云边端协同的机床刀具故障智能诊断系统研究

为提高机床刀具磨损故障诊断精度,借助三轴加速度传感器采集机床刀具磨损振动数据,并以此为基础,提出一种基于长短时记忆网络与多尺度卷积神经网络集成的机床刀具故障诊断算法,挖掘机床刀具在不同故障模式下的空时域多尺度特征,实现机床刀具磨损状态的精准识别。同时,为满足实际产线对故障诊断的高实时性要求,设计一种适用于机床刀具故障诊断的云边端协同架构,通过底层产线、边缘节点与工业云平台的高效协同,实现机床刀具故障的及时预警。研究结果表明,所提云边端协同的机床刀具故障智能诊断系统可实现机床刀具磨损状态的精准识别,同时可缩短故障诊断任务的完成时间。

基于支持向量机和遗传算法的刀具故障诊断

提出了把支持向量机和遗传算法结合起来,应用于数控机床的刀具故障监测。应用支持向量机的分类步骤,能够有效地解决小样本问题。利用遗传算法对支持向量机所用核函数的参数进行优化,以致在较短的时间内找到全局最优解。这两种方法的结合是数控机床的刀具诊断的行之有效的方法。

软测量技术及其在刀具故障诊断中的应用

介绍了软测量技术的概念和原理,分析了刀具故障诊断技术在高速加工中的必要性和可行性,介绍了基于软测量技术的刀具故障诊断系统及其技术路线和基于主轴电机电流的测量模型。

基于仿生感知的机床刀具故障诊断系统

现有刀具故障诊断系统具有系统庞大、成本高,精度低等问题,亟需开发一种高精度、低成本的刀具故障诊断系统。为此,提出一种基于仿生应变传感器的数控机床刀具故障诊断系统,该系统首先将精度高、价格便宜的仿生柔性裂纹阵列振动敏感元件封装成刚性的仿生应变传感器,使其适用于采集机床刀具振动信号;然后从采集的刀具振动信号中提取时域和频域特征,并使用支持向量机算法建立刀具故障诊断模型。通过实验对离线故障和实时机床加工环境中的在线故障进行诊断,结果表明,设计的基于仿生应变传感器的刀具故障诊断系统对机加故障诊断的准确率大于88%,在保证故障诊断性能的同时降低了检测成本。这是将灵敏度高、成本低的仿生柔性敏感元件应用于工业故障诊断的一次全新尝试。

基于改进神经网络的机床刀具故障诊断

针对机床刀具的故障诊断系统进行研究,使用智能人工神经网络算法建立诊断模型。为了提高神经网络模型的训练效率,避免网络陷入局部最优解,使用一种改进的量子神经网络,将附加动量与自适应学习速度方法融合,提高网络收敛效率。使用五轴联动铣床进行刀具故障诊断识别。对声发射信号进行特征提取,使用总振铃技术、总能量、有效电压、事件计数、重心频率、均方根频率以及频率标准方差作为网络的输入向量,判别刀具为新刀、轻微磨损或严重磨损。实验结果表明,使用的改进的量子神经网络的效率以及识别准确度均高于常规BP神经网络。

基于软测量与虚拟仪器的刀具故障诊断系统

在现代制造系统中,对刀具的状态监控与故障诊断提出了越来越高的要求。本文提出了一种基于软测量技术与虚拟仪器集成的方法,即对数控机床(加工中心)主轴电机的电流信号进行分析、检测,从而发现刀具故障并进行诊断。经试验证明该方法是可行的。

基于工作电流信号的车床刀具故障分析

在车刀的故障分析中,选择机床加工时的工作电流作为故障检测的分析对象,分别利用傅里叶变换和小波包分析法提取刀具故障的傅里叶特征和小波包特征,联合采用提取的两种特征以实现刀具故障的诊断.研究表明,提取的车床刀具故障特征参数的波动特性与车刀故障的发生存在联系,从而为分析判断车床刀具故障的发生提供了一种新的思路和方法.

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。

模糊逻辑与BP神经网络协同在刀具故障诊断中的应用

BP神经网络具有自主学习、联想能力,它能解决许多常规信息处理方法难以解决或无法解决的问题;而不同测量设备提取的信号征兆参数各异,唯有将数据源模糊处理,即将二者结合,才能够优势互补,将其应用于数控机床刀具故障磨损的状态识别当中,具有较强的应用价值,为其提供了一条行之有效的解决途径。

基于多尺度-高效通道注意力网络的刀具故障诊断方法

目前,生产加工流程正向着智能化迈进,设备的故障诊断及预测性维护在保障企业生产效率,降低生产成本方面起着至关重要的作用。刀具作为数控机床的切削工具,其实时健康状态直接影响着机床的加工效率和产品质量。对刀具磨损状态的精准监测有助于避免因刀具失效导致的产品质量问题。基于此背景,研究一种基于深度学习的刀具故障诊断方法,将高效通道注意力应用到多尺度卷积神经网络中,提出基于多尺度-高效通道注意力网络的刀具故障诊断方法,利用通道特征学习将机床主轴不同方向的振动信号进行自适应的特征融合,从而提升刀具磨损状态诊断精度。此外,设计刀具磨损试验平台,用于采集符合实际生产的数据,在实际生产场景中验证所提算法的性能。试验结果表明,所提出方法较多尺度网络的刀具故障诊断准确率提高4.47%。

普通车工车削螺纹常见故障及解决策略

车削螺纹是机械加工领域中一项重要的加工工艺,广泛应用于各个行业。然而,在实际生产中,普通车工车削螺纹时常常遇到各种故障问题,不仅会影响螺纹的加工质量与效率,还可能导致工件的废品率增加,给生产造成严重影响。基于此,文章旨在探讨普通车工车削螺纹过程中常见故障及解决策略,通过观察法、文献资料法等相关研究方法,对普通车工车削螺纹过程中的常见故障进行了分析,提出了相应的解决策略。研究对于普通车工车削螺纹过程中的故障问题有着重要的实践意义与工程应用价值。

基于本征模函数和广义回归网络的刀具声发射信号诊断

针对刀具加工声发射信号非平稳特点,提出基于本征模函数和广义回归神经网络的刀具切削声发射信号故障诊断方法。该方法对刀具声发射信号进行经验模态分解,抽取本征模函数,并计算各阶模函数能量分布,提取特征向量作为神经网络的输入,利用果蝇算法优化广义回归神经网络径向基函数分布系数。试验结果证明了该方法的有效性和稳定性。

基于视频DSP的刀具动态检测系统的研制

提出了一种基于视频DSP的刀具故障动态检测方法 ,阐述了利用红外视场特征数据统计方法进行边界识别的动态检测原理 ,用ISP器件与单片机实现DSP ,构成快速有效、经济实用。

刀具寿命诊断的神经网络技术

提出了一种刀具寿命的检测方法。该方法把模糊逻辑和神经网络结合起来,并用神经网络分解技术,建立了一个刀具状态识别网络。该网络适于进行多传感器刀具复杂状态的识别和分类,具有训练时间短,执行速度快,可靠性高,抗噪能力强的特点。

盾构机机械类故障诊断研究进展综述

机械类故障在盾构机运行中时常发生,考虑到盾构机实际作业环境较为恶劣,因此这些故障很难避免。通常认为,对盾构机工作状态进行监测,以及保证故障诊断的及时性和有效性,是保证盾构机作业效率和作业安全的重要手段。文章较详细地论述了盾构机刀具磨损和液压等常见机械类故障问题,阐明了相应的诊断方法,提出了相应解决方案,并对盾构机机械类故障诊断技术的未来发展进行了展望。同时,指出在故障诊断系统生态技术框架下,实现盾构机机械类故障诊断的信息化和智能化将会是盾构机未来的发展目标。

自动化车床管理建模分析

本文分析了 1 999年全国大学生数学建模竞赛 A题 ,介绍了两种解和参赛论文评阅中的一些问题 .

自动化车床管理的数学模型

本文针对 1 999年全国大学生数学建模竞赛 A题——自动化车床管理问题的问题 (2 ) ,建立了完整的数学模型 。