CN115488696A - 一种基于变分模态分解和神经网络的刀具磨损预测方法 - Google Patents
一种基于变分模态分解和神经网络的刀具磨损预测方法 Download PDFInfo
- Publication number
- CN115488696A CN115488696A CN202211310124.0A CN202211310124A CN115488696A CN 115488696 A CN115488696 A CN 115488696A CN 202211310124 A CN202211310124 A CN 202211310124A CN 115488696 A CN115488696 A CN 115488696A
- Authority
- CN
- China
- Prior art keywords
- cutter
- wear
- neural network
- tool
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 31
- 238000005299 abrasion Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000003801 milling Methods 0.000 claims abstract description 13
- 238000003754 machining Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 208000035874 Excoriation Diseases 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了一种基于变分模态分解和神经网络的刀具磨损预测方法，包括以下步骤：步骤1：在机械加工铣床工件的夹具处安装力传感器和加速度传感器，获取铣削加工过程中刀具切削的传感器信号，通过光学图像测量刀具真实磨损量；步骤2：将传感器信号按照刀具真实磨损量划分为初期磨损阶段、正常磨损阶段和急剧磨损阶段。通过变分模态分解分解方法预处理刀具铣削过程中的传感器信号，去除传感器信号中存在的噪声干扰。在时域特征和频域特征的基础上增加了子模态的VMD特征向量，拓展了特征维度，提升了刀具真实磨损量预测精度。
Description
技术领域
本发明涉及刀具磨损预测技术领域，尤其涉及一种基于变分模态分解和神经网络的刀具磨损预测方法。
背景技术
刀具作为机械加工中一个重要的工具，在切削过程中引起故障是时有发生的，据加工现场的数据统计显示，因刀具故障导致的停机时间占总停机时间高达22.4%，导致整体机械加工效率下降，因此，为保证加工质量和加工过程安全，刀具的磨损状况成为在加工过程中尤为需要重视的因素，如果能够使用刀具状态监测数据结合高效的预测方法，准确预测刀具的磨损状态，将有效提高机加工效率。
随着传感器技术、信号处理技术以及近年来兴起的机器学习技术的快速发展，刀具状态信息可以由加工机床部位安装传感器获取，通过算法分析传感器信号特征，最终结合机器学习模型推算刀具的磨损情况，但在离线训练机器学习模型的过程中，由于传感器信号冗杂，易受周围环境因素干扰，信号特征与刀具磨损间的相关性不强，致使模型的预测性能达不到要求。因此，迫切需要一种高效的信号预处理方法与信号特征组合方式，满足刀具磨损预测精度要求。
综上所述，使用信号预处理方法和神经网络构建刀具磨损预测模型，实现高精度预测刀具磨损状态，解决刀具的预测性维护问题。
发明内容
本发明的目的在于提供一种基于变分模态分解和神经网络的刀具磨损预测方法，以解决上述技术问题。
为实现上述目的，本发明所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，包括以下步骤：
步骤1：在机械加工铣床工件的夹具处安装力传感器和加速度传感器，获取铣削加工过程中刀具切削的传感器信号，通过光学图像测量刀具真实磨损量；
步骤2：将传感器信号按照刀具真实磨损量划分为初期磨损阶段、正常磨损阶段和急剧磨损阶段，使用变分模态分解（VMD）将三个阶段的传感器信号分解为子模态分量，计算子模态分量的能量熵，将能量熵大的子模态分量重组为新的重构信号；
步骤3：使用时域、频域分析方法提取重构信号的时域特征和频域特征；并使用相关性分析法筛选得到和刀具真实磨损量相关性高的时域特征和频域特征；组合子模态分量的能量熵和频率为VMD特征向量；
步骤4：将筛选得到的时域特征和频域特征以及VMD特征向量归一化处理；建立三层BP神经网络，将归一化处理后的数据划分为训练集和测试集；将训练集输入到BP神经网络的输入层，将训练集对应的刀具真实磨损量输入到BP神经网络的输出层，训练BP神经网络；构建刀具磨损预测神经网络模型；
步骤5：将测试集输入到步骤4构建的刀具磨损预测神经网络模型的输入层并输出刀具磨损预测结果；将测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量进行对比确认预测精度；在预测精度满足要求后，实现刀具磨损预测方法。
进一步地，步骤1中力传感器和加速度传感器的采集通道均为3，即通过力传感器和加速度传感器可分别测出X、Y、Z三个方向上的力信号和振动信号。
进一步地，所述刀具真实磨损量划分方式是按照刀具铣削操作中，随着走刀次数的增加，刀具真实磨损量是否出现明显的转折点而确定的；具体的，以刀具真实磨损量为纵坐标，走刀次数为横坐标作刀具真实磨损量曲线；第一次出现明显转折点之前记为初期磨损阶段；第一次出现明显转折点和第二次出现明显转折点之间记为正常磨损阶段；第三次出现明显转折点之后记为急剧磨损阶段。
进一步地，步骤2中变分模态分解的分解模态数K为8，惩罚因子α为2000，计算得到8个子模态分量。
进一步地，步骤3中的时域特征包括均值、方差、均方差、峰-峰值、波形因子、峰值因子、峭度、偏度、脉冲因子、裕度因子和能量比；
进一步地，步骤3中的频域特征包括重心频率、均方频率和均方根频率；
进一步地，步骤3中的相关性分析法包括：将时域特征和频域特征与刀具真实磨损量相关性高的得以保留，相关性低的特征去除；具体的，以刀具真实磨损量曲线作为参考，查看时域特征和频域特征是否与刀具真实磨损量呈正相关而确定，呈正相关的时域特征和频域特征进行保留。
进一步地，步骤4中，时域特征和频域特征以及VMD特征向量归一化处理采用最大最小归一化方法，将时域特征和频域特征以及VMD特征向量的数值变换到区间0~1范围内。
作为本发明的其中一种实施例，所述三层BP神经网络构建方法为：第一层输入层设置为与步骤3筛选的时域特征和频域特征以及VMD特征向量三者的总特征参数相同的节点数24，第二层隐含层维数设置为24和48，第三层输出层设置节点数为1，节点激活函数设置为tanh。
进一步地，训练集和测试集的比例为4：1。
进一步地，步骤5中，所述预测精度的方法包括：以测试集的样本号为横坐标，测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量为纵坐标作对比曲线图；通过平均绝对误差计算方法来反映预测精度。
相较于现有技术，本发明具有以下优点：
1. 通过变分模态分解分解方法预处理刀具铣削过程中的传感器信号，去除传感器信号中存在的噪声干扰。
2. 在时域特征和频域特征的基础上增加了子模态的VMD特征向量，拓展了特征维度，提升了刀具真实磨损量预测精度。
附图说明
图1为本发明刀具磨损预测方法的流程图；
图2为本发明步骤2的刀具真实磨损量曲线。
图3为本发明步骤5的对比曲线图。
图4为本发明刀具磨损预测方法的工作原理。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
针对现有技术存在的问题，本发明的实施例提供了一种基于变分模态分解和神经网络的刀具磨损预测方法。其工作原理如图4所示。
实施例1
如图1所示，一种基于变分模态分解和神经网络的刀具磨损预测方法，包括以下步骤：
步骤1：在机械加工铣床工件的夹具处安装力传感器和加速度传感器，获取铣削加工过程中刀具切削的传感器信号，通过光学图像测量刀具真实磨损量；力传感器和加速度传感器的采集通道均为3，即通过力传感器和加速度传感器可分别测出X、Y、Z三个方向上的力信号和振动信号。共得到6组反映刀具状态的传感器信号数据。
步骤2：将传感器信号按照刀具真实磨损量划分为初期磨损阶段、正常磨损阶段和急剧磨损阶段，使用变分模态分解（Variational Mode Decomposition, VMD）将三个阶段的传感器信号分解为子模态分量，计算子模态分量的能量熵，将能量熵大的子模态分量重组为新的重构信号；去除原始传感器信号的噪声因素。 由于子模态分量能量熵反映其包含信息量的大小，能量熵较小的子模态分量包含信息少，因此视为噪声分量，经过信号重组步骤后的重构信号去除了能量熵小的噪声因素。
刀具真实磨损量划分方式是按照刀具铣削操作中，随着走刀次数的增加，刀具真实磨损量是否出现明显的转折点而确定的；具体的，以刀具真实磨损量为纵坐标，走刀次数为横坐标作刀具真实磨损量曲线；第一次出现明显转折点之前记为初期磨损阶段；第一次出现明显转折点和第二次出现明显转折点之间记为正常磨损阶段；第三次出现明显转折点之后记为急剧磨损阶段。如图2所示，在约0、70和200次走刀后刀具磨损值明显上升，因此，以这三个转折点划分刀具磨损状态为初期磨损阶段、正常磨损阶段和急剧磨损阶段。
变分模态分解的分解模态数K为8，惩罚因子α为2000，计算得到8个子模态分量。
步骤3：使用时域、频域分析方法提取重构信号的时域特征和频域特征；时域特征包括均值、方差、均方差、峰峰值、波形因子、峰值因子、峭度、偏度、脉冲因子、裕度因子和能量比；频域特征包括重心频率、均方频率和均方根频率；并使用相关性分析法筛选得到和刀具真实磨损量相关性高的时域特征和频域特征；组合子模态分量的能量熵和频率为VMD特征向量；
相关性分析法包括：将时域特征和频域特征与刀具真实磨损量相关性高的得以保留，相关性低的特征去除；具体的，以刀具真实磨损量曲线作为参考，查看时域特征和频域特征是否与刀具真实磨损量呈正相关而确定，呈正相关的时域特征和频域特征进行保留。最终经筛选保留的时域特征包括：均值、方差、均方差、峰-峰值和能量比；频域特征包括重心频率、均方频率和均方根频率。时域特征和频域特征共8个特征参数，VMD特征向量包含8组包含能量熵和频率的特征参数，总共24个特征参数。
步骤4：将筛选得到的时域特征和频域特征以及VMD特征向量归一化处理；建立三层BP神经网络，将归一化处理后的数据划分为训练集和测试集；训练集和测试集的比例为4：1。将训练集输入到BP神经网络的输入层，将训练集对应的刀具真实磨损量输入到BP神经网络的输出层，训练BP神经网络；构建刀具磨损预测神经网络模型。
所述三层BP神经网络构建方法为：第一层输入层设置为时域特征和频域特征以及VMD特征向量三者的总特征参数相同的节点数24，第二层隐含层层数为两层，维数分别设置为24和48，第三层输出层设置节点数为1，节点激活函数设置为tanh。需要说明的是，第二层隐含层的维数可根据下面步骤5的预测精度进行调整，24和48是经过调整后的优选数值。
时域特征和频域特征以及VMD特征向量归一化处理采用最大最小归一化方法，将时域特征和频域特征以及VMD特征向量的数值变换到区间0~1范围内，以提高BP神经网络拟合的速度。
步骤5：将测试集输入到经步骤4构建的刀具磨损预测神经网络模型的输入层并输出刀具磨损预测结果；将刀具磨损预测结果和测试集对应的刀具真实磨损量进行对比确认预测精度；在预测精度满足要求后 ；实现刀具磨损预测方法。
预测精度的方法包括：以测试集的样本号为横坐标，测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量为纵坐标作对比曲线图，对比曲线图如图3所示；通过平均绝对误差计算方法来反映预测精度。可以看出本方法在使用变分模态分解算法预处理和特征拓维后的预测效果保持了较好的水平，可应用于刀具真实磨损量及磨损阶段的预测工作。
无信号处理直接采用原始信号（传感器信号）构建的神经网络模型和通过本发明的方法对信号处理后构建的神经网络模型的预测准确率对照表如表1所示，经过本发明方法信号处理相较直接采用原始信号在预测结果的平均绝对误差（Mean Absolute Error,MAE）、均方误差（Mean Square Error, MSE）以及平均绝对百分比误差（Mean AbsolutePercentage Error, MAPE）等常用的回归评价指标上准确率有所提升。
表1 无信号处理和信号处理后的刀具磨损回归预测准确率
| 模型方法 | BestMAE | BestMSE | BestMAPE |
| 无信号处理 | 11.01 | 209.41 | 0.08 |
| 信号处理（本发明） | 9.25 | 158.26 | 0.07 |
虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。
Claims (10)
1.一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，包括以下步骤：
步骤1：在机械加工铣床工件的夹具处安装力传感器和加速度传感器，获取铣削加工过程中刀具切削的传感器信号，通过光学图像测量刀具真实磨损量；
步骤2：将传感器信号按照刀具真实磨损量划分为初期磨损阶段、正常磨损阶段和急剧磨损阶段，使用变分模态分解（VMD）将三个阶段的传感器信号分解为子模态分量，计算子模态分量的能量熵，将能量熵大的子模态分量重组为新的重构信号；
步骤3：使用时域、频域分析方法提取重构信号的时域特征和频域特征；并使用相关性分析法筛选得到和刀具真实磨损量相关性高的时域特征和频域特征；组合子模态分量的能量熵和频率为VMD特征向量；
步骤4：将筛选得到的时域特征和频域特征以及VMD特征向量归一化处理；建立三层BP神经网络，将归一化处理后的数据划分为训练集和测试集；将训练集输入到BP神经网络的输入层，将训练集对应的刀具真实磨损量输入到BP神经网络的输出层，训练BP神经网络；构建刀具磨损预测神经网络模型；
步骤5：将测试集输入到步骤4构建的刀具磨损预测神经网络模型的输入层并输出刀具磨损预测结果；将测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量进行对比确认预测精度；在预测精度满足要求后，实现刀具磨损预测方法。
2.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤1中力传感器和加速度传感器的采集通道均为3，即通过力传感器和加速度传感器可分别测出X、Y、Z三个方向上的力信号和振动信号。
3.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，所述刀具真实磨损量划分方式是按照刀具铣削操作中，随着走刀次数的增加，刀具真实磨损量是否出现明显的转折点而确定的；具体的，以刀具真实磨损量为纵坐标，走刀次数为横坐标作刀具真实磨损量曲线；第一次出现明显转折点之前记为初期磨损阶段；第一次出现明显转折点和第二次出现明显转折点之间记为正常磨损阶段；第三次出现明显转折点之后记为急剧磨损阶段。
4.根据权利要求1所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤2中变分模态分解的分解模态数K为8，惩罚因子α为2000，计算得到8个子模态分量。
5.根据权利要求3所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤3中的时域特征包括均值、方差、均方差、峰-峰值、波形因子、峰值因子、峭度、偏度、脉冲因子、裕度因子和能量比；步骤3中的频域特征包括重心频率、均方频率和均方根频率。
6.根据权利要求3所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤3中的相关性分析法包括：将时域特征和频域特征与刀具真实磨损量相关性高的得以保留，相关性低的特征去除；具体的，以刀具真实磨损量曲线作为参考，查看时域特征和频域特征是否与刀具真实磨损量呈正相关而确定，呈正相关的时域特征和频域特征进行保留。
7.根据权利要求6所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤4中，时域特征和频域特征以及VMD特征向量归一化处理采用最大最小归一化方法，将时域特征和频域特征以及VMD特征向量的数值变换到区间0~1范围内。
8.根据权利要求7所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，所述三层BP神经网络构建方法为：第一层输入层设置为与步骤3筛选的时域特征和频域特征以及VMD特征向量三者的总特征参数相同的节点数24，第二层隐含层维数设置为24和48，第三层输出层设置节点数为1，节点激活函数设置为tanh。
9.根据权利要求8所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，训练集和测试集的比例为4：1。
10.根据权利要求9所述的一种基于变分模态分解和神经网络的刀具磨损预测方法，其特征在于，步骤5中，所述预测精度的方法包括：以测试集的样本号为横坐标，测试集的刀具磨损预测结果和测试集对应的刀具真实磨损量为纵坐标作对比曲线图；通过平均绝对误差计算方法来反映预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211310124.0A CN115488696B (zh) | 2022-10-25 | 2022-10-25 | 一种基于变分模态分解和神经网络的刀具磨损预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211310124.0A CN115488696B (zh) | 2022-10-25 | 2022-10-25 | 一种基于变分模态分解和神经网络的刀具磨损预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115488696A true CN115488696A (zh) | 2022-12-20 |
| CN115488696B CN115488696B (zh) | 2024-05-28 |
Family
ID=84475373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211310124.0A Active CN115488696B (zh) | 2022-10-25 | 2022-10-25 | 一种基于变分模态分解和神经网络的刀具磨损预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115488696B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229795A (zh) * | 2017-06-02 | 2017-10-03 | 东北大学 | 一种基于变分模态分解和能量熵的铣削颤振识别方法 |
| 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 |
| CN110515364A (zh) * | 2019-07-15 | 2019-11-29 | 北京工业大学 | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 |
| CN111723765A (zh) * | 2020-06-29 | 2020-09-29 | 常州信息职业技术学院 | 一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法 |
| US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
| CN113927371A (zh) * | 2021-11-05 | 2022-01-14 | 太原科技大学 | 一种基于多传感器特征融合的刀具磨损预测方法 |
-
2022
- 2022-10-25 CN CN202211310124.0A patent/CN115488696B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229795A (zh) * | 2017-06-02 | 2017-10-03 | 东北大学 | 一种基于变分模态分解和能量熵的铣削颤振识别方法 |
| 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 |
| CN110515364A (zh) * | 2019-07-15 | 2019-11-29 | 北京工业大学 | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 |
| US20210364482A1 (en) * | 2020-03-06 | 2021-11-25 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
| CN111723765A (zh) * | 2020-06-29 | 2020-09-29 | 常州信息职业技术学院 | 一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法 |
| CN113927371A (zh) * | 2021-11-05 | 2022-01-14 | 太原科技大学 | 一种基于多传感器特征融合的刀具磨损预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 康晶;包耳;: "切削过程的自适应模糊控制", 大连民族学院学报, no. 03, 15 May 2007 (2007-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115488696B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| Jin et al. | Automatic feature extraction of waveform signals for in-process diagnostic performance improvement | |
| Wang et al. | High-dimensional process monitoring and fault isolation via variable selection | |
| TWI481978B (zh) | 工具機之加工品質的預測方法 | |
| CN113664612A (zh) | 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 | |
| CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
| CN110647943A (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN113569903A (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
| CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
| CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
| CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
| CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| US6618632B1 (en) | Process for monitoring processing plants | |
| CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
| Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
| CN113485244A (zh) | 一种基于刀具磨损预测的数控机床控制系统及其方法 | |
| Ghiasabadi et al. | Identifying change point of a non-random pattern on control chart using artificial neural networks | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| CN115488696B (zh) | 一种基于变分模态分解和神经网络的刀具磨损预测方法 | |
| Dey et al. | A Dropout-based Neural Network Framework for Tool Wear Prediction under Uncertainty | |
| Zhu et al. | Tool wear prediction based on Canonical Correlation Analysis and Neural Network fitting method | |
| CN116957361B (zh) | 一种基于虚实结合的船舶任务系统健康状态检测方法 | |
| Jeyaraj et al. | A data-driven model to predict dressing interval during a multi-flute end mill grooving process using a multilayered diamond grinding wheel |
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 |