基于卷积神经网络的车刀磨损研究

车削加工过程中,刀具磨损是影响加工效率最重要的一个因素,在工件表面发生过度损坏之前,需要对刀具的磨损情况进行识别和及时更新,实现工件的高质量生产加工。提出了一种基于深度学习的刀具磨损状态识别方法,通过显微镜记录不同磨损阶段的车削刀具图像,并利用卷积神经网络提取输入图像不同磨损状态特征,为该模型选择合适的训练参数,实现切削刀具磨损的状态分类。实验表明,在对车刀的不同磨损状态进行分类时,准确率可达94.0%,可用于低成本识别车削加工过程中的刀具磨损状态。

基于奇异值分解和灰靶决策的车刀磨损状态判别

针对随机噪声干扰车刀磨损振动信号时域特征提取,车刀磨损判别精度不高的问题,提出一种通过小波包变换和相关系数法提取车刀振动信号的磨损时域特征,采用奇异值分解对磨损时域特征进行去噪处理,去噪处理后获取磨损时域特征。选取与车刀磨损最相关的磨损特征作为参考特征序列,计算参考特征序列与其余磨损特征序列之间的相似关联度,对相似关联度归一化处理得到各磨损时域特征的权值,使用灰靶决策计算各磨损时域特征的综合测度,确定车刀磨损状态。实验结果表明:该方法可以有效地滤除随机噪声干扰。

车刀磨损的原因及改进措施研究

结合工作实际,对车刀磨损主要原因进行分析并对其提出改进措施,有利于提高刀具的使用效率,改善加工品质,提高切削效率。

基于遗传算法优化神经网络刀具磨损监测研究

通过对车刀磨损状态监测技术的研究,建立了基于遗传算法(Genetic Algorithm, GA)的BP(Back propagation)神经网络刀具磨损状态识别模型。选择振动信号和AE信号作为实验监测信号,对采集的振动信号和AE信号分别采用不同的方法进行分析,最终提取到与刀具磨损相关性强的特征作为原始特征。采用Relief-F算法对原始特征进行特征过滤得到最终特征样本。将测试样本输入训练后刀具磨损状态识别模型并查看识别结果。结果表明,识别模型的正确识别率达到96.296%,表明建立的GA-BP模型对车刀状态识别具有很好的分类效果。

高斯过程的车床刀具磨损预测研究

为了保证产品质量,并能及时、准确、有效的更换刀具,提出利用高斯过程建立模型并对刀具磨损程度进行预测。首先利用Deform软件仿真车床刀具切削过程,建立刀具磨损随时间变化而变化的样本,然后利用该样本建立高斯过程的刀具磨损预测模型。最后进行刀具实际切削实验,利用测量工具测量刀具磨损量,并建立刀具随时间变化的实际磨损样本,利用实际实验数据对预测值进行验证。数据分析结果表明:预测模型可以有效地学习并预测刀具磨损中的非线性关系,而且刀具磨损的预测精度较高。因此在预测刀具磨损程度时,该模型可以作为重要的预测手段。

介绍一种车床刀具磨损视觉检测装置

对于现代机床而言,刀具的磨损状态监测显得日益重要。在此设计并制作出了一种新颖的在机视觉检测装置,不仅可以实现视觉系统与机床的结合,而且具有良好的隔振性能。实验结果表明,采用这种机构,可以使摄像机拍摄到比较清晰的图像,为实现车刀磨损在机检测提供了条件。

浅谈车刀的刃磨与寿命的关系

车刀磨损是切削过程中一个普遍的现象。由于切削时会产生很大的切削力,车刀前刀面与切屑之间,后刀面与工件之间的相对运动而发生剧烈的摩擦与粘结现象;在切屑被切下的同时,车刀材料的微小颗粒被工件切屑一起带走。尤其是当切削热很高时,车刀硬度下降,金相组织改变,合金元素扩散,如此经过一段时间的切削,车刀就失去了切削性能。