CN107553219A - 一种基于多种类传感器复合信号的刀具磨损监控方法 - Google Patents
一种基于多种类传感器复合信号的刀具磨损监控方法 Download PDFInfo
- Publication number
- CN107553219A CN107553219A CN201710990870.1A CN201710990870A CN107553219A CN 107553219 A CN107553219 A CN 107553219A CN 201710990870 A CN201710990870 A CN 201710990870A CN 107553219 A CN107553219 A CN 107553219A
- Authority
- CN
- China
- Prior art keywords
- signal
- tool
- data
- tool wear
- abrasion
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0904—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool before or after machining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
- B23Q17/2452—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves for measuring features or for detecting a condition of machine parts, tools or workpieces
- B23Q17/2457—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves for measuring features or for detecting a condition of machine parts, tools or workpieces of tools
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明涉及一种基于多种类传感器复合信号的刀具磨损监控方法。本发明采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,通过两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法科学的耦合两种信息,并能够提取信号中反映刀具磨损量的特征因素,使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,采用基于SBL的识别方法对数据进行建模,采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化,实现刀具磨损量的准确预测,提高刀具磨损监控的效率和准确性。
Description
技术领域
本发明涉及一种基于多种类传感器复合信号的刀具磨损监控方法,属于刀具磨损检测领域。
背景技术
智能设备作为智慧工厂的核心之一,对运行状态的自我识别、自我学***有重要意义,可有效地节约成本、提高效率.
由于高速铣削中的刀具磨损过程复杂,模型参数过多且难以预测刀具磨损,如何通过更加有效途径预测刀具磨损成为研究人员的关注焦点。国内外学者对刀具磨损预测做了大量的研究,并取得了诸多进展。
声发射(Acoustic emission,AE)技术作为先进的检测手段对各种金属材料及其内部微细裂纹非常敏感,能发现材料的早期变化,故广泛用于各种机械设备检测。但由于每个声发射散点所含故障信息不同,故对评估设备状态信息贡献度也不同;而每个声发射散点提取的特征参量物理含义不同,对故障敏感程度也不同。某些特征参量能在故障早期发生突变,而某些特征参量变化趋势相对平缓,无法为设备故障状态提供预警。
刀具状态监测的另一核心问题是在分析信号特征的基础上,构建有效的算法进行刀具磨损量的预测。常用算法包括人工神经网络和支持向量机等。人工神经网络的预测算法,模型过于复杂、需要大量的实验样本,且计算收敛困难.支持向量机可以实现在小样本下刀具磨损量的预测,但易出现过学习现象,模型的稀疏性有限,且无法提供预测结果的概率信息。
发明内容
为了解决上述存在的技术问题,本发明提供一种基于多种类传感器复合信号的刀具磨损监控方法。
本发明的目的是通过下述技术方案实现的:一种基于多种类传感器复合信号的刀具磨损监控方法,其特征在于,包括如下步骤:
(1)数据采集:使用声发射传感器采集机床的声发射信号,使用功率传感器采集机床加工功率信号,同时在每次加工时段完毕后使用显微镜对刀具进行拍照,并测量刀具后刀面磨损值,用于比对获取刀具磨损数据;
(2)特征提取:应用云算法对采集的信号进行去噪处理,滤除干扰频段对提取特征参数的影响,然后对数据进行特征提取,分析各特征与刀具磨损量的相关性并选取相关性强的特征;
(3)构建模型及优化后分类和预测:经过后处理的数据特征和显微镜测量刀具磨损量数据形成样本组,采用基于SBL的识别方法对数据进行建模,采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化,实现刀具磨损量的准确预测。
本发明的有益效果:本发明采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,通过两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法科学的耦合两种信息,并能够提取信号中反映刀具磨损量的特征因素,使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高刀具磨损监控的效率和准确性。
附图说明
图1为本发明创造的总结构框图。
图2为本发明试验数据采集的流程图。
具体实施方式
步骤1数据采集:
用美国PAC的多通道声发射数据采集***进行数据采集,通过磁力座将声发射传感器固定在试验台刀箱上,先在刀箱中安装1把刀具,采集10s的声发射信号和功率信号;更换刀具,按相同步骤依次采集其余8把刀具不同时段的声发射信号和功率信号。
为了更好的研究在不同工件加工条件下刀具磨损状态与磨损量关系的预测问题,如将3种切削参数(切削速度、进给量和背吃刀量)全面组合,将会产生多组切削条件,导致试验量过大。因此采用正交试验法,在最少的试验次数下,科学地安排多组切削参数组合试验。
步骤2特征提取:
应用云算法对采集的信号进行去噪处理,滤除干扰频段对提取特征参数的影响。然后对数据进行特征提取,分析各特征与刀具磨损量的相关性并选取相关性强的特征。
熵值反映了不同磨损阶段对应的定性概念的不确定性程度,表现为信号在该磨损阶段对应云概念的可接受范围大小。基于无确定度的逆向云算法对各云概念的熵En计算。
选取5组切削条件下所得不同磨损状态重构信号s′(t)计算发现,随磨损量增加熵值En呈先增长后下降的趋势。磨损初期,时序信号的熵值较小,说明时序信号的云概念所覆盖的范围较小,这是因为刀具在前期磨损磨损较快,很快进入中期磨损阶段;此后,刀具磨损逐渐进入中期阶段,时序信号的熵值逐渐增大,说明概念所覆盖的范围变广,这是由于该阶段刀具磨损较慢,刀具磨损将进入一个平稳的正常切削阶段;磨损继续加剧,时序信号的熵值又变小,云概念所覆盖范围减小,这是因为进入后期磨损阶段时,失效率显著升高,刀具磨损加快。
步骤3特征后处理:
为了增强数据特征对刀具磨损量的敏感度,将上述得到的数据特征进行后处理,包括保序回归和指数平滑,使得处理后的特征能更好地适应刀具磨损量预测模型。
步骤4构建模型及优化后分类和预测:
稀疏贝叶斯学习是Tipping在支持向量机的基础上提出的用于回归和分类的机器学习法,SBL采用了贝叶斯推理方法,模型有着良好的稀疏性,可避免过学习现象,同时具有概率预测能力。
实验结果及分析
将经处理后的特征数据分成2组,其中65%为训练组,其余为测试组.该实验的过程和参数如下:
稀疏机学习是获得包含大量信息的高维数据的模型的有力工具,且其计算代价较低。实验中我们做这样的假设:如果一个连接权值为零,那么我们把它理解为已被消除。
实验采用非负最小二乘正则参数的贝叶斯学习方法。该方法能够从含噪的数据中精确地获得稀疏解。实验中使用采集的信号的长度分别为128,稀疏度K=10即信号有个位置的系数不为零,特征提交后观测矩阵的维数为64*128,观测噪声方差0.05,初始化参数为0.1。
用训练组数据对该预测模型进行训练,用测试组数据验证模型的准确度,其准确度在92%以上。
Claims (1)
1.一种基于多种类传感器复合信号的刀具磨损监控方法,其特征在于,包括如下步骤:
(1)数据采集:使用声发射传感器采集机床的声发射信号,使用功率传感器采集机床加工功率信号,同时在每次加工时段完毕后使用显微镜对刀具进行拍照,并测量刀具后刀面磨损值,用于比对获取刀具磨损数据;
(2)特征提取:应用云算法对采集的信号进行去噪处理,滤除干扰频段对提取特征参数的影响,然后对数据进行特征提取,分析各特征与刀具磨损量的相关性并选取相关性强的特征;
(3)构建模型及优化后分类和预测:经过后处理的数据特征和显微镜测量刀具磨损量数据形成样本组,采用基于SBL的识别方法对数据进行建模,采用贝叶斯匹配追踪算法对SBL模型核函数的宽度参数进行优化,实现刀具磨损量的准确预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710990870.1A CN107553219A (zh) | 2017-10-23 | 2017-10-23 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
CN201811220952.9A CN109318056A (zh) | 2017-10-23 | 2018-10-19 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710990870.1A CN107553219A (zh) | 2017-10-23 | 2017-10-23 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107553219A true CN107553219A (zh) | 2018-01-09 |
Family
ID=60985862
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710990870.1A Pending CN107553219A (zh) | 2017-10-23 | 2017-10-23 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
CN201811220952.9A Pending CN109318056A (zh) | 2017-10-23 | 2018-10-19 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811220952.9A Pending CN109318056A (zh) | 2017-10-23 | 2018-10-19 | 一种基于多种类传感器复合信号的刀具磨损监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN107553219A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427375A (zh) * | 2018-04-11 | 2018-08-21 | 温州大学 | 一种基于带通滤波处理多传感监测刀具状态的方法 |
CN108536095A (zh) * | 2018-04-24 | 2018-09-14 | 湖北文理学院 | 一种丝杠磨损量实时预测方法 |
CN110032981A (zh) * | 2019-04-19 | 2019-07-19 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理*** |
CN113084237A (zh) * | 2021-04-16 | 2021-07-09 | 贵州大学 | 铣刀磨损值的预测方法、装置、电子装置和存储介质 |
CN114880814A (zh) * | 2022-07-08 | 2022-08-09 | 南通恒强轧辊有限公司 | 基于大数据的轧辊改制辅助优化方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046427B (zh) * | 2019-04-15 | 2021-11-19 | 中南大学 | 基于正交设计和正态云模型机制砂t梁混凝土配合比方法 |
CN110286649B (zh) * | 2019-06-28 | 2020-11-27 | 江苏南高智能装备创新中心有限公司 | 针对数控机床上传感器采集数据的建模***及其方法 |
TW202105100A (zh) * | 2019-07-16 | 2021-02-01 | 神通資訊科技股份有限公司 | 自動加工機之異常偵測系統及方法 |
CN110472635B (zh) * | 2019-07-19 | 2022-06-21 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN111230159B (zh) * | 2020-03-02 | 2021-04-16 | 西南交通大学 | 一种多传感器融合的车刀状态监测方法及*** |
CN113941901B (zh) * | 2020-07-17 | 2024-04-23 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
CN112192319A (zh) * | 2020-09-28 | 2021-01-08 | 上海交通大学 | 无监督模型的刀具磨损监测方法及*** |
CN114800039B (zh) * | 2022-04-08 | 2023-03-14 | 山东大学 | 一种在线监测薄壁件铣削刀具状态的特征强化方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9146855B2 (en) * | 2012-01-09 | 2015-09-29 | Dell Products Lp | Systems and methods for tracking and managing non-volatile memory wear |
CN103335637A (zh) * | 2013-06-03 | 2013-10-02 | 南京大学 | 一种基于小波-云模型的水文序列展延方法 |
CN103295068A (zh) * | 2013-06-09 | 2013-09-11 | 常州信息职业技术学院 | 一种基于云模型技术的网络课程满意度评价***和方法 |
CN104361529A (zh) * | 2014-11-04 | 2015-02-18 | 海南电网有限责任公司 | 一种基于云模型的配电***可靠性评测方法 |
-
2017
- 2017-10-23 CN CN201710990870.1A patent/CN107553219A/zh active Pending
-
2018
- 2018-10-19 CN CN201811220952.9A patent/CN109318056A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427375A (zh) * | 2018-04-11 | 2018-08-21 | 温州大学 | 一种基于带通滤波处理多传感监测刀具状态的方法 |
CN108427375B (zh) * | 2018-04-11 | 2020-10-27 | 温州大学 | 一种基于带通滤波处理多传感监测刀具状态的方法 |
CN108536095A (zh) * | 2018-04-24 | 2018-09-14 | 湖北文理学院 | 一种丝杠磨损量实时预测方法 |
CN110032981A (zh) * | 2019-04-19 | 2019-07-19 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN110032981B (zh) * | 2019-04-19 | 2022-07-26 | 电子科技大学 | 基于改进支持向量机的旋转机械故障识别方法 |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理*** |
CN111890125B (zh) * | 2020-06-30 | 2021-06-22 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理*** |
CN113084237A (zh) * | 2021-04-16 | 2021-07-09 | 贵州大学 | 铣刀磨损值的预测方法、装置、电子装置和存储介质 |
CN114880814A (zh) * | 2022-07-08 | 2022-08-09 | 南通恒强轧辊有限公司 | 基于大数据的轧辊改制辅助优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109318056A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107553219A (zh) | 一种基于多种类传感器复合信号的刀具磨损监控方法 | |
Madhusudana et al. | Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN110576335B (zh) | 一种基于切削力的刀具磨损在线监测方法 | |
Ali et al. | Acoustic emission signal analysis and artificial intelligence techniques in machine condition monitoring and fault diagnosis: a review | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN112858473A (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
Das et al. | Essential steps in prognostic health management | |
CN114619292A (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
CN104316167B (zh) | 一种低信噪比下结构响应异常检测方法 | |
CN109333159B (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及*** | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
CN102445396B (zh) | 一种基于起重机钢丝绳载荷测量的在线检测使用强度和疲劳预报的装置及方法 | |
CN116049654B (zh) | 一种选煤设备的安全监测预警方法及*** | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
Shubita et al. | Fault detection in rotating machinery based on sound signal using edge machine learning | |
CN104462836B (zh) | 基于全周期分段步加策略的小子样加速失效演变实验方法 | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
CN114034772B (zh) | 一种轧辊潜在失效检测与剩余使用寿命预测专家*** | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180109 |
|
WD01 | Invention patent application deemed withdrawn after publication |