CN109396956B - 一种数控滚齿机滚刀状态智能监测方法 - Google Patents
一种数控滚齿机滚刀状态智能监测方法 Download PDFInfo
- Publication number
- CN109396956B CN109396956B CN201811314647.6A CN201811314647A CN109396956B CN 109396956 B CN109396956 B CN 109396956B CN 201811314647 A CN201811314647 A CN 201811314647A CN 109396956 B CN109396956 B CN 109396956B
- Authority
- CN
- China
- Prior art keywords
- hob
- state
- hobbing
- sample
- stage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000005520 cutting process Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 208000035874 Excoriation Diseases 0.000 claims description 9
- 238000005299 abrasion Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 9
- 206010062544 Tooth fracture Diseases 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000003754 machining Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- B23Q17/0952—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 during 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
- B23Q17/09—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
- B23Q17/0952—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 during machining
- B23Q17/0971—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 during machining by measuring mechanical vibrations of parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Gear Processing (AREA)
Abstract
本发明公开了一种数控滚齿机滚刀状态智能监测方法,包括以下步骤:步骤一,实时采集B轴振动信号;步骤二,对B轴振动信号进行数据分割;步骤三,构建滚刀状态标准样本集X,提取样本初始特征向量f0;步骤四,构建滚刀状态互K近邻图G,进行特征选择构成样本特征向量f;步骤五,构建滚刀状态特征矩阵F,建立模糊相似关系矩阵R,并构造传递闭包t(R)进行聚类分析,实现滚刀状态识别。本发明通过构建滚刀状态互K近邻图,将数控滚齿机主轴振动信号处理与图谱理论相结合,可实现滚刀状态的在线实时监测,以便及时进行滚刀更换和刃磨,避免扩展裂纹、刀齿断裂的发生,能减少对操作人员专业技能的依赖,推动数控滚齿机的智能化进程。
Description
技术领域
本发明涉及刀具状态智能监测方法,特别涉及一种数控滚齿机滚刀状态智能监测方法。
背景技术
随着以智能制造为主导的第四次工业革命的推进,数控机床也朝着精密、高速、高效、智能的方向发展,刀具状态监测成为数控机床生产厂家的主要突破方向。现有研究表明,刀具状态监测可以提升加工效率10%-60%,减少停机故障率75%,提高机床利用率50%以上,并且能有效避免由刀具失效造成的工件报废及机床故障,节约成本30%以上。因此,刀具状态监测技术对保证工件质量、生产安全,提高生产效率有着重大意义。
滚刀作为数控滚齿机的核心部件,在滚齿加工过程中会随着切削时间的增加而逐渐磨损,导致加工效率和加工质量的降低,在磨损到一定程度后需要更换或进行刃磨。目前,数控滚齿机用户通过组织工人时刻检查滚刀状态,根据工人经验判断更换滚刀的时间。一方面造成人力成本的增加;另一方面,滚刀更换过早会造成成本的浪费,更换过晚会降低加工质量、增加生产成本,甚至会导致滚刀提前终止使用寿命。滚刀不同于普通刀具,价格比较昂贵,有效地对滚刀状态进行实时监测,将提高生产效率和良品率并降低生产成本。
发明内容
有鉴于此,本发明的目的是提供一种数控滚齿机滚刀状态智能监测方法,其通过滚刀滚切加工循环中B轴(主轴)振动信号特征,实现滚刀状态的实时监测,并能自动识别滚刀磨损状态,以解决现有技术中人工靠经验检查滚刀状态所存在的不足。
本发明数控滚齿机滚刀状态智能监测方法,包括以下步骤:
步骤一,通过预埋振动加速度传感器实时采集滚刀滚切加工循环中B轴的振动模拟量,所述B轴为数控滚齿机的主轴;振动模拟量利用机床总线接入PLC控制器中经A/D转换成数字量,从而获得B轴振动信号;并将滚切加工循环划分为空滚切阶段、过渡滚切阶段及稳态滚切阶段;
所述空滚切阶段表征滚刀与齿轮毛坯接触前的运动过程;
所述过渡滚切阶段表征滚刀切入和切出齿轮毛坯的运动过程;切入时,滚刀与齿轮毛坯接触面积逐渐增大;切出时,滚刀与齿轮毛坯接触面积逐渐减小;
所述稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程;
步骤二,根据B轴振动信号周期性出现的峰值跳跃特征对信号进行数据分割,将一个滚切加工循环的振动信号在时域上分割成三段,分别对应空滚切阶段、过渡滚切阶段及稳态滚切阶段;
步骤三,进行大量的滚刀全生命周期滚齿加工实验,选取各类滚刀状态下对应的稳态滚切阶段B轴振动信号,构建滚刀状态标准样本集X,并进行样本标号;提取样本的时域特征参数、频域特征参数及Hilbert包络谱频域特征参数,构成样本初始特征向量f0;
步骤四,利用滚刀状态标准样本集X中的全体样本构建滚刀状态互K近邻图G,建立图G的相似矩阵S和拉普拉斯矩阵L;对特征参数进行去均值化处理;然后计算每个特征参数的拉普拉斯分值,并以此作为依据进行特征选择,构成样本特征向量f;
步骤五,根据最新获得的滚刀稳态滚切阶段B轴振动信号样本,结合滚刀状态标准样本集X中的样本及其标号,构建滚刀状态特征矩阵F:
其中,m表示滚刀状态标准样本集X中的样本个数,q表示最新获得的滚刀稳态滚切阶段B轴振动信号样本个数,l表示样本特征向量f的维度;fij表示第i个样本的第j个特征,i=1,2,…,m+q;j=1,2,…,l;ck表示样本标号,k=1,2,…,m;
根据最大值法对F中特征参数值进行标准化,再通过最大最小法建立模糊相似关系矩阵R,然后构造传递闭包t(R),采用λ截矩阵法进行聚类分析,实现滚刀状态识别。
进一步:在步骤一中,所述的预埋振动加速度传感器是在数控滚齿机装配制造过程中预埋在B轴端部轴承支座内的振动加速度传感器。
进一步:在步骤三中,所述滚刀状态包括新刀、早期磨损、正常磨损、急剧磨损、扩展裂纹、刀齿断裂等六类,新刀指全新的滚刀或经刃磨后的滚刀;
所述的滚刀状态标准样本集X中,六类滚刀状态对应的样本个数相等;样本标号分别为:1表征新刀状态B轴振动信号样本,2表征早期磨损状态B轴振动信号样本,3表征正常磨损状态B轴振动信号样本,4表征急剧磨损状态B轴振动信号样本,5表征扩展裂纹状态B轴振动信号样本,6表征刀齿断裂状态B轴振动信号样本;
所述的时域特征参数包括均值、均方根值、方差、协方差、最大幅值、最小幅值、峰峰值、幅值中位数、幅值均方根值、波形指标、脉冲指标、峭度指标、裕度指标、偏度、峰值因子等15个,频域特征参数与Hilbert包络谱频域特征参数分别包括重心频率、均方频率、均方根频率、频率方差、频率标准差等5个,共计25个特征参数。
进一步:在步骤四中,所述的特征选择是通过对样本全体特征参数的拉普拉斯分值进行升序排列,选取前l个拉普拉斯分值对应的特征参数构成样本特征向量f。
本发明的有益效果:
本发明数控滚齿机滚刀状态智能监测方法,其通过滚刀状态互K近邻图的构建,将数控滚齿机主轴振动信号处理与图谱理论相结合,实现滚刀状态的特征选择和状态识别。本方法计算量小、计算时间短、且易于编程实现,可实现滚刀状态的在线实时监测,以便及时进行滚刀更换和刃磨,避免扩展裂纹、刀齿断裂的发生,提高滚刀使用寿命,降低生产成本;减少对操作人员专业技能的依赖,推动数控滚齿机的智能化进程。
附图说明
图1为滚切加工循环B轴振动信号的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例对本发明做进一步详细说明。
本实施例中数控滚齿机滚刀状态智能监测方法,包括如下步骤:
步骤一,通过预埋振动加速度传感器实时采集滚刀滚切加工循环中B轴的振动模拟量,设定采样频率10000HZ;所述B轴为数控滚齿机的主轴,预埋振动加速度传感器是指在数控滚齿机装配制造过程中将振动加速度传感器预埋在B轴端部轴承支座内。振动模拟量利用机床总线接入PLC控制器中经A/D转换成数字量,从而获得B轴振动信号;并将滚切加工循环划分为空滚切阶段、过渡滚切阶段及稳态滚切阶段。所述空滚切阶段表征滚刀与齿轮毛坯接触前的运动过程,此阶段B轴振动信号较小。所述过渡滚切阶段表征滚刀切入和切出齿轮毛坯的运动过程;切入时,滚刀与齿轮毛坯接触面积逐渐增大;切出时,滚刀与齿轮毛坯接触面积逐渐减小;此阶段B轴振动信号较大。所述稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程,此阶段B轴振动信号最大。
在一个滚切加工循环中,各阶段耗时关系为:过渡滚切阶段<空滚切阶段<稳态滚切阶段,稳态滚切阶段对应B轴振动信号在时域上所占比例最大。
步骤二,针对滚切加工循环中B轴振动信号,由于空滚切阶段振动信号较小、过渡滚切阶段振动信号较大、稳态滚切阶段振动信号最大的特性,振动信号峰值会出现周期性跳跃,则根据此峰值跳跃特征对B轴振动信号进行数据分割,将一个滚切加工循环的振动信号在时域上分割成三段,分别对应空滚切阶段、过渡滚切阶段及稳态滚切阶段。所述的峰值跳跃特征指滚切加工循环过程中,从一个阶段进入下一个阶段时B轴振动信号峰值呈现的跳跃性变化。
步骤三,进行大量的滚刀全生命周期滚齿加工实验,选取各类滚刀状态下对应的稳态滚切阶段B轴振动信号,构建滚刀状态标准样本集X,并进行样本标号;提取样本的时域特征参数、频域特征参数及Hilbert包络谱频域特征参数,构成样本初始特征向量f0;具体实施步骤如下:
1)选取滚刀处于新刀、早期磨损、正常磨损、急剧磨损、扩展裂纹、刀齿断裂等六类状态下对应的稳态滚切阶段B轴振动信号,构建滚刀状态标准样本集X,其中六类滚刀状态对应的样本个数相等。
2)对滚刀状态标准样本集X中的样本进行样本标号,1表征新刀状态B轴振动信号样本,2表征早期磨损状态B轴振动信号样本,3表征正常磨损状态B轴振动信号样本,4表征急剧磨损状态B轴振动信号样本,5表征扩展裂纹状态B轴振动信号样本,6表征刀齿断裂状态B轴振动信号样本。
3)提取样本的时域特征参数、频域特征参数及Hilbert包络谱频域特征参数。其中,时域特征参数包括均值、均方根值、方差、协方差、最大幅值、最小幅值、峰峰值、幅值中位数、幅值均方根值、波形指标、脉冲指标、峭度指标、裕度指标、偏度、峰值因子等15个,频域特征参数与Hilbert包络谱频域特征参数分别包括重心频率、均方频率、均方根频率、频率方差、频率标准差等5个,共计25个特征参数构成样本初始特征向量f0。
步骤四,先利用滚刀状态标准样本集X中的m个样本xi(i=1,2,...,m)构建滚刀状态互K近邻图G,其中,X中的m个样本对应图G中的m个节点;再建立滚刀状态互K近邻图G的相似矩阵S和拉普拉斯矩阵L;然后对特征参数进行去均值化处理,计算每个特征参数的拉普拉斯分值,并以此作为依据进行特征选择,构成样本特征向量f;具体实施步骤如下:
(1)设定K值,并以标准化欧氏距离描述节点间的距离:
式中,dij表示节点xi与xj间的距离,n表示节点的数据维度,xik、xjk分别表示第i、j个节点的第k个分量,sk表示样本分量的标准差。
根据距离判断节点xi与xj是否互为K近邻节点,若是,则节点xi与xj有边连接,则以wij=dij值作为边的加权,否则,节点xi与xj无边连接,wij取为0。
(2)建立滚刀状态互K近邻图G的相似矩阵S和拉普拉斯矩阵L:
拉普拉斯矩阵L=D-S;
其中,wij称为滚刀状态互K近邻图G边的加权,σ为热核的宽度,D=diag(SI)为对角矩阵,I=(1,1,...,1)T为m×1维矩阵。
(3)定义Ps=(fs1,fs2,fs3,...,fsm)T表示滚刀状态标准样本集的第s个特征参数,其中fst表示第t(t=1,2,...,m)个样本的第s(s=1,2,...,r)个特征参数,r表示样本初始特征向量f0的维度,本实施例中r=25;对特征参数进行去均值化处理,得:
计算第s个特征参数的拉普拉斯分值Ls:
其中,Var(Ps)表示第s个特征参数的方差。
通过对样本全体特征参数的拉普拉斯分值进行升序排列,选取前l个拉普拉斯分值对应的特征参数构成样本特征向量f。
步骤五,根据最新获得的滚刀稳态滚切阶段B轴振动信号样本,结合滚刀状态标准样本集X中的样本及其标号,利用样本特征向量f构建滚刀状态特征矩阵F,采用最大值法对F中特征参数值进行标准化,再通过最大最小法建立模糊相似关系矩阵R,构造传递闭包t(R),最后采用λ截矩阵法进行聚类分析,实现滚刀状态识别。具体实施步骤如下:
(1)构建滚刀状态特征矩阵F:
其中,m表示滚刀状态标准样本集X中的样本个数,q表示最新获得的滚刀稳态滚切阶段B轴振动信号样本个数,l表示样本特征向量f的维度,fij表示第i个样本的第j个特征(i=1,2,…,m+q;j=1,2,…,l),ck表示样本标号,k=1,2,…,m;本实施例中ck=1,2,…6。
(2)采用最大值法对特征参数值进行标准化:
滚刀状态特征矩阵F转化为:
(3)通过最大最小法建立模糊相似关系矩阵R:
选取合适的λ值,将样本聚类成六类,分别对应六类滚刀状态,根据滚刀状态标准样本集X中的样本及其标号,实现对最新获得的滚刀稳态滚切阶段B轴振动信号样本的分类识别,从而确定当前滚刀状态。
本实施例数控滚齿机滚刀状态智能监测方法,具有计算量小、计算时间短、且易于编程实现等优点,可实现滚刀状态的在线实时监测,以便及时进行滚刀更换和刃磨,避免扩展裂纹、刀齿断裂的发生,提高滚刀使用寿命,降低生产成本;减少对操作人员专业技能的依赖,推动数控滚齿机的智能化进程。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种数控滚齿机滚刀状态智能监测方法,其特征在于,包括以下步骤:
步骤一,通过预埋振动加速度传感器实时采集滚刀滚切加工循环中B轴的振动模拟量,所述B轴为数控滚齿机的主轴;振动模拟量利用机床总线接入PLC控制器中经A/D转换成数字量,从而获得B轴振动信号;并将滚切加工循环划分为空滚切阶段、过渡滚切阶段及稳态滚切阶段;
所述空滚切阶段表征滚刀与齿轮毛坯接触前的运动过程;
所述过渡滚切阶段表征滚刀切入和切出齿轮毛坯的运动过程;切入时,滚刀与齿轮毛坯接触面积逐渐增大;切出时,滚刀与齿轮毛坯接触面积逐渐减小;
所述稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程;
步骤二,根据B轴振动信号周期性出现的峰值跳跃特征对信号进行数据分割,将一个滚切加工循环的振动信号在时域上分割成三段,分别对应空滚切阶段、过渡滚切阶段及稳态滚切阶段;
步骤三,进行大量的滚刀全生命周期滚齿加工实验,选取各类滚刀状态下对应的稳态滚切阶段B轴振动信号,构建滚刀状态标准样本集X,并进行样本标号;提取样本的时域特征参数、频域特征参数及Hilbert包络谱频域特征参数,构成样本初始特征向量f0;
步骤四,利用滚刀状态标准样本集X中的全体样本构建滚刀状态互K近邻图G,建立图G的相似矩阵S和拉普拉斯矩阵L;对特征参数进行去均值化处理;然后计算每个特征参数的拉普拉斯分值,并以此作为依据进行特征选择,构成样本特征向量f;
步骤五,根据最新获得的滚刀稳态滚切阶段B轴振动信号样本,结合滚刀状态标准样本集X中的样本及其标号,构建滚刀状态特征矩阵F:
其中,m表示滚刀状态标准样本集X中的样本个数,q表示最新获得的滚刀稳态滚切阶段B轴振动信号样本个数,l表示样本特征向量f的维度;fij表示第i个样本的第j个特征,i=1,2,…,m+q;j=1,2,…,l;ck表示样本标号,k=1,2,…,m;
根据最大值法对F中特征参数值进行标准化,再通过最大最小法建立模糊相似关系矩阵R,然后构造传递闭包t(R),采用λ截矩阵法进行聚类分析,实现滚刀状态识别。
2.根据权利要求1所述的数控滚齿机滚刀状态智能监测方法,其特征在于:在步骤一中,所述的预埋振动加速度传感器是在数控滚齿机装配制造过程中预埋在B轴端部轴承支座内的振动加速度传感器。
3.根据权利要求1所述的数控滚齿机滚刀状态智能监测方法,其特征在于:在步骤三中,所述滚刀状态包括新刀、早期磨损、正常磨损、急剧磨损、扩展裂纹、刀齿断裂等六类,新刀指全新的滚刀或经刃磨后的滚刀;
所述的滚刀状态标准样本集X中,六类滚刀状态对应的样本个数相等;样本标号分别为:1表征新刀状态B轴振动信号样本,2表征早期磨损状态B轴振动信号样本,3表征正常磨损状态B轴振动信号样本,4表征急剧磨损状态B轴振动信号样本,5表征扩展裂纹状态B轴振动信号样本,6表征刀齿断裂状态B轴振动信号样本;
所述的时域特征参数包括均值、均方根值、方差、协方差、最大幅值、最小幅值、峰峰值、幅值中位数、幅值均方根值、波形指标、脉冲指标、峭度指标、裕度指标、偏度、峰值因子等15个,频域特征参数与Hilbert包络谱频域特征参数分别包括重心频率、均方频率、均方根频率、频率方差、频率标准差等5个,共计25个特征参数。
4.根据权利要求1所述的数控滚齿机滚刀状态智能监测方法,其特征在于:在步骤四中,所述的特征选择是通过对样本全体特征参数的拉普拉斯分值进行升序排列,选取前l个拉普拉斯分值对应的特征参数构成样本特征向量f。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314647.6A CN109396956B (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀状态智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811314647.6A CN109396956B (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀状态智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109396956A CN109396956A (zh) | 2019-03-01 |
CN109396956B true CN109396956B (zh) | 2020-04-07 |
Family
ID=65471965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811314647.6A Active CN109396956B (zh) | 2018-11-06 | 2018-11-06 | 一种数控滚齿机滚刀状态智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109396956B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933940B (zh) * | 2019-03-22 | 2023-01-06 | 重庆大学 | 基于滚刀主轴振动响应模型的滚齿工艺参数优化方法 |
CN113601261B (zh) * | 2021-08-10 | 2022-06-14 | 中国科学院合肥物质科学研究院 | 一种面向刀具的在线快速优化模型的监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085383B1 (fr) * | 1999-09-17 | 2009-01-21 | ETA SA Manufacture Horlogère Suisse | Dispositif antichoc pour générateur de puissance à masse oscillante |
CN102689230B (zh) * | 2012-05-09 | 2014-04-09 | 天津大学 | 基于条件随机场模型的刀具磨损状态监测方法 |
CN103264317B (zh) * | 2013-05-16 | 2015-11-18 | 湖南科技大学 | 一种铣削加工刀具运行可靠性的评估方法 |
CN103894883B (zh) * | 2014-04-01 | 2016-08-17 | 西北工业大学 | 刀具变形测量夹具以及利用该夹具进行刀具变形在线测量方法 |
CN104537157A (zh) * | 2014-12-12 | 2015-04-22 | 深圳信息职业技术学院 | 基于knn的置信回归算法及装置 |
CN106570275B (zh) * | 2016-11-07 | 2019-09-10 | 沈阳工业大学 | 一种基于cai值的tbm滚刀磨损预测方法 |
-
2018
- 2018-11-06 CN CN201811314647.6A patent/CN109396956B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109396956A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
CN102621932B (zh) | 一种数控机床服役过程的能量消耗预测方法 | |
CN109262368B (zh) | 一种刀具失效判定方法 | |
CN104781740A (zh) | 用于对从每个给定工件、工具和机床计算的加工生产线整体性能进行实时评估和监控的模块化*** | |
CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
CN105607579B (zh) | 一种机床加工智能节能控制方法及*** | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化***及方法 | |
CN109396956B (zh) | 一种数控滚齿机滚刀状态智能监测方法 | |
CN115035120A (zh) | 基于物联网的机床控制方法及*** | |
CN110109431B (zh) | 一种压铸机oee信息智能获取*** | |
CN103971019A (zh) | 一种基于几何特征的工件加工能耗预测方法 | |
CN113608482A (zh) | 一种精密加工刀具智能监控方法、***及管理*** | |
CN116187725B (zh) | 一种用于锻造自动线的锻造设备管理*** | |
CN115755758A (zh) | 基于神经网络模型的机床加工控制方法 | |
CN115351601A (zh) | 一种基于迁移学习的刀具磨损监测方法 | |
CN114536104B (zh) | 一种刀具寿命动态预测方法 | |
CN110647108B (zh) | 数据驱动的数控车削元动作能耗预测方法 | |
CN111783544A (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测***搭建方法 | |
CN112526931B (zh) | 一种船用柴油机机身孔系镗削加工过程质量控制方法 | |
CN114330491A (zh) | 通过对电阻点焊焊接曲线分析指导优化焊点质量的方法 | |
CN112559591A (zh) | 一种用于冷轧辊制造过程的离群检测***及其检测方法 | |
CN116128221B (zh) | 一种基于数字孪生的航发叶片再制造生产线调度方法 | |
CN110488775A (zh) | 设备状态判定及产量节拍统计***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240426 Address after: 317699 No.1 Shengyuan Road, Mechanical and Electrical Industry Functional Zone, Yuhuan City, Wenzhou City, Zhejiang Province Patentee after: ZHEJIANG SHUANGHUAN DRIVELINE Co.,Ltd. Country or region after: China Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University Country or region before: China |