人工神经网络与刀具磨损监测

介绍了人工神经网络的基本概念及在刀具磨损监测中的应用，例举了两种典型网络（ＢＰ网络、ＳＯＭ网络）的结构与学习算法。研究表明，应用前馈神经网络构造的刀具磨损状态二分类器、三分类器及磨损估计网络，检验效果很好。文中提出的ＳＯＭ网络在磨损估计方面具有学习快、精度高的优点，有实际应用价值。     

刀具磨损的人工神经网络方法及其仿真技术

本文提出一种对刀具磨损量进行辨识的人工神经网络方法，采用了灰色模型进行特征选择，研究了隐层不同节点数的选择对网络训练的影响，并通过仿真研究了该网络的稳定性。     

刀具声发射信号混沌特征提取及趋势分析

旨在建立一种基于多混沌特征演化分析的刀具磨损状态监测方法,通过计算刀具声发射信号的混沌特性参数分析其磨损趋势。建立首先基于混沌理论分析和描述刀具不同磨损阶段声发射信号的混沌特性,包括：定性描述,即重构相空间的奇异吸引子轨迹和庞加莱截面;定量描述,计算不同时间段声发射信号的关联维数、最大Lyapunov指数等。其次,采用最小二乘回归方法对所计算的混沌参数进行趋势分析。结果表明,声发射信号具有混沌特性,而且关联维数和最大Lyapunov指数演化趋势与刀具的磨损状态具有一定的关联,从而为刀具磨损状态的在线监测和预测提供了新思路。     

基于主轴电流小波变换的刀具磨损状态监测

为消除机器人自动制孔系统中由于刀具磨损引起的孔径误差,提出一种基于主轴电流离散小波变换的刀具磨损状态在线监测以及寿命预测方法。首先根据主轴电流信号的波动规律,综合小波信号的正则性、相似性及曲线误差光滑性等要求,选用3阶多贝西小波基对主轴电流信号进行离散分解。结合刀具磨损规律,选取电流信号的3阶低频分解量作为刀具磨损状态监测的最有效特征,将电流信号的1阶高频分解量进行离散傅里叶变换,得到高频分量的频域特性,为电磁兼容设计提供依据;最后利用最小二乘法拟合刀具磨损量与主轴电流特征值的线性关系,通过监测主轴电流特征值,实现对刀具后刀面磨损量的在线监测以及刀具寿命预测。     

基于深度学习的CFRP/TC4叠层结构制孔刀具磨损状态监测

碳纤维复合材料（CFRP）和钛合金（TC4）因各具有优良的物理力学性能,其叠层结构广泛应用于航天工业领域。由于CFRP和TC4都属于典型难加工材料,且具有不同的机械和热学特性,因而在制孔过程中,刀具磨损较快,从而影响加工质量。为了保证钻孔质量、及时更换刀具,建立了一种基于卷积神经网络-长短期记忆网络（CNN-LSTM）的刀具磨损状态监测模型。该模型以与刀具磨损相关性较强的力、声发射信号特征作为输入,以刀具磨损状态标签作为输出,从而实现刀具磨损状态的监测。结果表明,该模型识别准确率高达97.222%,可以很好地实现CFRP/TC4叠层结构制孔过程中刀具磨损状态的监测。     

自动化加工刀具破损监测系统

提出了融合声发射信号和电流信号检测刀具破损状态的方法,尤其是采用小波变换处理电流信号获取信号特征,可以改善检测系统的适用性。实际应用证明系统具有高的可靠性。     

基于多参量状态信息融合的刀具磨损状态智能识别

鉴于刀具磨损监控在自动化生产中的重要性,建立了基于切削力和基于相对切削时间的两种磨损检测模型．切削力模型是利用回归算法和模糊分类技术建立的,通过检测切削力信号可在线识别刀具磨损状态．基于相对切削时间模型利用回归技术直接建立刀具磨损量与切削参数及时间的关系,可在较大的切削条件变化范围内实现对刀具磨损的识别．     

声发射刀具失效监控系统研究

通过对钻、车、镗削刀具失效过程中产生的声发射信号的分析,获得了信号的频谱特性,建立了描述刀具破损、磨损状态的数学模型。依据分析及实验结果,设计了一个智能化的刀具状态监控系统。刀具破损面积的分辨率为0.01mm~2,刀具破损的响应时间小于0.1ms,漏报率及误报率小于5％。     

涂层刀具铣削加工300M钢的刀具磨损试验研究

建立了一套便携式的在线刀具磨损图像检测装置及相应的计算程序,利用该装置观察到了涂层硬质合金刀具加工300M高强度钢过程的定性磨损规律,并确定了刀具磨损量的测量方法。     

切削加工刀具磨损及其预测建模技术研究进展

刀具磨损不仅影响工件加工表面质量和加工精度,而且频繁地换刀还会降低加工效率、增加生产成本,通过研究刀具磨损机理,影响刀具磨损的因素以及刀具磨损预测模型建模技术,为降低刀具磨损提供技术支持。对切削加工过程中刀具磨损及其预测建模技术的研究进展进行了综述。首先,基于近年来刀具磨损机理研究进展,分别对几种主要刀具磨损机理的表现形式及特征进行了分析。其次,重点论述了切削加工过程中切削参数、刀具几何参数、刀具和工件材料特性及加工方法等因素对刀具磨损影响规律,总结分析了刀具磨损预测建模方法和形式。最后,结合制造业绿色节能的发展理念和高速发展的计算机技术,指出降低刀具磨损的加工方法和刀具磨损预测建模技术的未来发展方向。     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解（EMD）和支持向量机（SVM）的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数（IMF）通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

刀具磨损图象检测与分析

计算机辅助刀具磨损测量技术对加工过程自动化和最优化的研究具有重要意义。本文介绍了一种以微型计算机为中心，包括图象传感器和图象捕获器的刀具磨损直接测量系统，该系统成功地把视频图象数据采集与处理技术应用于刀具磨损量的测量。     

复合神经网络模型在刀具状态监测中的应用

提出了一种用于刀具状态监测的复合神经网络模型,模型由多个神经网络组成,神经网络的数目等于要监测的刀具故障数目。实验结果表明,该方法不仅可以在多种切削条件下获得较高的识别率,还可以识别出新的刀具故障。     

在铣削加工中通过神经网络融合多路传感器监测刀具破损

讨论在立铣加工中，用多层前馈反向误差传播神经网络融合由多路传感器信息中选取的多维特征来监测刀具破损情况。对融合不同传感器特征对神经网络性能的影响以及如何选取训练样本等也进行了分析。研究结果表明，神经网络对提高识别精度是很有效的。     

刀具状态监控技术在数控铣削加工中的应用

在分析刀具状态监控系统关键技术的基础上,结合航空结构件数控铣削加工领域对刀具状态监控系统的研究,分析了ARTIS系统的组成、工作原理和应用方法,介绍了智能刀柄和视觉检测方法的研究进展,给出了各种加工过程刀具状态监控系统的研发建议和应用展望.     

基于BP神经网络的刀具寿命预测模型

分析了影响刀具寿命的主要因素,根据影响因素与刀具寿命之间的高度非线性关系,结合人工神经网络模型,建立了刀具寿命预测的BP神经网络模型,并利用模型进行了验证运算。结果表明:模型的预测值与刀具寿命的期望值非常接近,证明该建模方法是可靠有效的。     

难加工材料刀具磨损检测技术研究与应用

利用刀具磨损检测技术,拍摄刀具后刀面磨损图像,以磨损图像为基础,分析刀具磨损状况、确定刀具磨损量,然后采用离散刀具磨损过程与有限元仿真相结合的方法实现长时间切削刀具磨损的仿真。对刀具磨损检测仪的原理、构成及检测过程等做了简要介绍,并对其在难加工材料切削参数优化、新刀具选用试切方面进行了初步应用。     

基于改进BP网络的手写体汉字识别技术

研究了手写体汉字识别技术,采用改进BP算法进行网络训练,提高了算法的收敛速度。同时,利用神经网络完成了汉字识别系统的实现。实验表明系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识别效率。     

GA-BP神经网络在航空发动机状态监测中的应用研究

针对航空发动机状态监测问题,引入人工神经网络为发动机复杂非线性系统建立精确模型;选择以GA-BP贝叶斯算法作为神经网络训练算法,建立优化设计近似模型;以发动机排气温度的预测为例,构建了一个GA-BP神经网络对航空发动机状态进行预测。结果表明,GA-BP神经网络收敛速度快,泛化能力强,优于标准BP神经网络,因而为航空发动机状态监测提供了一种有效的方法。     

复合材料钻削刀具状态集成学习分类技术

刀具状态监测关系到工件加工质量,因此实时掌握刀具的磨损状态具有重要的意义。针对单一模式识别分类器的局限性,提出了基于异态集成学习模型的刀具状态监测系统。在该系统中,根据集成学习基分类器选择原则,选取了支持向量机(SVM)、隐马尔科夫模型(HMM)以及径向基神经网络(RBF)这3个单分类器作为基分类器。为了验证监测系统的有效性,进行了复合材料钻削实验,提取了加工过程中的钻削力信号、振动信号的时域特征并利用局部保持法(LPP)进行了特征选择。通过与单分类器和集成学习分类效果的对比,表明了集成学习模型相比于单一基分类器具有更高的分类精度和更好的稳定性。