CN116619135A - 一种基于功率信号的刀具磨破损自适应监测方法及系统 - Google Patents
一种基于功率信号的刀具磨破损自适应监测方法及系统 Download PDFInfo
- Publication number
- CN116619135A CN116619135A CN202310324834.7A CN202310324834A CN116619135A CN 116619135 A CN116619135 A CN 116619135A CN 202310324834 A CN202310324834 A CN 202310324834A CN 116619135 A CN116619135 A CN 116619135A
- Authority
- CN
- China
- Prior art keywords
- cutter
- self
- power signal
- grinding damage
- adaptive
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000227 grinding Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 56
- 238000005299 abrasion Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000003754 machining Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- B23Q17/0961—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 by measuring power, current or torque of a motor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于功率信号的刀具磨破损自适应报警方法及系统,利用实时功率信号采集系统,反应机床在切削过程中功率信号随着刀具磨破损所反映在幅值上的变化,自适应监测刀具磨破损状况;利用自适应报警系统,建立刀具磨破损动态报警线,对比实时信号与报警线的差异,实现刀具磨破损自适应监测。本发明在刀具动态切削过程中实现刀具磨破损的自适应监测,同时建立了自适应报警算法的评价标准,能够实时监测刀具的磨破损状态,具有较高的便捷性和显著的经济性,同时信号稳定,操作方便,安全可靠。
Description
技术领域
本发明属于智能监测领域,具体涉及一种基于功率信号的刀具磨破损自适应监测方法及系统。
背景技术
刀具作为机械制造中最常用的一种工具,在精密加工中发挥着重要的作用。在数控铣削过程中,刀具的磨损和破损是数控机床常见的故障之一。刀具磨破损对机床主轴能耗影响很大,同时与零件的加工质量直接相关。相关的研究结果表明,刀具磨损是刀具失效的根本原因,刀具故障引起的维护费用占生产货物成本的15%~40%,而刀具故障引起的停机时间约占刀具总停机时间的20%。因此,对刀具状态的实时监测就显得十分关键。
刀具磨破损监测一直是自动化加工中非常关键的技术。它是实现生产过程自动化、无人化、保证产品质量、提高生产效率、减少设备故障的重要手段。但是由于实际切削过程中环境恶劣、刀具和工件多样性、采集数据离散大等因素,使得实际监测存在很大的困难。
刀具磨破损监测方法有很多,根据刀具磨损量检测原理的不同,刀具磨损监测主要分为直接监测和间接监测。直接监测是指通过识别切削刃几何形状、表面质量或测量刀具切削刃参数的变化来判断磨损状态,如光学测量法、电阻测量法、计算机图像处理法等;间接监测法监测的不是刀具本身,而是与刀具本身相关的信号,如切削力、声发射、振动、电流和功率信号等。根据切削过程中信号的变化,获取加工刀具状态信息。值得注意的是,虽然间接监测法构建模型难度较大,准确率低于直接法,但其使用的传感器易于安装,可实时在线监测,检测成本较低。因此,间接法在过去几年被广泛应用于刀具磨损监测。其中功率信号监测传感器安装方便,一般不影响机床加工,信噪比较高,为此功率监测方法成为本文选用的主要方法。
发明内容
本发明的目的在于克服直接监测法监测成本高和不便于实时监测的不足,提出一种基于功率信号的刀具磨破损自适应监测方法及系统,该方法构造了自适应报警算法,能实现刀具磨破损的自适应监测,降低了对使用者自身经验的要求。
在提出基于功率信号的刀具磨破损自适应监测方法前,本发明先提出了自适应报警系统。详细阐述如下:
1)刀具在切削状态下,对刀具驱动电机的电流信号和电压信号进行等时间间隔采样(电网频率50Hz,周期为20ms,采样频率为M×50,M可取为32、64、128、256)。
2)对步骤1)顺次采集到的M个电压值Ut,Ut+1,...,UM-1及对应电流信号值It,It+1,...,IM-1,计算t时刻的平均功率Pt。
3)以M整除10的值滑动t时刻位置,重复步骤2)。
4)根据步骤3)顺次获得的K(K≥60)个平均功率信号预处理得到功率的训练数据集T={X1,X2,…,XK},对训练数据集T提取一阶差分特征,即得到功率的特征训练集S={Y1,Y2,…,YK}。
5)训练集S的概率密度f(Y)导出为:
在其分布为高斯分布的假设下,训练集S的均值m和标准差h为:
根据拉伊达准则,设定训练集S初始阈值P1,λ为控制上下限的参数其上下限分别表示为P1_up和P1_low为:
P1_up=m+λ*h
P1_low=m-λ*h
6)对训练数据集T的所有数据按升序排序得到数据集Z={Z1,Z2,…,ZM},计算数据集Z的第一分位数Q1和第三分位数Q3表示为:
由上可知,训练数据集Z的四分位距IQR导出为:
根据多倍分位距原理确定训练数据集T的初始阈值P2,α为人工选取的经验参数,其上下限分别表示为P2_up和P2_low,其确定方式如下:
P2_up=Q3+α*IQR
P2_low=Q1-α*IQR
7)随着运行时间的推移,利用P2,和P1,分别判断第K+1的Xk+1和Yk+1是否超出界限;
自适应报警系统的工作方法如下,训练集S中Yk+1在阈值P1_up和P1-low之内时,系统判定为正常状态;训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low之外时,系统判定为报警状态。
为了达到上述目的,本发明采取的技术方案为:
一种基于功率信号的刀具磨破损自适应监测方法,利用实时功率信号采集系统,反应机床在切削过程中功率信号随着刀具磨破损所反映在幅值上的变化,动态识别刀具磨破损状况;利用自适应报警系统,建立功率信号的动态报警线,对比实时功率信号与报警线间的差异,实现刀具磨破损自适应监测。
优选的:所述自适应报警系统,包括以下步骤:
1)刀具在切削状态下,对刀具驱动电机的电流信号和电压信号进行等时间间隔采样(电网频率50Hz,周期为20ms,采样频率为M×50,M可取为32、64、128、256)。
2)对步骤1)顺次采集到的M个电压值Ut,Ut+1,...,UM-1及对应电流信号值It,It+1,...,IM-1,计算t时刻的平均功率Pt。
3)以M整除10的值滑动t时刻位置,重复步骤2)。
4)根据步骤3)顺次获得的K(K≥60)个平均功率信号预处理得到功率的训练数据集T={X1,X2,…,XK},对训练数据集T提取一阶差分特征,即得到功率的特征训练集S={Y1,Y2,…,YK}。
5)训练集S的概率密度f(Y)导出为:
在其分布为高斯分布的假设下,训练集S的均值m和标准差h为:
根据拉伊达准则,设定训练集S初始阈值P1,λ为控制上下限的参数其上下限分别表示为P1_up和P1_low为:
P1_up=m+λ*h
P1_low=m-λ*h
6)对训练数据集T的所有数据按升序排序得到数据集Z={Z1,Z2,…,ZM},计算数据集Z的第一分位数Q1和第三分位数Q3表示为:
由上可知,训练数据集Z的四分位距IQR导出为:
根据多倍分位距原理确定训练数据集T的初始阈值P2,α为人工选取的经验参数,其上下限分别表示为P2_up和P2_low,其确定方式如下:
P2_up=Q3+α*IQR
P2_low=Q1-α*IQR
7)随着运行时间的推移,利用P2,和P1,分别判断第K+1的Xk+1和Yk+1是否超出界限;
重复步骤4)至步骤7),按时间的变化情况绘出曲线,进行刀具磨破损趋势分析。
自适应报警系统的工作方法包括:训练集S中Yk+1在阈值P1_up和P1-low之内时,系统判定为正常状态;训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low之外时,系统判定为报警状态。
优选的:所述实时功率信号采集系统,通过对采集的三相电压、电流信号的计算,得到平均功率信号;具体包括以下步骤:
1)将含数据采集器的硬件系统串联到刀具驱动电机和电源之间,利用该硬件系统采集电压、电流信号,并计算实时功率信号;
2)将标准功率时间序列保存入硬件系统,作为训练数据集;
3)系统开始周期性采集、存储整个切削过程的功率信号。
一种基于功率信号的刀具磨破损自适应监测系统,包括自适应报警系统和实时功率信号采集系统,通过对比实时信号与报警线的差异,实现刀具磨破损自适应监测。
与现有技术相比,本发明的有益效果是:
本发明在刀具在切削过程的情况下做到了刀具磨破损的自适应监测,同时建立了基于自适应报警算法的评价标准,能够实时监测刀具的磨破损状态,填补了基于功率信号的刀具磨破损自适应监测方法的空白。相较于现有的刀具磨破损监测,该方法具有较高的便捷性和显著的经济性,同时信号稳定,操作方便,安全可靠。
附图说明
图1为本发明实施刀具磨破损自适应监测的流程图。
图2为本发明实施例三相交流电实时功率计算程序框图。
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。
请参阅图1~2,本发明实施例中,一种基于功率信号的刀具磨破损自适应监测方法,利用实时功率信号采集系统,反应机床在切削过程中功率信号随着刀具磨破损所反映在幅值上的变化,自适应监测刀具磨破损状况;利用自适应报警系统,建立刀具磨破损动态报警线,对比实时信号与报警线的差异,实现刀具磨破损自适应监测。
所述自适应报警系统,具体包括如下步骤:
1)刀具在切削状态下,对刀具驱动电机的电流信号和电压信号进行等时间间隔采样(电网频率50Hz,周期为20ms,采样频率为M×50,M可取为32、64、128、256);
2)对步骤1)顺次采集到的M个电压值Ut,Ut+1,...,UM-1及对应电流信号值It,It+1,...,IM-1,计算t时刻的平均功率Pt;
3)以M整除10的值滑动t时刻位置,重复步骤2);
4)根据步骤3)顺次获得的K(K≥60)个平均功率信号预处理得到功率的训练数据集T={X1,X2,…,XK},对训练数据集T提取一阶差分特征,即得到功率的特征训练集S={Y1,Y2,…,YK};
5)训练集S的概率密度f(Y)导出为:
在其分布为高斯分布的假设下,训练集S的均值m和标准差h为:
根据拉伊达准则,设定训练集S初始阈值P1,λ为控制上下限的参数其上下限分别表示为P1_up和P1_low为:
P1_up=m+λ*h
P1_low=m-λ*h
6)对训练数据集T的所有数据按升序排序得到数据集Z={Z1,Z2,…,ZM},计算数据集Z的第一分位数Q1和第三分位数Q3表示为:
由上可知,训练数据集Z的四分位距IQR导出为:
根据多倍分位距原理确定训练数据集T的初始阈值P2,α为人工选取的经验参数,其上下限分别表示为P2_up和P2_low,其确定方式如下:
P2_up=Q3+α*IQR
P2_low=Q1-α*IQR
7)随着运行时间的推移,利用P2,和P1,分别判断第K+1的Xk+1和Yk+1是否超出界限;
重复步骤4)至步骤7),按时间的变化情况绘出曲线,进行刀具磨破损趋势分析。
所述自适应报警系统的工作方法:训练集S中Yk+1在阈值P1_up和P1_low之内时,系统判定为正常状态;训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1_low之外,且训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1_low之外,且训练集S中Xk+1在阈值P2_up和P2_low之外时,系统判定为报警状态。
所述实时功率信号采集系统,通过对采集的三相电压、电流信号的计算,得到平均功率信号;具体包括以下步骤:
1)将含数据采集器的硬件系统串联到机床和电源之间,利用该硬件系统采集电压、电流信号,并计算实时功率信号;
2)将标准功率时间序列保存入硬件系统,作为训练数据集;
3)系统开始周期性采集、存储整个切削过程的功率信号。
一种基于功率信号的刀具磨破损自适应监测系统,包括自适应报警系统和实时功率信号采集系统,通过对比实时信号与报警线的差异,实现刀具磨破损自适应监测。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (5)
1.一种基于功率信号的刀具磨破损自适应监测方法,其特征在于,利用实时功率信号采集系统,反应机床在切削过程中功率信号随着刀具磨破损所反映在幅值上的变化,自适应监测刀具磨破损状况;利用自适应报警系统,建立刀具磨破损动态报警线,对比实时信号与报警线的差异,实现刀具磨破损自适应监测。
2.根据权利要求1所述的一种基于功率信号的刀具磨破损自适应监测方法,其特征在于,所述自适应报警系统,具体包括以下步骤:
1)刀具在切削状态下,对刀具驱动电机的电流信号和电压信号进行等时间间隔采样(电网频率50Hz,周期为20ms,采样频率为M×50,M可取为32、64、128、256);
2)对步骤1)顺次采集到的M个电压值Ut,Ut+1,...,UM-1及对应电流信号值It,It+1,...,IM-1,计算t时刻的平均功率Pt:
3)以M整除10的值滑动t时刻位置,重复步骤2);
4)根据步骤3)顺次获得的K(K≥60)个平均功率信号预处理得到功率的训练数据集T={X1,X2,…,XK},对训练数据集T提取一阶差分特征,即得到功率的特征训练集S={Y1,Y2,…Ω,YK};
5)训练集S的概率密度f(Y)导出为:
在其分布为高斯分布的假设下,训练集S的均值m和标准差h为:
根据拉伊达准则,设定训练集S初始阈值P1,λ为控制上下限的参数其上下限分别表示为P1_up和P1_low为:
P1_up=m+λ*h
P1_low=m-λ*h
6)对训练数据集T的所有数据按升序排序得到数据集Z={Z1,Z2,…,ZM},计算数据集Z的第一分位数Q1和第三分位数Q3表示为:
由上可知,训练数据集Z的四分位距IQR导出为:
根据多倍分位距原理确定训练数据集T的初始阈值P2,α为人工选取的经验参数,其上下限分别表示为P2_up和P2_low,其确定方式如下:
P2_up=Q3+α*IQR
P2_low=Q1-α*IQR
7)随着运行时间的推移,利用P2,和P1,分别判断第K+1的Xk+1和Yk+1是否超出界限;
8)重复步骤4)至步骤7),按时间的变化情况绘出曲线,进行刀具磨破损趋势分析。
3.根据权利要求2所述的自适应报警系统的工作方法,其特征在于:训练集S中Yk+1在阈值P1_up和P1-low之内时,系统判定为正常状态;训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low,之内时,系统判定为正常状态;Yk+1在阈值P1_up和P1-low之外,且训练集S中Xk+1在阈值P2_up和P2_low之外时,系统判定为报警状态。
4.根据权利要求1所述的一种基于功率信号的刀具磨破损自适应监测方法,其特征在于,所述实时功率信号采集,通过对采集的三相电压、电流信号的计算,得到若干个周期内的平均功率信号;具体包括以下步骤:
1)将含数据采集器的硬件系统串联到刀具驱动电机和电源之间,利用该硬件系统采集电压、电流信号,并计算实时功率信号;
2)将标准功率时间序列保存入硬件系统,作为训练数据集;
3)系统开始周期性采集、存储整个切削过程的功率信号。
5.一种基于功率信号的刀具磨破损自适应监测系统,其特征在于,包括自适应报警系统和实时功率信号采集系统,通过对比实时信号与报警线的差异,实现刀具磨破损自适应监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324834.7A CN116619135A (zh) | 2023-03-24 | 2023-03-24 | 一种基于功率信号的刀具磨破损自适应监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324834.7A CN116619135A (zh) | 2023-03-24 | 2023-03-24 | 一种基于功率信号的刀具磨破损自适应监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116619135A true CN116619135A (zh) | 2023-08-22 |
Family
ID=87615902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324834.7A Pending CN116619135A (zh) | 2023-03-24 | 2023-03-24 | 一种基于功率信号的刀具磨破损自适应监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116619135A (zh) |
-
2023
- 2023-03-24 CN CN202310324834.7A patent/CN116619135A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109909804B (zh) | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 | |
CN110587377B (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN109396953A (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
CN108614522B (zh) | 数控机床服役过程主轴系统能量效率在线监测方法 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
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 | |
CN111774931A (zh) | 数控车削批量加工刀具磨损在线监测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN113146359A (zh) | 一种智能监测和诊断切削状态的数控机床控制系统 | |
CN111300148A (zh) | 一种电流信号监测刀具磨损的方法 | |
CN113894617A (zh) | 一种基于机床振动信号的刀具状态监测系统及方法 | |
CN114800040B (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
CN109725599A (zh) | 一种数控机床能效在线监测方法 | |
Li et al. | Tool breakage detection using deep learning | |
CN113608482A (zh) | 一种精密加工刀具智能监控方法、系统及管理系统 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN115263680A (zh) | 一种结合tf-idf和lstm模型的变桨电机异常温升预警方法 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN116690313B (zh) | 一种飞机结构件腹板加工刀具失效监控方法 | |
CN111308960B (zh) | 一种负载监控方法及系统 | |
CN116619135A (zh) | 一种基于功率信号的刀具磨破损自适应监测方法及系统 | |
CN112835326B (zh) | 一种大型铸锻件加工智能化方法及系统 |
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 |