一种机床主轴夹屑和/或刀具缠屑的报警方法及装置与流程

本发明涉及数控机床技术领域，特别涉及一种机床主轴夹屑和/或刀具缠屑的报警方法及装置。

背景技术：

加工中心主轴夹屑和刀具缠屑是数控机床加工过程中经常出现的问题，数控机床的报警系统往往是针对电气方面的，对主轴夹屑和刀具缠屑这种机械方面的故障难以监测，由于主轴夹屑等造成的刀具不对中、动不平衡问题会严重影响零件的加工质量，在现在无人化工厂的大背景下，这类问题出现后往往难以及时发现，极易造成大批质量事故。刀具缠屑主要位于两处位置，一是刀柄上表面和主轴下表面的平面结合面之间，其二是主轴和刀柄接触的锥面之间。因此，夹屑主要是发生在换刀过程中，在刀柄装上主轴前及时排除夹屑和装上主轴后及时发现夹屑，是避免主轴夹屑造成刀柄安装不对中的重要途径。

目前，对于安装前清除夹屑和缠屑的方法主要有高压吹气清洁法，这种方法能清除大部分夹屑，但不能保证清除干净。通过在主轴和刀柄接触的锥面上布置应变片来测量刀柄夹紧时产生的应力变化也是一种比较有效的检测夹屑的方法，但成本很高，而且需要定制主轴。此外，通过激光位移传感器等方法检测刀具旋转过程中的跳动情况也是一种有效的方法，但需要占用安装空间，并影响到加工节拍。

申请号为：201610052513.6，名称为：基于非接触位移传感器的机床主轴夹屑报警装置及方法的中国专利公开了一种基于非接触位移传感器的机床主轴夹屑报警装置及方法，该发明通过将无线位移传感器固定到刀柄的夹头里，用于检测刀柄安装到主轴上后传感器基点到主轴基准面的距离是否一致，如果不一致则启动报警。此方法需要改造刀柄结构，并为每个刀柄配置多个无线传感器，改造和维护难度较大。申请号为：201610190840.8，名称为：基于应变式压力传感器的机床主轴夹屑报警装置及方法的中国专利公开了一种基于应变式压力传感器的机床主轴夹屑报警装置及方法，该装置采用预埋式方法将无线压力传感器组装到刀体内部，通过夹头压力变化转化为刀柄与主轴结合面夹屑大小的关系，该方法也需要对刀柄进行改造。

因此，急需提供一种对数控机床改动小，故障识别准确率高的机床主轴夹屑和/或刀具缠屑的报警方法及装置。

技术实现要素：

本发明针对上述现有技术中存在的问题，提出一种机床主轴夹屑和/或刀具缠屑的报警方法及装置，通过采集主轴运转过程中的振动信号对主轴夹屑和/或刀具缠屑进行诊断，对机床改动小，可以提升数控机床主轴夹屑和刀具缠屑诊断的准确性及诊断效率，有效降低数控机床主轴的维护成本。

为解决上述技术问题，本发明是通过如下技术方案实现的：

本发明提供一种机床主轴夹屑和/或刀具缠屑的报警方法，其包骤：

s11：采集主轴运转的振动信号；

s12：对主轴运转的振动信号进行处理，提取主轴运转的振动信号的特征参数，得到反应主轴运转的特征向量；

s13：将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态，当主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，输出报警。

较佳地，所述s12中对主轴运转的振动信号进行处理具体为：对主轴运转的振动信号进行时频分析。采用时频分析提取信号特征值的方法，特征识别度高。

较佳地，还包括：

s301：在后期监控过程中，在数据库中手动或自动添加主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息。

较佳地，所述s13中的将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态，具体为：

建立非线性分类模型，将主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息作为训练样本对非线性分类模型进行训练，得到训练好的非线性分类模型，将反应主轴运转的特征向量输入到训练好的非线性分类模型中，得到当前的主轴运转状态。

较佳地，所述主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息包括：提取的主轴运转的振动信号的特征参数以及相应的工艺信息。

较佳地，所述相应的工艺信息包括：主轴转速以及刀具信息。

较佳地，所述s13之后还包括：

s501：当检测到主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，将异常信号存入到数据库中，添加到非线性分类模型的训练样本中，重新对非线性分类模型进行训练。

本发明还提供一种机床主轴夹屑和/或刀具缠屑的报警装置，其包括：数据采集单元、处理单元以及报警单元；其中，

所述数据采集单元用于采集换刀后主轴运转的振动信号；

所述处理单元用于对主轴运转的振动信号进行处理，提取主轴运转的振动信号的特征参数，得到反应主轴运转的特征向量；

所述报警单元用于将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态，当主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，输出报警。

较佳地，所述数据采集单元包括：振动传感器，所述振动传感器设置于主轴的前端轴承和/或后端轴承处。

较佳地，所述报警单元包括：非线性分类模型建立单元，其用于建立非线性分类模型，将主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息作为训练样本对非线性分类模型进行训练，得到训练好的非线性分类模型。

相较于现有技术，本发明具有以下优点：

(1)本发明的机床主轴夹屑和/或刀具缠屑的报警方法及装置，通过采集主轴换刀后主轴运转过程中的振动信号，并通过对振动信号进行特征提取和状态识别，最终实现对主轴夹屑和刀具缠屑的在线监测，可以提升数控机床主轴夹屑和刀具缠屑诊断的准确性及诊断效率，有效降低数控机床主轴的维护成本；

(2)本发明的机床主轴夹屑和/或刀具缠屑的报警方法及装置，采用振动信号识别的方法，对机床改动小，只需要在主轴上加装振动信号采集装置，不需要对主轴的结构进行改动，对数控机床的改动少，可移植性好；

(3)本发明的机床主轴夹屑和/或刀具缠屑的报警方法及装置，在识别到当前属于主轴夹屑和/或刀具缠屑故障，则将故障信号存入数据库，添加到非线性分类模型的训练样本中，重新对非线性分类模型进行训练；自学习性好，能适应机床的变化。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

下面结合附图对本发明的实施方式作进一步说明：

图1为本发明的一实施例的机床主轴夹屑和/或刀具缠屑的报警方法的流程图；

图2为本发明的另一实施例的机床主轴夹屑和/或刀具缠屑的报警方法的流程图；

图3为本发明的一实施例的机床主轴夹屑和/或刀具缠屑的报警装置的示意图。

标号说明：1-数据采集单元，2-处理单元，3-报警单元。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

结合图1，本实施例对本发明的机床主轴夹屑和/或刀具缠屑的报警方法进行详细描述，如图1所示，其包括以下步骤：

s11：采集换刀后主轴运转的振动信号，包括：主轴在空载情况下的加速阶段的信号或稳速阶段的信号；

s12：对主轴运转的振动信号进行处理，提取主轴运转的振动信号的特征参数，得到反应主轴运转的特征向量；

s13：将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态，当主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，输出报警。具体地，主轴夹屑或者刀具夹屑或者两者同时出现所提取出来的的特征向量不同，通过特征向量来区分是哪种故障。

一实施例中，步骤s12具体为：对主轴运转的振动信号进行时频分析，提取主轴运转的振动信号的特征参数，得到反应主轴运转的特征向量。进一步地，主轴稳速阶段的特征量提取方法为：首先基于主轴空载稳定转动的旋转频率(定义为基频)，通过fft变换等方法提取基频带能量，具体可以采用基频带信号的rms值(均方根值)等形式来表征；然后，特征量采用基频带能量的百分比表征即定义为实际工况的基频带能量和正常工况的基频带能量之比。主轴加速阶段的特征量提取方法为：首先通过s变换、小波包分解等时频分析方法获得不同频段的能量，具体采用该频带内信号的rms值(均方根值)等形式来表征；然后，提取不同频带能量占总能量的比例作为特征量，这样根据所分析的频带数量可以获得对应的多个特征分量。主轴夹屑、刀具缠屑对在振动信号频域图上体现比较直观，针对不同机床选取上述的特征值中对故障信号比较敏感的作为信号特征值。

较佳实施例中，为了更好地实时进行检测，数据库还具有一定的学习功能，在后期监控过程中，可以对数据库进行不断地更新学习。具体地为，还包括以下步骤：

s301：在后期监控过程中，在数据库中手动或自动添加主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息，对正常状态信号样本信息以及异常状态信号样本信息进行不断地更新。

较佳实施例中，步骤s13中的将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态具体为：建立非线性分类模型，将主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息作为训练样本对非线性分类模型进行训练，具体地，信号样本信息可以包括：反应主轴运转的特征参数以及相应的工艺参数值，将这些作为非线性分类模型的输入，对非线性分类模型进行训练，得到训练好的非线性分类模型，然后将反应主轴运转的特征向量(包括：提取的特征值以及相应的工艺参数)输入到训练好的非线性分类模型中，就可以得到当前的主轴运转状态。不同实施例中，非线性分类模型可以为：神经网络模型或支持向量机等非线性分类模型。其中，神经网络模型可以为：bp神经网络、基于径向基的人工神经网络(rb)等。

进一步地，较佳实施例中，还可以在步骤s13之后增加以下步骤：

s501：当检测到主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，将异常信号存入到数据库中，添加到非线性分类模型的训练样本中，重新对非线性分类模型进行训练。其流程图如图2所示，这样对数据库不断的学习更新，可以使检测结果更准确。

结合图3，本实施例对本发明的机床主轴夹屑和/或刀具缠屑的报警装置进行详细描述，其包括：依次连接的数据采集单元1、处理单元2以及报警单元3。其中，数据采集单元1用于采集换刀后主轴运转的振动信号；处理单元2用于对主轴运转的振动信号进行处理，提取主轴运转的振动信号的特征参数，得到反应主轴运转的特征向量；报警单元3用于将反应主轴运转的特征向量与数据库中预先存储的主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息进行比较，得到当前的主轴运转状态，当主轴运转出现主轴夹屑和/或刀具缠屑异常状态时，输出报警。

较佳实施例中，数据采集单元1包括振动传感器(如：可以为加速度传感器)，其设置于主轴的前端轴承处和/或后端轴承处。

较佳实施例中，报警单元包括：非线性分类模型建立单元，其用于建立非线性分类模型，将主轴正常运转时的正常状态信号样本信息以及主轴夹屑和/或刀具缠屑异常状态的信号样本信息作为训练样本对非线性分类模型进行训练，得到训练好的非线性分类模型。

此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。