CN111323072B - 一种新型木工刀具磨损在线诊断方法 - Google Patents
一种新型木工刀具磨损在线诊断方法 Download PDFInfo
- Publication number
- CN111323072B CN111323072B CN202010191861.8A CN202010191861A CN111323072B CN 111323072 B CN111323072 B CN 111323072B CN 202010191861 A CN202010191861 A CN 202010191861A CN 111323072 B CN111323072 B CN 111323072B
- Authority
- CN
- China
- Prior art keywords
- cutter
- wear
- characteristic value
- power signal
- infrared image
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L3/00—Measuring torque, work, mechanical power, or mechanical efficiency, in general
- G01L3/24—Devices for determining the value of power, e.g. by measuring and simultaneously multiplying the values of torque and revolutions per unit of time, by multiplying the values of tractive or propulsive force and velocity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明提供一种新型木工刀具磨损在线诊断方法,先建立刀具磨损诊断准则:S1、采集铣削加工时的铣刀在不同磨损状态时的功率信号P以及红外图像I;S2、PC机对功率信号P采用离散小波变换算法进行数据处理分析,提取功率信号P的特征值;以及PC机对红外图像I采用图像梯度算法和离散小波变换算法进行数据处理分析,提取红外图像I的特征值;S3、结合所得功率信号P和红外图像I的特征值建立刀具磨损诊断准则;本发明同时使用DWT算法对功率信号P进行处理,采集隐藏在时域信号中的信号的频率分量,使用图像梯度算法使红外图像I函数化,随后使用DWT算法对函数化的红外图像I进行简化计算并增强图像的信息,提高诊断信号精度。
Description
技术领域
本发明涉及诊断刀具磨损的技术领域,特别涉及一种新型木工刀具磨损在线诊断方法。
背景技术
机械加工中,刀具磨损影响着产品生产率、生产成本以及产品加工质量,现有研究发现,五分之一的机床停机是由于刀具磨损造成,采用准确可靠的刀具磨损诊断技术可使机床利用率提高1.5倍,最高提升切削速度50%,并节约30%左右的总加工成本。现有刀具磨损诊断技术大多数利用一维传感器(例如声发射、振动、功率和切削力信号)来诊断刀具磨损状况,如胡宇宏等人使用压电式传感器采集振动信号来监测刀具磨损(申请号:201911203201.0),李斌等人使用霍尔电流传感器采集电流信号来监测磨损(申请号:2010106075323)。但是,上述一维传感器在使用时有以下缺点:
(1)信号处理方法选择不当,造成传感器信号干扰较大;
(2)传感器采集的信号对刀具磨损的灵敏度较低,影响刀具磨损诊断精度。
为了克服现有技术中存在的不足,本发明提供一种新型木工刀具磨损在线诊断***及其诊断方法。
发明内容
本发明的目的在于提供一种新型木工刀具磨损在线诊断***及其诊断方法,以解决背景技术中提到的问题。
本发明提供一种新型木工刀具磨损在线诊断***,包括数控铣床(1)、铣刀(2)、功率传感器(4)、红外摄像机(5)和PC机(6),功率传感器(4)一端与数控铣床控制箱(7)连接,功率传感器(4)另一端与PC机(6)连接,功率传感器(4)与PC机(6)连接,红外摄像机(5)与PC机(6)连接;功率传感器(4)将采集到的功率信号P传送给PC机(6),PC机(6)对功率信号P进行数据处理分析;红外摄像机(5)镜头聚焦对准铣刀(2),并拍摄记录铣刀(2)在对工件(3)进行铣削的红外图像I,红外摄像机(5)所拍摄的红外图像I传送给PC机(6),PC机(6)对红外图像I进行数据处理分析。
作为优选地,PC机(6)对功率信号P采用离散小波变换算法进行数据处理分析,以及PC机(6)对红外图像I采用图像梯度算法和离散小波变换算法进行数据处理分析。
本发明提供一种新型木工刀具磨损在线诊断方法,包括以下步骤:
步骤1、建立刀具磨损诊断准则;
S1、采集铣削加工时的铣刀(2)在不同磨损状态时的功率信号P以及红外图像I;
S2、PC机(6)对功率信号P采用离散小波变换算法进行数据处理分析,提取功率信号P的特征值;以及PC机(6)对红外图像I采用图像梯度算法和离散小波变换算法进行数据处理分析,提取红外图像I的特征值;
S3、结合所得功率信号P和红外图像I的特征值建立刀具磨损诊断准则;
步骤2、传输实时数据至上述刀具磨损诊断准则对刀具磨损状态进行判断;
具体地,将新型刀具磨损诊断***在线采集到的实时功率信号P与红外图像I处理后形成特征值频率曲线(功率信号P的近似系数ψ1和细节系数Ψ1、红外图像I的近似系数ψ2)并将其传递至所述刀具磨损诊断准则,即可判断出刀具的磨损状态。
在步骤S1中,铣刀磨损状态分为以下4挡:后刀面磨损量VB≤0.2mm为正常状态,后刀面磨损量0.2mm<VB≤0.25mm半磨损状态,后刀面磨损量0.25mm<VB≤0.35mm磨损状态,后刀面磨损量0.35mm<VB为损坏状态。
在步骤S2中,所述功率信号P在软件MATLAB中使用离散小波变换算法进行数据处理分析,提取功率信号P的特征值,该特征值为近似系数ψ1和细节系数Ψ1。
在步骤S2中,所述红外图像I在软件MATLAB中使用图像梯度算法进行图像增强,同时在软件MATLAB中使用离散小波变换算法进行图像处理,提取红外图像I特征值,该特征值为近似系数ψ2。
在步骤S3中,刀具磨损诊断准则如下:使用正常刀具所采集的功率信号P近似系数ψ1与细节系数Ψ1的频率曲线作为刀具磨损下限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损上限,然后对实时采集处理之后的功率信号P相关特征值频率曲线按照刀具磨损上下限进行对比,若相关特征值特征曲线低于下限,则刀具为正常状态,高于下限,低于上限,则刀具为磨损状态,超出上限,则刀具为损坏状态;
为防止功率信号P特征值在采集处理发生错误,同时使用红外图像I近似系数ψ2对刀具磨损状态进行诊断,使用正常刀具所采集的红外图像I近似系数ψ2作为刀具磨损上限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损下限,然后对实时采集处理之后的红外图像I相关特征值频率曲线按照刀具磨损上下限进行对比,若相关特征值特征曲线高于上限,则刀具为正常状态,低于上限,高于下限,则刀具为磨损状态,低于下限,则刀具为损坏状态;
具体对比方法如下:
A、若根据功率信号P特征值诊断出刀具磨损/不磨损,同时根据红外图像也诊断出刀具磨损/不磨损,若刀具磨损则同时得到刀具磨损区域以及磨损量大小;若刀具未磨损则继续采集信号诊断;
B、若根据功率信号P特征值诊断出刀具不磨损,但根据红外图像I诊断出刀具磨损,则对功率信号P进行重新处理,再次诊断输出刀具磨损状态、刀具磨损区域以及磨损量大小。
与现有技术相比,本发明的有益效果如下:
本发明提供的新型木工刀具磨损诊在线断***及其诊断方法使用一维传感器(采用功率传感器)与二维传感器(采用红外摄像机)采集诊断信号,一维传感器所采集的信号可以实时判断刀具磨损状态,而二维传感器所采集的二维信号可以实时诊断出刀具磨损量的数值,因此二维传感器与一维传感器配合使用,既可以判断刀具磨损状态,也可以诊断刀具磨损区域和刀具磨损量数值,解决了只使用一维传感器在测量时,由于信号干扰大且信号与刀具磨损联系单一,无法对刀具磨损实施精确诊断的问题;同时使用DWT(离散小波变换)算法对功率信号P进行处理,采集隐藏在时域信号中的信号的频率分量,使用图像梯度算法使红外图像I函数化,随后使用DWT(离散小波变换)算法对函数化的红外图像I进行简化计算并增强图像的信息,提高诊断信号精度,进一步提高了刀具磨损诊断***的精确度。
附图说明
图1为本发明中一种新型刀具磨损诊断***的结构示意图;
图2为本发明中一种新型刀具磨损诊断方法的流程示意图;
图3为本发明中傅里叶变换处理之后功率信号频率曲线;
图4为本发明中DWT(离散小波变换)处理之后功率信号特征值频率曲线;
图5为本发明中红外图像经过图像梯度处理后前后对比图;
图6为本发明中DWT(离散小波变换)处理之后红外图像近似系数ψ2频率曲线;
图7为本发明中DWT(离散小波变换)处理之后红外图像细节系数Ψ2频率曲线。
附图标注:数控铣床(1),铣刀(2),工件(3),功率传感器(4),红外摄像机(5),PC机(6),数控机床控制箱(7)。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供一种新型刀具磨损诊断***,包括数控铣床1、铣刀2、工件3、功率传感器4、红外摄像机5和用于数据处理分析的PC机6,其中铣刀2安装在数控机床1刀轴上对工件3进行铣削,功率传感器4一端接入数控铣床控制箱7,另一端接入PC机6,功率传感器4采集的功率信号传送到与功率传感器4相连的PC机6中,红外摄像机5镜头聚焦收集铣刀2铣削工件3图像,红外摄像机5接入PC机6,红外摄像机5所拍摄的红外图像I传送到与功率传感器4相连的PC机6中。
PC机6对功率信号P采用离散小波变换(DWT)算法进行数据处理分析,以及PC机6对红外图像I采用图像梯度算法和离散小波变换(DWT)算法进行数据处理分析。
如图2所示,本发明还提供一种新型刀具磨损诊断方法,包括以下步骤:
步骤1、建立刀具磨损诊断准则;
步骤2、传输实时数据至刀具磨损诊断准则对刀具磨损状态进行判断。
其中,步骤1中建立多信号特征值关系包括以下步骤:
S1、在南兴数控机床MGK01上使用不同磨损状态的柄铣刀对45钢进行铣削加工,柄铣刀直径为3mm,铣刀磨损状态为:正常(后刀面磨损值VB≤0.2mm)、半磨损(后刀面磨损值0.2mm<VB≤0.25mm)、磨损(后刀面磨损值0.25mm<VB≤0.35mm)和损坏(后刀面磨损值0.35mm<VB),每种磨损状态进行四组铣削实验,共计12组,同时使用上述新型刀具磨损诊断***采集功率信号P以及红外图像I,铣削参数如下表所示:
主轴转速 | 进给速度 | 切削深度 |
2490r/min | 250mm/min | 0.22mm |
S2、对采集功率信号P以及红外图像I进行处理,提取特征值。
所述功率信号P在软件MATLAB中使用DWT(离散小波变换)进行处理,提取功率信号P的特征值,该特征值为近似系数ψ1和细节系数Ψ1。如图3所示,经典的傅里叶变换可以反映出信号的整体内涵,但表现形式往往不够直观,并且噪声会使得信号频谱复杂化。而DWT(离散小波变换)的意义就在于能够在不同尺度上对信号进行分解,对于不同尺度的选择可以根据不同的目标来确定。对于信号来说,低频成分相当重要,它常常蕴含着信号的特征,而高频成分则给出信号的细节或差别。在DWT(离散小波变换)中近似系数ψ1表示信号的低尺度,即低频信息,细节系数Ψ1表示信号的高尺度,即高频信息,具体DWT(离散小波变换)算法如下:
clc;clear all;close all;
load leleccum(文件名称);%载入功率信号数据
s=leleccum(文件名称);
Len=length(s);
[ca1,cd1]=dwt(s,'db1');%采用db1小波基分解
a1=upcoef('a',ca1,'db1',1,Len);%从系数得到近似信号
d1=upcoef('d',cd1,'db1',1,Len);%从系数得到细节信号
s1=a1+d1;%重构信号
figure;
subplot(2,2,1);plot(s);title('初始功率信号');
subplot(2,2,2);plot(ca1);title('一层小波分解的低频信息');
subplot(2,2,3);plot(cd1);title('一层小波分解的高频信息');
subplot(2,2,4);plot(s1,'r-');title('一层小波分解的重构信号');
首先将功率信号P数据导入MATLAB中,然后运行该算法即可得到处理之后的功率信号(重构信号)以及近似系数ψ1(低频信息)、细节系数Ψ1(高频信息)。
图4为所述功率信号经过DWT(离散小波变换)处理后功率信号近似系数ψ1、细节系数Ψ1,与图3中使用傅里叶变换相比数值更清楚直观,从中可以看出正常刀具的频率曲线与磨损刀具相比逐渐往左偏移,因此可以使用功率信号的近似系数ψ1与细节系数Ψ1来对刀具磨损进行诊断,二者互补,能够提高刀具磨损诊断精准度。
所述红外图像I在软件MATLAB中使用图像梯度和DWT(离散小波变换)进行处理,增强图像并提取红外图像的特征值,该特征值为近似系数ψ2。由于采集的红外图像包含不需要的信息和噪声,因此需要进行处理。为了增强图像,所有图像都将使用图像梯度进行处理,然后使用DWT(离散小波变换)提取图像的近似系数ψ2。
图5为所述红外图像I经过图像梯度处理后前后对比,从中可以看出在选定好处理区域后,处理过的红外图像更加清晰,并可以得出刀具磨损区域以及磨损量大小,具体图像梯度算法如下:
clear all
clc
I=imread('kids(文件).tif')
[M,N]=size(I);
B1=[-1-1-1;0 0 0;1 1 1];%梯度处理水平方向特征明显
B2=[-1 0 1;-1 0-1;-1 0-1];%梯度处理竖直方向特征明显
I1=I;
I2=I;
temp=zeros(3,3);%采用3x3的模板进行处理
for i=2:M-1
for j=2:N-1
temp=I(i-1:i+1,j-1:j+1);
temp1=double(temp).*B1;
temp2=double(temp).*B2;
t=sum(temp1(:));
p=sum(temp2(:));
I1(i,j)=abs(t);
I2(i,j)=abs(p);
end
end
I4=I1+I2
%显示部分
subplot(221);imshow(I);
subplot(222);imshow(I1);
subplot(223);imshow(I2);
subplot(224);imshow(I4);
首先将红外图像I导入MATLAB中,然后使用图像梯度算法处理,红外图像被显著增强。
图6和图7为所述红外图像I经过DWT(离散小波变换)处理后红外图像I的近似系数ψ2和细节系数Ψ2,从中可以看出红外图像的近似系数ψ2可以清晰区分刀具磨损状态,而细节系数Ψ2杂***织,不易区分刀具磨损状态,因此可以选取红外图像的近似系数ψ2来对刀具磨损进行诊断,具体DWT(离散小波变换)算法如下:
clc;clear all;close all;
load leleccum(文件名称);%载入红外图像数据
s=leleccum(文件名称);
Len=length(s);
[ca1,cd1]=dwt(s,'db1');%采用db1小波基分解
a1=upcoef('a',ca1,'db1',1,Len);%从系数得到近似信号
d1=upcoef('d',cd1,'db1',1,Len);%从系数得到细节信号
s1=a1+d1;%重构信号
figure;
subplot(2,1,1);plot(ca1);title('一层小波分解的低频信息');
subplot(2,1,2);plot(cd1);title('一层小波分解的高频信息');
首先将红外图像I数据导入MATLAB中,然后运行该算法即可得到处理之后的红外图像的近似系数ψ2(低频信息)、细节系数Ψ2(高频信息)。
S3、结合所得特征值建立刀具磨损诊断准则。
本发明刀具磨损状态使用功率信号P与红外图像I双重诊断,同时使用红外图像I获得刀具磨损区域以及磨损大小。刀具磨损诊断准则如下:如图4所示,使用正常刀具所采集的功率信号近似系数ψ1和细节系数Ψ2频率曲线作为刀具磨损下限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损上限,即对实时采集处理之后的功率信号P相关特征值根据刀具磨损上下限进行对比,若相关特征值特征曲线低于下限,则刀具为正常状态,高于下限,低于上限,则刀具为磨损状态,超出上限,则刀具为损坏状态;如图6所示,为防止功率信号特征值在采集处理发生波动,同时使用红外图像近似系数ψ2对刀具磨损状态进行诊断,
使用正常刀具所采集的红外图像I近似系数ψ2作为刀具磨损上限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损下限,然后对实时采集处理之后的红外图像I相关特征值频率曲线按照刀具磨损上下限进行对比,若相关特征值特征曲线高于上限,则刀具为正常状态,低于上限,高于下限,则刀具为磨损状态,低于下限,则刀具为损坏状态。具体对比方法如下:
A.若根据功率信号特征值诊断出刀具磨损(不磨损),同时根据红外图像I也诊断出刀具磨损(不磨损),则刀具即磨损(不磨损),同时得到刀具磨损区域以及磨损量大小(若未磨损则继续采集信号诊断);
B.若根据功率信号特征值诊断出刀具不磨损,但根据红外图像I诊断出刀具磨损,则对功率信号P进行重新处理,再次诊断输出刀具磨损状态、刀具磨损区域以及磨损量大小。步骤2中,将新型刀具磨损诊断***在线采集到的实时功率信号P与红外图像I处理后形成特征值(功率信号P的近似系数ψ1和细节系数Ψ1、红外图像I的近似系数ψ2)并将其传递至上述刀具磨损诊断准则,即可诊断出刀具的磨损状态、磨损区域与磨损量大小。
以上实施案例仅用于说明本发明的优选实施方式,但本发明并不限于上述实施方式,在所述领域普通技术人员所具备的知识范围内,本发明的精神和原则之内所作的任何修改、等同替代及改进等,均应视为本申请的保护范围。
Claims (2)
1.一种新型木工刀具磨损在线诊断方法,其特征在于,包括以下步骤:
步骤1、建立刀具磨损诊断准则;
S1、采集铣削加工时的铣刀(2)在不同磨损状态时的功率信号P以及红外图像I;
S2、PC机(6)对功率信号P采用离散小波变换算法进行数据处理分析,提取功率信号P的特征值;以及PC机(6)对红外图像I采用图像梯度算法和离散小波变换算法进行数据处理分析,提取红外图像I的特征值;
S3、结合所得功率信号P和红外图像I的特征值建立刀具磨损诊断准则;
步骤2、传输实时数据至上述刀具磨损诊断准则对刀具磨损状态进行判断;
具体地,将新型刀具磨损诊断***在线采集到的实时功率信号P与红外图像I处理后形成特征值频率曲线并将其传递至所述刀具磨损诊断准则,即可判断出刀具的磨损状态;
在步骤S2中,所述功率信号P在软件MATLAB中使用离散小波变换算法进行数据处理分析,提取功率信号P的特征值,该特征值为近似系数ψ1和细节系数Ψ1;
在步骤S2中,所述红外图像I在软件MATLAB中使用图像梯度算法进行图像增强,同时在软件MATLAB中使用离散小波变换算法进行图像处理,提取红外图像I特征值,该特征值为近似系数ψ2;
在步骤S3中,刀具磨损诊断准则如下:
使用正常刀具所采集的功率信号P近似系数ψ1与细节系数Ψ1的频率曲线作为刀具磨损下限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损上限,然后对实时采集处理之后的功率信号P相关特征值频率曲线按照刀具磨损上下限进行对比,若相关特征值特征曲线低于下限,则刀具为正常状态,高于下限,低于上限,则刀具为磨损状态,超出上限,则刀具为损坏状态;
为防止功率信号P特征值在采集处理发生错误,同时使用红外图像I近似系数ψ2对刀具磨损状态进行诊断,使用正常刀具所采集的红外图像I近似系数ψ2作为刀具磨损上限,同时磨损刀具所采集相关特征值频率曲线作为刀具磨损下限,然后对实时采集处理之后的红外图像I相关特征值频率曲线按照刀具磨损上下限进行对比,若相关特征值特征曲线高于上限,则刀具为正常状态,低于上限,高于下限,则刀具为磨损状态,低于下限,则刀具为损坏状态;
具体对比方法如下:
A、若根据功率信号P特征值诊断出刀具磨损/不磨损,同时根据红外图像也诊断出刀具磨损/不磨损,若刀具磨损则同时得到刀具磨损区域以及磨损量大小;若刀具未磨损则继续采集信号诊断;
B、若根据功率信号P特征值诊断出刀具不磨损,但根据红外图像I诊断出刀具磨损,则对功率信号P进行重新处理,再次诊断输出刀具磨损状态、刀具磨损区域以及磨损量大小。
2.根据权利要求1所述的一种新型木工刀具磨损在线诊断方法,其特征在于,在步骤S1中,铣刀磨损状态分为以下4挡:后刀面磨损量VB≤0.2mm为正常状态,后刀面磨损量0.2mm<VB≤0.25mm半磨损状态,后刀面磨损量0.25mm<VB≤0.35mm磨损状态,后刀面磨损量0.35mm<VB为损坏状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191861.8A CN111323072B (zh) | 2020-03-18 | 2020-03-18 | 一种新型木工刀具磨损在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191861.8A CN111323072B (zh) | 2020-03-18 | 2020-03-18 | 一种新型木工刀具磨损在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111323072A CN111323072A (zh) | 2020-06-23 |
CN111323072B true CN111323072B (zh) | 2021-10-22 |
Family
ID=71165881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191861.8A Active CN111323072B (zh) | 2020-03-18 | 2020-03-18 | 一种新型木工刀具磨损在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111323072B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003280707A (ja) * | 2002-03-22 | 2003-10-02 | Toyoda Mach Works Ltd | 工作機械の異常診断装置、異常診断方法及び異常診断プログラム |
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102581699A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 回转体刀具磨损状态在线自动检测装置 |
JPWO2016024565A1 (ja) * | 2014-08-13 | 2017-04-27 | 株式会社村田製作所 | モーションキャプチャ装置、モーションキャプチャ方法、運動性能診断方法およびモーションキャプチャ用身体装着具 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN108731942A (zh) * | 2018-08-03 | 2018-11-02 | 中国建筑第八工程局有限公司 | 旋转机械故障监测***及其监测方法 |
CN109732406A (zh) * | 2019-01-07 | 2019-05-10 | 北京信息科技大学 | 一种智能刀具故障诊断方法 |
-
2020
- 2020-03-18 CN CN202010191861.8A patent/CN111323072B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003280707A (ja) * | 2002-03-22 | 2003-10-02 | Toyoda Mach Works Ltd | 工作機械の異常診断装置、異常診断方法及び異常診断プログラム |
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
CN102581699A (zh) * | 2012-02-28 | 2012-07-18 | 上海大学 | 回转体刀具磨损状态在线自动检测装置 |
JPWO2016024565A1 (ja) * | 2014-08-13 | 2017-04-27 | 株式会社村田製作所 | モーションキャプチャ装置、モーションキャプチャ方法、運動性能診断方法およびモーションキャプチャ用身体装着具 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN108731942A (zh) * | 2018-08-03 | 2018-11-02 | 中国建筑第八工程局有限公司 | 旋转机械故障监测***及其监测方法 |
CN109732406A (zh) * | 2019-01-07 | 2019-05-10 | 北京信息科技大学 | 一种智能刀具故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111323072A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561193B (zh) | 一种基于特征融合的刀具磨损评估及监控的方法与*** | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
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 | |
Luo et al. | Real-time condition monitoring by significant and natural frequencies analysis of vibration signal with wavelet filter and autocorrelation enhancement | |
CN1834607A (zh) | 检查装置及检查方法 | |
CA2098943A1 (en) | System and method for dectecting cutting tool failure | |
CN108620950B (zh) | 一种车削刀具加工状态监测方法及*** | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
TWI419761B (zh) | Tool State Detection Method and Device for Machining Machine | |
CN102091972A (zh) | 一种数控机床刀具磨损监测方法 | |
CN106514434A (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
CN110346130B (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
Kunpeng et al. | Multiscale singularity analysis of cutting forces for micromilling tool-wear monitoring | |
CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN107350900A (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN111958321B (zh) | 基于深度神经网络的数控机床刀具磨损程度识别方法 | |
CN107414600A (zh) | 基于多传感器信号的内螺纹低频激振冷挤压机床的加工过程监测方法 | |
EP2510410B1 (fr) | Procede pour optimiser les conditions de travail d'un outil coupant | |
CN106568500A (zh) | 基于加工噪音的加工异常报警*** | |
CN111323072B (zh) | 一种新型木工刀具磨损在线诊断方法 | |
CN204525045U (zh) | 一种基于电流与声发射复合信号的刀具磨损监测*** | |
CN114523338A (zh) | 一种基于噪声分析的切削刀具磨损状态监测方法 | |
CN211696479U (zh) | 一种新型木工刀具磨损在线诊断*** | |
Rameshkumar et al. | Machine learning models for predicting grinding wheel conditions using acoustic emission features | |
Dotto et al. | Acoustic image-based damage identification of oxide aluminum grinding wheel during the dressing operation |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210916 Address after: 201317 first floor, building 12, No. 8, Hangdu Road, hangtou Town, Pudong New Area, Shanghai Applicant after: BOSHENG PREWI (SHANGHAI) TOOLS Co.,Ltd. Address before: Longpan road Xuanwu District of Nanjing city of Jiangsu Province, No. 159 210037 Applicant before: NANJING FORESTRY University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |