CN116186499A - 一种数控加工表面粗糙度预测方法 - Google Patents

一种数控加工表面粗糙度预测方法 Download PDF

Info

Publication number
CN116186499A
CN116186499A CN202310157771.0A CN202310157771A CN116186499A CN 116186499 A CN116186499 A CN 116186499A CN 202310157771 A CN202310157771 A CN 202310157771A CN 116186499 A CN116186499 A CN 116186499A
Authority
CN
China
Prior art keywords
data
cutting force
prediction
roughness
model
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
Application number
CN202310157771.0A
Other languages
English (en)
Inventor
许剑锋
程鑫
白龙
杨启中
丁悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Original Assignee
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Digital Design And Manufacturing Innovation Center Co ltd filed Critical Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Priority to CN202310157771.0A priority Critical patent/CN116186499A/zh
Publication of CN116186499A publication Critical patent/CN116186499A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

本发明公开了一种数控加工表面粗糙度预测方法，包括以下步骤：进行加工实验，并进行裁剪与分割，获取各个样本的三向切削力信号数据，并获得加工表面粗糙度数值；采用时间序列降维算法得到长度一致的三向切削力数据；以长度一致的三向切削力数据为特征向量，以加工表面粗糙度数值为标签值，进行数据合并，形成三组预测数据集；搭建卷积神经网络预测模型，进行模型训练与结构评价，筛选出预测准确率最高的切削力方向和卷积神经网络预测模型；利用筛选后的卷积神经网络预测模型进行粗糙度预测。本发明有益效果是：减少人为干预，提高预测过程的智能化程度；减少工作量，提高预测效率进而促进生产效率的提升。

Description

一种数控加工表面粗糙度预测方法
技术领域
本发明涉及数控加工领域，尤其涉及一种数控加工表面粗糙度预测方法。
背景技术
在数控加工技术领域，零件的加工质量一个重要的评价指标就是表面形貌的质量，表面形貌是指在由于在加工过程中刀刃与工件接触后发生相互作用所造成的残留在加工件表面上的痕迹。宏观上，经过加工后的表面看起来比较光滑，但在精密的测量仪器所显示的微观尺度中，可以明显看到加工件表面是有着高低起伏的轮廓，表面粗糙度是表面形貌的一个重要的量化指标，和表面形貌质量有着密切的关系，常用Ra代表，用于描述和评价加工后表面的优劣。粗糙度是否合适，对零部件的耐磨性、耐腐蚀性以及密封性和服役性能具有相当大的影响。
在传统生产中，一般是在完成零件的加工后对其加工表面进行检测，才能得出表面粗糙度的数值，从而评判加工质量的好坏。随着计算机的发展和机器学习的兴起，越来越多的神经网络被应用于加工表面粗糙度的预测任务中，促使智能化生产。目前，表面粗糙度预测模型主要考虑加工参数和加工过程信号，对于加工过程信号的处理主要是通过提取时序信号数据的时域、频域、时频域信号，从而结合加工参数形成预测数据集中的特征向量。然而，该方法对加工过程信号进行特征提取需要付出额外的人为工作，也必然会丢失部分的信息，导致预测的准确率受到一定的限制，无法实现生产的高度智能化和控制零件质量的目的。
发明内容
为了解决在加工过程信号特征提取时，需要付出额外的人为工作的缺陷，本申请提供一种数控加工表面粗糙度预测方法，包括以下步骤：
S1、进行加工实验，采集加工过程中的三向切削力信号数据并进行裁剪与分割，获取各个样本的三向切削力信号数据，并在加工完成后利用粗糙度测量仪器获得加工表面粗糙度数值；
S2、采用时间序列降维算法对步骤S1中获得的三向切削力信号数据进行数据长度变换，得到长度一致的三向切削力数据；
S3、分别以步骤S2中所述的长度一致的三向切削力数据为特征向量，和步骤S1中所述的加工表面粗糙度数值为标签值，进行数据合并，形成三组预测数据集；
S4、搭建卷积神经网络预测模型，将步骤S3中所述的三组预测数据集分别划分成训练集和测试集两部分，进行模型训练与结构评价，筛选出预测准确率最高的切削力方向和卷积神经网络预测模型；
S5、利用筛选后的卷积神经网络预测模型进行粗糙度预测。
本发明提供的有益效果是：不进行对加工过程数据的特征提取工作，减少人为干预，提高预测过程的智能化程度；同时可以减少工作量，提高预测效率进而促进生产效率的提升。
附图说明
图1为本发明实施例的数控加工表面粗糙度预测方法流程图；
图2为本发明实施例使用切削力数据分割与裁剪的逻辑图；
图3为本发明实施例的切削力数据分割与裁剪的结果图；
图4为本发明实施例的切削力数据长度变换前后对比图；
图5为本发明实施例中使用X方向切削力数据进行模型训练获得的加工表面粗糙度预测值与实际值对比图；
图6为本发明实施例中使用Y方向切削力数据进行模型训练获得的加工表面粗糙度预测值与实际值对比图；
图7为本发明实施例中使用Z方向切削力数据进行模型训练获得的加工表面粗糙度预测值与实际值对比图。
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，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明方法流程示意图。本发明实施例中以数控铣削加工为对象，零件的加工特征为矩形槽；在另外的实施中，加工方式还可以为车削、钻削、锯切、磨、镗、冲压等；零件的加工特征也可以拓展为其他直线特征、曲线特征、曲面特征等。
本发明提供了一种数控加工表面粗糙度预测方法，包括以下步骤：
S1、进行加工实验，采集加工过程中的三向切削力信号数据并进行裁剪与分割，获取各个样本的三向切削力信号数据，并在加工完成后利用粗糙度测量仪器获得加工表面粗糙度数值；
需要说明的是，进行加工实验需要设计实验参数，主要包括主轴转速、进给速度、切削深度等，同时需要确定零件加工特征的尺寸。
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分别为主轴转速(3000～12000r/min)、进给速度(175～350mm/min)和切深(0.2mm～2.5mm)；在本实施例中，以主轴转速、进给量和切深为三因素，主轴转速这一因素设计了10个水平。进给速度这一因素设计了8个水平，切深这一因素设计了7个水平，进行全面实验，加工4块工件，每块工件正反面各加工70个样本，共计560个实验样本；
在本实施例中，零件的加工特征为矩形槽，尺寸大小为9*4mm2，其中槽长为9mm，槽宽与铣刀直径一致，为4mm；槽深由切削深度决定。
在本实施例中，对数控加工采集的过程数据主要是切削力数据，通过外置传感器进行采集；切削力数据采集具体细节为：将测力仪安装再转接板底板上，利用虎钳将转接板底板进行加紧，从而将测力仪固定在铣削工作台上。再将转接板上板与测力仪上表面进行连接，将工件装夹在转接板上板，从而完成整个加工装夹的布置。测力仪的采样频率设置为5KHz，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加工进给方向Fx、进给垂直方向Fy、主轴方向所受到的切削力Fz。
在完成加工实验后，需要使用粗糙度测量仪器对加工表面粗糙度进行测量，从而获得加工表面粗糙度数值。在本实施例中，采用的是白光干涉仪对加工表面进行测量，以Ra作为表面粗糙度评判标准。
需要说明的是，在完成数据采集后，由于采集的连续性和样本加工的断续性，需要对采集到的加工过程数据进行裁剪与分割才能获得每个样本单独的加工过程数据。
在本实施例中具体为：如图2所示，首先要对加工过程数据进行裁剪，去除刚开始未切削主轴空转时的切削力数据，对于加工开始点的寻找策略为分为两步，第一，从数据首端开始，寻找切削力大于5N的数据点(考虑到未切削时切削力基本为0，切削后切削力大于10N，故设置5N为力阈值)；第二，找到第一个切削力大于5N的数据点之后，还要保证此后200个数据点的切削力均值也大于5N(避免切削力波动导致的误判，因此加上时间阈值)。对于加工结束点的寻找策略则相似，第一，从数据尾端开始，寻找切削力大于5N的数据点；第二，继续从后往前判断200个数据点的切削力均值是否也大于5N。在完成数据裁剪之后，需要对数据进行分割。
在本实施例中，加工7个样本为一组，因此一次切削力数据包含7个样本，需要逐一分割。将加工开始点作为第一个样本的起点，利用5N这一力阈值和200个点作为时间阈值，寻找当前样本的终点。完成当前样本的分割之后，进行下一个样本起点和终点的寻找，直至样本终点和加工结束点重合，则表明数据分割完成，从而获得各样本的加工过程数据。
如图3所示，本发明中使用的数据裁剪和分割方法能够准确地将各个样本区分开来，对理论数据点和分割数据点之间的偏差进行计算，样本分割率准确率能达到98％。
S2、采用时间序列降维算法对步骤S1中获得的三向切削力信号数据进行数据长度变换，得到长度一致的三向切削力数据；
需要说明的是，直接使用切削力信号数据作为神经网络模型的输入，可以跳过对切削力信号进行特征提取的工作，减少人为干预的程度，并最大程度地利用加工过程信号数据进行加工质量的预测。由于神经网络模型对输入数据要求格式一致，而在实际加工过程中，进给速度不同会造成加工时间的差异，进而导致切削力信号数据的长度不一致，因此需要先对输入数据进行统一长度操作。
在本实施例中，进给速度最大的为350mm/min，在样本长度为9mm、测力仪采样频率为5KHZ的情况下，理论的采样点数大约为7700个；进给速度最小为175mm/min，理论的采样点数大约为15000个。本实施例中采用时间序列降维算法(LTTB)对不同样本进行降采样，统一长度为7225个数据点。
如图(4)所示，(a)为降采样前的切削力数据，(b)为降采样后的切削力数据，可以看到，降采样前的切削力数据为13729个数据点，降采样后的切削力数据变成设定的7225个数据点，满足了数据长度统一的要求。对降采样前后波形的对比可以发现，使用时间序列降维(LTTB)算法对切削力数据长度进行统一的同时，能够保留原始信号数据的基本特征。时间序列降维(LTTB)算法公式如下：
Figure BDA0004093090180000061
/>
其中，
Figure BDA0004093090180000062
为长度不同的三向切削力数据；/>
Figure BDA0004093090180000063
为长度一致的三向切削力数据；i为样本个数。
S3、分别以步骤S2中所述的长度一致的三向切削力数据为特征向量，和步骤S1中所述的加工表面粗糙度数值为标签值，进行数据合并，形成三组预测数据集；
在传统方法中，一般将三向切削力数据提取特征后，作为整体输入到神经网络模型中，进行加工质量的预测。
本发明直接使用切削力原始数据作为输入，并将三个方向的切削力数据作为三组预测数据的特征向量，一方面可以减少三个方向合并后的数据维度爆炸的问题，另一方面可以通过三组预测数据在相同卷积神经网络下的预测结果，分析与加工表面粗糙度最相关的切削力方向。
需要说明的是，直接利用切削力数据构建预测数据集的特征向量，减少了对切削力数据进行特征提取的工作，即无需提取包括均值、方差、峭度、偏度等在内的时域特征、包括重心频率、中心频率等在内的频域特征以及包括小波包特征在内的时频域特征。同时，直接利用切削力数据构建预测数据集的特征向量，可以完全利用切削力数据，避免对切削力数据进行特征提取后的信息缺失。
在本实施例中，采用(0，1)归一化对三个方向的切削力原始数据所形成的特征向量进行归一化处理，，其具体公式为：
Figure BDA0004093090180000071
其中，Max和Min分别为对应特征在所有特征向量中的最大值和最小值；
S4、搭建卷积神经网络预测模型，将步骤S3中所述的三组预测数据集分别划分成训练集和测试集两部分，进行模型训练与结构评价，筛选出预测准确率最高的切削力方向和卷积神经网络预测模型；
在本实施例中，利用MATLAB的深度学习工具箱搭建CNN模型，该模型为N+2层结构，其中第1层为模型的输入层，第2到第N+1层为中间隐含层，第N+2层为模型的输出层。在本实施例中，CNN模型总共有36层，中间隐含层为34层。
CNN模型的损失函数设置为交叉熵：
Figure BDA0004093090180000072
式中，M为类别数量，N为样本数，c表示类别c，yic表示类别c如果与样本i相同，则yic＝1，否则为0，pic表示观测样本i属于类别c的预测概率值。
隐含层的激活函数使用RELU：
Figure BDA0004093090180000073
式中，x为节点的输入值。
输出层节点为1，输出层的激活函数使用softmax函数
Figure BDA0004093090180000081
式中，ei表示第i个输出节点的输入值，∑jej表示所有输出节点的输入值的和，Si表示经过softmax计算后的输出结果。
在本实施例中，加工样本数为560个，剔除掉切削力采集失效的样本之后，剩余有效样本557个。按照训练集样本数量占比为80％，测试集样本数量占比为20％进行划分训练集和测试机；在其他一些实施例中，还可以根据样本的数量和实际的预测任务要求调整训练集和测试集的样本比例，例如：训练集样本数量占比为70％，测试集样本数量为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，有效样本数量为557个，训练集样本数量为557*0.80＝445，测试集样本数量为557*0.20＝112。
将三组预测数据集划分为三组训练集和测试集，将对应的训练集和测试集数据输入至搭建好的CNN模型中，对模型参数进行调试并训练模型。在本实施例中，CNN模型的主要参数有：梯度下降算法，设置为adam；每次训练的样本个数MiniBatchSize，设置为4；最大训练周期数MaxEpochs，设置为1000；初始学习率InitialLearnRate，设置为0.5e-5；学习率下降因子LearnRateDropFactor，设置为0.5；学习率下降周期LearnRateDropPeriod，设置为200。本实施例使用的计算硬件为GPU，型号为NVIDIAGeForce RTX 3060 12G。
模型训练完成后，需要对测试集数据进行预测并评价。在本实施例中使用的评价指标主要有均方根误差(RMSE)、平均绝对误差(MAE)以及预测准确率(Acc)。三者的计算公式如下：
Figure BDA0004093090180000082
Figure BDA0004093090180000091
Figure BDA0004093090180000092
其中，m为测试集中的样本个数；yi为测试集中的标签值，
Figure BDA0004093090180000093
为预测模型给出的预测值。
均方根误差表示预测值和观测值之间的差异(残差)的样本标准差，在评价预测效果时，RMSE越小越好；平均绝对误差表示预测值和观测值之间绝对误差的平均值，由于它是对残差直接计算平均，因而作为一种线性评价指标，所有个体差异在平均值上的权重都相等，对于该指标，MAE也是越小越好。预测准确率则是用1减去残差与观察值的商，它引入了观察值做分母，将预测准确率划定在0-1的范围，数值越大，预测越准确，模型训练的效果越好。
S5、利用筛选后的卷积神经网络预测模型进行粗糙度预测。
图5、图6和图7为本发明实施例的使用X、Y、Z三个方向的切削力原始数据作为预测数据集的特征向量时，训练模型后获得的加工表面粗糙度预测值与实际值的对比图。当以实际值为横坐标，预测值为纵坐标时，图中直线表示y＝x，因此图中的点越聚集在直线附近，则表示预测值和实际值越接近，预测的效果也越好。
在本实施例中，使用X、Y、Z三组切削力数据作为输入数据进行训练的模型，RMSE分别为：0.0997，0.0703，0.07867；MAE分别为0.0628，0.0527，0.0594；Acc分别为83.0％，86.9％，83.2％。结合图5-7，可以得出在本实施例中，直接使用切削力数据作为输入进行加工表面粗糙度预测均有80％以上的预测准确率。其中，Y方向的切削力数据是与加工表面粗糙度预测最为相关的切削力方向，Z方向的切削力次之，而使用X方向的切削力数据作为输入进行加工表面粗糙度预测的准确率最低。
综合来看，本发明的有益效果是：
1、一方面，不进行对加工过程数据的特征提取工作，减少人为干预，提高预测过程的智能化程度；同时可以减少工作量，提高预测效率进而促进生产效率的提升。另一方面，将切削力原始数据全部应用于粗糙度预测，可以实现加工过程数据的高效利用并提高预测准确率；
2、由于加工参数中的进给速度不同，以及对采集的加工过程数据进行的裁剪与分割操作，各个样本的加工过程数据长度并不一致，需要对其进行长度变换，本发明将时间序列降维算法用于加工过程数据的降采样，从而获得长度一致的加工过程数据，并形成预测数据集；
3、使用本发明提出的预测方法能够对数控加工表面粗糙度进行准确预测，并利用传感器采集到的加工过程数据实现数控加工在线实时状态检测和加工质量预测，分析与加工质量最相关的切削力方向，帮助生产人员更及时、直观地观察加工质量变化，为零件的生产提供指导意见，减少测量仪器的使用，提高生产效率与零件质量，并提高预测的智能化程度；进一步地，本发明提出的方法易于集成到数控机床系统中，方便生产人员使用。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数控加工表面粗糙度预测方法，其特征在于：包括以下步骤：
S1、进行加工实验，采集加工过程中的三向切削力信号数据并进行裁剪与分割，获取各个样本的三向切削力信号数据，并在加工完成后利用粗糙度测量仪器获得加工表面粗糙度数值；
S2、采用时间序列降维算法对步骤S1中获得的三向切削力信号数据进行数据长度变换，得到长度一致的三向切削力数据；
S3、分别以步骤S2中所述的长度一致的三向切削力数据为特征向量，和步骤S1中所述的加工表面粗糙度数值为标签值，进行数据合并，形成三组预测数据集；
S4、搭建卷积神经网络预测模型，将步骤S3中所述的三组预测数据集分别划分成训练集和测试集两部分，进行模型训练与结构评价，筛选出预测准确率最高的切削力方向和卷积神经网络预测模型；
S5、利用筛选后的卷积神经网络预测模型进行粗糙度预测。
2.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：步骤S1中所述的三向切削力数据分别为加工进给方向切削力数据Fx、进给垂直方向切削力数据Fy和主轴方向切削力数据Fz。
3.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：所述裁剪与分割采用自定义阈值法进行。
4.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：所述加工表面粗糙度数值采用在一个取样长度中，相对于平均线的Z向偏差量的绝对值的算术平均值。
5.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：所述时间序列降维算法在保证三向切削力数据特征不变的情况下，使其长度保持一致。
6.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：步骤S3中，所述数据合并具体指：直接以切削力数据为特征向量，以粗糙度数值为标签值，形成预测数据集；使用不同方向的切削力数据作特征向量获得不同的预测数据集。
7.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：所述卷积神经网络预测模型为K+2层结构，其中第1层为模型的输入层，第2到第N+1层为中间隐含层，第K+2层为模型的输出层；其中K为预设值。
8.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：
所述卷积神经网络预测模型的损失函数设置为交叉熵：
Figure FDA0004093090160000021
式中，M为类别数量，N为样本数，c表示类别，yic表示类别c如果与样本i相同，则yic＝1，否则为0，pic表示观测样本i属于类别c的预测概率值。
9.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于：所述卷积神经网络预测模型的隐含层的激活函数使用RELU激活函数；输出层的激活函数使用softmax函数。
10.如权利要求1所述的一种数控加工表面粗糙度预测方法，其特征在于，利用相同的卷积网络模型对不同的预测数据集进行模型训练和粗糙度预测，对比结果分析与加工表面粗糙度预测最相关的切削力方向，并获得相应的预测模型。
CN202310157771.0A 2023-02-23 2023-02-23 一种数控加工表面粗糙度预测方法 Pending CN116186499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310157771.0A CN116186499A (zh) 2023-02-23 2023-02-23 一种数控加工表面粗糙度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310157771.0A CN116186499A (zh) 2023-02-23 2023-02-23 一种数控加工表面粗糙度预测方法

Publications (1)

Publication Number Publication Date
CN116186499A true CN116186499A (zh) 2023-05-30

Family

ID=86436262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310157771.0A Pending CN116186499A (zh) 2023-02-23 2023-02-23 一种数控加工表面粗糙度预测方法

Country Status (1)

Country Link
CN (1) CN116186499A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578832A (zh) * 2023-07-13 2023-08-11 兰州理工大学 预测机械加工零件表面粗糙度的装置
CN116954155A (zh) * 2023-08-25 2023-10-27 清华大学 数控加工零件表面质量调控方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578832A (zh) * 2023-07-13 2023-08-11 兰州理工大学 预测机械加工零件表面粗糙度的装置
CN116578832B (zh) * 2023-07-13 2023-09-12 兰州理工大学 预测机械加工零件表面粗糙度的装置
CN116954155A (zh) * 2023-08-25 2023-10-27 清华大学 数控加工零件表面质量调控方法、装置、设备及介质
CN116954155B (zh) * 2023-08-25 2024-01-26 清华大学 数控加工零件表面质量调控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Xu et al. Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism
Zhu et al. Online tool wear monitoring via hidden semi-Markov model with dependent durations
CN116186499A (zh) 一种数控加工表面粗糙度预测方法
Yang et al. Research on the milling tool wear and life prediction by establishing an integrated predictive model
TWI481978B (zh) 工具機之加工品質的預測方法
CN111366123B (zh) 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法
CN108154187B (zh) 一种基于振动信号的深孔啄钻加工质量检测方法
Fernández-Robles et al. Use of image processing to monitor tool wear in micro milling
CN101963802B (zh) 批次制程的虚拟量测方法与系统
CN112766182A (zh) 一种拉削刀具磨损状态识别方法
Kozłowski et al. Integrating advanced measurement and signal processing for reliability decision-making
CN112475410A (zh) 一种铣削温度与多元影响因子的关联分析系统及方法
Ren et al. Online milling chatter identification using adaptive Hankel low-rank decomposition
CN101780488B (zh) 内螺纹冷挤压加工质量在线预测方法
CN116307938B (zh) 一种加工中心进给系统健康状态评估方法
Seevers et al. Automatic detection of manufacturing equipment cycles using time series
Jing et al. Stability analysis in micro milling based on p‑leader multifractal method
CN115422978A (zh) 一种工件表面粗糙度预测方法
Jin et al. Milling process stability detection for curved workpiece based on MVMD and LSTM
CN114310483B (zh) 一种数控加工尺寸误差预测方法
CN112475904B (zh) 一种基于热分析的数控铣镗床加工精度预测方法
Zheng et al. Tool wear prediction with external signals based on lightweight deep learning model
Fan et al. Research on tool wear modeling of superalloy based on evolutionary cluster analysis
Xu et al. CapsFormer: A Novel Bearing Intelligent Fault Diagnosis Framework with Negligible Speed Change under Small-Sample Conditions
Di et al. Tool Fault Diagnosis Method Based on Multiscale-Channel Attention Network

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