CN115213735B - 一种铣削加工过程刀具状态监测系统及方法 - Google Patents
一种铣削加工过程刀具状态监测系统及方法 Download PDFInfo
- Publication number
- CN115213735B CN115213735B CN202211140319.5A CN202211140319A CN115213735B CN 115213735 B CN115213735 B CN 115213735B CN 202211140319 A CN202211140319 A CN 202211140319A CN 115213735 B CN115213735 B CN 115213735B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- output
- input
- square error
- 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.)
- Active
Links
Images
Classifications
-
- 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
Abstract
本发明公开了一种铣削加工过程刀具状态监测系统及方法,该系统包含信号采集模块、信号预处理模块、模型训练模块和加工过程监测模块。信号采集模块是基于MQTT协议的机床信号采集,MQTT传输协议具有对设备要求低、对网络要求低等优势,该协议支持百万连接数,完全适用于现场实际加工时大量高并发的信号采集。信号预处理模块对所采集的数据进行选取和滤波。模型选择模块通过比较高斯过程回归模型和置信区间模型,选取最优的预测模型生成上下边界。加工过程监测模块将进行实时刀具状态识别。本发明所提出的系统及方法适用于铣削加工过程刀具状态监测,有效提高了铣削加工的智能化程度以及刀具状态监测的准确性和实时性。
Description
技术领域
本发明属于智能制造领域,具体涉及一种铣削加工过程刀具状态监测系统及方法。
背景技术
在铣削加工中,为了保证零部件加工质量,需要对当前加工的刀具磨损状态进行准确预测。在此基础上,对剩余寿命进行预测,通过换刀、改变加工参数等手段降低刀具磨损对零部件尺寸精度和表面质量的影响。传统上刀具更换是依据经验周期性换刀,虽然这种换刀策略简单,但是一方面不能充分发挥刀具全部寿命,造成利用率不足、刀具成本大幅增加等问题,另一方面可能存在已经超过刀具额定寿命的刀具仍继续加工的问题,损坏工件的表面光洁度和尺寸完整性,造成零件精度降低、表面粗糙度增加。因此在铣削加工过程中对刀具的实时监测是很具有现实意义的。
刀具状态监测系统可分为两类,一类是通过直接观察和检测切削刃的位置和形状等参数的直接监测方法,另一类是通过间接测量和检测刀具磨损状态信息的间接监测方法。直接监测方法主要通过检测切削刃的位置和形状来确定刀具材料的质量和形状是否降低或改变。监测方法包括接触测量、视觉测量和光学检测等。例如,使用光学显微镜捕获刀具的图像,并且使用图像分析技术来评估刀具的状况。直接监测方法对铣削加工是有利的,因为它们不影响加工过程,在理想条件下具有较高的识别精度。但直接监测方法通常不适合制造环境,因为在大多数情况下,在监测刀具状态时,必须打断加工过程的连续进行,从而导致停机检查时间增加。
故提出一种铣削加工过程刀具状态监测系统及方法,在切削参数优化、智能制造技术理论的发展与丰富方面具有很强的理论应用价值,是工程实践的迫切需求。
发明内容
本发明针对现有技术中的不足,提供一种铣削加工过程刀具状态监测系统及方法。
为实现上述目的,本发明采用以下技术方案:
一种铣削加工过程刀具状态监测系统,其特征在于,包括信号采集模块、信号预处理模块、模型选择模块和加工过程监测模块;
所述信号采集模块基于MQTT协议进行机床信号采集,采集机床加工过程中的数据;
所述信号预处理模块对所采集的数据进行选取和滤波的处理;
所述模型选择模块选择信号预处理模块处理后的数据,分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界;
所述加工过程监测模块采用最优的预测模型进行监测,并通过比较实际加工参数和预测模型的上下边界,判断加工状态是否正常。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述信号采集模块采集的数据采用刀柄号和加工程序号对其施加过程化标签后存入MySQL数据库。
进一步地,所述信号预处理模块使用一阶RC低通滤波对采集的数据进行滤波,一阶RC低通滤波的输入输出关系方程如下:
式中,V 输入表示输入,V 输出表示输出,R是电阻,C为电容,t表示时刻;
其中,按照时间进行采样,将输入V 输入和输出V 输出序列化。
进一步地,所述模型选择模块将信号预处理模块处理后的数据随机地分为训练集和验证集两部分。
进一步地,所述模型选择模块分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界,具体如下:
1)对于高斯过程回归模型,输入训练集的数据X=(x 1, x 2, x 3, …, x n-1, x n),n表示数据量;
高斯过程回归模型的输出与训练集构成有限随机变量的集合,服从如下的联合概率分布:
式中,函数f(x)构成均值函数为m(x)、协方差函数为k(x i , x j )的高斯过程,m(x)=E[f(x)], E表示数学期望;
k(x i , x j )取平方指数的协方差函数:
式中,V 0表示高斯过程回归模型的方差,d表示输入数据的维度,ω l 表示距离尺寸;
高斯过程回归模型的输出为Y=(y 1, y 2, y 3, …, y n-1, y n),根据输出的数据确定高斯过程回归模型的上下边界;
计算高斯过程回归模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
2)对于置信区间模型,首先对训练集的数据进行包络处理,确定包络线的上下边界;基于模拟退火算法的Metropolis准则选取最佳置信度,通过最佳置信度取包络线的上下边界的95%置信区间,作为置信区间模型的上下边界;
将训练集的数据输入置信区间模型,计算置信区间模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
3)通过比较高斯过程回归模型和置信区间模型的准确度指标,选取最优模型进行输出,并将该最优模型的上下边界作为加工状态正常的上下边界。
本发明还提出了一种铣削加工过程刀具状态监测方法,其特征在于,包括如下步骤:
步骤1:基于MQTT协议进行机床信号采集,采集机床加工过程中的数据;
步骤2:对所采集的数据进行选取和滤波的处理;
步骤3:选择处理后的数据,分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界;
步骤4:采用最优的预测模型进行监测,并通过比较实际加工参数和预测模型的上下边界,判断加工状态是否正常。
进一步地,所述步骤1中,采集的数据采用刀柄号和加工程序号对其施加过程化标签后存入MySQL数据库。
进一步地,所述步骤2中,使用一阶RC低通滤波对采集的数据进行滤波,一阶RC低通滤波的输入输出关系方程如下:
式中,V 输入表示输入,V 输出表示输出,R是电阻,C为电容,t表示时刻;
其中,按照时间进行采样,将输入V 输入和输出V 输出序列化。
进一步地,所述步骤3中,将处理后的数据随机地分为训练集和验证集两部分。
进一步地,所述步骤3中,分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界,具体如下:
1)对于高斯过程回归模型,输入训练集的数据X=(x 1, x 2, x 3, …, x n-1, x n),n表示数据量;
高斯过程回归模型的输出与训练集构成有限随机变量的集合,服从如下的联合概率分布:
式中,函数f(x)构成均值函数为m(x)、协方差函数为k(x i , x j )的高斯过程,m(x)=E[f(x)], E表示数学期望;
k(x i , x j )取平方指数的协方差函数:
式中,V 0表示高斯过程回归模型的方差,d表示输入数据的维度,ω l 表示距离尺寸;
高斯过程回归模型的输出为Y=(y 1, y 2, y 3, …, y n-1, y n),根据输出的数据确定高斯过程回归模型的上下边界;
计算高斯过程回归模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
2)对于置信区间模型,首先对训练集的数据进行包络处理,确定包络线的上下边界;基于模拟退火算法的Metropolis准则选取最佳置信度,通过最佳置信度取包络线的上下边界的95%置信区间,作为置信区间模型的上下边界;
将训练集的数据输入置信区间模型,计算置信区间模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
3)通过比较高斯过程回归模型和置信区间模型的准确度指标,选取最优模型进行输出,并将该最优模型的上下边界作为加工状态正常的上下边界。
本发明的有益效果是:本发明引入MQTT数据传输协议,使得与机床信息的大量高并发传输得以实现,提高了预测的准确性和效率。双模型的比较选优使得模型刀具模型预测的准确性大大提高,其中高斯过程回归模型的使用减少了运算时间,提高了模型准确率,模拟退火模型的置信区间计算提高了置信区间的准确性。本发明有效提高了铣削加工的智能化程度以及刀具状态监测的准确性和实时性,对保证产品加工质量、降低生产成本、提高生产效率以及实现连续自动化加工具有重要意义。
附图说明
图1为铣削加工过程刀具状态监测系统的简化框图。
图2为MQTT数据采集流程图。
图3a和图3b分别为一阶RC低通滤波处理前后对比图。
图4a和图4b分别为高斯过程回归前后信号对比图。
图5为包络处理上下边界提取图。
图6为模拟退火算法流程图。
图7为95%置信区间边界图。
图8为刀具加工过程监测图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
实施例一
如图1所示的一种铣削加工过程刀具状态监测的系统,主要包括信号采集模块、信号预处理模块、模型训练模块和加工过程监测模块。
信号采集模块:
信号采集模块主要在NC-LINK协议下基于MQTT(Message Queuing TelemetryTransport)协议从机床内部实时采集高并发多源异构的数据并进行数据传输,通过刀柄号和加工程序号对加工过程进行分割并标签化后存入MySQL数据库,避免了大量过程数据在处理过程中超过单次CPU内存处理上限的问题。与传统的HTTP和MQ传输协议相比,MQTT传输协议具有对设备要求低、对网络要求低等优势,与此同时该协议支持百万连接数,完全适用于现场实际加工时大量高并发的信号采集。MQTT协议主要用于采集机床加工过程中的电流、振动等信号。
信号预处理模块:
信号预处理模块对采集到的信号进行一阶RC低通滤波处理,具体处理方式如下:
输入输出的关系如下:
式中,R是电阻,i(t)是t时刻下的电流值。
电容C的电量Q c (t)和充电时间t满足以下条件:
由此可得:
将方程进行离散化,如果输入V 输入和输出V 输出按照∆T的时间采样,那么可以将输入和输出序列化。
模型选择模块:
模型选择模块,分别通过高斯过程回归(Gaussian Process Regression, GPR)模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界。具体步骤如下:
(1)选择信号预处理模块处理好的数据V 输出。
(2)将V 输出随机地分为两个部分:训练集、验证集。
(3)用高斯过程回归算法,输入数据集为训练集,令其为X=(x 1, x 2, x 3, …, x n-1,x n);
对应的高斯回归输出向量为Y=(y 1, y 2, y 3, …, y n-1, y n),其与训练集可以构成一个有限随机变量的集合,其服从联合概率分布,可以用下式描述:
式中,函数f(x)构成均值函数为m(x)、协方差函数为k(x i , x j )的高斯过程,m(x)=E[f(x)],k(x i , x j )=E[(f(x i )-m(x i ))(f(x j )-m(x j ))],E表示数学期望。
k(x i , x j )表示协方差函数,本系统取平方指数的协方差函数:
式中,V 0表示高斯过程回归模型的方差,d表示输入数据的维度,ω l 表示距离尺寸;
根据高斯回归的输出数据Y=(y 1, y 2, y 3, …, y n-1, y n)直接确定模型的上下边界,将其与验证集数据的均方根误差及均方误差作为计算准确度指标。
(4)基于模拟退火算法的Metropolis准则选取最佳置信度,模拟退火的参数包括:初始温度、结束温度、衰减因子等,模拟退火输出即为最佳置信度。
其中Metropolis准则公式如下:
式中,x new 为下一个训练点位置,x old 为上一个训练点位置,T为当前温度,E为内能。
在置信区间模型中,置信度越大,其对应的预测区间的宽度越宽,其覆盖测试样本的真实值的可靠性越高,但是其形成的异常检测阈值变大,检测率降低;相反地,小的置信度预测精度会提高,但是其可靠性降低,会有较多的正常样本误检,于是基于退火模型的进行最佳置信度选择。
(5)选用置信区间模型,取多组训练集数据包络线的95%置信区间(模拟退火算法中求得),其公式如下:
其中,α表示显著性水平,Pr表示概率,C 1、C 2表示概率样本,μ表示实际值。计算后构建有效的动态阈值。
将训练集的数据输入置信区间模型,计算置信区间模型的输出数据与验证集的均方根误差及均方误差,同样将均方根误差及均方误差作为准确度指标。
(6)通过比较两种模型的预测准确度,选取最优模型进行输出。
加工过程监测模块:
用模型选择模块获得的最终模型进行监测。若实际加工参数在上下边界之间则为加工状态正常,反之为加工状态异常。
实施例二
在实施例二中,本发明提出了一种与实施例一的铣削加工过程刀具状态监测系统相对应的铣削加工过程刀具状态监测方法,包括以下具体步骤:
步骤1:利用MQTT协议采集数据,如图2所示,MQTT服务器上从机床采集所需的参数并将此数据打包成一个数据包,并给每个数据包提供一个主题。系统根据不同的主题来获取所需要的机床参数。通过刀柄号和加工程序号对加工过程进行分割并标签化后存入MySQL数据库。
步骤2:对采集到的信号进行一阶RC低通滤波处理,具体处理方式如下:
输入输出的关系如下:
式中,R是电阻,i(t)是t时刻下的电流值。
电容C的电量Q c (t)和充电时间t满足以下条件:
由此可得:
将方程进行离散化,如果输入V 输入和输出V 输出按照∆T的时间采样,那么可以将输入和输出序列化。图3a和图3b为处理前后的信号数据对比。
步骤3:模型选择阶段,具体步骤如下:
(1)选择数据:将步骤2中V 输出分为训练集和验证集,选取训练集部分作为输入。
(2)用高斯过程回归算法计算模型:通过设定模型的参数值,得到先验分布后结合训练数据输入得到后验分布,最终得到上下边界作为公差带预测模型,如图4a和图4b所示。
(3)用置信区间算法计算模型:对处理好的数据进行包络处理,如图5所示。通过模拟退火算法计算合适的置信区间,具体流程图如图6所示。通过置信区间取处理好的数据上下边界的95%置信区间(模拟退火算法求得)为模型的上下边界,如图7所示。最后分别比较两种模型和验证集数据的均方根误差和均方误差之和,如表1所示,选择误差总和小的训练模型去预测。
表1 高斯过程回归模型和置信区间模型的效果对比
步骤4:用步骤3中提取的模型上下边界对加工过程进行监控,如图8所示。在上下边界之间的信号属于正常加工状态,当信号离开上下边界范围则为加工异常。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种铣削加工过程刀具状态监测系统,其特征在于,包括信号采集模块、信号预处理模块、模型选择模块和加工过程监测模块;
所述信号采集模块基于MQTT协议进行机床信号采集,采集机床加工过程中的数据;
所述信号预处理模块对所采集的数据进行选取和滤波的处理;
所述模型选择模块选择信号预处理模块处理后的数据,将信号预处理模块处理后的数据随机地分为训练集和验证集两部分;分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界,具体如下:
1)对于高斯过程回归模型,输入训练集的数据X=(x 1, x 2, x 3, …, x n-1, x n),n表示数据量;
高斯过程回归模型的输出与训练集构成有限随机变量的集合,服从如下的联合概率分布:
式中,函数f(x)构成均值函数为m(x)、协方差函数为k(x i , x j )的高斯过程,m(x)=E[f(x)], E表示数学期望;
k(x i , x j )取平方指数的协方差函数:
式中,V 0表示高斯过程回归模型的方差,d表示输入数据的维度,ω l 表示距离尺寸;
高斯过程回归模型的输出为Y=(y 1, y 2, y 3, …, y n-1, y n),根据输出的数据确定高斯过程回归模型的上下边界;
计算高斯过程回归模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
2)对于置信区间模型,首先对训练集的数据进行包络处理,确定包络线的上下边界;基于模拟退火算法的Metropolis准则选取最佳置信度,通过最佳置信度取包络线的上下边界的95%置信区间,作为置信区间模型的上下边界;
将训练集的数据输入置信区间模型,计算置信区间模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
3)通过比较高斯过程回归模型和置信区间模型的准确度指标,选取最优模型进行输出,并将该最优模型的上下边界作为加工状态正常的上下边界;
所述加工过程监测模块采用最优的预测模型进行监测,并通过比较实际加工参数和预测模型的上下边界,判断加工状态是否正常。
2.如权利要求1所述的一种铣削加工过程刀具状态监测系统,其特征在于:所述信号采集模块采集的数据采用刀柄号和加工程序号对其施加过程化标签后存入MySQL数据库。
4.一种铣削加工过程刀具状态监测方法,其特征在于,包括如下步骤:
步骤1:基于MQTT协议进行机床信号采集,采集机床加工过程中的数据;
步骤2:对所采集的数据进行选取和滤波的处理;
步骤3:选择处理后的数据,将处理后的数据随机地分为训练集和验证集两部分;分别通过高斯过程回归模型和置信区间模型进行状态预测,选取最优的预测模型,并生成加工状态正常的上下边界,具体如下:
1)对于高斯过程回归模型,输入训练集的数据X=(x 1, x 2, x 3, …, x n-1, x n),n表示数据量;
高斯过程回归模型的输出与训练集构成有限随机变量的集合,服从如下的联合概率分布:
式中,函数f(x)构成均值函数为m(x)、协方差函数为k(x i , x j )的高斯过程,m(x)=E[f(x)],E表示数学期望;
k(x i , x j )取平方指数的协方差函数:
式中,V 0表示高斯过程回归模型的方差,d表示输入数据的维度,ω l 表示距离尺寸;
高斯过程回归模型的输出为Y=(y 1, y 2, y 3, …, y n-1, y n),根据输出的数据确定高斯过程回归模型的上下边界;
计算高斯过程回归模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
2)对于置信区间模型,首先对训练集的数据进行包络处理,确定包络线的上下边界;基于模拟退火算法的Metropolis准则选取最佳置信度,通过最佳置信度取包络线的上下边界的95%置信区间,作为置信区间模型的上下边界;
将训练集的数据输入置信区间模型,计算置信区间模型的输出数据与验证集的均方根误差及均方误差,将均方根误差及均方误差之和作为准确度指标;
3)通过比较高斯过程回归模型和置信区间模型的准确度指标,选取最优模型进行输出,并将该最优模型的上下边界作为加工状态正常的上下边界;
步骤4:采用最优的预测模型进行监测,并通过比较实际加工参数和预测模型的上下边界,判断加工状态是否正常。
5.如权利要求4所述的一种铣削加工过程刀具状态监测方法,其特征在于:所述步骤1中,采集的数据采用刀柄号和加工程序号对其施加过程化标签后存入MySQL数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140319.5A CN115213735B (zh) | 2022-09-20 | 2022-09-20 | 一种铣削加工过程刀具状态监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140319.5A CN115213735B (zh) | 2022-09-20 | 2022-09-20 | 一种铣削加工过程刀具状态监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115213735A CN115213735A (zh) | 2022-10-21 |
CN115213735B true CN115213735B (zh) | 2022-12-13 |
Family
ID=83616857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140319.5A Active CN115213735B (zh) | 2022-09-20 | 2022-09-20 | 一种铣削加工过程刀具状态监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115213735B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9980010B2 (en) * | 2015-07-24 | 2018-05-22 | Videoamp, Inc. | Cross-screen optimization of advertising placement |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN110647108B (zh) * | 2019-10-14 | 2022-09-27 | 重庆大学 | 数据驱动的数控车削元动作能耗预测方法 |
CN111104739A (zh) * | 2019-12-16 | 2020-05-05 | 中国工程物理研究院化工材料研究所 | 一种sa优化深度置信网络的含能材料成球质量优化方法 |
CN111085898A (zh) * | 2019-12-30 | 2020-05-01 | 南京航空航天大学 | 一种工况自适应的高速铣削加工过程刀具监测方法及系统 |
CN111360582B (zh) * | 2020-01-17 | 2021-07-27 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN114428480A (zh) * | 2022-01-18 | 2022-05-03 | 南京航空航天大学 | 一种数控机床加工过程中实时刀具防碰撞方法 |
CN114619292B (zh) * | 2022-03-25 | 2022-12-20 | 南京航空航天大学 | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 |
CN114905335A (zh) * | 2022-05-28 | 2022-08-16 | 太原科技大学 | 一种结合域对抗和卷积神经网络的刀具磨损预测方法 |
-
2022
- 2022-09-20 CN CN202211140319.5A patent/CN115213735B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115213735A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561193A (zh) | 一种基于特征融合的刀具磨损评估及监控的方法与系统 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
CN115829422A (zh) | 基于大数据的工业设备运行异常状态识别方法 | |
CN111881860B (zh) | 滚刀磨损在位识别模型建模方法及滚刀磨损在位识别方法 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
Li et al. | Tool breakage detection using deep learning | |
CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
CN113094893A (zh) | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN107193782A (zh) | 一种基于多项式拟和的野值剔除方法 | |
CN114800040B (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN115213735B (zh) | 一种铣削加工过程刀具状态监测系统及方法 | |
CN116991146B (zh) | 一种超声波清洗装置的控制方法及系统 | |
CN113043073A (zh) | 一种刀具磨损及寿命预测方法及装置 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN114227378A (zh) | 一种夹具状态的检测方法、装置、终端和存储介质 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN104794290B (zh) | 一种用于机械装备结构的模态参数自动识别方法 |
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 |