/mm2。通常,工件在热处理淬硬之前就已完成粗加工工序,只有精加工在淬硬状态下进行。精磨是精加工最常用的加工工艺,但其加工范围窄、投资大、生产效率低,易造成环境污染,一直困扰着淬硬钢的经济有效加工。随着加工技术的发展.硬车削代替磨削已成为可能,并在生产中取得明显效益。采用多晶立方氮化硼(PCBN)刀具、陶瓷刀具或涂层硬质合金刀具等在车床或车削加工中心上对淬硬钢(55~65HRC)进行切削加工。
工件表面粗糙度通常是其机械零件加工质量的重要指标,其不仅影响产品的疲劳强度、摩擦磨损特性、抗腐蚀性能和配合性质等机械性能,而且直接影响机械系统的传动精度、可靠性及寿命。随着新型高性能机床的出现和刀具技术的发展,高硬材料的切削成为可能。硬车削,通常是指车削材料硬度在50HRC以上的钢件,一般采用干式切削,能用于各种复杂形状零件的加工,具有较高的切削效率,常用于半精及精加工,具有较高的工件加工质量。在轴承,凸轮轴,齿轮轴,普通切削刀具,模具以及大功率的发动机曲轴等高硬材料加工方面得到了广泛应用。作为替代传统磨削的一种潜在高效加工方法,其硬车削的表面质量是一个重要的技术指标。但是,由于硬车削工件表面形成机理的条件依赖特性以及影响硬车削过程的众多不可控因子,使基于切削理论或者基于实验设计的技术很难找到一个简单直接的解决方案和一个相对精确的工件表面粗糙度预测模型。尤其在多品种小批量制造环境下,学习样本变得更加稀少和昂贵,同时切削材料的多样性及其硬度变化也对工件表面粗糙度具有不可忽视的影响。另外,在所采用的用于工件表面粗糙度监测信号中,切削力和切削振动被公认为比其他监测信号更具有实际意义,但是在实际加工中,测力计比较昂贵并且需要改动机床才能安装,而振动监测却不受这方面的限制,但是采用单一方向的振动监测无法有效充分的描述工件表面轮廓的物理形成过程。基于以上存在的问题,如何有效实现硬车削过程工件表面粗糙度精度等级的有效预测,成为制造过程产品质量控制和状态监测亟待解决的问题。
发明内容
本发明的目的在于提供一种硬车削工件表面质量在线预测方法,以解决上述背景技术中提出的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种硬车削工件表面质量在线预测方法,该方法主要包括:标准工件与待检验工件对比检验、车削过程状态信号的采集方法、车削过程状态信号的特征提取方法、车削过程中工件表面粗糙度精度等级在线识别模型,先通过相机系统拍照标准工件与待检验工件表面对比,再通过采集靠近车刀刀尖处的车削振动加速度信号,然后采用奇异谱和小波分析提取车刀沿坐标轴三个方向振动的识别特征,最后将得到的车削振动识别特征输入到识别模型中得到所需要的工件表面粗糙度精度等级。
优选地,标准工件与待检验工件对于检验具体包括以下步骤:
(1)选取标准的硬车削工件加工设备,通过相机系统拍照,获取完整的标准工件表面图像作为系列标准图像:
(2)通过相机系统对待检验工件的加工表面进行拍照,获取待检图像;
(3)对所述待检图像进行预处理后,将其进行网格化分割;
(4)计算(3)中每个网格的累计灰度值,得到待检图像累计灰度区域分布图,根据各区域累计灰度分布的变化率分割出不同加工区;
(5)选取与待检图像对应的系列标准图像,对二者的加工区进行相似度计算;
(6)相机系统对待检验工件进行连续拍照,获取完整的加工表面图像作为系列待检图像;
(7)对系列待检图像依次执行上述(3)、(4)、(5),得出系列待检图像的加工区的每个网格的相似度值。
优选地,所述车削过程状态信号的采集方法采用3个PCB振动加速度传感器采集靠近车刀刀尖处在空间坐标三个方向上的振动加速度信号,采样频率fs=20khz。
优选地,所述车削过程状态信号的特征提取方法是将车削过程状态信号的采集方法中采集得到的振动加速度信号,采用一个24位A/D多通道TST5915信号分析和测试系统进行信号处理,然后采用奇异谱和小波分析方法提取车刀沿坐标轴三个方向振动的识别融合特征。
优选地,所述车削过程中工件表面粗糙度精度等级在线识别模型是将车削过程状态信号的特征提取方法中得到的识别融合特征输入到在线识别模型得到所需要的工件表面粗糙度精度等级。
本发明具有以下有益效果:
1、本发明构建了硬车削过程切削刀具振动信号所提取的特征数据和工件表面粗糙度精度等级之间的概率统计融合模型,定量化描述了硬车削过程切削刀具振动对于工件表面质量的影响,这对硬车削工件加工而言,具有重大技术和经济意义,为多源不确定因素影响下的工件表面质量在线监测研究提供了新的理论和方法;
2、本发明可以针对硬车削工件表面质量进行在线判别,可以在加工中和加工后,采用面阵相机和辅助LED光源连续拍摄加工区域图像,通过数字图像处理和判别算法,准确、快速地完成对连续激光焊缝表面质量的在线识别。
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
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种硬车削工件表面质量在线预测方法的流程图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种硬车削工件表面质量在线预测方法,该方法主要包括:标准工件与待检验工件对比检验、车削过程状态信号的采集方法、车削过程状态信号的特征提取方法、车削过程中工件表面粗糙度精度等级在线识别模型,先通过相机系统拍照标准工件与待检验工件表面对比,再通过采集靠近车刀刀尖处的车削振动加速度信号,然后采用奇异谱和小波分析提取车刀沿坐标轴三个方向振动的识别特征,最后将得到的车削振动识别特征输入到识别模型中得到所需要的工件表面粗糙度精度等级。
其中,标准工件与待检验工件对于检验具体包括以下步骤:
(1)选取标准的硬车削工件加工设备,通过相机系统拍照,获取完整的标准工件表面图像作为系列标准图像:
(2)通过相机系统对待检验工件的加工表面进行拍照,获取待检图像;
(3)对所述待检图像进行预处理后,将其进行网格化分割;
(4)计算(3)中每个网格的累计灰度值,得到待检图像累计灰度区域分布图,根据各区域累计灰度分布的变化率分割出不同加工区;
(5)选取与待检图像对应的系列标准图像,对二者的加工区进行相似度计算;
(6)相机系统对待检验工件进行连续拍照,获取完整的加工表面图像作为系列待检图像;
(7)对系列待检图像依次执行上述(3)、(4)、(5),得出系列待检图像的加工区的每个网格的相似度值。
其中,所述车削过程状态信号的采集方法采用3个PCB振动加速度传感器采集靠近车刀刀尖处在空间坐标三个方向上的振动加速度信号,采样频率fs=20khz。
其中,所述车削过程状态信号的特征提取方法是将车削过程状态信号的采集方法中采集得到的振动加速度信号,采用一个24位A/D多通道TST5915信号分析和测试系统进行信号处理,然后采用奇异谱和小波分析方法提取车刀沿坐标轴三个方向振动的识别融合特征。
其中,所述车削过程中工件表面粗糙度精度等级在线识别模型是将车削过程状态信号的特征提取方法中得到的识别融合特征输入到在线识别模型得到所需要的工件表面粗糙度精度等级。
本实施例中,通过标准工件与待检验工件对比检验可以针对硬车削工件表面质量进行在线判别,可以在加工中和加工后,采用面阵相机和辅助LED光源连续拍摄加工区域图像,通过数字图像处理和判别算法,准确、快速地完成对连续激光焊缝表面质量的在线识别,通过车削过程状态信号的采集方法、车削过程状态信号的特征提取方法、车削过程中工件表面粗糙度精度等级在线识别模型,构建了硬车削过程切削刀具振动信号所提取的特征数据和工件表面粗糙度精度等级之间的概率统计融合模型,定量化描述了硬车削过程切削刀具振动对于工件表面质量的影响,这对硬车削工件加工而言,具有重大技术和经济意义,为多源不确定因素影响下的工件表面质量在线监测研究提供了新的理论和方法。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。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,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种硬车削工件表面质量在线预测方法,其特征在于,该方法主要包括:标准工件与待检验工件对比检验、车削过程状态信号的采集方法、车削过程状态信号的特征提取方法、车削过程中工件表面粗糙度精度等级在线识别模型,先通过相机系统拍照标准工件与待检验工件表面对比,再通过采集靠近车刀刀尖处的车削振动加速度信号,然后采用奇异谱和小波分析提取车刀沿坐标轴三个方向振动的识别特征,最后将得到的车削振动识别特征输入到识别模型中得到所需要的工件表面粗糙度精度等级。
2.根据权利要求1所述的一种硬车削工件表面质量在线预测方法,其特征在于,标准工件与待检验工件对于检验具体包括以下步骤:
(1)选取标准的硬车削工件加工设备,通过相机系统拍照,获取完整的标准工件表面图像作为系列标准图像:
(2)通过相机系统对待检验工件的加工表面进行拍照,获取待检图像;
(3)对所述待检图像进行预处理后,将其进行网格化分割;
(4)计算(3)中每个网格的累计灰度值,得到待检图像累计灰度区域分布图,根据各区域累计灰度分布的变化率分割出不同加工区;
(5)选取与待检图像对应的系列标准图像,对二者的加工区进行相似度计算;
(6)相机系统对待检验工件进行连续拍照,获取完整的加工表面图像作为系列待检图像;
(7)对系列待检图像依次执行上述(3)、(4)、(5),得出系列待检图像的加工区的每个网格的相似度值。
3.根据权利要求1所述的一种硬车削工件表面质量在线预测方法,其特征在于,所述车削过程状态信号的采集方法采用3个PCB振动加速度传感器采集靠近车刀刀尖处在空间坐标三个方向上的振动加速度信号,采样频率fs=20khz。
4.根据权利要求1所述的一种硬车削工件表面质量在线预测方法,其特征在于,所述车削过程状态信号的特征提取方法是将车削过程状态信号的采集方法中采集得到的振动加速度信号,采用一个24位A/D多通道TST5915信号分析和测试系统进行信号处理,然后采用奇异谱和小波分析方法提取车刀沿坐标轴三个方向振动的识别融合特征。
5.根据权利要求1所述的一种硬车削工件表面质量在线预测方法,其特征在于,所述车削过程中工件表面粗糙度精度等级在线识别模型是将车削过程状态信号的特征提取方法中得到的识别融合特征输入到在线识别模型得到所需要的工件表面粗糙度精度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175319.4A CN113916884A (zh) | 2021-10-09 | 2021-10-09 | 一种硬车削工件表面质量在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175319.4A CN113916884A (zh) | 2021-10-09 | 2021-10-09 | 一种硬车削工件表面质量在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113916884A true CN113916884A (zh) | 2022-01-11 |
Family
ID=79238545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175319.4A Pending CN113916884A (zh) | 2021-10-09 | 2021-10-09 | 一种硬车削工件表面质量在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113916884A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117067112A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种水切割机及其控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442543A (zh) * | 2016-10-14 | 2017-02-22 | 龚新林 | 一种在线识别金属工件连续激光焊缝表面质量的检测方法 |
CN108596158A (zh) * | 2018-05-15 | 2018-09-28 | 同济大学 | 一种基于能耗的车削表面粗糙度预测方法 |
CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
-
2021
- 2021-10-09 CN CN202111175319.4A patent/CN113916884A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442543A (zh) * | 2016-10-14 | 2017-02-22 | 龚新林 | 一种在线识别金属工件连续激光焊缝表面质量的检测方法 |
CN108596158A (zh) * | 2018-05-15 | 2018-09-28 | 同济大学 | 一种基于能耗的车削表面粗糙度预测方法 |
CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
Non-Patent Citations (3)
Title |
---|
D. R. SALGADO等: "In-process surface roughness prediction system using cutting vibrations in turning", THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY, vol. 46, 6 September 2008 (2008-09-06), pages 40 - 51, XP019700688 * |
KANG HE等: "Modeling and Predicting Surface Roughness in Hard Turning Using a Bayesian Inference-Based HMM-SVM Model", IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING, vol. 12, no. 3, 1 December 2014 (2014-12-01), pages 1092 - 1103, XP011663826, DOI: 10.1109/TASE.2014.2369478 * |
何康等: "基于隐马尔可夫模型的工件表面质量监测研究", 阴山学刊(自然科学版), vol. 32, no. 3, 17 April 2018 (2018-04-17), pages 8 - 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117067112A (zh) * | 2023-10-17 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种水切割机及其控制方法 |
CN117067112B (zh) * | 2023-10-17 | 2024-01-16 | 杭州泓芯微半导体有限公司 | 一种水切割机及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
Korkmaz et al. | Indirect monitoring of machining characteristics via advanced sensor systems: a critical review | |
Marani et al. | Prediction of cutting tool wear during a turning process using artificial intelligence techniques | |
He et al. | Soft computing techniques for surface roughness prediction in hard turning: A literature review | |
Khalifa et al. | Image processing for chatter identification in machining processes | |
CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
CN113916884A (zh) | 一种硬车削工件表面质量在线预测方法 | |
CN111761411A (zh) | 一种基于振动信号的刀具健康预测装置及其方法 | |
CN115099266A (zh) | 一种基于梯度提升决策树的硬车表面白层预测方法 | |
da Silva et al. | Burr height minimization using the response surface methodology in milling of PH 13-8 Mo stainless steel | |
CN102628858B (zh) | 大型锻件内部缺陷分析方法 | |
CN112526931B (zh) | 一种船用柴油机机身孔系镗削加工过程质量控制方法 | |
Maruschak et al. | Digital analysis of shape and size of dimples of ductile tearing on fracture surface of long-operated steel | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
CN115496107A (zh) | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 | |
Sharma et al. | Tool condition monitoring using the chain code technique, pixel matching and morphological operations | |
CN210878880U (zh) | 一种数控车床刀具磨损监测系统 | |
CN111054865A (zh) | 基于钢锭内部缺陷分级指导深海采油设备弯头锻件的锻造工艺选择方法 | |
Ghule et al. | Tool condition monitoring using vibration signals during hard turning: a review | |
CN114359366A (zh) | 一种机器视觉测量方法及其在轴承工件测量上的应用 | |
Pourmostaghimi et al. | Vibration based Assessment of Tool Wear in Hard Turning using Wavelet Packet Transform and Neural Networks. | |
Ghosh et al. | Investigations on machining performances and tool wear surface characterization during CNC hard turning of AISI 4140 alloy steel | |
Prabhakar et al. | Analysis on significance of various statistical texture features in vision-based surface roughness prediction in end milling process | |
Savage et al. | Multiple regression-based multilevel in-process surface roughness recognition system in milling operations | |
Tsai et al. | Intelligent Performance Prediction of Flank Milling of Ti6Al4V Using Sensory Tool Holder. |
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 |