CN114310483A - 一种数控加工尺寸误差预测方法 - Google Patents
一种数控加工尺寸误差预测方法 Download PDFInfo
- Publication number
- CN114310483A CN114310483A CN202111519657.5A CN202111519657A CN114310483A CN 114310483 A CN114310483 A CN 114310483A CN 202111519657 A CN202111519657 A CN 202111519657A CN 114310483 A CN114310483 A CN 114310483A
- Authority
- CN
- China
- Prior art keywords
- machining
- feature
- numerical control
- error prediction
- characteristic
- 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
Landscapes
- Numerical Control (AREA)
Abstract
本发明属于数控加工技术领域,并具体公开了一种数控加工尺寸误差预测方法,该方法包括以下步骤:获取加工参数、加工过程数据特征值及零件加工后的加工尺寸误差;以加工参数和加工过程数据特征值为特征向量,以加工特征尺寸误差作为标签,合并组成加工特征数据集,并进行特征选择;对优选特征使用距离加权最近邻算法,通过划分优选数据集为训练集和测试集然后进行交叉验证的方法,构建最优尺寸误差预测模型。通过上述方式,本发明能够实现数控加工尺寸误差的高效及精确预测,减少测量仪器的使用,并能够对零件加工进行指导;随着加工特征数据集的扩增,可提高预测的效率和准确率;另外,本发明易于集成到数控机床系统中。
Description
技术领域
本发明属于数控加工领域,更具体地,涉及一种数控加工尺寸误差预测方法。
背景技术
在数控加工技术领域,加工尺寸误差决定零件的加工精度,而加工精度决定零件的使用性能;对于精密零件,微小的加工误差就会导致零件报废。实际生产中,根据不同的使用性能,零件往往需要不同的精度。由于加工是复杂的非线性变化过程,需要通过经验选择工艺参数进行加工,零件的加工精度合格率较低。
现有技术中通过对零件进行尺寸检测,以判断零件的加工精度,进而对下一批零件的尺寸误差进行预测,且现有的尺寸检测手段都是基于抽样选取部分零件进行质量检测,通过样品的检测结果判断批量生产的产品的精度。然而,上述方法存在效率低且可信度低的缺点,而高速高精度是当前数控技术的发展趋势,因此,上述方法越来越无法满足实际应用的需要。
基于上述缺陷和不足,本领域亟需对现有的数控加工尺寸误差预测方法做出进一步的改进设计,建立一个高效、精确的零件加工尺寸误差预测模型,以帮助设计人员确定更合理的工艺参数、选择合适的加工设备、缩短工艺设计时间,并减少检测设备的使用。
发明内容
针对现有技术的上述缺点和/或改进需求,本发明提供了一种数控加工尺寸误差预测方法,以解决现有技术中的数控加工尺寸误差预测方法效率低且可信度低的问题,提供一种高效、精确的数控加工尺寸误差预测方法,以帮助设计人员确定更合理的工艺参数、选择合适的加工设备、缩短工艺设计时间,并减少检测设备的使用,因而尤其适用于精密零件的数控加工之类的应用场合。
为实现上述目的,本发明提出了一种数控加工尺寸误差预测方法,其包括以下步骤:
S1,获取加工参数、加工过程数据特征值及零件加工后的加工尺寸误差;
加工过程数据特征值是通过对加工过程数据进行滤波处理后再通过特征提取获得的;
S2,以步骤S1中加工参数和加工过程数据特征值为特征向量,以加工特征尺寸误差作为标签,合并组成加工特征数据集;对加工特征数据集中的特征向量进行归一化处理,并进行特征选择,得到方差大且与标签相关度大的优选特征,形成优选数据集;
S3,使用距离加权最近邻算法,利用步骤S2中的优选数据集构建尺寸误差预测模型。
作为进一步优选的,加工参数包括数控机床的工艺参数和零件的加工特征尺寸设计值。
作为进一步优选的,加工过程数据包括加工力数据和主轴电流数据。
作为进一步优选的,滤波处理包括依次进行的频谱分析和自适应滤波。
作为进一步优选的,频谱分析为对加工过程数据做离散傅里叶变换,进而得到加工过程数据的幅值谱;自适应滤波为根据幅值谱设置幅值阈值,并对离散傅里叶变换后的各频率分量实施加权滤波。
作为进一步优选的,特征提取为分析加工过程数据的时域特征、频域特征及小波包特征。
作为进一步优选的,时域特征包括均值、均方根、方差、峭度、偏度、波形因子以及裕度因子;频域特征包括重心频率、均方频率以及频率方差;小波包特征包括0-1.5khz内六个节点系数的峭度。
作为进一步优选的,加工特征尺寸误差为加工特征尺寸实际值与加工特征尺寸设计值的绝对误差。
作为进一步优选的,特征选择的具体方式为,通过方差法选择方差大的特征,通过相关系数分析法选择与标签相关度大的特征,以得到方差大且与标签相关度大的优选特征。
作为进一步优选的,方差法为通过公式计算加工特征数据集中各特征的方差,计算特征Xi方差的公式为:
作为进一步优选的,相关系数分析法为,通过公式计算加工特征数据集中各特征与标签的相关系数,特征Xi与标签C的相关系数计算公式为:
作为进一步优选的,距离加权最近邻算法为通过欧式距离函数计算优选数据集中特征向量之间的距离;通过高斯核函数计算优选数据集中各特征向量标签值的加权系数;通过划分优选数据集为训练集和测试集然后进行交叉验证的方法,构建最优尺寸误差预测模型;
欧氏距离计算公式为:
其中,α、β均为优选数据集中的n维特征向量,d表示两个向量之间的欧氏距离;
基于高斯核函数的加权系数计算公式为:
其中,x0为测试集特征向量,xi为训练集中距离x0最近的K个近邻之一,ωi表示计算x0标签值时xi的标签值所占的权重,σ为高斯核函数的可调参数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
一方面,本发明的方法能够在线实时预测加工零件的尺寸误差,实现数控加工尺寸误差的高效及精确预测,并减少测量仪器的使用;另一方面,本发明建立的数控加工尺寸误差预测模型,能够对零件加工进行指导,获得想要的尺寸精度;再一方面,随着加工特征数据集的扩增,可提取更多与尺寸误差变化敏感的加工特征,提高模型预测的效率和准确率;进一步地,本发明的方法易于集成到数控机床系统中,方便操作者使用。
附图说明
图1为本发明实施例的数控加工尺寸误差预测方法流程图;
图2为本发明实施例的加工过程数据滤波处理的流程图;
图3为本发明实施例的某实验组采集到的切削力数据波形图;
图4为图3中的切削力数据经过滤波处理后的波形图;
图5为本发明实施例的基于距离加权最近邻算法预测模型K值选择结果;
图6和图7为本发明实施例的预测与实际的对比验证图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1中示出了本发明实施例的数控加工尺寸误差预测方法流程图;本发明实施例中以数控铣削加工为对象,零件的加工特征为圆孔;在一些实施中,还可以为车削、钻削、锯切、磨、镗、冲压等加工;零件的加工特征可以为直线、曲线、曲面等;如图1中所示,本发明实施例提供的数控加工尺寸误差预测方法包括以下步骤:
S1,获取加工参数、加工过程数据特征值及零件加工后的加工尺寸误差;
数控铣削零件的加工参数包括数控机床的工艺参数以及零件的加工特征尺寸设计值;
在本实施例中,在夹具工装、机床刚度、工件材料、刀具直径、冷却条件等保持恒定的情况下,数控机床进行铣削加工的工艺参数包括主轴转速(30000~40000r/min)、进给量(2800~4000mm/min)和切深(0.03mm~0.20mm);在本实施例中,以主轴转速、进给量和切深为三因素,按照正交实验设计了三因素五水平的采集实验,共进行50组,每组加工4个圆孔,共计200个实验样本;
在本实施例中,零件的加工特征尺寸为圆孔直径;在本步骤中,记录圆孔直径设计值;
数控铣削零件的加工过程数据加工力数据和主轴电流数据;本实施例中获取的加工过程数据包括切削力数据和主轴电流数据,均通过外置传感器进行采集;切削力数据采集具体细节为:将测力仪安装在铣削工作台上,采样率设置为4KHz,在机床铣削工件时实时采集切削力,并经过力传感器-电荷放大器-数据采集卡-上位机实现数据的传输,最终得到工件加工时在笛卡尔坐标系X轴、Y轴和Z轴三个方向的实时切削力数据(Fx、Fy、Fz);主轴电流数据采集具体细节为:采用电流传感器,套在主轴电机的三根电源线上,采样频率设置为4KHz,在加工时实时采集主轴电源U、V、W三相电流,并经过电流传感器-电压转换板-采集卡-上位机实现数据传输,最终得到工件加工时主轴电源U、V、W三相电流信号数据;
在完成数据采集后,对采集到的加工过程数据进行滤波处理;在本实施例中具体为:对采集到的切削力数据和主轴电流数据进行滤波处理以过滤噪声;本实施例中,通过测力仪和电流传感器采集到整个加工过程的切削力数据和主轴电流数据,由于采集数据中含有较多噪声成分,在进行数据分析前需对采集数据进行滤波处理以过滤噪声,滤波处理包括频谱分析和自适应滤波;如图2中所示,频谱分析为对加工过程数据做离散傅里叶变换,进而得到加工过程数据的幅值谱,自适应滤波为根据幅值谱进而得到幅值阈值,并对离散傅里叶变换后的各频率分量实施加权滤波;
本实施例在频谱分析部分,对采集到的切削力数据和主轴电流数据做离散傅里叶变换,其公式为:
其中,X(n)为采集到的数据,n为步进长度,N为采集数据的总长度;X(k)为离散傅里叶变换之后得到的各频率分量,k为离散傅里叶变换的抽样频率(k=0,1,2,…,N-1);信号中各频率分量的幅值由下列公式计算得出:
其中,A(k)为各频率分量的幅值;以频率为自变量,该频率分量对应的幅值为因变量,得到的频率函数即为幅值谱;
在自适应滤波部分,将所得到幅值谱中所有频率分量的幅值进行排序,取中位数为幅值阈值A0,将各频率分量X(k)的幅值与幅值阈值A0进行比较,当A(k)>A0时,X(k)=X(k);当0.5<A(k)<A0时,其他情况下,X(k)=0;
对各频率分量进行重新组合,然后将频域信号进行傅里叶逆变换转换为时域信号,傅里叶逆变换的公式为:
以切削力数据为例,采集到的切削力数据如图3中所示,从上至下分别为笛卡尔坐标系X轴、Y轴和Z轴三个方向上的切削力,滤波处理后的切削力数据如图4中所示,噪声数据明显减少;
滤波处理完成后,通过特征提取计算加工过程数据特征值;其中,特征提取为分析加工过程数据的时域特征、频域特征及小波包特征;在本实施例中具体为,读取进行滤波处理后的切削力数据和主轴电流数据,分析并提取其时域特征、频域特征及小波包特征;对于时域特征的提取,本实施例中提取了均值、均方根、方差、峭度、偏度、波形因子、裕度因子;对于频域特征的提取,本实施例提取了重心频率、均方频率、频率方差;对于小波包特征的提取,本实施例提取了6个小波包特征,即0-1.5khz内六个节点系数的峭度;针对X轴、Y轴、Z轴三个方向上的切削力和U、V、W三相电流共计提取(7+3+6)×(3+3)=96个特征;
通过三坐标仪测量和采集零件加工后的加工特征尺寸实际值,并计算加工特征的尺寸误差;在本实施例中,零件的加工特征为圆孔,加工特征尺寸为圆孔直径,加工特征尺寸误差为圆孔直径绝对误差。
S2,以步骤S1中加工参数和加工过程数据特征值为特征向量,以加工特征尺寸误差作为标签,合并组成加工特征数据集;对加工特征数据集中的特征向量进行归一化处理,并进行特征选择,得到方差大且与标签相关度大的优选特征,形成优选数据集;
在本实施例中,特征向量为主轴转速、进给量和切深,以及进行滤波处理后的切削力数据和主轴电流数据的时域特征、频域特征及小波包特征;标签为圆孔直径绝对误差;
特征选择的具体方式为,通过方差法选择方差大的特征,通过相关系数分析法选择与标签相关度大的特征,以得到方差大且与标签相关度大的优选特征;
本实施例中对特征向量采用(0,1)归一化,其具体公式为:
其中,Max和Min分别为对应特征在所有特征数据中的最大值和最小值;
本实施例中采用的特征选择方法包括方差法和相关系数分析法,方差法指的是通过公式计算加工特征数据集中各特征的方差,以剔除具有小方差的冗余特征,选择方差大的特征;计算特征Xi方差的公式为:
相关系数法指的是通过公式计算加工特征数据集各特征与标签的相关系数,以优选出与标签相关度大的特征,特征Xi与标签C的相关系数计算公式为:
通过方差法和相关系数分析法,得到方差大且与标签相关度大的优选特征,形成优选数据集;在本实施例中,其具体为:设定方差的阈值为0.1,相关系数的阈值为0.2;计算各特征的方差,剔除方差低于阈值的特征;计算各特征与标签的相关系数,剔除掉相关系数低于阈值的特征;最终筛选得到的优选特征个数为28,相比于步骤S4中提取的96个特征,大大降低了数据集的复杂度;最终得到的优选数据集数据样本数为200,特征个数为28。
S3,使用距离加权最近邻算法,利用优选数据集构建尺寸误差预测模型;
将优选数据集划分为训练集和测试集,在本实施例中,训练集样本数量占比为80%,测试集样本数量占比为20%;在一些实施例中,可以依据数据样本的数量调整训练集和测试集的样本比例,比如:训练集样本数量占比为70%,测试集样本数量占比为30%;或者训练集样本数量占比为75%,测试集样本数量占比为25%;在本实施例中,训练集样本数量为200×0.80=150,测试集样本数量为200×0.20=40;使用距离加权最近邻算法构建尺寸误差预测模型,距离加权最近邻算法采用的距离函数为欧氏距离,欧氏距离计算公式为:
其中,α、β均为优选数据集中的n维特征向量,d表示两个向量之间的欧氏距离;
本实施例中,距离加权最近邻算法的计算加权方式为基于高斯核函数的距离加权,加权系数计算公式为:
其中,x0为测试集特征向量,xi为训练集中距离x0最近的K个近邻之一,ωi表示计算x0标签值时xi的标签值所占的权重,σ为高斯核函数的可调参数,σ越大则高斯分布越平滑,即向量之间的距离对加权系数的影响越小;选取合适的σ值,可计算得到测试集特征向量的标签值如下:
其中,测试集特征向量标签值y0随着K值的改变而改变,亦即预测模型的性能与K的取值相关;在本实施例中,将测试集整体预测准确率作为预测模型性能的量化指标,测试集整体预测准确率计算公式为:
选择预测模型最佳K值过程为:根据实验样本总数n,设定K值取值范围,然后计算取不同K值时测试集整体预测准确率,最大准确率对应的K值即为预测模型最佳K值,预测模型最佳K值对应的尺寸误差预测模型为最优尺寸误差预测模型;本实施例中选择预测模型最佳K值过程具体为:根据训练集样本数150,设定K值取值范围为0~9;本实施例中的K值选择结果如图5中所示,当K=3时,测试集的预测效果最好,该条件下测试集的预测结果如图6和图7中所示,可以看出,预测值与实际值具有很高的吻合度。
综上,本发明实施例提供的数控加工尺寸误差预测方法能够在线实时预测加工零件的尺寸误差,实现数控加工尺寸误差的高效及精确预测,并减少测量仪器的使用;利用该数控加工尺寸误差预测模型,能够对零件加工进行指导,获得想要的尺寸精度;随着加工特征数据集的扩增,可提取更多与尺寸误差变化敏感的加工特征,提高模型预测的效率和准确率;另外,该方法易于集成到数控机床系统中,方便操作者使用。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数控加工尺寸误差预测方法,其特征在于,包括以下步骤:
S1,获取加工参数、加工过程数据特征值及零件加工后的加工尺寸误差;
所述加工过程数据特征值是通过对所述加工过程数据进行滤波处理后再通过特征提取获得的;
S2,以步骤S1中所述加工参数和加工过程数据特征值为特征向量,以所述加工尺寸误差作为标签,合并组成加工特征数据集;对所述加工特征数据集中的特征向量进行归一化处理,并进行特征选择,得到方差大且与所述标签相关度大的优选特征,形成优选数据集;
S3,使用距离加权最近邻算法,利用步骤S2中所述优选数据集构建尺寸误差预测模型。
2.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述加工参数包括数控机床的工艺参数和零件的加工特征尺寸设计值。
3.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述加工过程数据包括加工力数据和主轴电流数据。
4.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述滤波处理包括依次进行的频谱分析和自适应滤波。
5.如权利要求4所述的数控加工尺寸误差预测方法,其特征在于,所述频谱分析为对所述加工过程数据做离散傅里叶变换,进而得到加工过程数据的幅值谱;所述自适应滤波为根据所述幅值谱得到幅值阈值,并对离散傅里叶变换后的各频率分量实施加权滤波。
6.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述特征提取为分析加工过程数据的时域特征、频域特征及小波包特征;所述时域特征包括均值、均方根、方差、峭度、偏度、波形因子以及裕度因子;所述频域特征包括重心频率、均方频率以及频率方差;所述小波包特征为0-1.5khz内六个节点系数的峭度。
7.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述特征选择的具体方式为,通过方差法选择方差大的特征,通过相关系数分析法选择与所述标签相关度大的特征,以得到方差大且与所述标签相关度大的优选特征。
8.如权利要求7所述的数控加工尺寸误差预测方法,其特征在于,所述方差法为,通过方差公式计算所述加工特征数据集中各所述特征的方差。
9.如权利要求7所述的数控加工尺寸误差预测方法,其特征在于,所述相关系数法为,通过相关系数计算公式计算所述加工特征数据集各所述特征与所述标签的相关系数。
10.如权利要求1所述的数控加工尺寸误差预测方法,其特征在于,所述距离加权最近邻算法为通过欧式距离函数计算所述优选数据集中特征向量之间的距离;通过高斯核函数计算所述优选数据集中各特征向量标签值的加权系数;通过划分所述优选数据集为训练集和测试集然后进行交叉验证的方法,构建最优尺寸误差预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519657.5A CN114310483B (zh) | 2021-12-13 | 2021-12-13 | 一种数控加工尺寸误差预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519657.5A CN114310483B (zh) | 2021-12-13 | 2021-12-13 | 一种数控加工尺寸误差预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114310483A true CN114310483A (zh) | 2022-04-12 |
CN114310483B CN114310483B (zh) | 2023-04-28 |
Family
ID=81050535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111519657.5A Active CN114310483B (zh) | 2021-12-13 | 2021-12-13 | 一种数控加工尺寸误差预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114310483B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070258618A1 (en) * | 2006-05-05 | 2007-11-08 | Yun-Qing Shi | System and/or method for image tamper detection |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN102814512A (zh) * | 2012-08-24 | 2012-12-12 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种针对发动机压气机盘类零件辐板型面的在线测量方法 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
CN108445835A (zh) * | 2018-04-24 | 2018-08-24 | 华中科技大学 | 一种数控机床的零件加工尺寸预测方法 |
CN108445752A (zh) * | 2018-03-02 | 2018-08-24 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
CN109739181A (zh) * | 2019-01-22 | 2019-05-10 | 宁波大学 | 一种基于检测神经网络的数控机床主轴热误差建模检测方法 |
US20200201282A1 (en) * | 2017-06-26 | 2020-06-25 | Jiangnan University | Energy consumption prediction system and method based on the decision tree for CNC lathe turning |
CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
-
2021
- 2021-12-13 CN CN202111519657.5A patent/CN114310483B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070258618A1 (en) * | 2006-05-05 | 2007-11-08 | Yun-Qing Shi | System and/or method for image tamper detection |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN102814512A (zh) * | 2012-08-24 | 2012-12-12 | 沈阳黎明航空发动机(集团)有限责任公司 | 一种针对发动机压气机盘类零件辐板型面的在线测量方法 |
CN106842922A (zh) * | 2017-01-14 | 2017-06-13 | 合肥工业大学 | 一种数控加工误差优化方法 |
US20200201282A1 (en) * | 2017-06-26 | 2020-06-25 | Jiangnan University | Energy consumption prediction system and method based on the decision tree for CNC lathe turning |
CN108445752A (zh) * | 2018-03-02 | 2018-08-24 | 北京工业大学 | 一种自适应选择深度特征的随机权神经网络集成建模方法 |
CN108445835A (zh) * | 2018-04-24 | 2018-08-24 | 华中科技大学 | 一种数控机床的零件加工尺寸预测方法 |
CN109739181A (zh) * | 2019-01-22 | 2019-05-10 | 宁波大学 | 一种基于检测神经网络的数控机床主轴热误差建模检测方法 |
CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114310483B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110153801B (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
Schmitz | Chatter recognition by a statistical evaluation of the synchronously sampled audio signal | |
Schmitz et al. | Exploring once-per-revolution audio signal variance as a chatter indicator | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
CN112098088B (zh) | 一种基于kica-分形理论的滚动轴承故障诊断方法 | |
CN108629864B (zh) | 一种基于振动的电主轴径向精度表征方法及其系统 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN109947047B (zh) | 一种电主轴失衡故障诊断方法 | |
CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
Lu et al. | Online process monitoring based on vibration-surface quality map for robotic grinding | |
Li et al. | Online chatter detection in milling process based on VMD and multiscale entropy | |
CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
CA2034492A1 (en) | Method of monitoring the operational state of a system | |
Maeda et al. | Method for automatically recognizing various operation statuses of legacy machines | |
Liu et al. | A chatter detection method in milling based on gray wolf optimization VMD and multi-entropy features | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
Gao et al. | New tool wear estimation method of the milling process based on multisensor blind source separation | |
CN114310483B (zh) | 一种数控加工尺寸误差预测方法 | |
CN116423292A (zh) | 一种综合能量比和幅值标准差的铣削颤振在线监测方法 | |
CN116643020A (zh) | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 | |
CN114235043A (zh) | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
CN115422978A (zh) | 一种工件表面粗糙度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |