铣刀破损功率监控方法的研究

对铣削过程中机床主轴电机功率的变化特征进行研究，提出一种实时检测铣刀破损的方法。该方法利用同频采样对功率信号进行采样，采样值进行齿周期平均预处理，然后进行一次差分和二次差分以及归一化处理。其中，一、二次差分运算用于识别刀具的破损，解决目前刀具监控中的实时性问题；归一化处理使报警门限设定不受切削条件变化的影响。     

用主轴转速波动信号在线监测铣刀破损状态

讨论了用主轴围速波动信号在线监测铣刀破损的可能性，主轴转速流动信号安装在铣床主轴上的光电编码器获取，给出了高速采集主轴转速波动信号的采信板原理框图，对转速波动信号进行时域分析，从中抽取不同的特征参量进行信息融合来监测铣刀破损状态。     

用主轴转速波动信号在线监测铣刀破损状态

讨论了用主轴转速波动信号在线监测铣刀破损的可能性．主轴转速波动信号由安装在铣床主轴上的光电编码器获取，给出了高速采集主轴转速波动信号的采集板原理框图．对转速波动信号进行时域分析，从中抽取不同的特征参量进行信息融合来监测铣刀破损状态     

基于切削力的铣刀破损实时监测技术研究

介绍了铣削过程人破损监测系统,分析了刀具破损和特殊切削条件下切削力的波形特征,阐述了两者变化规律的不同,引入自发算法对刀具破损进行了识别,用实验方法确定了被损 坎值。     

基于人工神经网络的铣刀破损功率监测

提出一种基于人工神经网络的铣刀破损功率监测方法，建立了一个铣刀破损功率监测系统，实验表明：该神经网络方法能够灵敏地检测出刀具破损，且具有在较宽的工作范围内识别铣刀破损的优点     

刀具破损在线监测及其系统的研究

采用声发射（ＡＥ）和主轴电机电流双特征参数融合检测的方法,研制了一种刀具破损监测系统,主要介绍了系统的硬件结构,建立了实现参数检测数学模型,并用实验验证了该系统在线监测了刀具破损的可行性。     

声发射监测刀具破损的抗干扰技术研究

解决刀具破损声发射监测中抗干扰性差和可靠性低的问题。方法依据刀具破损的声发射信号特征和加工过程中的主要声发射干扰噪声的特征,采用自适应滤波、高低通滤波信号比较、双阈值判别等监测方法剔除干扰信号并准地识别刀具破损信号。结论经实验证明,该系统具有较强的抗干扰性和较高的可靠性。     

位移反分析的人工神经网络方法研究

各种传统位移反分析方法的反分析模型非常复杂,求解亦非常困难．本文应用人工神经网络原理,建立了位移反分析的人工神经网络方法,并应用该方法对所设定的一标准弹塑性问题的力学参数进行了反演,反演结果表明,所建立的位移反分析的人工神经网络方法具有模型简单、求解快捷等优点,且其精度亦能达到工程应用要求,因而可以在工程实际中应用。     

自动化加工中刀具破损实时监控方法的研究

详细叙述了在自动化加工中用霍尔电流传感器和流体传递信号的新型声发射（ＡＥ）传感器，联合监测主轴电机电流和加工中的ＡＥ信号，综合判断刀具破损的原理，监控方案和实验结果，该系统可自动识别直径为０．６ｍｍ以上的钻头破损，面积大于０．２ｍｍ＾２的镗刀，铣刀破损，准确率达９８％以上。     

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。     

机床主轴动态特性优化设计的遗传算法实现

机床主轴的动态特性设计可归结为特征值反问题的求解。研究了基于神经网络和遗传算法机床主轴动态特性结构优化设计的求解方法。计算结果及分析表明它是求解一切特征值反问题的有效方法。     

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%.     

带误差补偿的刀具智能监控系统

以数控车削加工为例,建立刀具状态向量,通过神经网络BP算法程序综合分析,建立刀具智能监控系统,并与机床定位误差补偿系统联动,完成提高加工精度和刀具工况监察的综合智能控制。     

刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

用神经网络对柴油机振动主动控制的试验研究

将神经网络技术应用于柴油机振动主动隔离，构造了一种振动主动控制(AVC)系统，并采用液压执行机构在柴油机双层隔振试验台上进行试验研究．结果表明，将神经网络控制技术用于振动主动控制具有一定的可行性，在某些主要频率下振动可衰减8dB左右．     

基于导纳综合法的立铣加工刀尖点动态特性预测

针对立铣加工系统中刀尖点动态特性理论预测的问题,研究了导纳综合法预测刀尖点位移导纳的方法.立铣加工系统被分为两个子系统,分割线位于刀具上.包含主轴的子系统结构复杂,不易精确建立动力学模型,因此采用试验方法获得其位移导纳.刀具子系统结构简单,采用有限元软件获得其位移导纳.两个子系统是具有不同截面的梁元件,二者通过单点结合,梁上节点具有平移和回转两个自由度.由两个子系统的位移导纳求出刀尖点的位移导纳.对上述方法进行了试验研究,以不同长度的45号钢棒为试验对象,获得了钢棒插入刀柄后的末端位移导纳.     

刀具前角对切削加工振动的影响（英文）

对机械加工中刀具前角对切削加工振动的影响进行了系统的实验研究和相应的理论分析,结果表明：随着刀具前角增加切削加工振动的振幅逐渐减小．当刀具前角γ０ ＜ ０°时,最大振幅产生在Ｖ＝ ５０～７０ｍ ／ｍ ｉｎ;而当γ０ ≥０°时,最大振幅产生在Ｖ＝ １６０～１８０ｍ ／ｍ ｉｎ．为精密和超精密加工中有效地抑制或避免切削振动提供了理论与实验依据