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.

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。

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。

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.

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。

基于铣削力仿真样本和降维分类算法的刀具状态监测方法

针对铣削加工过程中刀具磨损造成的主切削力增大现象,提出一种基于计算仿真、降维和分类模型的铣削力判断方法。该方法基于瞬时切厚推导铣削力计算公式,模拟铣削加工过程的时域切削力。依据刀具磨损和切削力增大的关系,生成模拟样本。对生成的样本进行主成分分析(Principal Component Analysis,PCA)和核支持向量机(kernel-based Support Vector Machine,k SVM)分类训练。试验表明,该方法对铣削力样本具有很强的辨认能力,成本较低,可以应用到刀具磨损判断领域。

提高小波变换在钻削刀具状态监测中效率与准确性的研究

通过研究采用正交小波变换进行刀具振动信号分解方法的不足,提出了采用具有自适应小波基的小波变换进行刀具振动信号分解。

基于经验模式分解和BP神经网络的刀具状态监测方法

为提高刀具检测识别率,采用经验模式分解法分解不同状态刀具的切削声音信号,计算各信号分量的能量百分比,形成特征向量。利用三次样条插值方法对特征向量进行插值,插值后的特征向量保留了原始信号的所有特征成分,应用BP神经网络识别刀具的状态。实验结果表明:经验模式分解方法和BP神经网络相结合可以有效识别铣刀状态,平均识别率达86%。

基于小波-神经网络纹理图像的刀具状态监测

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,仿真证明了其有效性.

基于FS和GA的特征选择方法及其刀具状态监测

在现代精密数控机床加工过程中,从原始多源信号中提取并选择出对刀具状态变化敏感的特征子集是实现刀具状态监测的重要环节,对保证加工质量、提高加工效率具有重要意义。针对Fisher score(FS)特征选择方法在多分类问题中无法区分出样本分布不均匀以及选择的特征子集存在信息冗余等不足,提出了一种改进的FS结合遗传算法(GA)的两步特征选择方法,根据特征判别性得分以概率的形式对种群进行初始化,同时考虑特征维数和信息冗余,保证了特征子集的综合性能。最后,利用高速铣削加工实验中收集的多传感器数据,从不同方面的定量分析与比较验证了提出的方法的有效性。

刀具状态监测技术在发动机加工过程中的应用

为解决定时换刀出现的刀具过度磨损问题,研究了刀具状态监测技术相关理论及参数标定方法,并在发动机加工过程中进行了应用验证。结果表明,采用基于电机电流的刀具状态监测技术可在现有条件下准确监测刀具的磨破损状态,提高刀具利用率,防止出现批量不合格工件,保护机床主轴和夹具等部件。

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ICEEMDAN-RCMWPE与WOA-KELM数控机床刀具健康状态监测技术的研究

针对数控机床刀具健康状态特征提取不足以及识别准确率低等问题,提出了一种刀具健康状态监测方法。首先,利用改进完全集合经验模态分解(ICEEMDAN)和精细复合多尺度加权排列熵(RCMWPE)进行信号处理与特征提取,提取出能够表征刀具健康状态的特征信息;其次经tSNE处理,实现特征信息的降维与融合;最后将获取的低维特征输入到构建的鲸鱼优化核极限学习机(WOA-KELM)健康状态识别模型,从而对刀具健康状态进行分类与识别。经实验验证表明,所提出的信号处理、特征提取以及状态识别模型在刀具健康状态监测方面取得了很好的成效,其状态识别准确率高达99.76%,能够高效、准确地对刀具磨损状态进行分类和识别。

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。

采用HHT与CNN的刀具磨损状态监测

为实现刀具磨损状态监测的智能化及高精度,提出一种将希尔伯特黄变换改进算法与卷积神经网络相结合的监测方法。首先,采用敏感固有模态函数筛选方法改进希尔伯特黄变换,提取出刀具信号的时频特征;其次,运用MATLAB微调卷积神经网络生成刀具磨损监测迁移模型;最后,运用典型的卷积神经网络迁移模型进行实验验证。结果表明,与传统时频变换相比,希尔伯特黄变换提取的时频图更加精细,能有效防止频谱泄露的问题,刀具磨损识别平均准确率达到94.09%,提升近15%;与希尔伯特黄变换相比,改进后的希尔伯特黄变换能避免虚假固有模态分量问题,监测效果进一步提升,达到96.8%,证明了所提监测方法的有效性。

基于改进VMD和自适应BSA优化LS-SVM的刀具磨损状态监测方法

为提高加工过程中刀具磨损状态的识别精度,结合改进的变分模态分解算法(modified variational mode decomposition,MVMD)、自适应回溯搜索算法(adaptive backtracking search algorithm,ABSA)及最小二乘支持向量机(least squares-support vector machine,LS-SVM),提出一种刀具磨损快速识别模型.针对传统信号处理方法存在的模态混叠、噪声敏感等问题,采用瞬时频率均值法预先确定最佳分解模态数,引入降噪型变分模态分解算法进行信号分解;为提高优化效率与自适应性,提出一种改进的自适应回溯搜索算法,通过参数自适应选择提高算法的全局与局部搜索能力;基于自适应回溯搜索算法,采用LS-SVM多分类模型实现了刀具磨损状态的识别.实验结果表明,MVMD可以有效降低噪声、剔除虚假信息,同时验证了ABSA算法具有更强的全局探索和局部寻优能力,使得ABSA优化LS-SVM模型具有更高的准确性.

在线金属切削刀具磨损状态监测研究的回顾与展望Ⅰ:监测信号的选择

切削刀具的状态直接影响工件的质量及加工成本,因此刀具的状态监测越来越受到人们的重视,为了达到这一目的,监测信号的选择是至关重要的。对近年来在学术期刊上公开发表的关于刀具磨损在线监测研究文献中所采用的监测信号作了简要的回顾,仅限于间接监测方法,例如监测切削力、振动、声发射、主轴电流等信号。分析这些信号各自的优缺点,并得出结论:多传感器融合的监测方法以其信息覆盖范围广,抗干扰能力强、冗余性好,能较完善、精确地反映切削过程等优点,将成为未来刀具状态监测技术的发展方向。

在线金属切削刀具磨损状态监测研究的回顾与展望Ⅲ:模式识别方法

刀具状态监测的目的是为了开发出实用的刀具状态监测设备,为了降低设备成本和提高监测的准确率,在监测信号的选择和特征提取的基础上,选择合适的模式识别方法至关重要。对近年来在学术期刊上公开发表的关于刀具磨损在线监测研究中所采用的主要模式识别方法作了简要的回顾与归纳,为后续研究者的快速入门及选择适当的模式识别方法提供参考。

刀具磨损状态监测技术研究现状

随着工业4.0时代的到来,智能化监测技术在智能制造业领域变得愈加重要。本文围绕近年来国内外刀具磨损状态监测技术,分别从信号采集、特征提取、模式识别三个方面展开综述,对检测信号的优点与不足加以比较与归纳,论述了信号处理与提取技术的原理。阐述目前刀具磨损状态监测研究及应用难点,并展望了未来发展趋势,同时期望通过引入以深度学习为代表的现代算法,以提高刀具磨损的鲁棒性和准确度。