模糊控制理论在铣刀磨损监控中的应用

研究一种铣刀磨监控方法,信号采集采用声发射传感器,信号特征生成采用小波变换方法,将变换后的尺度系数和各个频段的小波系数作为特征,采用自行设计的Sugeno模糊控制系统进行状态识别,模糊控制系统的输出是刀具磨损值,有利于对刀具磨损进行各种实时补偿,实验表明,模糊控制作为刀具磨损状态识别的方法,取得了良好的效果。     

铣刀磨损过程中铣削力与磨损面积分析

研究了三刃立铣刀磨损过程中切削力与刀具后刀面磨损带中部密度,磨损面积,刀具副后刀面磨损宽和磨损面积之间的关系。实验结果表明：铣刀磨损过程中,铣刀每转切削力均值,每切削刃切削力均值的变化曲线与车刀的典型磨损过程曲线相似,铣刀后刀面磨损面积比ＶＢ更真实地反映铣刀的磨损状态,可根据ｘ方向的切削力标准偏差与其均值的比值判断刀具的磨损。     

铣刀磨损过程中铣削力与磨损面积分析

研究了三刃立铣刀磨损过程中切削力与刀具后刀面磨损带中部宽度（VB）、磨损面积、刀具副后刀面磨损带宽和磨损面积之间的关系．实验结果表明：铣刀磨损过程中,铣刀每转切削力均值、每切削刃切削力均值的变化曲线与车刀的典型磨损过程曲线相似,铣刀后刀面磨损面积比VB更真实地反映铣刀的磨损状态,可根据x方向的切削力标准偏差与其均值的比值判断刀具的磨损．     

用磨损状态的监控诊断摩擦学问题

本文介绍了用磨损状态的监控诊断摩擦学问题,包括:什么是摩损状态的监控,为什么要应用磨损状态的监控和磨损状态监控的方法。     

模糊回归分析在平头立铣刀磨损监测中的应用

通过分析铣刀渐进磨损过程的特点,从切削力、主轴端振动位移、主轴端振动加速度和主轴电机功率等信号中提取了8个反映刀具磨损状态的特征参数,提出用模糊回归分析多传感器信息融合方法监测铣刀后刀面磨损带面积.在立式加工中心上的实验表明,模糊回归分析计算的后刀面磨损带面积与实际测量值基本相符,计算效率高,能够满足小直径立铣刀磨损在线监测要求,具有较强的有效性和工程实用性.     

多应力下铣刀的加速退化数据分析

工业实际应用中,铣刀常用于铣床对工件进行铣削加工.铣刀在工作过程中常受铣削条件或环境因素的影响,从而导致刀面发生磨损,影响其切削性能.本文选取刀面磨损量为铣刀的退化特征量,采用Gamma过程来描述铣刀的退化过程,建立了不同切削材料下受切削深度和走刀量影响的铣刀磨损的多应力退化模型;利用传统的多应力加速退化模型来描述切削深度和走刀量对退化的影响,利用极大似然估计方法估计出模型参数,进而比较了不同切削材料下双应力对退化过程的影响.     

基于形态分量分析的高速铣削加工刀具磨损在线监测

在高速铣削加工中,铣刀在超高转速下进行不连续切削,刀具磨损迅速且难以监测,严重影响加工精度和产品质量,因此刀具磨损的状态监测极其重要.振动法是一种有效的刀具状态监测方法,但是振动信号包含了多种振动成分及大量噪声,影响刀具磨损状态监测的准确性.针对该问题,提出了一种利用对偶基追踪算法和用形态分量分析对振动信号进行稀疏分解的方法.首先,分析了高速铣削加工过程中振动信号的形态分量特点和稀疏特性,构造了对偶基追踪框架,通过增广拉格朗日变量分离算法进行求解,实现对振动信号中的脉冲成分和谐波成分的分离.其次,构造并提取了脉冲密度和高次谐波频率与基频的幅值比等特征并利用这些特征进行刀具磨损状态监测.最后,通过仿真分析和实验,验证了该方法的可行性.     

球头铣刀螺旋铣孔材料去除及孔形成过程分析

根据螺旋铣孔加工机理,考虑钛合金难加工特性及球头铣刀头部的几何特征,分析球头铣刀完成钛合金螺旋铣孔加工过程中不同特征时刻刀具和工件的形态及相对位置关系,选取四个典型时刻研究球头铣刀螺旋铣孔过程中的孔壁形成机理.对去除的未变形切削材料的截面特征和横截面面积进行讨论,通过典型时刻分析球头铣刀螺旋铣孔过程中的材料去除行为,在数控机床上开展钛合金螺旋铣孔试验,并测量切削力,分析刀具磨损和螺旋铣孔质量.结果显示球头铣刀在钛合金螺旋铣孔加工过程中材料去除均匀平稳,与仿真过程基本一致,同时切削力逐步增加或减小,刀具磨损小,孔质量较高.     

系统辨识的刀具磨损特征量提取方法

针对刀具磨损智能监控系统中信号预处理和磨损特征提取技术进行研究，提出了基于加工过程自适应模型参数估计的刀具磨损特征量提取方法，通过检测加工状态信号和加工参数，利用切削力模型和最小二乘法实现模型自动跟踪加工过程特性变化，并从估计的模型参数中获取刀具磨损特征量。经实验证明，加工过程切削力模型参数的变化能灵敏地反映刀具磨损特征，且该特征提取不受切削条件变化的影响。     

模式识别在刀具状态监控中的应用

通过大量试验，研究了刀具磨损、破损对功率信号时域和频域特性的影响．抽取与刀具状态相关的特征量──功率的时域幅值和主轴转频处的幅值，并将模式识别技术应用于刀具状态多特征监控，能较好地识别刀具的磨损和破损，显著提高了监控的准确性．     

用于监控的切削过程参数估计与刀具磨损特征选取

切削过程的故障诸如刀具磨损、颤振等均与过程的动态特征密切相关,为提供监控所必须的故障模式识别的特征值,本文介绍了适用于监控的切削过程连模与动态参数在线估计方法;刀具磨损特征值的计算;最后通过钻头磨损实验结果的分析、比较,证明了本文提出的用阻尼比的正则滑动平均值 M 以及阻尼比的正则方差 D 作特征值,可有效地监控刀具磨损.     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

基于改进人工蜂群算法和极限学习机的刀具磨损监测

为了提高机械切削加工中刀具磨损量的实时监测精度,运用极限学习机建立刀具磨损监测模型,提出一种引入虚拟蜂的改进人工蜂群算法,对极限学习机随机产生的输入层权值和隐含层阈值进行优化。采用时域分析和经验模态分解,提取铣削加工中的切削力信号、振动信号以及声发射信号的时域特征和内禀模态能量比,从中选出对刀具磨损敏感的特征作为监测特征。利用建立的监测模型计算得到刀具磨损值,实验结果表明,优化后的极限学习机能够准确地预测刀具磨损值,且具有更简单的网络结构,同时改进后的蜂群算法也表现出了更好的寻优能力。     

WAVELET PACKET AND FUZZY NEURAL NETWORK FOR TOOL CONDITION MONITORING *

在自动化制造中,线监控刀具状况以保护刀具与加工工件显得越来越重要．近年来,许多研究者在此领域进行了广泛的研究,然而由于加工过程的不确定性,现有的刀具监控系统的可靠性还有待提高．本文提出了一种基于小波包分析与模糊神经网络的自适应刀具监控系统,该系统利用小波包分析方法将加工过程振动信号分解为不同的频率段,并在此基础上,建立了自适应特征提取方法,为模糊神经网络提供最优的特征输入,然后模糊神经网络据此进行决策,分析刀具磨损状况．实验结果表明：该系统模糊神经网络能有效通过学习人类模糊知识和在线学习样本来提高刀具监控精度．     

切削加工中刀具月牙洼磨损的图像识别和检测算法

通过对硬质合金刀具前刀面月牙洼磨损图像特征的分析，设计了识别和检测磨损的算法，并开发了相关软件。经过实例检验，根据二维特征检测刀具磨损的最大误差在74％之内，可满足一般工程要求。本方法具有自动化程度高、判决速度快等优点，并对刀具磨损三维形态的识别和检测提供了一定的基础。     

在线监测刀具磨损过程的频段相干函数法

基于切削过程中刀杆振动的动态特性,建立了借以反映刀具磨损的物理模型和数学模型,由此提出了通过检测刀杆上两主振模态方向上振动加速度信号的频段相干函数来在线监测车刀的磨损过程,并制定了相应的判别准则。试验结果表明,该法灵敏度较高,抗切削条件干扰性强,具有良好的应用前景。     

FMS中刀具寿命可靠性及刀具磨损在线监视的研究

在全自动化生产系统中(如 FMS,CIMS),要求系统具有高度的可靠性,因而对刀具磨损的工况监视,就成为重要问题之一。本文从柔性制造系统的要求出发,阐明了刀具寿命可靠性和刀具磨损在线损监视的必要性,介绍了有关刀具磨损在线辨识的理论与方法,实验证明所提出的刀具磨损状态辨识的方法是适用的。     

车削过程中刀具磨损和破损状态的自动识别

采用机床主电动机功率法和声发射(AE)法来获取切削过程中发出的刀具磨损和破损信号,建立了刀具状态试验系统.在试验数据的基础上,建立了功率信号的自回归时序模型,在提取作为刀具磨损特征量的模型参数时考虑了切削用量的影响.针对刀具破损时功率信号时域幅值变化的随机性,提出用延时方差法来处理功率信号,数据分析结果表明,这种方法是可行的.针对切削过程中发出的AE信号,采用时频分析的方法进行处理,提取出反映刀具破损的特征量,最后利用2个并行的自适应共振神经网络ART-2实现了刀具状态的自动识别,识别成功率达到95%.     

应用MCEWMA控制图监视刀具磨损过程

为了有效地利用控制图技术,用指数加权滑动平均方法,对由于刀具磨损导致轴尺寸精度呈线性趋势变化进行预测,提出了应用MCEWMA控制图监视刀具磨损过程.在刀具使用期内,将刀具磨损及由刀具磨损带来的随机波动视为共同原因,对生产过程进行监视,避免了使用传统控制图时,产生频繁报警的弊端.最后,运用具体例子,说明控制图参数选择准则.