基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

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。     

振动自感知刀具磨损无线监测

Zigbee无线技术监测切削刀具磨损的振动传感器系统,存在通信距离近、组网复杂等问题,故提出一种基于WiFi无线传感器网络采集振动信号的刀具磨损状态监测方法。首先,组建以ESP8266 WiFi开发板为核心、高精度振动传感器ADXL345为敏感元件的无线采集振动信号网络;然后,根据刀具整体形状,将振动传感器粘贴在刀具表面,并使用自感知刀具进行45钢棒料外圆切削实验无线采集振动信号,同时在相同的切削条件下采集振动信号与有线方式进行对比,验证该装置可行性;最后,将时域信号中部分统计量作为特征向量导入至支持向量机回归模型中进行训练,并获得刀具磨损预测模型。实验结果表明,自感知刀具无线采集信号的相对误差在3.61%以内,具有较好的可行性;支持向量机回归刀具磨损预测模型的分辨准确率达到94.38%,证明所设计的无线系统可以准确地监测刀具磨损。     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

支持向量机的刀具磨损状态监测

为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.     

微精密机器视觉感知技术在立铣刀磨损检测中的应用

切削加工过程中容易发生工件损坏、崩刃等事故，从而直接降低生产品质和效率。本文在综合分析刀具磨损检测方法的基础上，提出了一种采用机器视觉感知的刀具磨损检测方法。该技术以铣刀底面图像为研究对象，对铣刀磨损区域进行数据采集提取，利用图象提取器对目标图形数据进行识别，采用SDK的二次开发技术计算刀具的磨损值，判断刀具是否磨损。与传统人工检测和离线仪器检测相比，该技术不仅有效地避免了人工检测带来的主观性和个体差异，还在一定程度上实现了对其刀具运动状态的监测。通过对刀具磨损和失效进行检测，并通过采集的图像对刀具磨损和失效检测进行实验验证，证实方法的有效性。     

数控刀具磨损智能检测及其切削试验研究

在数控机床切削加工过程中,对刀具磨损导致的振动及切削温度的变化特征进行了理论分析,得到刀具的磨损与振动及其切削温度的关系.利用这些关系,设计并研制了基于STC89S52的数控刀具磨损智能检测与报警装置.试验验证表明该装置能够有效地实现对数控刀具磨损情况的在线检测.     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

基于PSO优化LS-SVM的刀具磨损状态识别

为监测刀具的磨损状态,该文建立了一个基于声发射的刀具磨损状态监测系统。在刀具磨损状态监测实验中,采集加工过程中的声发射信号,提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。针对人工神经网络容易陷入局部极小值、结构难以确定、学习收敛速度慢等缺点,提出最小二乘支持向量机(least square support vector machine,LS-SVM)的刀具磨损状态识别方法。针对LS-SVM性能依赖于惩罚因子和核参数,利用粒子群优化(particle swarm optimization,PSO)算法对LSSVM参数进行自动寻优,建立PSO优化LS-SVM模型进行刀具磨损状态识别。结果表明:与LS-SVM识别模型相比,优化后的LS-SVM模型具有更高的识别率。     

固体润滑剂的作用机理和应用

摩擦与磨损在材料加工过程中是一大障碍,它们损害刀具,增加功率消耗,并且磨损的磨粒污染了加工材料。在切削加工过程中,刀具的前、后刀面不断与切屑和工件发生剧烈摩擦,接触区处于高温、高压状态。发生在刀具上的摩擦与磨损会造成刀具钝化失效,使切削无法进行,发生在工件上的剧烈摩擦则会使加工表面质量恶化。为减轻切削加工时的摩擦与磨损,普遍采用的方法是在切削加工中进行润滑。润滑的主要作用是改善切削过程的摩擦润滑状态,降低切削温度,从而延长刀具寿命、提高加工表面质量。     

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。     

Intelligent Tool Failure Monitoring for Machining Processes

ＩｎｔｅｌｌｉｇｅｎｔＴｏｏｌＦａｉｌｕｒｅＭｏｎｉｔｏｒｉｎｇｆｏｒＭａｃｈｉｎｉｎｇＰｒｏｃｅｓｓｅｓ￥ＷａｎＪｕｎ，ＺｈａｏＦａｎ，ＷｕＸｉｅｑｈａｏ，ＣａｔＦｕｚｈｉ万军，赵凡，伍星浩，蔡复之（ＤｅｐａｒｔｍｅｎｔｏｆＰｒｅｃｉｓｉｏｎＩｎｓ...     

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．     

一种基于模式识别的刀具磨损监测方法

将刀具磨损状态的在线监测作为模式识别中的两类模式分类问题,从切削振动信号中抽取特征向量;根据投影原理构造了最佳特征平面.在此基础上提出了一种具有自学习功能的G(D)判别函数,对车削试验的磨损状态进行分类,确诊率达95％,漏诊率小于0.6％,判别时间少于15s,适用于在线监测。     

基于可靠性的GH4169车削参数优化

为了保证刀具寿命的同时尽可能地提高加工效率,对切削参数进行优化至关重要.因此,建立了车削过程中的刀具磨损模型,可用于预测多种切削条件下任意时刻的刀具磨损量,从而推导出刀具寿命模型.考虑不确定性参数对车削加工的影响,建立了基于可靠性的车削优化模型,并采用序列优化与可靠性评估方法对优化模型进行求解以获得最优切削参数.最后,通过实例验证了该方法在高温镍基合金GH4169车削参数优化中的优势和可行性.     

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.     

超高强度钢高速切削工艺参数优化

针对超高强度钢高速铣削过程中刀具磨损严重的问题,采用金属陶瓷刀具对超高强度钢进行高速铣削试验,从而建立刀具磨损速率的预测模型.以切削速度、进给量和轴向切深3个切削工艺参数作为设计变量,以刀具磨损速率最小和切削效率最高作为优化目标,基于遗传算法对切削工艺参数进行优化,获得了最优切削工艺参数组合.     

TiB_2弥散强化Al_2O_3陶瓷刀具的切削性能

研究了Al2O3－TiB2复合陶瓷的力学性能．结果表明，当TiB2含量为20wt％时，能获得较高的综合性能．用此配方制成的陶瓷刀具具有较高的耐磨性能．后刀面磨损量VBmax比YW1低1倍左右．陶瓷刀具的磨损以微区剥离为主要机制．此外，还对比了陶瓷刀具和硬质合金刀具的切削力变化情况．