用声发射信号在线监测切削刀具的磨损与破损

通过监测金属切削过程中的声发射信号，判别切削刀具刃部的磨损状况．监测逐渐增大的声发射信号幅值大小，测量刀具后刀面的磨损情况；检测阶跃式声发射信号的幅值，监测刀具的破损情况．并用微机处理实验数据产生刀具破损的信号．还对刀具破损时声发射信号阀值进行了研究．     

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%.     

正三角形弹子球体系的半经典理论分析

应用自由粒子在二维正三角形无限深势阱(弹子球体系)中运动的本征值和本征函数,计算了傅立叶变换的量子谱．傅立叶变换后的量子谱包含丰富的经典信息,例如,经典轨道的信息．把傅立叶变换后的量子谱中峰的位置与其所对应的经典体系的轨道长度作对照,我们发现傅立叶变换的量子谱的峰位和经典轨道的长度之间存在着——对应关系,体现了体系的量子行为和经典行为的对应性．     

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。     

监测切削功率变化的刀具破损控制报警系统研究

刀具破损时其切削功率将瞬间降低或升高 ,因此其微分值将产生脉冲 ,利用此脉冲作为信号 ,可对刀具破损进行实时报警和控制 .     

功率信息互相关法的刀具破损在线监测

为了在数控机床加工中对刀具破损进行有效监测以避免对工件及机床造成损坏,提出了一种利用机床加工功率特征信息和互相关算法的刀具破损在线监测方法。该方法通过Mallat多分辨分析小波算法提取工件正常加工时的主轴功率变化特征序列作为监测刀具状态的特征参考模板,在工件批量加工时采用改进的实时小波算法提取在加工工件的特征向量序列并与特征参考模板序列进行局部实时广义互相关系数计算,当刀具发生破损失效时,与正常情况相比在采样点计算时窗内的两特征向量子序列的相关性显著降低,将表征序列相关性的广义互相关系数定义为刀具状态系数(Tool Condition Index,TCI),对该系数设定合理的门限值即可监测刀具状态的异常。该方法在几种典型刀具破损的在线监测中均能准确识别刀具失效,实验结果表明其具有一定的实用性。     

刀具磨损声振特性的功率谱分析

对车削加工中刀具磨损的切削声信号和振动信号进行了功率谱多参数分析，在诸多影响参数中，滤波功率谱值之和随刀具磨损量ＶＢ的变化规律最为显著，且谱散度分析对处于正常磨损阶段的刀具磨损程度估计与预报有一定价值。     

基于切削参数和刀具状态的铣削功率模型

以经典铣削力模型为基础，同时考虑刀具磨损的影响，建立了基于切削参数（主轴转速、进给量、背吃刀具（即切削深度）、工件材料及刀具材料）的铣削功率模型。试验证明，该铣削功率模型能正确反映铣削功率信号与刀具状态及各种切削参数之间的关系。     

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     

刀具磨、破损实时监测系统的开发与研究

根据李晓谦博士论文(西安交通大学XWI-169)中提出的刀具由正常磨损阶段转入急剧磨损阶段(或破损)时伴随发生的相对切削分力比的变化率发生显著变化这一现象,研制开发了可用于生产现场且实用化的刀具磨、破损监测系统。监测系统中设定的阈值和切削用量、刀具材料、工件材料及刀具几何角度无关;设计了微型内藏传感器式车削测力刀杆及与其配套的测量电路,该传感器及测量电路有灵敏度高、两向相互干扰小等特点;还设计了单片机诊断系统。在总体上成为一套可供实用且完整的刀具磨、破损监测系统。