一种基于数据的铣削刀具磨损监测方法与流程

本发明属于刀具磨损检测相关技术领域，更具体地，涉及一种基于数据的铣削刀具磨损监测方法。

背景技术：

目前，机械加工领域随着计算机和自动化技术的发展，正朝着智能制造方向发展。制造加工系统最基本的要求就是加工系统能自动对生产加工过程中出现的故障进行有效的在线监测和调整。机械加工过程中的基本元素刀具的磨损会引起机床的振动、工件表面质量和加工尺寸的精度下降等问题，因此对刀具磨损特征提取的研究对于刀具工况的监控有非常重大的意义。

在过去几十年里，加工状态监测已被广泛研究，尤其是针对刀具磨损、工件变形以及颤振等问题。然而，对于带有大跨度或大高厚比的薄壁零件，因其曲率变化大、加工易变形，导致切削力变化，影响加工精度，仍没有成熟的监测方法。加工状态识别是一个多因素、非线性的问题，将多种因素综合考虑构成了不同参数下的不同加工状态及正常或非正常的物理信号特征。

常用的监测刀具磨损的方法可以分为直接测量法和间接测量法。直接测量法即直接测量刀面磨损带中间部分的平均磨损量，刀具磨损检测方法大都是基于刀具体积损失的相关特征，通过接触测量或者CCD成像等，直接获得刀具的磨损值，该方法易受加工环境的影响，不便在实时加工中进行在线测量。间接测量法则是通过测量与刀具磨损有关的物理量如切削力、声发射信号等，并建立刀具磨损与这些量测量的对应关系，实现间接测量。在实际监测中由于振动和测量噪声的干扰，采用间接测量法判断刀具的磨损易出错，造成误判，而且由于刀具的正常磨损和异常磨损之间的界限具有一定的不确定性，因而预先确定阈值较为困难。如申请号为201310442967.0的中国专利公开了一种刀具磨损检测方法，其采集各种不同磨损状态的声发射信号、机床主轴中的电流信号、切削速度、切削深度和进给量作为条件属性，建立决策表，通过遗传算法对BP神经网络进行训练和学习，然后用训练好的神经网络对刀具磨损程度进行预测。但是仍然存在一些不足，如需要获得某些不方便检测的声发射信号等，传感器布置麻烦且数据计算复杂，成本较高，不利于推广使用。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据的铣削刀具磨损监测方法，其将压缩感知方法和关键点理论应用于数控机床加工中的刀具磨损监测，从中提取出刀具磨损的关键特征，以实现刀具磨损的实时在线预测；所述铣削刀具磨损监测方法采用的压缩感知方法和关键点理论算法简单易实现且适用于在线计算，可实现工业现场的刀具寿命实时预测，对刀具磨损情况实时预测，对损坏严重的刀具及时更换刀具，节约成本；且所述铣削刀具磨损监测方法只采集数控加工过程中的数控机床的主轴驱动电机的三相输出电流信号，布置霍尔电流传感器便可方便的采集主轴驱动电机的电流信号，传感器的布置不影响机床的正常加工过程，不改变机床本身物理结构，易于实现。

为实现上述目的，本发明提供了一种基于数据的铣削刀具磨损监测方法，其包括以下步骤：

(1)采集铣削刀具工作时数控机床的主轴驱动电机的三相输出电流信号；

(2)将采集到的所述三相输出电流信号进行清洗；

(3)采用压缩感知方法及关键点理论自清洗后的所述三相输出电流信号中提取出表征所述铣削刀具磨损的特征系数；

(4)根据实时采集的某一铣削刀具正常加工时所述主轴驱动电机的三相输出电流信号在线计算特征信号指数，进而对铣削刀具磨损进行实时在线监测。

进一步的，所述三相输出电流信号是采用霍尔电流传感器采集到的。

进一步的，对所述三相输出电流信号进行清洗是为了去除所述三相输出电流信号中病态、冗余的数据，进而为铣削刀具磨损特征的提取提供可靠的数据。

进一步的，所述特征信号指数反映了主轴驱动电机的三相输出电流信号和对应的铣削刀具磨损程度的相关关系。

进一步的，所述特征信号指数的更新公式为：

Γ_k＝D(S_k-S_baseline)

式中，D是两个向量欧氏距离，S_k是第k次采集电流信号数据时通过压缩感知方法提取出的特征系数，S_baseline代表基础(未出故障时候)电流信号数据的特征系数。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于数据的铣削刀具磨损监测方法，其将压缩感知方法和关键点理论应用于数控机床加工中的刀具磨损监测，从中提取出刀具磨损的关键特征，以实现刀具磨损的实时在线预测；所述铣削刀具磨损监测方法采用的压缩感知方法和关键点理论算法简单易实现且适用于在线计算，可实现工业现场的刀具寿命实时预测，对刀具磨损情况实时预测，对损坏严重的刀具及时更换刀具，节约成本；且所述铣削刀具磨损监测方法只采集数控加工过程中的数控机床的主轴驱动电机的三相输出电流信号，布置霍尔电流传感器便可方便的采集主轴驱动电机的电流信号，传感器的布置不影响机床的正常加工过程，不改变机床本身物理结构，易于实现。

附图说明

图1是本发明较佳实施方式提供的基于数据的铣削刀具磨损监测方法的流程图。

图2是图1中的基于数据的铣削刀具磨损监测方法涉及的主轴驱动电机的三相输出电流的波形图。

图3是图1中基于数据的铣削刀具磨损监测方法涉及的刀具不同磨损情况下的对应的数控机床主轴的电流波形图。

图4是图1中基于数据的铣削刀具磨损监测方法涉及的数控机床自动切换刀具时主轴电流的变化波形图。

图5是图1中基于数据的铣削刀具磨损监测方法涉及的同一刀具加工时获得的400条曲线叠加在一起的波形图。

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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1，本发明较佳实施方式提供的基于数据的铣削刀具磨损监测方法，所述铣削刀具磨损监测方法能够大幅度提高加工装备的可靠性与生产效率，充分发掘智能制造大数据的价值链条，为未来智能制造提供支持。所述铣削刀具磨损监测方法通过采集铣削刀具加工中主轴电流信号，然后对采集到的电流信号进行清洗，分析清洗后的电流信号的因果性和相关性，找出一些隐含的物理规律，提取可以表征刀具磨损的特征系数，对实时采集的电流信号进行分析，计算刀具磨损的特征信号指数，实现刀具磨损的实时监测，提前更换即将损坏的刀具，降低了生产成本。

本实施方式中，所述的基于数据的铣削刀具磨损监测方法主要包括以下步骤：

步骤一，采集铣削刀具工作时对应的数控机床的主轴驱动电机的三相输出电流信号。本实施方式以监测数控机床加工发动机叶片时的铣削刀具磨损为例来说明所述的基于数据的铣削刀具磨损监测方法。本实施方式中，利用霍尔电流传感器采集铣削刀具不同磨损程度下进行叶片加工时的数控机床的主轴驱动电机的三相输出电流信号；可以理解，在其他实施方式中，还可以采用其他类型的电流传感器，如罗柯夫斯基电流传感器；大量重复实验，采集大量刀具在不同磨损情况下的主轴驱动电机的三相输出电流信号随时间变化的曲线以及刀具切换时主轴驱动电机的三相输出电流的变化曲线，如图2及图4所示。图3为刀具不同磨损情况下的主轴电流波形图。

步骤二，将采集到的所述三相输出电流信号进行清洗，以保证所述三相输出电流信号的可靠性。具体的，将采集的所述三相输出电流信号经数据清洗模型去掉冗余、病态、噪声大的数据，为后续铣削刀具磨损特征的提取提供可靠的数据来源。为了方便分析处理将同一种刀具对应的主轴电流信号的400条曲线叠加在一起获得了如图5所示的波形图。

步骤三，采用压缩感知方法及关键点理论自清洗后的所述三相输出电流信号中提取出表征所述铣削刀具磨损的特征系数。

步骤四，根据实时采集的某一铣削刀具正常加工时所述主轴驱动电机的三相输出电流信号在线计算特征信号指数，进而对铣削刀具磨损进行在线监测。

具体地，根据实时采集的某一种铣削刀具加工发动机叶片时的主轴驱动电机的三相输出电流信号(如图4中间段所示)，在线计算特征信号指数Γ，进而对刀具磨损进行在线监测，对磨损严重的刀具进行提前更换，节约加工成本。其中特征信号指数Γ准确反映了主轴驱动电机的三相输出电流信号和对应的铣削刀具磨损程度的相关关系，所述特征信号指数Γ的更新公式为：

Γ_k＝D(S_k-S_baseline)

式中，D是两个向量欧氏距离，S_k是第k次采集电流信号数据时通过压缩感知方法提取出的特征系数，S_baseline代表基础(未出故障时候)电流信号数据的特征系数。

本发明基于数据的刀具磨损检测方法在于提出将机器学习的思想应用在机械领域，自采用压缩感知方法及关键点理论自清洗后的所述三相输出电流信号中提取出表征所述铣削刀具磨损的特征系数。

本发明提供的基于数据的铣削刀具磨损监测方法，其将压缩感知方法和关键点理论应用于数控机床加工中的刀具磨损监测，从中提取出刀具磨损的关键特征，以实现刀具磨损的实时在线预测；所述铣削刀具磨损监测方法采用的压缩感知方法和关键点理论算法简单易实现且适用于在线计算，可实现工业现场的刀具寿命实时预测，对刀具磨损情况实时预测，对损坏严重的刀具及时更换刀具，节约成本；且所述铣削刀具磨损监测方法只采集数控加工过程中的数控机床的主轴驱动电机的三相输出电流信号，布置霍尔电流传感器便可方便的采集主轴驱动电机的电流信号，传感器的布置不影响机床的正常加工过程，不改变机床本身物理结构，易于实现。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。