Implementation of remote monitoring system for prediction of tool wear and failure using ART2

Remote monitoring of tools for prediction of tool wear in cutting processes was considered, and a method of implementation of a remote-monitoring system previously developed was proposed. Sensor signals were received and tool wear was predicted in the local system using an ART2 algorithm, while the monitoring result was transferred to the remote system via intemet. The monitoring system was installed at an on-site machine tool for monitoring three kinds of tools cutting titanium alloys, and the tool wear was evaluated on the basis of vigilances, similarities between vibration signals received and the normal patterns previously trained. A number of experiments were carried out to evaluate the performance of the proposed system, and the results show that the wears of finishing-cut tools are successfully detected when the moving average vigilance becomes lower than the critical vigilance, thus the appropriate tool replacement time is notified before the breakage.

基于ISABO-IBiLSTM模型的刀具磨损预测方法

针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而导致预测精度不高的问题,提出了一种将改进的减法优化器(SABO)算法和改进的双向长短时记忆(BiLSTM)网络相结合的刀具磨损状态预测模型(ISABO-IBiLSTM模型)。首先,采用截断法、Hampel滤波法、改进的完全自适应噪声集合经验模态分解(ICEEMDAN)-改进的小波阈值降噪法对加速度振动信号与力信号数据进行预处理。然后,提取预处理后的信号数据的时域、频域、时频域特征,并通过斯皮尔曼和最大互信息相关系数筛选特征,构建模型的输入。最后,利用改进的SABO算法对改进后的BiLSTM网络进行参数寻优,基于所得到的优化参数训练网络实现磨损预测。实验数据分析结果表明,所提出的ISABO-IBiLSTM模型对刀具磨损量的预测精度为98.49%~98.83%,较BiLSTM模型、改进的BiLSTM模型、改进的卷积神经网络(ICNN)-BiLSTM模型有了较大的提高。

DTCWPT与TSMAE融合的刀具磨损状态辨识方法

获取高质量的刀具磨损特征信息是识别刀具磨损状态的前提。为克服现有刀具磨损状态辨识方法中特征信息提取不足的问题,提出了一种基于双树复小波包变换(dual-tree complex wavelet packet transform,DTCWPT)、时移多尺度注意熵(time-shifted multiscale attention entropy,TSMAE)和随机森林(random forest,RF)的刀具磨损状态辨识方法。利用实测刀具磨损数据集对所提方法的有效性进行了验证,并从信号分解和特征提取两方面与其他磨损辨识技术进行了对比。结果表明,在特征提取阶段,所提方法展现出极高的效率,分别仅需9.41 s和14.91 s即可完成特征提取。在磨损辨识阶段,多次实验的平均辨识精度分别达到了99.33%和100%,充分证明了该方法不仅能够迅速响应,还能准确地辨识刀具的磨损状态。相较其他方法,所提方法在效率和精度上都有明显的优势,在刀具磨损状态辨识领域具有较高的应用潜力。

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明:所提出的方法比对比模型的预测准确率更高,泛化能力更好。

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型(Multiscale time-distributed convolutional long short-term memory,MTDCLSTM)。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。

基于时间卷积网络的刀具磨损在线监测

在刀具磨损监测领域中,传统卷积神经网络难以选择合适的卷积核大小,循环神经网络容易发生梯度消失和梯度爆炸,为克服以上缺点,引入时间卷积网络构建在线监测模型对刀具磨损量进行监测。考虑到原始数据量过大且每次走刀过程所采集数据量不同,对数据进行降采样处理,获得了大小为(7,5000)的网络输入数据。通过一维卷积神经网络和时间卷积块的依次叠加,对数据进行特征提取,使用全连接网络将特征映射到刀具磨损值。最后,使用PHM大赛中铣刀磨损的数据验证了模型的效果。实验结果证明,基于时间卷积网络的刀具磨损在线监测模型具有较强的泛化能力,在验证集上均方误差和平均绝对误差分别仅为65.16与6.21,相较于隐马尔科夫、梯度提升树等模型具有较大的提升。

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。

基于时序分析与模糊聚类的铣削刀具磨损状态识别

对XKA714数控铣床采集的刀具运行状态振动信号进行计算、检验、分析样本自相关函数和样本偏相关函数的截尾性、拖尾性和周期性以及模型参数估计等时间序列相关分析,可判断动态数据序列适于AR(p)(autoregression)模型。以阶数p取12的模型参数作为特征向量提取,并采用模糊聚类分析方法确定刀具运行状态特征向量样本的亲疏关系,实现对铣削刀具的初期磨损阶段、正常磨损阶段和剧烈磨损阶段运行状态的识别。研究结果表明,基于时间序列分析与模糊聚类分析相结合的识别方法可以用于刀具磨损运行状态识别。

刀具磨损的切削力监测

本文用动态分析的方法，对切削力与刀具磨损的内在联系进行了一些理论探索和实验考查，提出了切削力监测刀具磨损的新方法：频段均方值法．经实验、离线分析，该方法可以准确、及时、可靠地监测刀具磨损状态．

铣削刀具不同磨损期振动信号的分维特征

提出了应用铣削刀具磨损工作状态下的振动加速度信号的关联维数来描述刀具不同磨损状态下的特征,进而实现对状态的监测、识别。试验证明,刀具磨损在相同状态下,振动信号具有相近的关联维数,在不同状态下则有明显的关联维数。因此,关联维数不仅可以作为状态监测与识别的重要依据,而且可以作为其他特征提取方法的补充。

基于深度门控循环单元神经网络的刀具磨损状态实时监测方法

为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。

基于切削力信号的钻头磨损状态实时监测

研究了钻削过程中刀具在线磨损状态特征信号的提取方法。以轴向力和扭矩为监测信号,在普通钻床上建立起相应的实时信号数据采集系统,通过对信号进行幅域和频域分析,提取了特征信号随刀具磨损量增加的变化规律,为实现机械加工过程刀具状态的智能识别提供了依据。试验结果表明,该方法具有较好的抗干扰能力和较高的识别精度。

基于小波包分解的刀具磨损特征分析

为了高效准确地在线监测加工高温合金过程中的刀具磨损,有效地提取刀具磨损相关特征显得尤为重要。文章提出了基于小波包分解的刀具磨损特征提取方法,将刀具切削过程中的切削力信号在时频域下分解重构,分析了各频段重构信号能量值与刀具磨损的相关性,提取了信号分解重构后小波包系数能量值中与刀具磨损相关的两个频段信号作为刀具磨损监测的特征参数,最后通过试验结果表明,采用小波包分解方法在切削力信号中提取的切削力特征和切削振动特征可作为刀具磨损特征,从而为后续研究刀具磨损在线监测提供有效输入。

铣刀磨损过程中铣削力与磨损面积分析

研究了三刃立铣刀磨损过程中切削力与刀具后刀面磨损带中部宽度（VB）、磨损面积、刀具副后刀面磨损带宽和磨损面积之间的关系．实验结果表明：铣刀磨损过程中，铣刀每转切削力均值、每切削刃切削力均值的变化曲线与车刀的典型磨损过程曲线相似，铣刀后刀面磨损面积比VB更真实地反映铣刀的磨损状态，可根据x方向的切削力标准偏差与其均值的比值判断刀具的磨损．

刀具磨损的在线检测/实时补偿方法

刀具磨损的在线检测/实时补偿技术是现代制造系统的关键性技术之一。本文分析了刀具状态在线检测的方法,深入研究了一种在线检测/实时补偿刀具磨损的方法——工件尺寸间接法。利用在线检测仪器测得被加工工件尺寸,和预先设定的工件尺寸进行比较后将差值反馈到CNC系统,CNC系统根据反馈结果对机床进给做出相应的调整,达到补偿刀具磨损的目的。

基于振动测试的数控机床刀具磨损监测方法

为了通过特性分析直接判断数控机床刀具的工作状态,以实现柔性制造系统的研究,在刀具磨损的多种在线监测方法中采用振动测试的监测方法,对DL20MH数控车削中心的YG8硬质合金刀头进行在线监测,分别在不同的刀具磨损阶段实时监测其磨损信号,通过时域分析、频域分析和传递函数分析相结合的方法进行数据处理,并对照被加工工件的表面粗糙度和通过显微镜下观察刀刃的实时变化情况,对其进行分析处理,得出刀具的实时变化情况及被加工工件的粗糙度与理论数据基本吻合并呈现出一定的趋势,从实频域分析数据中也可以直观地判断刀具的磨损状态,测试结果与实际情况吻合,从而验证了振动测试是适合刀具磨损在线监测研究的。

基于加工尺寸检测数据的刀具磨损及寿命研究

在对机械加工尺寸跟踪检测和对检测数据进行建模分析的基础上 ,提出对刀具磨损状况及寿命进行估计和预测的新途径 ;将加工质量控制与刀具监控统一起来 ,为自动化机械加工设备的换刀决策提供了一种新方法。

面向航空复杂薄壁零件智能加工的进化建模方法

航空复杂薄壁零件的材料加工性能差、加工过程的强时变性和多态性(工件的几何、动力学特性,刀具磨损状态在加工过程中变化剧烈)导致建模难度较大。为了提高航空复杂薄壁零件的加工精度,首先根据薄壁零件加工工艺,通过对加工时间进行离散,建立了零件加工过程4维多态模型。针对具体工序模型的演化过程,建立了几何演化模型、动力学演化模型以及刀具磨损演化模型,最后通过误差补偿进化模型建立了整个加工过程的闭环控制,通过迭代学习方法实现了非线性误差的建模。

数控车床中车刀磨损量的在线获取方法

介绍了一种在线估算数控车床上车刀磨损量的方法。该方法通过实时采样切削过程中 切削力的变化，并考虑切削用量，利用具有变因子ＢＰ学习算法的前馈感知器型神经网络，在 线提取车刀的磨损信息。该方法利用一个静态神经网络和一个动态神经网络构成一个估计系 统，动态神经网络用来估算车刀磨损量，静态神经网络为动态网络提供学习信息，从而保证 在切削参数和切削条件变化时系统输出的准确性。

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。