用于磨边磨损图像自动分析的神经网络方法

用于磨边磨损图像自动分析的神经网络方法摘要这项研究描述了图像处理系统的人工神经网络的基础上估计刀具磨损。采用单分类分类器神经网络对刀具图像数据进行处理。我们提出了一种方法，以确定刀具磨损率的基础上的图像分析，并讨论评价的错误。使用所提出的算法，我们在Visual Basic的特殊的神经磨损软件的磨损部分分析的切削刃。例如，磨损边缘的图像被创建，确定最佳设置的神经磨损软件自动指示磨损面积。分析的结果是属于磨损区域的像素数。使用这些设置，我们的二不同工作时间由边缘磨损图像分析。我们使用的像素和VB索引的数量之间的相关性的计算参数。我们的研究结果保证了良好的相关性之间的新方法和常用的光学测量VB指数，工具的整个寿命范围内的绝对平均相对误差为6.7%。自动检测的磨损的切削刃可以是有用的，在许多应用中，例如，在预测刀具寿命的基础上的当前值的边缘磨损。关键词：边缘磨损面磨损 工具 图像分析1.介绍分析刀具在加工过程中的磨损状况，对于预测损伤发生前的切削周期和阻力周期具有重要意义。不合时宜的更换磨损的切削刃会增加切削力，这反过来，有助于粗糙度和尺寸精度差的测量。如图所示，刀具故障占数控机床停机时间的20%，这说明了加工工具的耐久性与单磨粒磨损的关系。在切削参数和侧面磨损的经验模型中确定使用模糊逻辑来预测刀具破损（刀具寿命）。刀具磨损预测提供加工参数设置，以实现高质量的加工零件。例如，介绍了不锈钢零件车削过程中刀具磨损的在线监测和测量，以提高加工精度。这由此表明了切削力影响的主要因素是在加工轴误差的分布，随着热膨胀和刀具磨损而变化。结果表明，预测刀具磨损程度和表面粗糙度的处理过的表面在加工行业中起着至关重要的作用。为了正确的规划和控制加工参数和优化切削条件，我们在面对铣削和刀具磨损的刀具表面粗糙度上面的刀具的影响条件进行了讨论。2.刀具状态监测方法介绍根据多年以来人们探究出的各种监测刀具状态方法，我们可以简单的把它们划分为直接法和间接法。直接法就是直接通过相关测量仪器来监测刀具的形状等参数，主要方法如图1-1所示；间接法则不能直接通过测量仪器监测刀具形状变化，而是间接测量金属切削加工过程中的一些相关参数，然后将它与已知的正常切削参数进行比较，从而对比得知刀具磨损程度，主要方法如图1-2所示。下面我们介绍几种目前常用的一些刀具监测方法：（1）振动法在金属切削加工过程中，刀具的刀刃侧面与工件之间在切削中会产生摩擦，从而会产生不同频率的振动，并且这些不同的频率振动可以被检测到，因此，我们可以通过加速度传感器来采集到这些不同的频率振动信号并加以处理得到相关特征值，这样我们就可以通过这些得到的特征值来作为刀具磨损状态的一种判断依据。（2）声发射法这种方法的核心是：在金属切削加工过程中，我们可以用相应的传感器来采集金属工件内部发生变化、以及工件变形时而释放出的一种超高频应力波脉冲信号，并以此来监测刀具的状态。这种超高频应力脉冲信号具有一些特有的特征参数，比如功率谱密度，因此，通过对这些特征参数进行测量并提取，就能直观的来表现刀具的磨损状态。（3）切削力法切削力是一种常规的物理量，我们可以用最常见的力传感器采集到它。它是最直观也是与刀具磨损联系最密切的一个参数。只是，切削力的采集受到外部环境的影响很大，也因采集装置的技术要求达不到高精度导致该方法并不常用。3.插铣刀具磨损分析由于插铣加工具有金属的高切除率这一特点，所以在金属加工过程中，插铣加工是常规的端面铣削所需加工时间一半以上。但是，插铣加工时刀具的金属切除量大，导致插铣刀具损耗速度快，刀具寿命变短短，尤其在加工难加工材料时，刀具损耗会变得更严重，因此我们需要给刀具磨损量规定标准值，这样我们就可以通过这个标准值来确定刀具磨损状态的级别。可以把这个标准称之为磨钝标准，这个标准值具体表示意义是是插铣刀具后刀面中间部位平均磨损量所允许达到的最大值，我们用字母VB 表示。刀具磨损程度从开始研究至今，其磨损等级已经基本确定下来，可以把它分成三个阶段，如图3-1所示：图3-1 刀具磨损状态图（1）图中AB段表示刀具的初步磨损阶段：磨损原因主要是机械磨损；在刚开始切削加工时，一般的崭新铣刀表面都会有一些凸起以及微小细痕，且刀面与工件、切屑之间的接触面较小，导致压力几乎集中于刀具的切削刃附近，从而应力大。这些就导致了刀具初期磨损阶段的磨损量会比较高，这个磨损量一般表示在这个范围内；（2）图中BC段表示刀具的正常磨损阶段：刀具表面出现缺口裂缝，应力开始降低以及磨损量随时间变化均匀增加是这一阶段的主要特点，此外，刀具在这个阶段开始真正对金属工件进行加工。这个阶段的磨损量用来表示；（3）图中CD段表示刀具的急剧磨损阶段：这个阶段，刀具的磨损量已经变得很大，刀具磨损速率也开始急剧上升，导致刀刃不再如开始那般锋利，这些表