CN117428572A - 一种机床振动时域信号图像化处理的刀具磨损预测方法 - Google Patents
一种机床振动时域信号图像化处理的刀具磨损预测方法 Download PDFInfo
- Publication number
- CN117428572A CN117428572A CN202311274380.3A CN202311274380A CN117428572A CN 117428572 A CN117428572 A CN 117428572A CN 202311274380 A CN202311274380 A CN 202311274380A CN 117428572 A CN117428572 A CN 117428572A
- Authority
- CN
- China
- Prior art keywords
- vibration
- machine tool
- time domain
- image
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005299 abrasion Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000003384 imaging method Methods 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 14
- 238000007514 turning Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- B23Q17/0971—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 mechanical vibrations of parts of the machine
-
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机床振动时域信号图像化处理的刀具磨损预测方法,涉及预测性维护系统,包括:采集机床振动的时域信号数据;通过傅里叶变换将时域信号转换为频率不同的正弦波频域信号;分析正弦波频域信号获取相应的振动幅值以及相位,将正弦波频域信号转换为振动图像点,再将同一时刻振动图像点数据转换为振动矩阵,组成同一时刻具有机床完整振动信息的振动图像;通过卷积神经网络对振动图像进行特征提取,同时通过改进POWELL算法对卷积神经网络进行模型训练;将检测结果进行输出以获取刀具磨损的数据并进行预测性分析。
Description
技术领域
本发明涉及预测性维护系统技术领域,特别涉及一种机床振动时域信号图像化处理的刀具磨损预测方法。
背景技术
在数控机床主轴刀具加工零件的过程中,刀具的磨损程度是影响零件成品率的关键因素。目前,各企业在生产加工过程中解决刀具磨损、破损、断刀等问题主要依赖人工经验。然而,这种方式存在问题,因为企业无法准确预测设备何时会发生故障,尤其是主轴刀具的磨损或断刀,从而导致巨大损失。因此,迫切需要开发一种机床刀具磨损预测性维护系统以预测机床刀具寿命以便及时进行维护。
文献号为CN202011076025.1的中国专利,公开了一种基于并行深度神经网络的数控机床刀具磨损状态预测方法,通过在数控机床工作台及夹具上安装测力计、加速度传感器和声传感器;进行铣削加工实验,采集铣削加工过程的切削力、振动和声信号,得到多传感器数据,并采集刀具的磨损量;预处理得到训练数据和待测试数据;建立并行深度神经网络模型;将处理好的训练数据及刀具磨损量标签输入到并行深度神经网络中离线训练模型;将待测试多传感器数据传入训练好的模型中,在线实时预测刀具的磨损量,但此种方法存在每次训练都以相同的数据集顺序传入网络模型中,在设定程度上容易过度拟合且收敛速度往往很慢,为了计算效率,往往需要牺牲实时性作为代价。
发明内容
针对现有机床刀具磨损预测系统容易过度拟合且收敛速度往往很慢的问题,本发明提供了一种机床振动时域信号图像化处理的刀具磨损预测方法,不用计算函数梯度和算法应用方向集的概念,把求多元函数的极值问题简化为一维极值问题,可以加快函数收敛,具体技术方案如下:
本发明一方面提供了一种机床振动时域信号图像化处理的刀具磨损预测方法,具体如下:采集机床振动的时域信号数据;
通过傅里叶变换将时域信号转换为频率不同的正弦波频域信号;
分析正弦波频域信号获取相应的振动幅值以及相位,将正弦波频域信号转换为振动图像点,再将同一时刻振动图像点数据转换为振动矩阵,组成同一时刻具有机床完整振动信息的振动图像;
通过卷积神经网络对振动图像进行特征提取,同时通过改进POWELL算法对卷积神经网络进行模型训练;
卷积神经网络处理后的振动图像转化为刀具磨损检测结果进行输出,根据刀具磨损检测结果获取刀具磨损的数据并进行预测性分析。
采集机床振动时域信号数据,包括:通过安装在刀塔上面的固定位置处的三轴加速度传感器对刀具振动信号进行采集,三轴加速度传感器采集电荷信号后通过滤波放大器进行滤波和运算放大后输出正弦波频域信号。
所述正弦电压信号通过多工况全息智能信号处理器AIC8660-900处理后采用TCP/IP通讯传输到上位软件中,上位软件将时域信号转换为频率不同的正弦波频域信号进行分析,通过分析正弦波频域信号获取相应的振动幅值与频率,进一步将正弦波频域信号转换为图像信号。。
所述卷积神经网络对振动图像进行归一化处理。
卷积神经网络对振动图像进行的特征提取包括:水平或垂直翻转振动图像、随机角度旋转振动图像、比例缩放振动图像、随机剪裁振动图像、位移振动图像、对振动图像添加高斯噪声、对振动图像颜色增强。
所述卷积神经网络通过卷积核以设定的步长在所需要提取的数据上滑动对输入数据进行特征提取,池化层对特征数据值进行压缩,减少数据的维度。
改进POWELL算法对卷积神经网络进行模型训练包括:
构造出彼此共轭的方向,包括沿某一个方向的一维搜索,与沿另一个方向进行的下一轮搜索;
把优化过程分成若干个阶段,每一个阶段即每一轮迭代由n+l次一维搜索组成,在算法的每一个阶段中,先依次沿着已知的n个方向搜索,得到一个最好点,然后沿本阶段的初始点与该最好点连线的方向进行搜索,求得这一阶段的最好点;
再用最后的搜索方向取代前n个方向之一,开始下一阶段的迭代。
所述改进POWELL算法具体构造过程如下:
(1)任取n个彼此不同的初值且/>都不平行z1,允许误差ω>0,i=1,k=1;
(2)计算令/>
(3)如果i<k-1,则令i:=i+1转(2);若i=k-1,则令转(2);若这一简i=k,则转(4);
(4)若k=n,则转(5);若k<n则令k=k+1,i=i+1,转(2);
(5)若i=1,k=n,则停,否则转(6);
(6)计算
(7)若f0-2fn+f*≥2Δ,则转(2),否则转(8);
(8)令zi=zi+1(i=m~n-1),计算/>令i=1,k=n转(2)。
与现有技术相比,本发明的有益效果为:
1、本发明减少在长时间机床振动的测量过程中其他因素对数据的影响,采用增量形式记录数据;同时,也对数据进行归一化处理,减小因数据维度差距过大所带来的影响。
2、本发明将训练数据集的顺序进行随机打乱,避免每次训练都以相同的数据集顺序传入网络模型中,较大程度上缓解数据的过度拟合而丧失真实性和准确性。
3、本发明对每个图像的多个不同副本上进行训练,有利于针对同一对象的变化进行泛化,从而提高模型的泛化能力与鲁棒性,提高小样本刀具磨损的预测效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍;在所有附图中,类似的元件或部分一般由类似的附图标记标识;附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图;
图2为卷积神经网络归一化处理步骤图。
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,显然,所描述的实施例是本发明一部分实施例,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做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;
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加;
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明;如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式;
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面参照图1和图2对本发明进行进一步解释说明。
采集机床振动的时域信号数据;通过傅里叶变换将时域信号转换为频率不同的正弦波频域信号;分析正弦波频域信号获取相应的振动幅值以及相位,将正弦波频域信号转换为振动图像点,再将同一时刻振动图像点数据转换为振动矩阵,组成同一时刻具有机床完整振动信息的振动图像;通过卷积神经网络对振动图像进行特征提取,同时通过改进POWELL算法对卷积神经网络进行模型训练;卷积神经网络处理后的振动图像转化为刀具磨损检测结果进行输出,根据刀具磨损检测结果获取刀具磨损的数据并进行预测性分析。
在一些实施例中:振动采集硬件部分主要包括航天智控的科技公司的通频IEPE加速度传感器,IEPE(ICP)振动信号传感器、多工况全息智能信号处理器(AIC8660-900),预测性维护系统利用三轴加速度传感器对刀具振动信号进行采集,由于现场是加工零件动,刀具换刀时也会旋转,振动传感器需要安装在刀塔上面的固定位置处。三轴加速度传感器采集的振动信号转换为正弦电压信号输出,本质为采集电荷信号后通过滤波放大器进行滤波和运算放大后输出电压信号,通过多工况全息智能信号处理器(AIC8660-900)处理后采用TCP/IP通讯将振动信息传输到上位软件中,通过上位软件强大的信号处理能力,同时将时域信号转换为频率不同的正弦波频域信号进行分析,通过分析正弦波频域信号获取相应的振动幅值与频率,进一步将正弦波频域信号转换为图像信号。
数控机床振动场是在某一瞬间机床内各点振动分布点的总称,是时间与空间位置点分布函数,其振动分布属于非稳态振动场。采用振动场数据转换为振动图像点的方式保留了机床振动信号的完整信息;同时,利用深度学习建模方法也避免了振动测点之间的非线性与耦合问题。转化思路基于图像的数值属性,即图像由0~256数值组成。将同一时刻振动测点数据转换为振动矩阵,即组成同一时刻具有机床完整振动信息的振动图像。
卷积神经网络因其对高维度数据强大的特征提取能力,其广泛应用于图像处理领域。卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成。如图2所示为卷积神经网络的一个步骤示意图,通过卷积核以设定的步长在所需要提取的数据上滑动对输入数据进行特征提取,池化层对特征数据值进行压缩,减少数据的维度。
多参数最优化问题,首先根据具体的问题确定一个的测度,然后根据要求则定义一个适当的目标函数(Object function),最后对目标函数优化,得到结果。目标函数的性质就非常重要。理想情况下,目标函数应该是一个连续、光滑的凸函数。这样,就可以利用经典的优化算法求解。常用的有Gauss-Newton法、L-M算法和最速下降法等。如果目标函数的性质不好,存在大量的局部极值,经典的优化算法就会终止在局部极值,得到错误的配准参数,解决的办法是采用模拟退火、遗传算法等现代优化算法,以克服局部极值问题。但是这些算法的收敛速度往往很慢,为了得较好的结果,就不得不以牺牲实时性为代价。Powell优化算法不用计算函数梯度,算法应用方向集的概念,可以把求多元函数的极值问题简化为一维极值问题,可以加快函数收敛。Powe11算法首先构造出彼此共轭的方向(沿某一个方向的一维搜索,与沿另一个方向进行的下一轮搜索,不会相互干扰,这样的方向称为共轭方向),该方法把优化过程分成若干个阶段,每一个阶段(一轮迭代)由n+l次一维搜索组成。在算法的每一个阶段中,先依次沿着已知的n个方向搜索,得到一个最好点,然后沿本阶段的初始点与该最好点连线的方向进行搜索,求得这一阶段的最好点,再用最后的搜索方向取代前n个方向之一,开始下一阶段的迭代。其具体构造过程如下:
(1)任取n个彼此不同的初值且/>都不平行z1,允许误差ω>0,i=1,k=1;
(2)计算令/>
(3)如果i<k-1,则令i:=i+1转(2);若i=k-1,则令转(2);若这一简i=k,则转(4);
(4)若k=n,则转(5);若k<n则令k=k+1,i=i+1,转(2);
(5)若i=1,k=n,则停,否则转(6);
(6)计算
(7)若f0-2fn+f*≥2Δ,则转(2),否则转(8);
(8)令zi=zi+1(i=m~n-1),计算/>令i=1,k=n转(2),至此形成一轮数据迭代。
采用增量形式记录数据,能减少振动信号数据在长时间测量过程中,其他因素对数据真实性、准确性的影响;同时,也能对数据进行归一化处理,减小因数据维度差距过大所带来的影响。将训练数据集的顺序进行随机打乱,避免每次训练都以相同的数据集顺序传入网络模型中。这种措施可以在设定程度上缓解过度拟合。在模型训练过程中,采用了水平或垂直翻转图像、随机角度旋转图像、比例缩放图像、随机剪裁图像、位移图像、添加高斯噪声、颜色增强等“数据增强”方法提高误差模型的准确性与泛化性。对每个图像的多个不同副本上进行训练,有利于针对同一对象的变化进行泛化,从而提高模型的泛化能力与鲁棒性。实践表明,模型在小样本的刀具磨损预测效果表现非常好,准确率达到92%。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了示例的组成;这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件;专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围;
在本发明所提供的实施例中,应该理解到,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元可结合为一个单元,一个单元可拆分为多个单元,或一些特征可以忽略等;
另外,在本发明实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现;
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中;基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明实施例所述方法的全部或部分步骤;而前述的存储介质包括:U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质;
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于:包括:
采集机床振动的时域信号数据;
通过傅里叶变换将时域信号转换为频率不同的正弦波频域信号;
分析正弦波频域信号获取相应的振动幅值以及相位,将正弦波频域信号转换为振动图像点,再将同一时刻振动图像点数据转换为振动矩阵,组成同一时刻具有机床完整振动信息的振动图像;
通过卷积神经网络对振动图像进行特征提取,同时通过改进POWELL算法对卷积神经网络进行模型训练;
卷积神经网络处理后的振动图像转化为刀具磨损检测结果进行输出,根据刀具磨损检测结果获取刀具磨损的数据并进行预测性分析。
2.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于,采集机床振动时域信号数据,包括:通过安装在刀塔上面的固定位置处的三轴加速度传感器对刀具振动信号进行采集,三轴加速度传感器采集电荷信号后通过滤波放大器进行滤波和运算放大后输出正弦波频域信号。
3.根据权利要求2所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于:所述正弦电压信号通过多工况全息智能信号处理器AIC8660-900处理后采用TCP/IP通讯传输到上位软件中,上位软件将时域信号转换为频率不同的正弦波频域信号进行分析,通过分析正弦波频域信号获取相应的振动幅值与频率,进一步将正弦波频域信号转换为图像信号。
4.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于:所述卷积神经网络对振动图像进行归一化处理。
5.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于:卷积神经网络对振动图像进行的特征提取包括:水平或垂直翻转振动图像、随机角度旋转振动图像、比例缩放振动图像、随机剪裁振动图像、位移振动图像、对振动图像添加高斯噪声、对振动图像颜色增强。
6.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于:所述卷积神经网络通过卷积核以设定的步长在所需要提取的数据上滑动对输入数据进行特征提取,池化层对特征数据值进行压缩,减少数据的维度。
7.根据权利要求1所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于,改进POWELL算法对卷积神经网络进行模型训练包括:
构造出彼此共轭的方向,包括沿某一个方向的一维搜索,与沿另一个方向进行的下一轮搜索;
把优化过程分成若干个阶段,每一个阶段即每一轮迭代由n+l次一维搜索组成,在算法的每一个阶段中,先依次沿着已知的n个方向搜索,得到一个最好点,然后沿本阶段的初始点与该最好点连线的方向进行搜索,求得这一阶段的最好点;
再用最后的搜索方向取代前n个方向之一,开始下一阶段的迭代。
8.根据权利要求7所述的一种机床振动时域信号图像化处理的刀具磨损预测方法,其特征在于,所述改进POWELL算法具体构造过程如下:
(1)任取n个彼此不同的初值且/>都不平行z1,允许误差ω>0,i=1,k=1;
(2)计算令/>
(3)如果i<k-1,则令i:=i+1转(2);若i=k-1,则令转(2);若这一简i=k,则转(4);
(4)若k=n,则转(5);若k<n则令k=k+1,i=i+1,转(2);
(5)若i=1,k=n,则停,否则转(6);
(6)计算
(7)若f0-2fn+f*≥2Δ,则转(2),否则转(8);
(8)令zi=zi+1(i=m~n-1),计算/>令转(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274380.3A CN117428572A (zh) | 2023-09-28 | 2023-09-28 | 一种机床振动时域信号图像化处理的刀具磨损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311274380.3A CN117428572A (zh) | 2023-09-28 | 2023-09-28 | 一种机床振动时域信号图像化处理的刀具磨损预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117428572A true CN117428572A (zh) | 2024-01-23 |
Family
ID=89548903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311274380.3A Pending CN117428572A (zh) | 2023-09-28 | 2023-09-28 | 一种机床振动时域信号图像化处理的刀具磨损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117428572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
-
2023
- 2023-09-28 CN CN202311274380.3A patent/CN117428572A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | WaveletKernelNet: An interpretable deep neural network for industrial intelligent diagnosis | |
Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
CN117428572A (zh) | 一种机床振动时域信号图像化处理的刀具磨损预测方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
Liang et al. | Intelligent fault diagnosis of rolling element bearing based on convolutional neural network and frequency spectrograms | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Lee et al. | Misalignment detection of a rotating machine shaft using a support vector machine learning algorithm | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
Manikandan et al. | Vibration-based fault diagnosis of broken impeller and mechanical seal failure in industrial mono-block centrifugal pumps using deep convolutional neural network | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN113369993B (zh) | 一种小样本下刀具磨损状态监测方法 | |
Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
CN116910652A (zh) | 一种基于联邦自监督学习的设备故障诊断方法 | |
Verstraeten et al. | Edge computing for advanced vibration signal processing | |
Amar Bouzid et al. | CNC milling cutters condition monitoring based on empirical wavelet packet decomposition | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
CN114077850B (zh) | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
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 |