基于ZigBee无线传感网络的数控机床刀具监测系统的设计

本文介绍了将无线传感网络技术和Internet技术相结合的基于ZigBee技术的无线远程刀具在线监测系统的总体架构,设计了以SPCE061A微控制器、CC2520射频芯片为核心器件,对数控机床的刀具参数进行采集、传输、识别的监测系统。运用Matlab神经网络工具箱设计出训练刀具磨损监测神经网络模型,实现刀具磨损状态的识别及异常情况的判断与报警。实验表明,系统识别结果较为准确,具有一定的实用性。

基于功率信号的钻锪刀具监测及其系统开发

刀具切削状态直接影响了加工质量与效率,在柔性制造和计算机集成制造生产线中,监测设备常以功率阈值的方式判断刀具加工状态。而在实际加工中,如切削参数发生改变,则需要对各工序重新设定阈值参数,且无法适用于变切削加工过程。为解决这一问题,提出在功率监测法的基础上,利用自适应神经模糊系统与支持向量回归建立功率与加工参数之间的模型,计算标准切削功率,并与实际切削功率进行实时对比分析,从而判断刀具加工状态并执行换刀策略。最后,在西门子840Dsl数控系统中进行二次开发,完成了刀具状态监测系统的开发并应用于实际生产加工中,验证了所提方法的有效性。

实时刀具监测

由于机床设计和刀具性能非常先进，过去十年，在滚齿加工生产效率方面已经看到了巨大的提高。尽管机床和刀具的生产效率已经翻了两番，但它们的成本明显比它们所代替的机床和刀具的成本高。

复合加工机床的刀具监测

在设计某些机床时，将铣削、车削和其他金属加工丁序集成起来，这种机床在效率和生产率方面拥有惊人的提升潜力。当采用一台复合加工机床以一道工序完成多个部件的加工时，既可取消多次央装工序，又可避免部件重新央装时出现误差，还能同时执行多项加工作业，实现了生产的精简化。

基于OpenStack的刀具监测与寿命预测智能管理边缘计算平台

市场上目前有刀具加工计数预测法、加装传感器物理监测法等刀具监测解决方案，均存在成本高、部署慢、准确率低等弊端。边缘侧环境部署复杂、灵活性低，不利于大规模统一管理，整体维护、监控和升级成本高。传统刀具粗放式管理的痛点如下.

基于功率信息的航空发动机叶片铣削刀具监测试验研究

针对航空发动机叶片铣削加工过程中刀具加工状态不易实时监控、更换刀具依赖加工经验等问题,利用基于功率信息的刀具状态监测方法,开发了刀具状态监测系统。通过三相功率传感器实时采集加工过程中机床主轴的功率信号,并对信号数据进行数据筛选、数据分析、离线学习,计算出功率阈值区间,以功率阈值区间为监测标准,实现了对刀具加工过程的监测以及对刀具寿命的预测。以航空发动机压气机叶片的铣削加工过程为研究对象,进行了刀具状态监测试验。结果表明,基于功率信息的刀具状态监测方法可以实现对航空发动机叶片铣刀加工状态的实时监测及对刀具剩余寿命的预测。

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CEEMDAN和改进轻量化时空网络的刀具状态监测

针对刀具退化特征提取困难和传统时空网络模型参数多等问题,提出了基于自适应噪声完备经验模态分解(CEEMDAN)和改进轻量化时空网络(BiLSTM-SN-ECA)的刀具磨损监测模型。首先,将刀具振动信号经CEEMADAN分解得到若干模态分量,将模态分量与振动信号结合,构造特征矩阵;其次,利用ECA改进ShuffleNetv2基本单元,并优化ShuffleNetv2整体结构,构造BiLSTM-SN-ECA网络模型;最后,将特征矩阵输入模型进行特征学习与磨损预测。所提方法预测值的平均绝对误差和均方根误差分别为1.246μm和2.065μm,结果表明该方法在减少传统时空网络模型参数量与训练时间的同时,提高了预测准确度。

微铣削刀具磨损监测系统中麦克风阵列的消噪性能研究

在切削加工过程中,基于切削加工声音信号的刀具状态监测系统容易受背景噪声的干扰,为确保监测系统的稳定性,提出使用麦克风阵列和维纳滤波来干扰噪声的方法。在实验过程中,采用直径为700μm的微细铣刀对SK4高碳钢工件进行切削加工,并在切削过程提供人工噪声源,然后利用麦克风阵列获取切削时的声音信号。针对获取的声音信号,结合麦克风阵列与维纳滤波器进行滤波处理。结果表明,麦克风阵列结合维纳滤波能有效改善噪声对微刀具磨损监测系统的影响。此外,分析麦克风阵列排列方式对刀具磨损识别的性能影响,结果显示,环形阵列比直线阵列麦克风阵列系统能更有效地去除噪声,在一定频带宽度下选择适当的特征值,刀具磨损识别率可达到100%。

航空涡轮盘拉削刀具健康监测系统设计

针对航空涡轮盘拉削刀具生产周期长、造价昂贵、监测困难以及易出现损伤等问题,设计并构建了拉削刀具健康监测系统。根据拉床行业的特点、痛点及实际需求等,提出了系统的总体框架。基于加速度传感器及振动监控器,设计了拉床在线、在位的振动信号采集系统,实现了拉削过程中刀具振动信号的连续、实时采集。基于C++语言与Qt开发平台,开发了刀具健康监测系统,实现了对振动信号的实时分析处理及刀具健康监测。

基于振动监测与深度学习的数控车床刀具磨损实时监测与寿命预测技术研究

数控车床刀具磨损监测与寿命预测技术对于提高加工效率和降低成本至关重要。本研究概述了该技术的重要性及发展现状,探讨了磨损监测方法和寿命预测方法,包括直接观察法、振动监测法、温度监测法、声发射监测法以及基于切削参数、机器学习和深度学习的寿命预测方法。此外,还提出了数据采集与处理策略、算法选择与优化策略、实时监测与预测系统的构建策略以及系统集成与工业应用策略。

基于自步学习的刀具加工过程监测数据异常检测方法

针对零件加工过程的监控数据异常导致刀具剩余寿命预测准确性下降的问题,提出一种基于自步学习的数据异常检测方法.首先建立多层感知机模型关联刀具加工过程监测数据和所对应的刀具剩余寿命;其次在模型权重更新过程中,先固定模型权重参数,预测损失拟合高斯分布得到异常样本的损失阈值,然后构建基于自步学习方法的损失函数,迭代更新模型参数.在模型训练结束后,根据损失阈值划分出异常样本.最后利用汽轮机转子轮槽的实际加工监测数据进行验证,并与局部异常因子算法、基于密度的聚类算法、K均值算法、孤立森林算法、一分类支持向量机等方法进行对比分析,验证本方法的有效性.

ET-GD与K近邻相结合的刀具磨损监测方法

针对铣削过程中刀具磨损量监测问题,提出一种基于极端随机树和高斯分布,与K近邻相结合的刀具磨损监测方法。该方法选用截断法和hampel滤波法剔除力、振动和声发射信号中的异常值和奇异点。其次通过极端随机树和高斯分布的偏离情况对特征集进行优选,降低数据矩阵的复杂性。分别对比分析了两次优选前后三种K近邻模型的拟合度和评估度量。利用优选后的特征对逻辑回归、极端随机树、支持向量回归和K近邻算法模型进行训练,并利用十折交叉验证法和测试集进行验证。最终得出,基于极端随机树和高斯分布与K近邻的刀具磨损监测模型的拟合度达到99.17%,均方误差和平均绝对误差分别为13.0688、1.8241。结果表明该方法能够实现对铣刀磨损的有效监测,从而提高工件加工质量。

多尺度卷积胶囊网络在刀具破损监测中的应用

刀具状态监测是实现加工过程智能化的关键技术之一,其状态直接影响到工件的表面质量和加工效率。在切削加工过程中刀具的细微崩刃不易察觉但却对工件表面质量影响较大,针对该问题提出了一种基于多尺度卷积胶囊网络的方法实现刀具破损状态监测。首先通过采集振动信号来表征刀具的状态,然后在模型中通过多尺度卷积层初步提取信号特征,随后将特征胶囊化输入胶囊层中进一步挖掘特征中的隐藏信息,最终通过分类层识别刀具在不同切削参数下是否发生细微崩刃。实验结果表明,该方法能够在噪声环境中准确识别不同切削参数下切削刃是否微崩,并且识别精度优于卷积神经网络(Convolutional neural network,CNN)和宽核卷积神经网络(Convolution neural network with wide first-layer kernels,WDCNN)。

基于振动信号功率谱能量的钛合金铣削过程刀具磨损监测研究

针对复杂切削工况下钛合金结构件加工过程中刀具磨损监测的难题,提出基于主轴振动信号功率谱能量的刀具磨损监测方法。首先,在剔除振动信号原始数据异常点的基础上,通过功率谱分布提取反映刀具磨损退化过程的0~7f_(0)频带能量指标、过齿频率基频f_(0)和倍频3f_(0)幅值等3个指标作为监测刀具退化过程的敏感指标。其次,提出基于结构件加工质量约束的刀具磨损失效阈值确定方法。最后,在钛合金槽腔结构件上验证了本方法的可行性。结果表明:相比于基于FFT谱、时域统计指标与小波包频带能量的刀具磨损监测方法,文章提出的复杂切削工况下的刀具磨损监测方法效果更加显著,可准确识别刀具的早期磨损。

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。

智能加工系统刀具磨损状态监测研究现状与技术挑战

刀具磨损作为制造过程不可避免的物理现象,剧烈的刀具磨损会直接影响到零件的加工质量与尺寸精度,刀具破损更会直接导致生产零件的报废和机床的故障停机,亟需实现刀具磨损状态的在线监测以规避上述问题,同时提高制造过程的智能化水平。由于人工智能技术不依赖于复杂的加工机理,以及强大的数据处理能力,已广泛地应用于刀具磨损监测。因此,本文围绕人工智能技术在刀具磨损监测中的重要应用,重点阐述实现刀具磨损监测的总体流程,主流的机器学习算法在刀具磨损监测中的研究进展,近年来以深度学习算法为主的人工智能技术在刀具磨损监测中的应用,最后对刀具磨损监测中存在的挑战与未来的发展趋势进行展望。

基于BP神经网络的智能化刀具状态在线监测方法研究

在机床加工中,刀具的检测技术起着关键的功能。通过在刀具损坏以前及时监测并更换,造成的经济损失会大大减少,从而生产的效率和准确性得以大大提高。传统的刀具磨损监测方法需要手动提取冗长的特征,无法实现智能化监测。为了克服这一固有的局限性,进一步提高刀具磨损在线监测的准确度,本文使用了BP神经网络的刀具磨损在线监测方法,该种检测方法的主要好处在于减少了人工特征提取带来的复杂性和局限性。采用同类研究所用的材料集开展研究,证明了该技术在刀具磨损的检测上的有效性与可行性,在多种考核要求下的准确性比另外一些技术有了很大提升。