高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法与流程

本发明涉及一种钻削过程钻头磨损状态监测方法，特别涉及一种高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法。

背景技术：

文献“drillwearmonitoringusingbackpropagationneuralnetwork，journalofmaterialsprocessingtechnology，2006，vol172(2)，p283-290”公开了一种基于bp神经网络的钻削过程钻头磨损状态监测方法。该方法采用标准的三层bp神经网络，以主轴转速、进给速度、钻头直径、钻削轴向力和扭矩，以及切屑厚度作为神经网络的输入节点，将钻头主切削刃后刀面磨损带宽度作为输出节点，利用钻削试验数据训练了神经网络模型并准确预测了钻头主切削刃后刀面磨损状态。该方法利用神经网络模型监测钻头磨损状态，解决了钻削参数、刀具参数和钻削力信号与钻头磨损状态之间解析建模预测困难的问题，并通过在钻削参数、刀具直径和钻削力信号的基础上增加切屑厚度作为输入节点使训练后的神经网络模型更符合钻削过程机理，提高了模型的预测精度。然而，文献所述方法仅针对钻头主切削刃后刀面磨损这一单一磨损形式进行监测，无法适用于高温合金钻削过程中钻头磨损形式复杂多样的情况，适用性不强；此外，该方法采用的输入信号特征与钻削过程刀具磨损规律的关联性不强，模型不具有可解释性。

技术实现要素：

为了克服现有钻削过程钻头磨损状态监测方法适用性差的不足，本发明提供一种高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法。该方法基于高温合金钻削过程的不同钻头磨损形式对钻削力信号的影响规律提取信号特征，在此基础上利用钻削力与钻头磨损数据基于贝叶斯理论建立钻头磨损形式与信号特征的贝叶斯网络模型，进而根据监测信号通过贝叶斯诊断推理判断钻头磨损形式，并通过贝叶斯因果推理获得影响该磨损形式的信号特征。同时，根据刀具磨损曲线规律，采用累积和控制图方法对该信号特征进行监测，实现实时监测钻头磨损状态的目标，适用性好。

本发明解决其技术问题所采用的技术方案：一种高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法，其特点是包括以下步骤：

步骤一、进行高温合金钻削磨损数据采集试验。确定钻削使用的麻花钻及工件材料，采用正交试验设计规划各组试验的钻削参数。在设定的每组钻削参数下，分别采用一把未磨损的钻头进行连续钻孔试验，钻孔过程中利用测力仪采集轴向力和扭矩数据。同时在数控程序中设定连续钻孔个数n，每钻削n个孔后利用刀具测量仪观测钻头磨损，记录磨损形式及其磨损量，接着继续钻削n个孔并观测钻头磨损，重复该过程直至观测中发现钻头发生严重磨损。

步骤二、确定高温合金钻削钻头磨损的主要形式。高温合金钻削钻头磨损形式包括横刃磨损、主切削刃后刀面磨损、主切削刃前刀面磨损、主切削刃崩刃、外缘转角磨损以及积屑瘤磨损；各磨损形式的磨损量分别表示为横刃磨损参数c、主切削刃后刀面磨损带宽度vb、主切削刃前刀面磨损带宽度km、主切削刃崩刃参数p、外缘转角磨损参数w和积屑瘤厚度tb。根据步骤一观测得到的各磨损形式发生次数的比例确定高温合金钻头磨损的主要形式。

步骤三、确定钻头磨损状态区间。根据步骤二中确定的钻头磨损的主要形式，将各磨损形式在步骤一中的实测磨损量横刃磨损参数c、主切削刃后刀面磨损带宽度vb、主切削刃前刀面磨损带宽度km、主切削刃崩刃参数p、外缘转角磨损参数w和积屑瘤厚度tb，分别按其数值范围等间距划分为三个状态区间，各状态区间内的磨损状态按磨损量由小到大分别记为正常、磨损和严重磨损。

步骤四、提取钻头磨损监测的信号特征。通过监测钻削力系数的变化判断钻头磨损形式及磨损状态。根据步骤一采集的实测钻削力和扭矩数据以及对应的钻头磨损形式，分析不同磨损形式对轴向力和扭矩的影响规律。将每次进行磨损观测前钻孔过程的轴向力系数ka、切向力系数kt以及二者的比例系数ka/kt，相对于首次未磨损钻头钻削对应的增量δka、δkt和δ(ka/kt)作为三个监测信号特征。此外，将轴向力fa和切向力ft信号的方差相对于首次未磨损钻头钻削的增量δσ(fa)和δσ(ft)作为另外两个监测信号特征。将这五个监测信号特征分别按其全部实测数值中的最大值和最小值等间距地划分为三个状态区间，各状态区间内的信号特征状态按其数值由小到大分别记为状态1、状态2和状态3。

步骤五、构建信号特征与磨损形式的贝叶斯网络。将步骤二确定的钻头各磨损形式与步骤三提取的各监测信号特征作为贝叶斯网络的节点，并按磨损形式与信号特征的关联关系确定贝叶斯网络结构。其中，各磨损形式节点包含步骤三中所述的状态：正常、磨损和严重磨损；各信号特征节点包含步骤四中所述的状态：状态1、状态2和状态3。

步骤六、进行贝叶斯网络参数学习，确定各磨损形式节点影响各信号特征节点的概率。将步骤一的试验数据分为训练数据集和验证数据集，训练数据集和验证数据集分别占总试验数据的80％和20％。根据步骤三和步骤四划分的状态区间，标记训练数据集中各信号特征数值和各磨损形式的磨损量的节点状态，并统计在各磨损形式节点的各状态下对应的各信号特征的各状态出现的次数，由此建立条件概率表。利用实测信号特征及各磨损形式的状态数据，采用最大似然估计进行贝叶斯网络参数学习，确定各磨损形式影响各信号特征的概率。接着，将参数学习后的贝叶斯网络应用于验证数据集，通过对比分析预测结果进行验证。

步骤七、利用贝叶斯网络监测实际钻削过程的钻头磨损形式。在高温合金钻削加工过程中，通过实测钻削轴向力和扭矩信号实时计算各信号特征，根据各信号特征对应的状态利用贝叶斯网络进行诊断推理，计算各钻头磨损形式在实测信号特征状态下发生的概率，监测过程中当出现某磨损形式节点状态值为磨损或严重磨损的概率大于50％时，则认为当前钻削过程发生了该节点对应的磨损形式。

步骤八、利用贝叶斯网络及累积和控制图方法监测实际钻削过程的钻头磨损状态。针对步骤七监测到的当前钻头磨损形式，利用贝叶斯网络进行因果推理，计算各信号特征节点的各状态在当前磨损形式下的概率。根据刀具磨损曲线规律，采用累积和控制图方法，在钻削过程中对概率大于50％的信号特征进行监测，当信号特征的累积和超出设定的界限值时，则认为钻头发生了严重磨损，立即停止加工并更换钻头。

本发明的有益效果是：该方法基于高温合金钻削过程的不同钻头磨损形式对钻削力信号的影响规律提取信号特征，在此基础上利用钻削力与钻头磨损数据基于贝叶斯理论建立钻头磨损形式与信号特征的贝叶斯网络模型，进而根据监测信号通过贝叶斯诊断推理判断钻头磨损形式，并通过贝叶斯因果推理获得影响该磨损形式的信号特征。同时，根据刀具磨损曲线规律，采用累积和控制图方法对该信号特征进行监测，实现实时监测钻头磨损状态的目标，适用性好。

由于根据高温合金钻削过程不同钻头磨损形式对钻削力信号的影响规律进行了分析并以此为依据提取了信号特征，实现了针对不同钻头磨损形式的监测识别，拓展了方法的适用性；同时，采用贝叶斯理论通过数据训练得到不同磨损形式与信号特征的贝叶斯网络模型，利用模型的因果关系使该方法能够通过推理得到钻头磨损形式及影响各磨损形式的信号特征，模型具有可解释性。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法的流程图。

图2是本发明方法构建的钻头磨损形式监测贝叶斯网络结构图。

具体实施方式

参照图1-2。本发明高温合金钻削过程钻头磨损形式及磨损状态的在线监测方法具体步骤如下：

步骤一、高温合金钻削磨损数据采集试验。

采用直径φ10mm的标准硬质合金麻花钻，钻削材料为厚度为16mm的gh4169高温合金板料。设定主轴转速范围为500～800rpm，每转进给范围为0.1～0.16mm/r，钻削通孔。采用二因素四水平正交试验设计，其中主轴转速的各水平值为500rpm、600rpm、700rpm和800rpm；每转进给的各水平值为0.1mm/r、0.12mm/r、0.14mm/r和0.16mm/r。在设定的每组钻削参数下，分别采用未磨损的钻头进行连续钻孔试验，钻孔过程中利用测力仪采集轴向力和扭矩数据。在数控程序中设定每钻削5个孔后停止钻削，利用刀具测量仪观测钻头磨损，并记录磨损形式及其磨损量，接着重复该过程直至钻头发生严重磨损。

步骤二、分析钻头磨损形式。

步骤一中的观测结果表明，高温合金钻削钻头磨损的主要形式有横刃磨损、主切削刃后刀面磨损、主切削刃前刀面磨损、主切削刃崩刃、外缘转角磨损，以及积屑瘤磨损。各磨损形式的磨损量分别表示为横刃磨损参数c、主切削刃后刀面磨损带宽度vb、主切削刃前刀面磨损带宽度km、主切削刃崩刃参数p、外缘转角磨损参数w、积屑瘤厚度tb。

步骤三、确定钻头磨损状态区间。

根据步骤二中确定的钻头主要磨损形式，将各磨损形式在步骤一中各磨损形式的实测磨损量c、vb、km、p、w、tb分别按其数值范围等间距划分为三个状态区间，各状态区间内的磨损状态按磨损量由小到大分别记为正常、磨损和严重磨损。

步骤四、提取钻头磨损监测的信号特征。

通过监测钻削力系数的变化判断钻头磨损形式及磨损状态。将每次进行磨损观测前钻孔过程的轴向力系数ka、切向力系数kt，以及二者的比例系数ka/kt，相对于首次未磨损钻头钻削对应的增量δka、δkt和δ(ka/kt)，以及轴向力fa和切向力ft信号的方差相对于首次未磨损钻头钻削的增量δσ(fa)和δσ(ft)作为钻头磨损监测的信号特征。将信号特征分别按其全部实测数值中的最大值和最小值等间距地划分为三个状态区间，各状态区间内的信号特征状态按其数值由小到大分别记为状态1、状态2和状态3。

步骤五、构建信号特征与磨损形式的贝叶斯网络。

将6个磨损形式的钻头磨损量c、vb、km、p、w、tb与5个信号特征δka、δkt、δ(ka/kt)、δσ(fa)、δσ(ft)作为贝叶斯网络的节点，并按其关联关系确定贝叶斯网络结构。

步骤六、贝叶斯网络参数学习。

将步骤一中的试验数据分为训练数据集和验证数据集，分别占总试验数据的80％和20％。根据各磨损形式节点的状态：正常、磨损、严重磨损，以及各信号特征节点的状态：状态1、状态2、状态3标记训练数据集中各信号特征数值和各磨损形式的磨损量的节点状态，统计在各磨损形式节点的各状态下对应的各信号特征的各状态出现的次数，由此建立条件概率表。利用实测信号特征及各磨损形式的状态数据，采用最大似然估计进行贝叶斯网络参数学习，确定各磨损形式影响各信号特征的概率。接着，将参数学习后的贝叶斯网络应用于验证数据集，验证了贝叶斯网络预测的准确性。

步骤七、钻削加工过程的钻头磨损形式监测。

本例中采用主轴转速600rpm和每转进给的各水平值为0.16mm/r，在钻削gh4169过程中，通过实测钻削轴向力和扭矩信号实时计算各信号特征δka、δkt、δ(ka/kt)、δσ(fa)、δσ(ft)，根据各信号特征对应的状态利用贝叶斯网络进行诊断推理，计算各钻头磨损形式在实测信号特征状态下发生的概率，实际监测过程中在钻削第20个孔时出现主切削刃后刀面磨损带宽度vb节点状态值为磨损的概率为76％，由此判断当前钻削过程发生了主切削刃后刀面磨损。

步骤八、钻削加工过程的钻头磨损状态监测。

针对步骤七中监测到的主切削刃后刀面磨损，利用贝叶斯网络进行因果推理，计算各信号特征节点的各状态在主切削刃后刀面磨损发生情况下的概率。本例中计算得到信号特征δka、δkt、δ(ka/kt)分别在状态为状态3、状态3、状态1的概率大于50％，其中δ(ka/kt)状态值为状态1的概率最大，达到89％。根据刀具磨损曲线规律，采用累积和控制图方法对信号特征δ(ka/kt)进行监测，在钻削第34个孔时，信号特征的累积和超出界限值，此时判断钻头发生了严重的主切削刃后刀面磨损。拆卸钻头后，采用刀具测量仪对钻头后刀面磨损带宽度vb进行了测量，其测量值达到严重磨损状态，从而验证了监测结果的正确性。本发明方法实现了高温合金钻削过程钻头磨损形式及磨损状态监测的目标。