CN111168471A - 一种数控机床刀具磨损监测方法 - Google Patents

一种数控机床刀具磨损监测方法 Download PDF

Info

Publication number
CN111168471A
CN111168471A CN202010057426.6A CN202010057426A CN111168471A CN 111168471 A CN111168471 A CN 111168471A CN 202010057426 A CN202010057426 A CN 202010057426A CN 111168471 A CN111168471 A CN 111168471A
Authority
CN
China
Prior art keywords
signal
wear
imf
mode
data
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
Application number
CN202010057426.6A
Other languages
English (en)
Inventor
刘祖斌
陈建鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010057426.6A priority Critical patent/CN111168471A/zh
Publication of CN111168471A publication Critical patent/CN111168471A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种数控机床刀具磨损监测方法，首先通过采集机床刀具作业时的振动加速度信号和麦克风声信号作为待分析信号；用快速独立成分分析算法对原信号进行预处理得到初步降噪后的振动信号和声信号，再利用变分模态分解算法分解加速度信号和声信号分别得到各自固有的经验模态函数；进而用引入虚拟噪声通道的快速独立成分分析算法对已有模态进行去噪，从而得到有效模态分量；采用最大功率谱密度作为磨损特征来提取与磨损信息相关性程度最高的固有模态；最后将加速度信号和声信号的磨损特征组成二维特征空间，联合进行磨损评估。本发明能够有效的提取完整的磨损信息，实现更高稳定性和更高分辨率的刀具磨损程度的监测。

Description

一种数控机床刀具磨损监测方法
技术领域
本发明涉及一种数控机床刀具磨损状态监测方法。
背景技术
作为机械制造业的基础，数控切削加工技术的数字化、自动化和智能化对整个机械制造业具有非常重要的意义。刀具作为数控加工技术的执行单元，是否健康、稳定的工作将直接影响切削加工的质量和效率。一方面随着先进制造技术的进一步发展，对产品的精度提出了更高的要求；另一方面国际制造业的竞争日趋激烈，进行技术升级和更新已经迫在眉睫。据有关统计，数控机床加工过程中由于刀具原因导致的停机率约占总磨损率的22.4％，这样大大地降低了生产效率。因此在数控机床上集成刀具磨损监测技术可以在机床自动化加工中实时监测刀具健康程度，预测刀具磨损，减少人工干预，提升加工效率和质量。
目前，数控机床刀具的主流监测方法是通过加速度传感器采集刀具切削加工时的机床和刀架的振动状态信息，但是单一信号无法完整地反映刀具工作中的信息，尤其高频振动难以被测量，造成磨损程度判断准确度不高，因此刀具的振动监测还未在实际规模化生产中广泛应用。实际生产中，一些有经验的工人可以通过工作中机床的振动和声音来判断出刀具的磨损状态，因此采用振动和声音联合信号同时监测能够更完整地采集到刀具的磨损信息，从而减少磨损误报或者漏报，提升可靠性。
发明内容
本发明要解决机床刀具磨损监测缺少稳定且准确的技术手段的问题，提出基于振动和声信号联合的数控机床刀具磨损监测方法。
本发明所述的数控机床刀具磨损监测方法，包括如下步骤：
步骤1：将加速度传感器安装在数控机床车刀的刀柄上，传感器主轴方向与刀柄主轴方向垂直。
步骤2：将一个麦克风传感器安装在车刀的刀柄附近，将两个麦克风传感器按近远分别安装在舱外近处和远处，舱外的麦克风用来采集环境噪声。
步骤3：分别对均有三个通道的加速度和声信号进行快速独立成分分析(FAST-Independent Component Analysis)，得到初步降噪后的振动加速度信号和声信号。
ICA的基本原理如下，假设观测信号为X＝[x1,x2,...,xn]，有n个通道数据。假设我们最后分离出来n个通道数据的样本集为S，S中每组数据都是独立的分量，则一定存在一个矩阵W，使得S＝WX成立。因此ICA的任务就是根据观测信号X求出W和S。
Fast-ICA是一种基于负熵最大的固定点迭代的快速算法。具体分解步骤：假设有m个通道n维数据；
(1)原始数据按列组成n行m列矩阵X；
(2)将观测数据X归一化，即减去其均值，这意味着X是零均值的；
(3)对去中心化的数据进行白化(去相关)：
得到归一化的信号X后，对X进行线性变换使其各成分不相关且具有单位方差，白化后的数据为X′。具体实施方式为对X的协方差矩阵进行特征值分解，即E{X′X′T}＝EDET，其中E表示X特征向量的正交矩阵，D是其特征值的对角矩阵D＝diag(d1,d2,...,dn)；
具体计算公式为
X′＝ED-1/2EX (1)
(4)初始化权矢量W0：
初始权矢量矩阵W0可以赋值为每行之和为1的随机矩阵
(5)权矢量更新迭代：
权矢量的更新公式为Wi＝E{Zg(WTZ)}-E{g'(WTZ)}W，
Figure RE-GDA0002435455100000021
其中，g为非线性函数。
g＝tanh(a1y)，1≤a1≤2，通常取a1＝1 (2)
(6)归一化Wi＝Wi/||Wi||；
(7)若Wi不收敛，返回(5)；
(8)根据估计出的Wi和公式S＝WX′来分离出原信号中的独立分量S。
因此，通过对多维的加速度信号和声信号分别进行Fast-ICA后，得到初步去噪后的振动加速度信号和麦克风声信号数据。
步骤4：采用非线性信号处理方法—变分模态分解VMD(Variational ModeDecomposition)来处理步骤3得到的加速度信号和声信号数据，得到2个系列的固有模态分量IMFs(Intrinsic Mode Functions)；
VMD就是将信号分解成一系列具有特定稀疏性(窄带宽)的子信号，并假定每个子信号紧凑地围绕着一个中心频率。
具体数学表达式如下
Figure RE-GDA0002435455100000031
其中，f表示待分析信号；K表示固有模态分量个数；uk表示待分析信号的第k个固有模态分量；ωk表示待分析信号的第k个固有模态分量的中心频率；
采用增广拉格朗日法将约束变分问题转化成非约束变分问题，得到增广拉格朗日表达式如下所示
Figure RE-GDA0002435455100000032
其中，α表示二次惩罚因子；λ表示拉格朗日乘子。
用交替方向乘子法来解这个非约束变分问题。可以得到下面的更新迭代步骤
Figure RE-GDA0002435455100000033
Figure RE-GDA0002435455100000034
Figure RE-GDA0002435455100000035
k表示模态的序号，n表示迭代次数，τ表示保真系数。
具体的更新公式为
Figure RE-GDA0002435455100000036
Figure RE-GDA0002435455100000041
Figure RE-GDA0002435455100000042
∧表示傅里叶变换，*表示卷积。在迭代求解变分模型过程中，各IMF分量的频率中心及带宽不断更新，直至满足迭代停止条件。迭代条件如下式所示
Figure RE-GDA0002435455100000043
最后对求解出的模态
Figure RE-GDA0002435455100000044
求逆傅里叶变换就得到了经过VMD分解后得到K个固有模态IMFs。
步骤5：步骤4中得到了振动信号和声信号的固有模态IMFs，分别引入虚拟通道的Fast-ICA(Independent Component Analysis)算法对振声两组IMFs进行降噪处理，得到有效固有模态；
步骤5.1：应用Fast-ICA之前分别为加速度信号和声信号的固有模态函数引入虚拟噪声通道。
本发明采用构建虚拟噪声通道的方法来自适应达到降噪的效果。即在进行 Fast-ICA前增加一组信号，这组信号完全由纯噪声组成。即步骤4中信号经VMD 后得到的固有模态函数为IMFsK＝[imf1,imf2,...,imfK]，虚拟噪声通道为imfnoise，因此增加噪声通道后的数据输入为IMFsK+1＝[imf1,imf2,...,imfK,imfnoise]。
步骤5.2：应用Fast-ICA方法对已经增加噪声通道的固有模态函数进行处理，得到降噪后的固有模态函数IMFs；
步骤6：计算降噪后的固有模态的最大功率谱密度值，并将其作为刀具磨损特征来筛选各组中最优模态Optimal IMF。
最大功率谱密度公式为：
Figure RE-GDA0002435455100000045
式中，M表示数据长度，∧表示傅里叶变换；
用最大功率谱密度指标作为刀具磨损特征从步骤5中的固有模态IMFs中选出与刀具磨损特征相关性最大的固有模态，称为最优模态Optimal IMF。
步骤7：分别计算加速度信号和声信号的Optimal IMF的磨损特征指标(最大功率谱密度值)，构造二维磨损特征，进而实现对数控机床刀具磨损程度的量化评估。
已知步骤6已经得到了振动加速度和麦克风声信号的Optimal IMF。分别计算加速度信号和声信号的磨损特征指标，即最大功率谱密度值，构造二维磨损特征值图谱，按数值分区来区分不同磨损程度的刀具。
本发明的有益效果是：高效的去噪和准确的磨损程度判断。具体的性能体现在三通道的传感器信号在预处理中可以进行降噪处理，随后又对固有模态IMFs 应用了引入噪声通道的Fast-ICA，对固有模态函数进行了进一步的自适应降噪处理；相比已有的单一振动信号分析，增加了声信号数据的处理，增加了信号判断的频率范围，增强了磨损信号的判断准确性。因此，该振动和声信号联合监测方法判断磨损程度的信息更全面，抗噪能力更强，准确性更高。
附图说明
图1为本发明方法的流程图；
图2为振动和麦克风传感器安装示意图；
图3a为本发明采集振动加速度信号时域波形图；
图3b为本发明采集声信号时域波形图；
图4为对振动加速度信号进行VMD处理后得到的固有模态函数；
图5为本发明引入虚拟噪声通道的Fast-ICA流程图；
图6为本发明提取振动加速度信号的磨损特征最大功率谱密度值变化图；
图7为本发明提取声信号的磨损特征最大功率谱密度值变化图；
图8为本发明联合振动和振动信号磨损特征综合评估刀具磨损状态图。
具体实施方式
下面将结合图1至图8具体说明本实施方式。
参见图1所示，本实施方式所述的基于振动加速度和声信号联合的数控机床刀具磨损监测方法有三个阶段：切削数据采集，磨损特征提取，实现刀具磨损的综合评估。
所述数据采集步骤包括振动数据和声压数据的采集；传感器的安装位置如图 2所示，三轴加速度传感器安装在刀具的刀柄上；三个麦克风传感器分别安装在机床邻近切削点、靠近机床和远离机床，与切削点直线距离分别为0.3米、0.6 米和1.2米。采集了三组不同磨损程度的刀具的切削信号，具体的刀具磨损振动信号和麦克风信号数据如图3a、3b所示。
所述磨损特征提取步骤通过以下步骤实现的：
步骤一：对多通道的加速度信号和声信号进行Fast-ICA，布置了多个传感器采集环境噪声，利用Fast-ICA算法在切削信号中剔除环境噪声，对数据进行了初步降噪。
步骤二：利用自适应VMD算法分别对数控机床刀具切削振动数据和麦克风数据进行分解，分别得到各自的固有模态IMFs；
利用变分模态分解分别对机床刀具的切削加速度信号和声信号进行分解，将一个非线性非平稳信号分解，得到一系列固有模态函数，每个模态函数都是刀具切削过程中产生的信号，不会因为信号处理而引入新的干扰信息。信号经过VMD 后得到的固有模态函数如图4所示。
对振动信号和声信号的磨损特征提取技术相同因此下面将举例加速度信号来说明磨损特征提取技术。
步骤三：利用Fast-ICA对振动数据的IMFs进行去噪得到有效IMFs。
本发明的引入虚拟噪声通道的Fast-ICA降噪流程图如图5所示，采用步骤二中VMD分解得到的振动数据的固有模态分量IMFs，进行Fast-ICA处理达到降噪的目的。将IMFs数据和一个虚拟噪声数据输入到Fast-ICA进行自适应降噪，避免了传统阈值降噪中的阈值确定这个步骤。
步骤四：利用最大功率谱密度值作为磨损特征指标从振动数据中分析与刀具磨损相关性程度最高的IMF称为Optimal IMF；
采用步骤三中得到了N个去噪后的有效IMFs，IMF1，IMF2，…，IMFN，计算N个IMFs的最大功率谱密度，最大功率谱密度如下式所示
Figure RE-GDA0002435455100000071
其中M表示数据长度，fs表示采样频率；∧表示傅里叶变换。
用最大功率谱密度作为刀具磨损的特征，用它来确定N个有效IMFs中与刀具磨损的相关性最高的为最优模态Optimal IMF。
步骤五：计算不同磨损程度刀具切削加工时的所有振动数据磨损特征指标。
根据步骤四中确定的Optimal IMF，计算不同磨损程度的刀具切削信号的最大功率谱密度，并验证磨损特征对不同磨损刀具的区分度。不同磨损程度刀具切削加时的加速度信号和声信号的磨损特征如图6和图7所示。
分析可得，加速度信号的磨损特征可以将三种不同磨损程度得刀具区分开来，但是medium tool和bad tool两组数据有个别点的分离效果不明显，可靠性不高；声信号的磨损特征能将medium tool和bad tool很好的区分开来，但是good tool 和medium tool无法区分。因此加速度信号和声信号的磨损特征可以实现互补。因此联合声信号和加速度信号的磨损特征来综合评估刀具磨损。
所述刀具磨损综合评估阶段：
根据故障特征提取阶段提取的振声磨损特征将加速度和声信号进行联合分析，通过构造二维特征向量空间来综合评估刀具的磨损状态，如图8所示。结果显示，采用振声信号联合分析区分出了三种不同磨损程度的刀具，进相比于单一的振动或者声信号的磨损评估能力得到了大大的提升，可靠性高。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种数控机床刀具磨损监测方法，包括以下步骤：
步骤1：将加速度传感器安装在数控机床车刀的刀柄上，传感器主轴方向与刀柄主轴方向垂直；
步骤2：将一个麦克风传感器安装在车刀的刀柄附近，将两个麦克风传感器按近远分别安装在舱外近处和远处，舱外的麦克风用来采集环境噪声；
步骤3：分别对均有三个通道的加速度和声信号进行快速独立成分分析(FAST-Independent Component Analysis)，得到初步降噪后的振动加速度信号和声信号；
ICA的基本原理如下，假设观测信号为X＝[x1,x2,...,xn]，有n个通道数据；假设我们最后分离出来n个通道数据的样本集为S，S中每组数据都是独立的分量，则一定存在一个矩阵W，使得S＝WX成立；因此ICA的任务就是根据观测信号X求出W和S；
Fast-ICA是一种基于负熵最大的固定点迭代的快速算法；具体分解步骤：假设有m个通道n维数据；
(1)原始数据按列组成n行m列矩阵X；
(2)将观测数据X归一化，即减去其均值，这意味着X是零均值的；
(3)对去中心化的数据进行白化(去相关)：
得到归一化的信号X后，对X进行线性变换使其各成分不相关且具有单位方差，白化后的数据为X′；具体实施方式为对X的协方差矩阵进行特征值分解，即E{X′X′T}＝EDET，其中E表示X特征向量的正交矩阵，D是其特征值的对角矩阵D＝diag(d1,d2,...,dn)；
具体计算公式为
X′＝ED-1/2EX (1)
(4)初始化权矢量W0：
初始权矢量矩阵W0可以赋值为每行之和为1的随机矩阵
(5)权矢量更新迭代：
权矢量的更新公式为Wi＝E{Zg(WTZ)}-E{g'(WTZ)}W，
Figure FDA0002373279420000011
其中，g为非线性函数；
g＝tanh(a1y)，1≤a1≤2，通常取a1＝1 (2)
(6)归一化Wi＝Wi/||Wi||；
(7)若Wi不收敛，返回(5)；
(8)根据估计出的Wi和公式S＝WX′来分离出原信号中的独立分量S。
因此，通过对多维的加速度信号和声信号分别进行Fast-ICA后，得到初步去噪后的振动加速度信号和麦克风声信号数据；
步骤4：采用非线性信号处理方法—变分模态分解VMD(Variational ModeDecomposition)来处理步骤3得到的加速度信号和声信号数据，得到2个系列的固有模态分量IMFs(Intrinsic Mode Functions)；
VMD就是将信号分解成一系列具有特定稀疏性(窄带宽)的子信号，并假定每个子信号紧凑地围绕着一个中心频率；
具体数学表达式如下
Figure FDA0002373279420000021
其中，f表示待分析信号；K表示固有模态分量个数；uk表示待分析信号的第k个固有模态分量；ωk表示待分析信号的第k个固有模态分量的中心频率；
采用增广拉格朗日法将约束变分问题转化成非约束变分问题，得到增广拉格朗日表达式如下所示
Figure FDA0002373279420000022
其中，α表示二次惩罚因子；λ表示拉格朗日乘子；
用交替方向乘子法来解这个非约束变分问题；可以得到下面的更新迭代步骤
Figure FDA0002373279420000023
Figure FDA0002373279420000031
Figure FDA0002373279420000032
k表示模态的序号，n表示迭代次数，τ表示保真系数；
具体的更新公式为
Figure FDA0002373279420000033
Figure FDA0002373279420000034
Figure FDA0002373279420000035
∧表示傅里叶变换，*表示卷积；在迭代求解变分模型过程中，各IMF分量的频率中心及带宽不断更新，直至满足迭代停止条件；迭代条件如下式所示
Figure FDA0002373279420000036
最后对求解出的模态
Figure FDA0002373279420000037
求逆傅里叶变换就得到了经过VMD分解后得到K个固有模态IMFs；
步骤5：步骤4中得到了振动信号和声信号的固有模态IMFs，分别引入虚拟通道的Fast-ICA(Independent Component Analysis)算法对振声两组IMFs进行降噪处理，得到有效固有模态；
步骤5.1：应用Fast-ICA之前分别为加速度信号和声信号的固有模态函数引入虚拟噪声通道；
本发明采用构建虚拟噪声通道的方法来自适应达到降噪的效果；即在进行Fast-ICA前增加一组信号，这组信号完全由纯噪声组成；即步骤4中信号经VMD后得到的固有模态函数为IMFsK＝[imf1,imf2,...,imfK]，虚拟噪声通道为imfnoise，因此增加噪声通道后的数据输入为IMFsK+1＝[imf1,imf2,...,imfK,imfnoise]；
步骤5.2：应用Fast-ICA方法对已经增加噪声通道的固有模态函数进行处理，得到降噪后的固有模态函数IMFs；
步骤6：计算降噪后的固有模态的最大功率谱密度值，并将其作为刀具磨损特征来筛选各组中最优模态Optimal IMF；
最大功率谱密度公式为：
Figure FDA0002373279420000041
式中，M表示数据长度，∧表示傅里叶变换；
用最大功率谱密度指标作为刀具磨损特征从步骤5中的固有模态IMFs中选出与刀具磨损特征相关性最大的固有模态，称为最优模态Optimal IMF；
步骤7：分别计算加速度信号和声信号的Optimal IMF的磨损特征指标(最大功率谱密度值)，构造二维磨损特征，进而实现对数控机床刀具磨损程度的量化评估；
已知步骤6已经得到了振动加速度和麦克风声信号的Optimal IMF；分别计算加速度信号和声信号的磨损特征指标，即最大功率谱密度值，构造二维磨损特征值图谱，按数值分区来区分不同磨损程度的刀具。
CN202010057426.6A 2020-01-19 2020-01-19 一种数控机床刀具磨损监测方法 Pending CN111168471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010057426.6A CN111168471A (zh) 2020-01-19 2020-01-19 一种数控机床刀具磨损监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057426.6A CN111168471A (zh) 2020-01-19 2020-01-19 一种数控机床刀具磨损监测方法

Publications (1)

Publication Number Publication Date
CN111168471A true CN111168471A (zh) 2020-05-19

Family

ID=70651139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057426.6A Pending CN111168471A (zh) 2020-01-19 2020-01-19 一种数控机床刀具磨损监测方法

Country Status (1)

Country Link
CN (1) CN111168471A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626623A (zh) * 2020-05-29 2020-09-04 中铁二十局集团第五工程有限公司 一种复合地层中盾构机滚刀换刀控制方法
CN112578732A (zh) * 2020-12-15 2021-03-30 航天科工深圳（集团）有限公司 一种智能切削加工过程监控***及其监控方法
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
CN112951273A (zh) * 2021-02-02 2021-06-11 郑州大学 基于麦克风阵列和机器视觉的数控机床刀具磨损监控装置
CN113798920A (zh) * 2021-09-23 2021-12-17 大连理工大学 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626623A (zh) * 2020-05-29 2020-09-04 中铁二十局集团第五工程有限公司 一种复合地层中盾构机滚刀换刀控制方法
CN111626623B (zh) * 2020-05-29 2022-05-24 中铁二十局集团第五工程有限公司 一种复合地层中盾构机滚刀换刀控制方法
CN112578732A (zh) * 2020-12-15 2021-03-30 航天科工深圳（集团）有限公司 一种智能切削加工过程监控***及其监控方法
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
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
CN112951273A (zh) * 2021-02-02 2021-06-11 郑州大学 基于麦克风阵列和机器视觉的数控机床刀具磨损监控装置
CN112951273B (zh) * 2021-02-02 2024-03-29 郑州大学 基于麦克风阵列和机器视觉的数控机床刀具磨损监控装置
CN113798920A (zh) * 2021-09-23 2021-12-17 大连理工大学 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法

Similar Documents

Publication Publication Date Title
CN111168471A (zh) 一种数控机床刀具磨损监测方法
Benkedjouh et al. Tool wear condition monitoring based on continuous wavelet transform and blind source separation
CN111687689A (zh) 一种基于lstm和cnn的刀具磨损状态预测方法及装置
WO2021004154A1 (zh) 一种数控机床刀具剩余寿命预测方法
CN110647943B (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
CN113927371A (zh) 一种基于多传感器特征融合的刀具磨损预测方法
CN110682159A (zh) 一种刀具磨损状态识别方法及装置
CN110598299B (zh) 一种基于传感器融合与深度学习的表面完整性评价方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、***、设备及介质
CN111898639A (zh) 基于降维的分层时间记忆工业异常检测方法与装置
CN113537102B (zh) 一种微震信号的特征提取方法
CN113609789A (zh) 一种基于时空特征并行提取的刀具磨损状态预测方法
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
CN112747921A (zh) 一种基于na-memd的多传感器机械故障诊断的方法
CN114492527A (zh) 基于模糊神经网络与主成分分析表面粗糙度在线预测方法
CN112380992A (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN114487129B (zh) 基于声发射技术的柔性材料的损伤识别方法
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN115186574A (zh) 一种基于门控循环残差网络的刀具剩余寿命预测方法
Wan et al. Chatter detection for micro milling considering environment noises without the requirement of dominant frequency
CN114800042B (zh) 一种基于功率谱熵差的机器人铣削加工颤振类型辨识方法
Chen et al. Application of EMD-AR and MTS for hydraulic pump fault diagnosis
CN113704688B (zh) 基于变分贝叶斯平行因子分解的缺失振动信号的恢复方法
CN113408182B (zh) 一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法、设备及存储介质
CN113889147A (zh) 一种基于动态时间弯曲算法的机械***声纹信号匹配方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication