CN103433806A - 一种自适应的刀具微破损监控***及监控方法 - Google Patents
一种自适应的刀具微破损监控***及监控方法 Download PDFInfo
- Publication number
- CN103433806A CN103433806A CN201310332943XA CN201310332943A CN103433806A CN 103433806 A CN103433806 A CN 103433806A CN 201310332943X A CN201310332943X A CN 201310332943XA CN 201310332943 A CN201310332943 A CN 201310332943A CN 103433806 A CN103433806 A CN 103433806A
- Authority
- CN
- China
- Prior art keywords
- signal
- acoustic emission
- cutter
- tool
- emission signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种自适应的刀具微破损监控***,包括多传感器探测模块、信号调理和采集模块、数据处理和特征提取模块与刀具破损识别和报警模块,所述多传感器探测模块、信号调理和采集模块、数据处理和特征提取模块与刀具破损识别和报警模块依次连接,所述多传感器探测模块安装在刀架、工件或者工作台上,本发明还涉及一种自适应的刀具微破损监控方法。与现有技术相比,本发明的一种自适应的刀具微破损监控***及方法有很高的灵敏性和稳定性,使得漏报率和错报率都得到大幅度的降低,适用于高精密切削加工中刀具状态的监控。
Description
技术领域
本发明涉及到机床切削刀具状态监控技术领域,特别涉及一种自适应的刀具微破损监控***及监控方法。
技术背景
切削刀具状态在线监控是机床智能维护***中一个重要的组成部分,多年来,各国的学者在刀具破损的监控方法上做了大量的研究,并取得了一定的进展。总的说来,最近20年发展起来的刀具破损监控的理论,关键技术主要在两方面,一是传感器技术,二是信号处理技术。针对传感器技术,应用在刀具破损监控上的传感器类型主要有力传感器,功率传感器,振动传感器,声发射传感器,还有图像设备等。例如中国专利申请号CN201010571427发明名称为:监测刀具破损装置,通过压力传感器,把传感器放置在丝杠螺母与滑板接触段之间,感应切削力的变化,自动控制机床动作的刀具破损监控方法。中国专利申请号CN200982547.X发明名称为:基于影像的刀具在线检测与补偿***及方法,利用摄像装置捕获刀具的几何影像,通过图像处理获知刀具的状态。中国专利申请号CN200910232961发明名称为:加工中心用无线刀具破损检测装置及其检测方法,利用声发射传感器检测刀具的破损。针对信号处理技术,多种处理技术应用在刀具破损监控上,比如小波分析和参数分析法。例如中国专利申请号CN201010594595发明名称为:基于小波包和概率神经网络的刀具破损自适应报警方法,信号经过小波包分解后提取特征向量,输入神经网络来实现刀具破损的监控。中国专利申请号CN92111137.1发明名称:一种刀具失效综合监控方法与装置,利用多参数识别技术来监控刀具的破损。但是,以上这些发明专利都没有很好的解决一个问题,那就是刀具微小破损的监控。在切削加工中,工件的不均匀性会造成刀具的破损。这种刀具的破损往往是非常微小的,传感器输出的信号会淹没在机床噪声信号中,使得刀具微小破损无法被识别。首先,图像方法要求停机检查,严重的降低了生产效率,无法实现实时地监控。功率信号,切削力信号和振动方法灵敏度低,对刀具微小的变化的灵敏度不够,容易受到来自切削参数的影响。而且由于传感器价格昂贵,安装不便等因素,在实际生产中的应用有很大的局限性。基于参数方法和小波分析的处理技术在面对刀具破损信号淹没在机床噪声中时也显得无能为力,特别是无法区分刀具破损信号与切屑折断信号的不同,容易造成误报和错报。
发明内容
本发明目的是针对现有技术存在的缺陷提供一种自适应的刀具微破损监控***及方法。
本发明目的通过以下技术方案实现:
一种刀具微破损监控***,包括:
多传感器探测模块,对刀具的声发射信号进行采集;
信号调理和采集模块,接收所述多路传感器探测模块采集的所述声发射信号,并对所述声发射信号进行放大及采样;
数据处理和特征提取模块,对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
刀具破损识别与报警模块,其中存储着不同加工条件、不同刀具破损的标准特征向量,所述刀具破损识别与报警模块接收所述第一特征向量,将所述第一特征向量与所述标准特征向量进行比对,确定刀具状态,发出报警信号。
优选地,所述多传感器探测模块包括若干声发射传感器,所述声发射传感器为宽带型,响应频段为50KHZ-2000KHZ。
优选地,所述多传感器探测模块包括三路声发射传感器。
优选地,所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块,所述信号前置放大器的输入端与所述声发射传感器连接,所述信号前置放大器的输出端连接至数字采集卡。
优选地,所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台,所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。
优选地,所述刀具破损识别与报警模块包含刀具破损特征库,所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。
一种自适应的刀具微破损监控方法,利用上述的刀具微破损监控***对刀具的微破损进行监控,包括以下步骤:
(1)多传感器探测模块采集刀具的声发射信号;
(2)信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样;
(3)数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
(4)刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对,确定刀具状态,发出报警信号。
优选地,所述信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样的步骤具体包括:
前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大;
经前置放大后的声发射信号送入数字采集卡,所述数字采集卡的单通道采样频率为2.5MHZ~5MHZ,采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。
优选地,所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量的步骤具体包括:
在LABVIEW平台中将采集到的声发射信号,去均值,之后白化处理,白化处理后的信号,应用FastICA对其进行盲源分离,得到分离信号源;
把分离信号源送入MATLAB处理平台,在MATLAB中对分离信号源进行高通滤波,之后加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,计算各信号本征模函数能量以及总能量,计算每个模函数的能量百分比,绘制能量分布曲线和特征阶模函数能量百分比变化曲线,并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取,形成所述第一特征向量。
优选地,所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。
与现有技术相比,本发明有以下有益效果:
本发明的一种自适应的刀具微破损监控方法及***有很高的灵敏性和稳定性,使得漏报率和错报率都得到大幅度的降低,适用于高精密切削加工中刀具状态的监控。
附图说明
图1为本发明一种自适应的刀具微破损监控方法与***的结构图;
图2为本发明硬件***示意图;
图3为本发明一种自适应的刀具微破损监控方法与***的算法框图;
图4为噪声辅助经验模态分解的流程图;
图5为刀具稳定切削过程中发生破损的声发射信号(AE信号)曲线;
图6为刀具破损AE信号的IMF能量分布曲线图;
图7为刀具切削过程中发生切入和切出工件情况下的声发射信号(AE信号)曲线;
图8为刀具切削过程中发生切入和切出工件情况下的AE信号的IMF能量分布曲线图。
具体实施方式
以下结合附图和具体实施例对本发明提出的自适应的刀具微破损监控***及监控方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比率,仅用于方便、明晰地辅助说明本发明实施例的目的。
本发明提供了一种刀具微破损监控***,包括:
多传感器探测模块,对刀具的声发射信号进行采集;
信号调理和采集模块,接收所述多路传感器探测模块采集的所述声发射信号,并对所述声发射信号进行放大及采样;
数据处理和特征提取模块,对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
刀具破损识别与报警模块,其中存储着不同加工条件、不同刀具破损的标准特征向量,所述刀具破损识别与报警模块接收所述第一特征向量,将所述第一特征向量与所述标准特征向量进行比对,确定刀具状态,发出报警信号。
较佳实施例中,所述多传感器探测模块包括若干声发射传感器,所述声发射传感器为宽带型,响应频段为50KHZ-2000KHZ。
较佳实施例中,所述多传感器探测模块包括三路声发射传感器。
较佳实施例中,所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块,所述信号前置放大器的输入端与所述声发射传感器连接,所述信号前置放大器的输出端连接至数字采集卡。
较佳实施例中,所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台,所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。
较佳实施例中,所述刀具破损识别与报警模块包含刀具破损特征库,所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。
本发明还提供了一种自适应的刀具微破损监控方法,利用上述的刀具微破损监控***对刀具的微破损进行监控,包括以下步骤:
(1)多传感器探测模块采集刀具的声发射信号;
(2)信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样;
(3)数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
(4)刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对,确定刀具状态,发出报警信号。
较佳实施例中,所述信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样的步骤具体包括:
前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大;
经前置放大后的声发射信号送入数字采集卡,所述数字采集卡的单通道采样频率为2.5MHZ~5MHZ,采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。
较佳实施例中,所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量的步骤具体包括:
在LABVIEW平台中将采集到的声发射信号,去均值,之后白化处理,白化处理后的信号,应用FastICA对其进行盲源分离,得到分离信号源;
把分离信号源送入MATLAB处理平台,在MATLAB中对分离信号源进行高通滤波,之后加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,计算各信号本征模函数能量以及总能量,计算每个模函数的能量百分比,绘制能量分布曲线和特征阶模函数能量百分比变化曲线,并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取,形成所述第一特征向量。
较佳实施例中,所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。
实施例
如图1至图2所示,本实施例提供的一种自适应的刀具微破损监控***包括多传感器探测模块1、信号调理和采集模块2、数据处理和特征提取模块3与刀具破损识别和报警模块4,所述多传感器探测模块1、信号调理和采集模块2、数据处理和特征提取模块3与刀具破损识别和报警模块4依次连接,所述多传感器探测模块1安装在刀架、工件或者工作台上。多传感器探测模块1包括若干声发射传感器11,所述声发射传感器11为宽带型,响应频段为50KHZ-2000KHZ,将多个声发射传感器11涂上耦合剂,根据不同的应用场合,通过磁吸附装置固定在不同的位置。信号调理和采集模块2包括信号前置放大器21、高频PCI数字采集卡22和基于LABVIEW平台的声发射信号采集程序,所述信号前置放大器21输入端与声发射传感器11连接,输入端连接至高频PCI数字采集卡22。其中,所述数据处理和特征提取模块3包括LABVIEW平台与MATLAB处理平台,所述LABVIEW平台与MATLAB处理平台用于信号的处理与分析。所述刀具破损识别与报警模块4包括刀具破损特征库,所述刀具破损特征库存储着不同加工条件、不同刀具破损的特征向量。
请参照附图3,并结合附图1至附图2,本实施例提供的自适应的刀具微破损监控方法包括以下步骤:
第一步,先将声发射传感器11采集到的三路信号经过40DB前置放大,送入高频PCI数字采集卡22,单通道采样频率5MHZ。
第二步,将采集到的三路信号x(t),y(t),z(t),去均值,之后白化处理。处理后的信号,应用FastICA对其进行盲源分离,得到分离信号源,x1(t),y1(t),z1(t)。
第三步,对分离信号源进行20KHZ高通滤波,之后加入白噪声,进行噪声辅助经验模态分解,分别得到三个本征模函数组(IMF)。计算各信号本征模函数能量(式1)以及总能量(式2),计算每个模函数的能量百分比(式3),绘制能量分布曲线和特征阶模函数能量百分比变化曲线。
其中,ci(t)表示第i阶本征模函数(IMF),N为大于1的自然数;Ei表示第i阶IMF的能量。
其中,噪声辅助经验模态分解的流程如图4所示,图4以x(t)为例对噪声辅助经验模态分解的方法进行说明,噪声辅助经验模态分解的方法具体为:
由原信号x(t)获得其上包络线u(t)以及下包络线l(t);
根据上包络线u(t)以及下包络线l(t)计算包络均值m1(t),其中
计算原信号x(t)与包络均值m1(t)的差h1(t),其中h1(t)=x(t)-m1(t);判断h1(t)是否满足IMF定义,如满足,则h1(t)为第一阶IMF,x1(t)=x(t)-h1(t)作为新的原信号进行分解;如不满足,则x(t)=h1(t),即h1(t)作为新的原信号进行分解。
第四步,提取能量分布曲线的特征信息,如曲线的峰值位置,提取特征阶模函数百分比变化曲线特征,比如突然上升点和下降点。
第五步,用提取的特征向量,与刀具破损特征库相对比,确定刀具破损类型,结果送入报警单元,输出报警信号。
应用例
以针对伊斯卡IC908铣刀片的破损为例对本发明进行进一步说明,请参考图5及图6,图5为刀具稳定切削过程中发生破损的声发射信号(AE信号)曲线,图6为刀具破损AE信号的IMF能量分布曲线图;其中,图5中的a表示利用锋利的刀具切削,b表示刀具破损,c表示低振幅的脉冲信号,d表示利用破损的刀具切削;图6中的各曲线分别表示图5中的a、d、b随IMF各阶数的能量百分比变化曲线;结合图5及图6,对伊斯卡IC908铣刀片的破损的判定策略如下:
首先对模函数的能量分布曲线做出判断:当在三条能量分布曲线中,有两条曲线峰值位于第四阶IMF处,一条曲线峰值位于第三阶IMF处,说明发生了稳定切削过程中的刀具破损,如图6所示。当有两条曲线峰值位于第四阶IMF处,一条峰值位于第二阶IMF或者第一阶IMF处,判定为刀具切出工件或者切屑折断,该图未示出。当有一条曲线峰值位于第四阶IMF处,一条峰值位于第三阶IMF处,一条曲线峰值位于第二阶IMF或者第一阶IMF处,判定为刀具破损,并且为切出破损或者材料中有硬质点破损,该图未示出。当有一条曲线峰值位于第四阶IMF处,两条曲线峰值位于第二阶IMF或者第一阶IMF处,判定为切出或者随机撞击,该图未示出。三条曲线能量曲线峰值都位于第四阶IMF处,判定为稳定切削,没有发生破损,该图未示出。
接着,在能量分布曲线判定的基础上,利用能量百分比变化曲线验证结论,提高监控的准确性:对整个切削过程,每隔2ms取一个时间片段,片段长度为2ms,计算IMF3的能量百分比数值,绘制出IMF3的能量百分比变换曲线,当在第一步中判定为刀具破损时,观测IMF3的变换曲线有没有发生突然的升高。如果曲线突然升高,2ms后又回落,那就确定为刀具破损。如果没有发生此现象,返回决策第一步重新判断。
如出现第一步与第二步策略冲突的情况,以第二步为最终确定标志,结果送入报警单元,输出报警信号。
进一步地,以针对伊斯卡IC908铣刀片切削过程中发生切入和切出工件情况为例对本发明进行进一步说明,请参考图7及图8,图7为刀具切削过程中发生切入和切出工件情况下的声发射信号(AE信号)曲线,图8为刀具切削过程中发生切入和切出工件情况下的AE信号的IMF能量分布曲线图;其中,图7中的e表示切入,f表示稳定切削,g表示切出;图8中的各曲线分别表示图5中的e、f、g随IMF各阶数的能量百分比变化曲线;结合图7及图8,对伊斯卡IC908铣刀片切削过程中发生切入和切出工件情况的判定策略如下:
根据图8中的模函数的能量分布曲线做出判断:当曲线中两条曲线的峰值位于第四阶IMF处,而一条曲线峰值位于第二阶IMF处,说明没有发生刀具破损,而只是发生刀具切入、切出工件的情况。
本发明提供的一种自适应的刀具微破损监控方法及***克服了刀具微小破损时,观测信号淹没在噪声信号之中,无法识别的情况。应用盲源分离技术首先将不同信号源发出的信号分离开来,分离出来的信号源有稳定切削的信号,刀具破损信号和切屑折断信号。盲源分离是基于独立性的,能够很好的提取微小的信号,之后对分离信号源进行噪声辅助经验模态分解。因为切削声发射信号会产生严重的模态混叠现象,所以应用最新的分解技术,消除模态混叠的影响。之后对分离的模函数计算能量分布特性,提取特征向量,进行决策判断,最后经过与特征库的对比,给出准确的判断。经过大量的试验验证,此方法能够很好的监控刀具的微小破损,填补了我国在刀具微小破损监控领域的空白。
以上公开的仅为本申请的几个具体实施例,但本申请并非局限于此,任何本领域的技术人员能思之的变化,都应落在本申请的保护范围内。
Claims (10)
1.一种刀具微破损监控***,其特征在于,包括:
多传感器探测模块,对刀具的声发射信号进行采集;
信号调理和采集模块,接收所述多路传感器探测模块采集的所述声发射信号,并对所述声发射信号进行放大及采样;
数据处理和特征提取模块,对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
刀具破损识别与报警模块,其中存储着不同加工条件、不同刀具破损的标准特征向量,所述刀具破损识别与报警模块接收所述第一特征向量,将所述第一特征向量与所述标准特征向量进行比对,确定刀具状态,发出报警信号。
2.如权利要求1所述的自适应的刀具微破损监控***,其特征在于,所述多传感器探测模块包括若干声发射传感器,所述声发射传感器为宽带型,响应频段为50KHZ-2000KHZ。
3.如权利要求2所述的自适应的刀具微破损监控***,其特征在于,所述多传感器探测模块包括三路声发射传感器。
4.如权利要求2所述的自适应的刀具微破损监控***,其特征在于,所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块,所述信号前置放大器的输入端与所述声发射传感器连接,所述信号前置放大器的输出端连接至数字采集卡。
5.如权利要求4所述的自适应的刀具微破损监控***,其特征在于,所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台,所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。
6.如权利要求1所述的自适应的刀具微破损监控***,其特征在于,所述刀具破损识别与报警模块包含刀具破损特征库,所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。
7.一种自适应的刀具微破损监控方法,利用如权利要求1所述的刀具微破损监控***对刀具的微破损进行监控,其特征在于,包括以下步骤:
(1)多传感器探测模块采集刀具的声发射信号;
(2)信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样;
(3)数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量;
(4)刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对,确定刀具状态,发出报警信号。
8.如权利要求7所述的自适应的刀具微破损监控方法,其特征在于,所述信号调理和采集模块接收所述声发射信号,并对所述声发射信号进行放大及采样的步骤具体包括:
前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大;
经前置放大后的声发射信号送入数字采集卡,所述数字采集卡的单通道采样频率为2.5MHZ~5MHZ,采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。
9.如权利要求8所述的自适应的刀具微破损监控方法,其特征在于,所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,从中提取声发射信号的第一特征向量的步骤具体包括:
在LABVIEW平台中将采集到的声发射信号,去均值,之后白化处理,白化处理后的信号,应用FastICA对其进行盲源分离,得到分离信号源;
把分离信号源送入MATLAB处理平台,在MATLAB中对分离信号源进行高通滤波,之后加入白噪声,进行噪声辅助经验模态分解,得到本征模函数组,计算各信号本征模函数能量以及总能量,计算每个模函数的能量百分比,绘制能量分布曲线和特征阶模函数能量百分比变化曲线,并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取,形成所述第一特征向量。
10.如权利要求9所述的自适应的刀具微破损监控方法,其特征在于,所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310332943XA CN103433806A (zh) | 2013-08-01 | 2013-08-01 | 一种自适应的刀具微破损监控***及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310332943XA CN103433806A (zh) | 2013-08-01 | 2013-08-01 | 一种自适应的刀具微破损监控***及监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103433806A true CN103433806A (zh) | 2013-12-11 |
Family
ID=49687570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310332943XA Pending CN103433806A (zh) | 2013-08-01 | 2013-08-01 | 一种自适应的刀具微破损监控***及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103433806A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
CN104485113A (zh) * | 2014-12-23 | 2015-04-01 | 长沙理工大学 | 一种多故障源声发射信号分离方法 |
CN105206283A (zh) * | 2015-08-28 | 2015-12-30 | 北京航空航天大学 | 一种复合材料结构的损伤信号盲源处理方法、装置和*** |
CN105676789A (zh) * | 2016-04-25 | 2016-06-15 | 苏州市职业大学 | 一种超硬刀具热疲劳裂纹监测*** |
CN106125667A (zh) * | 2016-03-10 | 2016-11-16 | 上海永趋智能科技有限公司 | 数控加工在线监控***及方法 |
CN107350900A (zh) * | 2017-07-06 | 2017-11-17 | 西安交通大学 | 一种基于断屑时间提取的刀具状态监测方法 |
CN109739183A (zh) * | 2019-01-14 | 2019-05-10 | 罗四游 | 一种基于多传感器的大型数控机床故障监测*** |
CN109856245A (zh) * | 2019-04-17 | 2019-06-07 | 南昌航空大学 | 一种基于经验模态分解的玻璃钢弯压应力损伤图谱定量评价方法 |
CN110246113A (zh) * | 2018-03-09 | 2019-09-17 | 史密斯国际有限公司 | 用于表征油田工具的*** |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN115847187A (zh) * | 2023-02-27 | 2023-03-28 | 成都大金航太科技股份有限公司 | 一种深窄槽车加工实时监控*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008518386A (ja) * | 2004-08-31 | 2008-05-29 | ワールド・プロパティーズ・インコーポレイテッド | 完成したelパネルからのカスタム・ランプ |
CN103128599A (zh) * | 2013-03-06 | 2013-06-05 | 上海交通大学 | 一种用于高速钻削加工的切削温度监测装置 |
-
2013
- 2013-08-01 CN CN201310332943XA patent/CN103433806A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008518386A (ja) * | 2004-08-31 | 2008-05-29 | ワールド・プロパティーズ・インコーポレイテッド | 完成したelパネルからのカスタム・ランプ |
CN103128599A (zh) * | 2013-03-06 | 2013-06-05 | 上海交通大学 | 一种用于高速钻削加工的切削温度监测装置 |
Non-Patent Citations (4)
Title |
---|
傅杰才等: "一种新的监控刀具破损报警***的研究", 《湖南大学学报》 * |
李卿等: "基于独立分量分析的切削声发射源信号分离", 《工具技术》 * |
杨明伦: "基于噪声辅助经验模态分解的铣削刀具破损监控方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
陈群涛: "基于声振信号EMD和ICA的铣刀状态监测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064186A (zh) * | 2014-06-26 | 2014-09-24 | 山东大学 | 一种基于独立分量分析的电气设备故障音检测方法 |
CN104485113A (zh) * | 2014-12-23 | 2015-04-01 | 长沙理工大学 | 一种多故障源声发射信号分离方法 |
CN105206283A (zh) * | 2015-08-28 | 2015-12-30 | 北京航空航天大学 | 一种复合材料结构的损伤信号盲源处理方法、装置和*** |
CN106125667A (zh) * | 2016-03-10 | 2016-11-16 | 上海永趋智能科技有限公司 | 数控加工在线监控***及方法 |
CN105676789A (zh) * | 2016-04-25 | 2016-06-15 | 苏州市职业大学 | 一种超硬刀具热疲劳裂纹监测*** |
CN105676789B (zh) * | 2016-04-25 | 2018-04-10 | 苏州市职业大学 | 一种超硬刀具热疲劳裂纹监测*** |
CN107350900A (zh) * | 2017-07-06 | 2017-11-17 | 西安交通大学 | 一种基于断屑时间提取的刀具状态监测方法 |
CN110246113B (zh) * | 2018-03-09 | 2024-04-12 | 史密斯国际有限公司 | 用于表征油田工具的*** |
CN110246113A (zh) * | 2018-03-09 | 2019-09-17 | 史密斯国际有限公司 | 用于表征油田工具的*** |
CN109739183A (zh) * | 2019-01-14 | 2019-05-10 | 罗四游 | 一种基于多传感器的大型数控机床故障监测*** |
CN109739183B (zh) * | 2019-01-14 | 2020-05-22 | 上海赛卡精密机械有限公司 | 一种基于多传感器的大型数控机床故障监测*** |
CN109856245A (zh) * | 2019-04-17 | 2019-06-07 | 南昌航空大学 | 一种基于经验模态分解的玻璃钢弯压应力损伤图谱定量评价方法 |
CN112720071B (zh) * | 2021-01-27 | 2021-11-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN115847187A (zh) * | 2023-02-27 | 2023-03-28 | 成都大金航太科技股份有限公司 | 一种深窄槽车加工实时监控*** |
CN115847187B (zh) * | 2023-02-27 | 2023-05-05 | 成都大金航太科技股份有限公司 | 一种深窄槽车加工实时监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103433806A (zh) | 一种自适应的刀具微破损监控***及监控方法 | |
CN102765010B (zh) | 刀具破磨损状态检测方法及其检测*** | |
CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
CN101900708B (zh) | 一种基于振动和声频信号的高速列车轨道伤损探测方法 | |
CN107378641A (zh) | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 | |
CN103175897B (zh) | 一种基于振动信号端点检测的高速道岔伤损识别方法 | |
CN102175768A (zh) | 一种基于振动信号的高铁钢轨伤损探测方法及装置 | |
CN111354366A (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN108169639A (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN107350900A (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
CN105021706B (zh) | 一种砂轮破碎状态预警识别装置及方法 | |
CN109236587B (zh) | 一种用于检测风力发电机异常工作的报警*** | |
CN111337447B (zh) | 一种煤矸仿生识别***及方法 | |
CN104101498A (zh) | 一种加工机床主轴轴承的实时故障检测方法及*** | |
CN108873813A (zh) | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 | |
CN103808801A (zh) | 一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
CN106198765A (zh) | 一种用于金属裂纹监测的声学信号识别方法 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警***及方法 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动*** | |
CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
CN107064298A (zh) | 一种运行中风机叶片裂纹的激光检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131211 |