应用RFID的数控刀具识别系统设计与实现

为了将先进的无线射频识别(RFID)技术应用于小型刀库中,提高刀具的识别能力和效率,设计了基于C51单片机的射频识别系统硬件和软件编程,利用VC++6.0编写了识别系统的上位机通信软件并在Access软件中建立刀具信息数据库。通过在数控机床刀具上安装电子标签作为信息识别卡来对其编码,实现了射频识别设备和刀具信息管理系统的集成。实验表明,RFID技术可快速、稳定地识别数控机床刀具。

E5550射频卡在刀具识别中的应用

射频卡是一种非接触的IC卡,工作时所需的能量可由其外接线圈在特定磁场中从阅读器的天线藕合获得。外接线圈感应的电压,经整流后向应答器供应能量。应答器和阅读器间是通过磁场或电磁场来进行数据传输的。由于这些特点,射频卡具有使用寿命长,数据保存时间久的优点,在许多领域得到广泛应用。本文就利用Temic公司的U2270B和E5550组成的射频卡系统在工业生产中的刀具识别方面的应用设计进行详细地介绍。

基于RFID和LoRa的数控铣床刀具识别系统设计

针对数控铣床刀具种类多,管理刀具效率低的问题,综合运用RFID射频识别技术和LoRa无线通信技术,设计刀具识别管理系统。识别系统以STM32单片机作为控制核心,扩展现场采集终端和远程监管终端,终端之间采用LoRa无线通信技术实现信息交互。刀柄上贴附射频电子标签并记录刀具信息,采用防冲突算法避免识别混乱。采集终端通过识别模块读写刀柄信息。系统通过测试,可以快速和准确识别刀具信息,识别最大距离为4.5 cm;现场采集终端和远程显示终端之间信息传输稳定,可为刀具智能管理和自动更换提供技术支持。

用Fanuc C执行器开发刀具识别系统

介绍了由机床制造商用Fanuc公司提供的C语言开发包进行开发刀具识别系统。结合刀具信息系统对FanucC执行器的原理、应用程序开发方法和技巧等进行了论述。

刀具识别(ID)系统的应用

随着切削速度和加工自动化程度的提高,以及制造公差的缩小,现代制造技术对刀具的使用和管理提出了新的要求,使管理人员能随时知道刀具所在的位置和地点,准确知道刀具的动态参数,如剩馀的寿命和补偿值的大小等数据。这些工作过去靠人工对刀具进行跟踪、测量、记录加以完成。显然这已不能满足目前自动化加工的要求。一个最有效的解决办法,是在制造系统里使用可编程刀具识别系统,它包括贴在刀具上的象钮扣那么大小的圆形识别片,其中设有EEPROM存储器可记录刀具大量的数据。

Balluff推出刀具识别系统

Balluff日前推出Easy Tool-ID工业RFID技术,旨在通过减少错误分配或刀具丢失概率来提高生产效率和改进刀具识别,从而优化刀具的服务时间利用率.

刀具识别和I／O模块在金属加工中的应用

巴鲁夫工业RFID系统可以提供完整的刀具参数，数据的存储安全可靠，保证确定的加工过程，提高设备的生产效率，同时，系统能够和所有常规的机床控制器整合，保证灵活的、可靠的数据通讯，而且整个系统非接触、无磨损，刀具的参数始终存储在编码块中，方便使用和管理。

数控加工中心刀具识别系统原理及应用

机械加工由普通的机床到数控机床加工,再到现在普遍的数控加工中心进行加工,而数控加工中心与数控机床最大的区别在于自动换刀系统。加工中心的自动换刀系统得益于刀具识别系统,刀具识别系统能够把刀具所有的信息传递到机床主机。本文阐述加工中心刀具如何进行识别处理,识别系统的工作原理及实际现场的应用。

基于VMDFK和图像编码技术CNN网络刀具磨损状态识别

针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。

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。

基于特征优化与鲸鱼算法的刀具磨损状态识别模型

为了提高对刀具磨损状态识别的精度,提升识别效率,针对铣刀的磨损状态提出一种基于鲸鱼算法(Whale Optimization Algorithm, WOA)与支持向量机(Support Vector Machine, SVM)的刀具磨损状态识别模型。本文首先对采集到的刀具磨损信号进行预处理,并进行多域信号分析,进行特征提取;其次,利用主成分分析(PCA)对特征向量进行优化选择,得到冗余度低的特征向量;然后利用WOA优化SVM的参数,惩罚参数 与核参数;最后利用优化好的WOA-SVM分类器实现刀具磨损状态的识别。通过实验对比分析,相比于SVM、PSO-SVM模型,WOA-SVM模型准确率最高,达到97.89%,且参数优化时间也比PSO-SVM模型缩短了47.35%,从两个方面验证了WOA-SVM模型的优越性。

基于核主成分和灰狼优化算法的刀具磨损状态识别

为了提高刀具磨损状态实时监控的准确性和泛化能力,提出一种基于切削力特征间接识别刀具磨损状态的方法。该方法建立了切削力信号与刀具磨损的非线性映射关系,并进行刀具生命周期内的性能试验,采集切削力信号,提取信号的时域、频域和小波域特征,采用核主成分分析法进行数据降维,利用灰狼优化的支持向量机得到刀具磨损的分类等级。最后与其他文献中的方法进行对比,结果表明该模型能够更准确地反映刀具的磨损状态,具有较高的泛化能力。

基于流形学习与隐马尔可夫模型的刀具磨损状况识别

为了提高金属铣削过程中的刀具磨损状态识别的自动化程度与精度,提出了基于局部切空间排列(LTSA)方法与隐Markov模型(HMM)来识别刀具的不同磨损状态的方法。该方法首先利用小波分析技术对铣削过程中的切削进给方向力信号进行处理,构造了高维特征空间。然后使用基于流形学习方法实现了高维特征空间的维数约简。最终利用约简后的低维特征向量训练HMM,从而实现刀具磨损状态的识别。实验结果说明该方法能够有效地识别铣削过程的刀具磨损状态。与未经特征维数约简的识别方法相比,新方法能够提高刀具磨损状态的识别效率与准确率。

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition,EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions,IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm,SSA)优化支持向量机(support vector machine,SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。

基于AR特征的刀具状态识别方法

通过分析切削过程刀具产生的振动信号的特点,引入自回归(AR)模型来表征刀具切削过程的工作状态;并利用隐Markov模型(HMM)对经AR模型处理后得到的特征向量(AR系数)和由FFT得到的特征向量(幅值谱)进行比较.结果表明:对于切削过程产生的振动信号采用AR模型得到的特征参数比由FFT得到的幅值谱更能有效地表征这一过程中刀具的工作状态.

智能滚齿机刀具、夹具及工件识别与匹配系统的设计

为解决智能滚齿加工中刀具、夹具及工件的误用问题,提出了一种刀具、夹具及工件与任务配套检验的方法,并基于该方法设计了智能滚齿机刀具、夹具及工件识别与匹配系统(IMS-CFW)的总体架构。对系统功能实现中涉及到的识别技术进行了研究,包括激光标刻二维条码识别技术和无线射频识别(RFID)技术相结合的刀具、夹具及工件识别方法和针对在机识别时存在的加工干涉和易碰撞等问题,提出了基于模糊自整定PID算法的夹具RFID读写头移动定位控制方法和基于RFID设备读取时间的刀杆轴和夹具轴的转动控制方法。最后,开发了识别与匹配系统,并通过案例验证了该系统能有效缩短加工准备时间和解决刀具、夹具及工件的误用问题,从而提高生产效率和加工质量,具有实际推广价值。

模糊数据融合的刀具磨损状态智能识别

为实现高速加工时刀具渐变磨损状态的在线准确识别,提出了一种集合多种智能的间接检测刀具磨损状态方法的模糊数据融合方法.尽管这些方法具有算法实现较为简单、处理速度较快的优点,但单一的信号检测及单一的智能建模方法难以获得全面的加工状态信息和准确的识别结果.为此,利用F推理技术对上述方法的冗余和互补信息进行数据融合,应用Makino-Fanuc 74-A20型加工中心的测试数据验证了该方案的可行性,并将刀具后刀面磨损的预测值与基于机器视觉检测的实测值进行比较.实验结果分析表明,多参数模糊融合识别方法能快速获得切削刀具磨损状态更加准确的预测值.

基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究

针对刀具磨损声发射信号的非平稳特征,提出了基于奇异值分解和最小二乘支持向量机的刀具磨损状态识别方法。该方法首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,利用固有模态函数构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为特征向量,送入最小二乘支持向量机训练、识别。结果表明:该方法能很好地识别刀具磨损状态,与神经网络相比具有更高的识别率。

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。