基于改进信息熵的直接刀具状态监测设备部署

在不拆刀情况下,基于机器视觉的在线刀具状态监测系统可完成刀具磨损测量和状态评估,但与在线捕获刀具图像质量息息相关的系统部署参数选择却鲜有研究.为解决上述问题,本文构建基于改进信息熵的多项式回归模型以实现刀具状态监测系统的最优部署.首先,使用自适应阈值方法去除捕获刀具图像中背景要素干扰,并通过信息熵指标评估图像中刀具磨损区域的成像质量;然后,构建相机工作距离、曝光时间与所提出评价指标之间的多项式回归模型以描述部署参数与提出评价指标的映射关系;最后,应用最小二乘法求取多项式模型系数获得最优部署参数.在确保自变量的因子水平涵盖最优部署参数情况下设计正交实验,实验结果表明:提出的评价指标与工作距离、曝光时间等部署参数之间均存在主效应关系,符合光学成像系统的变化规律;与支持向量机、决策树和K近邻(K-nearest neighbor,KNN)算法等非线性回归预测模型相比,三次多项式回归模型预测误差最小,其平均绝对误差、均方误差、均方根误差分别为0.022631,0.00068,0.026069;在多项式回归模型求解的最优部署参数下,所捕获的刀具图像的测量精度达到96.76%,提高0.74%,满足刀具状态监测的精度要求.

数据驱动的刀具状态智能监测技术研究

随着人工智能技术的兴起,无论是基于直接法获取的数字图像抑或间接法通过传感器获得的物理信号,都可作为有价值“数据”。利用人工智能方法提取并识别“数据”中的有效特征,挖掘与刀具磨破损之间的关系是刀具状态智能监测的关键技术和难点。通过将表征刀具磨破损特征的数据形式划分为图像数据和信号数据,探讨通过图像采集技术、多传感器融合技术获取高质量“数据”的方式,对刀具状态监测中特征提取、决策控制等关键技术进行阐述和分析,结合刀具状态监测的应用情况提出对未来的研究方向。

基于样本扩充与IDANN的刀具状态识别方法

针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题,提出了一种基于样本扩充与改进领域对抗网络(sample expansion and improved domain adversarial training of neural networks,SE-IDANN)的刀具状态识别方法。首先对机床刀具数据进行两次特征提取,并通过Smote算法进行样本扩充,解决机床刀具磨损数据量稀少的问题;其次在领域对抗网络(domain adversarial training of neural networks,DANN)模型特征提取器中加入残差块,进一步提取有效特征信息,解决刀具磨损特征微弱的难题;最后将Wasserstein距离作为目标域与源域的数据分布相似度标准引入DANN模型,实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证,证明该方法能够有效地识别刀具磨损量。

刀具状态监控技术在数控铣削加工中的应用——以ARTIS刀具监控系统为例

在数控铣削加工过程中,刀具会随着使用频次的增加以及时间的延长而出现磨损和断裂的问题,这会导致零件的加工精度逐渐降低,容易导致零件出现质量问题,也会对机床产生损坏等不良影响。因此,重视对刀具状态的监测对于提升铣削加工效果与质量非常重要。文章主要对刀具状态监控技术展开研究,概述了刀具状态监控技术的发展现状、实现原理和监控策略,以ARTIS刀具监控系统为例,分析了刀具状态监控技术在数控铣削加工中的应用,并对该技术的发展前景进行了展望,以期推动数控铣削加工的效率与质量的双向提升。

基于分形维数的刀具状态在线监测新方法

以分形几何理论为基础 ,对刀具不同磨损阶段声发射信号的分形特征进行分析 .提出了计算非完全分形体信号波形的关联维数时尺度范围的确定方法 ,分析了声发射信号在刀具磨损过程中分形维数的变化特性 .刀具磨损切削实验数据表明 ,声发射信号的分形维数受切削参数变化影响较小 ;分形维数反映了声发射信号的几何特征 ,其大小能较好地反映刀具的不同磨损状态 .实验结果表明 ,该方法能正确地实时在线监测刀具的不同磨损状态 .

基于混合智能的刀具状态在线识别

提出了一个将小波包分析方法、模糊理论及人工神经网络技术相结合的智能刀具状态在线监测系统。系统利用小波包方法将声发射信号分解为不同频带的时间序列 ,从中抽取出与刀具切削状态紧密相关的序列信号的构方根值 (RMS)作为信号特征值。为了表示刀具状态与特征值之间的关系提出了一个模糊神经网络模型 ,采用了自组织竞争学习与BP算法相结合的混合学习算法。可迅速。

SJ-FMS 刀具状态功率监控系统

随着机械加工自动化程度的提高，刀具状态在线监控已成为迫切需要解决的问题。本文介绍了刀具状态功率监控的基本原理及利用８０３１单片微型计算机加以实现的ＳＪ－ＦＭＳ刀具监控系统，着重讨论了ＳＪ－ＦＭＳ监控系统中信号采样和处理的特点。

基于多视觉特征融合技术的高速机床刀具状态视诊方法研究

传统多传感器融合的刀具磨损检测方法,通过依据特征变换的特征降维方法,完成多传感器融合的刀具特征降维处理,其对特征的描述性差,检测效率低。因此,设计基于多视觉特征融合技术的高速机床刀具状态视诊系统,该系统通过固定摄像机A采集整体刀具图像,可控摄像机B采集刀头图像。两个摄像机的视频图像都输入到图像采集卡中的数据采集电路进行处理。系统通过数据采集电路获取刀具图像数据后,将数据传递给数据处理模块进行存储和模/数转换等处理。采用STC89C52单片机设计显示报警模块,用于显示刀具磨损状态。系统实现部分给出了系统软件流程图,并通过BP神经网络方法融合多视觉特征信息,检测高速机床刀具的磨损情况。实验结果表明,所设计系统可准确检测出刀具的磨损状态,具有较高的检测精度和鲁棒性。

数控加工中刀具状态的实时检测

本文提出了数控加工中刀具的实时检测方法。该方法首先利用神经网络建立刀具的负载模型，然后根据该模型和断裂力学的相关理论，检测刀具所受的负载是否超过应力疲劳条件下的裂纹扩展负载。并作出相应的处理，使刀具不会出现脆性断裂，以保证加工的质量和机床的安全。

刀具状态智能监测研究进展

刀具状态的智能监测与诊断对于提高零部件的制造效率和制造精度具有重要的意义,也是当前智能加工技术的主要发展方向。对近年来刀具状态智能监测的研究现状进行了回顾,对智能监测系统中的传感器选择、特征提取、模式识别等关键技术的原理与方法进行了深入分析。在此基础上,对刀具状态监测的应用现状和存在的不足进行了探讨,并对其未来的发展方向进行了展望,以期更好地提高智能状态监测系统的可靠性和适应性,促进刀具监测技术在智能制造系统中的应用与推广。

特征融合与GA-SVM在刀具状态监测中的应用研究

为保证监测的准确性,刀具监控系统往往采用多个传感器进行监测并采集数据,导致监测成本的增加。通过对一个传感器的信号数据建立多个信号处理模型,将多个模型的特征进行融合,深度挖掘信号中所蕴含有关刀具磨损的敏感特征,提高监测的准确性,降低成本;同时针对将融合所得特征输入支持向量机(SVM)进行刀具磨损状态的识别时,常需要反复调整惩罚参数c和核函数g的问题,采用遗传算法(GA)对惩罚参数c和核函数g进行优化,减少了SVM模型的搭建时间,提高了SVM的识别准确率。

刀具状态监测的模糊集方法

刀具状态监测技术一直是制约加工系统自动化和智能化水平提高的主要因素，本文采用模糊线性方程描述刀具状态与监测指标之间的关系，根据学习样本的可能分布和概率分布确定方程的参数，选用不同传感器信号特征组合进行对比实验，结果表明该方法可获得较高的识别率。

基于小波-神经网络纹理图像识别的刀具状态监测

介绍了一种采集旋转工件图像的光学监测系统,提出通过二维小波分析工件纹理图像,提取纹理特征,设计了基于动态和静态神经网络的刀具状态识别系统,该系统可用于自动化加工中刀具诊断,仿真证明了有效性。

基于模糊数学理论的刀具状态识别

利用刀具状态多个特征参数的信息互补，根据模糊理论建立刀具状态识别模型，并根据模糊统计法确定刀具状态与监控参数之间的模糊关系．最后结合原始功率信号的几个特征对刀具状态进行识别．对试验数据的测试表明，这种方法能有效提高刀具状态识别的正确率．

基于递归小波神经网络的刀具状态在线监测

以超高斯函数为基础,构造出一类用递推公式进行小波变换的小波基,提出一个新的递归小波基,并对其时频特性进行了分析。基于框架小波神经网络理论,利用连续函数介值定理,构造出一种紧致型小波网络,并对其初始化与学习算法进行了研究。最后,对刀具AE信号进行递归小波分解,提取特征并应用小波网络识别刀具状态,识别率达到100%。

基于ARM&WinCE的刀具状态在线监测系统

为了获取高信噪比的刀具状态信号特征,结合嵌入式技术,构建了刀具状态在线监测系统。通过对声发射信号与刀具磨损状态的分析,验证了利用声发射信号进行刀具状态监测的可行性,给出了基于ARM&WinCE平台的刀具状态在线监测系统软硬件解决方案,并完成了数据处理与显示的应用软件设计与调试。

智能刀具状态监测系统研究与进展

介绍智能刀具状态监测系统的思想来源和基本原理，提出一种智能刀具状态监测系统的基本结构框架。并分析神经网络在智能刀具状态监测系统中的作用，并对未来的研究工作作出展望。

基于粗糙集和BP神经网络的刀具状态监测

在刀具磨损状态监测中,能够提取到的反映不同刀具磨损状态的特征量较大,基于神经网络的状态识别无法去掉冗余特征,会存在训练时间长和准确率降低等问题。针对这些问题,提出基于粗糙集-BP神经网络的刀具磨损状态监测方法,利用粗糙集对特征进行属性约简,去掉冗余信息,从而优化特征,并且减少神经网络的输入端数据,可以缩短神经网络的训练时间和提高识别的准确率。通过对实测刀具数据进行分析,证明了该方法的有效性。

CIMS环境下刀具状态监测研究回顾与展望

敏感信号的选择和信号处理技术是刀具切削状态在线监测系统设计的两个关键要素 ,本文试从这两方面对刀具切削监测系统的研究作了回顾与分析 ,并对未来的研究趋势作了展望。

一种基于主轴功率的刀具状态监测方法

在高速、高精、强适应性的智能制造生产模式下,刀具状态监测既要有效适应多种工况,也要兼顾监测方法的便捷性,才能满足灵活生产的需求.在刀具状态的各种在线表征信号中,功率信号以其获取方便、信号处理简洁并便于成本评价等优势逐渐受到关注.针对以机床主轴功率作为单一刀具状态评价指标的可行性和有效性问题,首先分析多种信号特征与刀具磨损的相关性.分析表明:在多种工况下,主轴功率与刀具磨损的相关系数平均为0.961,相对其他信号(振动与声发射信号)提升20%以上.同时,依据与刀具磨损的相关性,筛选出其他信号的最优特征,并以主成分分析(principal component analysis,PCA)提取主成分,其与刀具磨损的相关性平均低于主轴功率的10%以上.主轴功率与刀具磨损具有强相关性,故选其作为刀具磨损状态的单一评价指标.在此基础上,关注刀具磨损后期,采用粒子群优化算法(particle swarm optimization,PSO)优化模型系数以建立能耗模型,获取多种工况下主轴功率与刀具磨损的映射,以主轴功率在线监测刀具状态.实验表明此方法基于主轴功率可有效实现刀具状态监测.