基于优化SVM模型的立铣刀在机崩刃监测技术研究

随着加工精度要求不断提高,切削过程中,对刀具在机磨损或崩刃状态进行在机实时监测的需求日益增加。本文以声发射和主轴功率为监测信号,通过提取时域、频域和时频域的有效特征,构建了基于融合信号的平底立铣刀在机崩刃SVM监测模型;采用网格搜索、粒子群和遗传算法优化SVM模型参数,并在实际切削环境中,将平底立铣刀的崩刃监测效果进行对比。结果表明:基于遗传算法优化的SVM模型对铣刀崩刃状态监测效果最佳。

基于SSA-BP算法的刀具破损状态在机识别技术

刀具的破损状态对机床的加工精度和加工表面质量有着重要的影响,若破损后未及时停机更换新刀,则会造成工件报废、机床损坏等严重后果。本文针对主轴电流信号,采用一种改进后的麻雀搜索优化BP神经网络算法(SSA-BP),对BP神经网络的权值和阈值进行优化,并对刀具破损状态进行识别。与传统BP神经网络和基于遗传算法优化的BP神经网络(GA-BP)相比,改进后的SSA-BP算法分类精度更高,耗费时间更短,神经网络稳定性更好,更适用于刀具破损状态的判断。

在机高精度刀具直线轮廓异物过滤算法研究

为解决在机高精度刀具图片测量时刀具轮廓粘有少量异物的问题,本文提出了一种基于机器视觉的刀具直线轮廓异物过滤算法。以铣刀轮廓异物过滤为例,首先提取轮廓像素点,然后选取适当大小的ROI区域,滑动窗口对路径上的每个ROI区域进行处理,在每个ROI区域中,使用凸包检测算法对区域进行迭代检测以提高去除率。实验结果表明,对于(5~30)像素内的异物,用该方法进行轮廓异物过滤,去除率高达95%,使后续的刀具测量精度有明显提升。

基于声发射RMS峰值的铣刀破损检测技术

在精密加工中,刀具的破损状态是影响加工质量的关键性因素之一,本文针对加工过程中出现的刀具破损问题,提出了一种均方根值(RMS)的峰值比较检测方法,用于检测铣刀的破损状态,通过采集声发射(AE)信号的均方根值(RMS)作为特征参数,提取加工过程中的信号峰值,比较相邻峰值的变化程度,计算出刀具的完整率(IR值),判断铣刀的破损状态。通过在铣床上进行实验,验证了此方法的准确性与可行性。