一种基于数控系统内部数据的断刀检测方法与流程

本发明属于数控机床刀具状态监控领域，更具体地，涉及一种基于数控系统内部数据的断刀检测方法。

背景技术：

数控机床加工过程中，刀具断裂直接影响加工零件的直通率，如未及时发现并更换新刀具，将进一步造成后续工序的刀具断裂，生产出大量不合格产品，浪费资源，降低加工效率，甚至会对机床本体造成一定程度的破坏。

目前，数控机床断刀检测的技术有两种，一是直接识别刀刃外观、表面品质或几何形状变化进行刀具状态判断，称为直接法。如CN204405002U公开了一种便携式CNC铣床刀具检测仪，其包括支架装置、刀具成像系统和图像分析系统，该检测仪通过刀具成像系统成像，图像分析系统分析铣床刀具的图像和显示铣床刀具的参数，实现铣床刀具的在线检测和预调。二是采集数控加工过程中能够反映刀具状态的信号(如切削力信号、切削温度信号、声发射信号、功率信号、振动信号、电流信号、主轴转速等)进行断刀检测，称为间接法。如CN104786265A公开了一种用于钻床刀具的感应式微电流断刀检测电路，其检测原理是：将由磁环线圈组成的信号发射电路和信号感应电路套在主轴外用螺丝固定在主轴座上，激励信号产生电路输出固定频率的振荡信号到发射线圈，当刀具钻到工件时感应线圈会产生感应电流，感应信号经处理后输出一个检测信号，同时触发运动控制卡记录当前位置，当设备正常运行时，每钻一个孔，检测回路就会有一个检测信号输出，同时PC机把当前位置及其平均值进行实时对比，从而判断出钻头是否断掉。再如CN203658795U公开了一种基于加速度感应器的断刀检测装置，用于检测印刷线路板数控钻床的钻刀是否折断，其检测原理是：当数控钻床的钻刀钻到工件时会产生微振，固定在主轴轴承外壳上的三轴加速度感应器检测钻床的XY轴在不同位置时主轴钻孔的微振深度，触发运动控制卡记录位置信息，PIC单片机分析主轴的钻孔微振深度，从而检测在钻孔过程中钻刀是否折断。

综上，目前的断刀检测技术主要依赖外接传感器装置获取刀具几何或状态数据以进行断刀检测，存在以下不足：1)需要安装外接传感器装置(包括图像采集设备)，操作复杂，增加了劳动力和技术成本；2)外接传感器的放置位置极易受人为因素影响，尤其在恶劣的工业环境下，刀具几何或状态数据和检测结果的可信度无法保证；3)在线检测实时性差。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供一种基于数控系统内部数据的断刀检测方法，本发明的数据源真实可信，并结合机器学习算法，实现了实时地准确断刀检测功能，避免了后续刀具及零件报废，提高自动化生产线的产品直通率。

为实现上述目的，本发明提出了一种基于数控系统内部数据的断刀检测方法，包括如下步骤：

(1)采集数控系统内部数据作为刀具数据，同时记录制造资源数据，对所述刀具数据进行加工状态数据截取和滤波预处理，获得刀具加工状态的低频数据；

(2)根据所述刀具加工状态的低频数据，提取表征刀具状态的信号特征，形成特征向量其中，i为刀具数据样本号，m为特征维数；

(3)根据所述特征向量及其对应的类别进行模型训练，获得训练模型，根据所述训练模型进行刀具状态判断，以此方式，完成断刀的检测。

作为进一步优选的，所述数控系统内部数据包括运行状态数据和工作任务数据，所述运行状态数据包括主轴功率、主轴电流和主轴实际速度，所述工作任务数据包括刀具对应的刀号、G代码程序和程序行号，所述制造资源数据包括刀具类型与材料、毛坯材料和机床类型。

作为进一步优选的，对所述刀具状态数据进行加工状态数据截取和滤波预处理，获得刀具加工状态的低频数据，具体为：利用刀号对刀具状态数据以刀具为单位进行第一次截取，以分离出每把刀具所对应的状态数据；采用微分阈值法对分离出的每把刀具所对应的状态数据进行二次截取，以确定刀具开始加工时间点与结束加工时间点；在二次截取的数据基础上，采用滤波器进行低通滤波，获得刀具加工状态的低频数据。

作为进一步优选的，采用微分阈值法对分离出的每把刀具所对应的状态数据进行二次截取，以确定刀具开始加工时间点与结束加工时间点，具体为：

对分离出的每把刀具所对应的状态数据进行平滑处理，得到平滑数据；对所述平滑数据进行微分，选择平滑数据微分值小于阈值的数据点集，记为ind₁；对ind₁进行微分，记为diff(ind₁)，选择diff(ind₁)最大的数据点对应的位置，记为ind₂，获取ind₂+1位置对应的时间点即为刀具开始加工时间点；选择diff(ind₁)第二大数据点对应的位置，记为ind₃，获取ind₃-1位置对应的时间点即为刀具结束加工时间点。

作为进一步优选的，所述低频数据具体为频率小于等于10Hz的数据，所述阈值优选为0.04。

作为进一步优选的，所述m优选为10，所述表征刀具状态的信号特征优选为主轴功率的均方根值、功率积分、均值、峰度、相关系数和前5个峰值。

作为进一步优选的，根据所述特征向量及其对应的类别进行模型训练，获得训练模型，根据所述训练模型进行断刀判断，具体包括如下步骤：

(3.1)判别初始化使i＝0，令i＝0为正常加工，y⁽⁰⁾＝1，执行步骤(1)～(2)形成特征向量并获得第一个样本令i＝i+1，进入下一步；

(3.2)令i＝1为非正常加工，类别标号y⁽¹⁾＝0，执行步骤(1)～(2)形成特征向量并获得第二个样本令i＝i+1，进入下一步；

(3.3)进行刀具状态判断：

当2≤i≤n时，其中n+1为累积样本总数，执行步骤(1)～(2)形成特征向量并获得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，对所述特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}进行归一化处理得到然后根据归一化处理后的特征量及其对应的类别标号获得样本集其中利用所述样本集对模式识别模型进行训练，最后将代入到训练好的模式识别模型中，输出类别标号y⁽ⁱ⁾；

当i＞n时，执行步骤(1)～(2)形成特征向量并获得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，然后形成训练样本集X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(k)...,x^(i-1)}，其中x^(k)＝{fea^(k)；y^(k)},k＝0,1,...,i-1，在所述训练样本集中X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(k)...,x^(i-1)}随机抽取q个样本，根据抽取的样本获得新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}，对新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}进行归一化处理得到然后根据归一化处理后的特征量及其对应的类别标号获得样本集其中利用所述样本集对模式识别模型进行训练，最后将代入到训练后的模式识别模型中，输出类标记y⁽ⁱ⁾；

(3.4)根据刀具实际状态，对类别标号y⁽ⁱ⁾进行修正获得修正后的类别标号y^＇(i)，根据修正后的类别标号y^＇(i)形成样本结束本次判别，进入下一步；

(3.5)令i＝i+1，执行(3.3)～(3.4)，进行下一次加工刀具的断刀检测。

作为进一步优选的，所述正常加工指刀具未断，正常加工零件；所述非正常加工指刀具断裂，异常加工零件；所述n优选为10。

作为进一步优选的，所述归一化处理具体为采用线性变换将特征量等比例缩放到[0，1]区间；所述模式识别模型为随机森林、logistic回归、支持向量机SVM、线性判别分析LDA或神经网络NN模型。

作为进一步优选的，所述q的抽取比例为1/p，其中1/p为断刀样本量与正常样本量的比值，优选为1/5或1/10。

作为进一步优选的，在判别过程中依据制造资源数据或工作任务数据中的任一数据是否发生变化，确定是否令刀具状态判别次数i＝0，具体为：在步骤(3.4)和(3.5)之间可加入如下步骤：判断制造资源数据或工作任务数据中的任一数据是否发生变化，若是，则令i＝0，并返回步骤(1)，进行新的断刀检测，若否，则进入步骤(3.5)，进行下一次断刀检测。

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，主要具备以下的技术优点：

1.本发明采用数控系统内部数据进行断刀检测，无任何外接传感器装置，节约成本，且保证数据源真实可信。

2.本发明检测方法简单、直接、高效，可保证断刀检测与数控加工同时进行，即做到实时监控而不影响机床正常加工。

3.本发明针对各种刀具类型、各种直径(包括小直径)刀具和各种复杂的工况科进行准确的断刀判断，适用性强。

4.本发明检测方法可以降低断刀引起的刀具和零件报废损失，提高自动化生产线的产品直通率。

附图说明

图1是本发明的断刀检测方法流程图；

图2是主轴转速的微分曲线；

图3是加工状态刀具数据截取。

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。

本发明提供的一种基于数控系统内部数据的断刀检测方法，主要包括机床刀具状态数据获取、数据滤波与截断预处理、特征提取、模型训练、刀具状态判断、误判样本类别标号修正等，具体包括如下步骤：

(1)采集数控系统内部数据作为刀具数据，同时记录制造资源数据；对所述刀具数据进行加工状态数据截取和滤波预处理，获得刀具加工状态的低频数据。

其中，数控系统内部数据包括运行状态数据和工作任务数据，运行状态数据Y包括主轴功率、主轴电流和主轴实际速度，工作任务数据WT包括刀具对应的刀号、每把刀具对应的加工G代码程序和相应的加工G代码程序对应的程序行号，所述制造资源数据MR包括刀具的类型与材料、零件的毛坯材料和机床类型。

对所述刀具状态数据进行加工状态数据截取和滤波预处理，获得刀具加工状态的低频数据，具体为：利用刀号对刀具状态数据(包括主轴功率、主轴电流、主轴实际速度和程序行号)以刀具为单位进行第一次截取，以分离出每把刀具所对应的状态数据；采用微分阈值法对分离出的每把刀具所对应的状态数据(包括主轴功率、主轴电流、主轴实际速度和程序行号)进行二次截取，以确定刀具开始加工时间点与结束加工时间点，截取开始与结束之间的数据进行研究，避免换刀和主轴加减速段信号对数据分析产生干扰；在二次截取的数据基础上，采用巴特沃斯低通滤波器进行低通滤波，保留信号低频成分，获得刀具加工状态的低频数据((10Hz及以下))。

进一步的，对数据二次截取方法还可通过解析G代码指令中M03和M05对应的指令行号进行截取。还可采用其他的IIR滤波器，如契比雪夫滤波器、椭圆形滤波器，或FIR滤波器进行信号滤波处理。

具体的，采用微分阈值法对分离出的每把刀具所对应的状态数据(包括主轴功率、主轴电流、主轴实际速度和程序行号)进行二次截取，以确定刀具开始加工时间点与结束加工时间点，具体为：

(a)采用加窗平滑滤波对分离出的每把刀具所对应的状态数据(例如主轴实际速度)进行平滑处理，得到平滑数据；

(b)对所述平滑数据进行微分，微分曲线如图2所示；

(c)选择合适的阈值，选取平滑数据微分值小于阈值的数据点集，记为ind₁；

(d)对ind₁进行微分，记为diff(ind₁)，选择diff(ind₁)最大的数据点对应的位置，记为ind₂，获取ind₂+1位置对应的时间点(例如主轴实际速度对应的时间点)即为刀具开始加工时间点(即加工状态的起始点)；

(e)选择diff(ind₁)第二大数据点对应的位置，记为ind₃，获取ind₃-1位置对应的时间点即为刀具结束加工时间点(即加工状态的结束点)，由此确定刀具加工状态数据。

其中，阈值选取与数控系统有关，本实施例通过观察主轴实际速度(即主轴转速)的微分曲线，设置阈值为0.04。图3中的第2段即为本实施例截取的刀具加工状态段数据，即主轴实际速度稳定段。图中①-④依次为主轴加速段、主轴稳速段、主轴减速段、换刀段的数据，其中O表示主轴稳速段的起始点和终止点。需要说明的是，本发明所属的主轴转速不是真实的主轴转速，而是从数控机床获取的原始数据。假设主轴转速为sActSpeed，从数控机床直接获取的数据为sMeasuredSpeed，则二者之间的关系为：

sActSpeed＝sMeasuredSpeed*60000/(360000/dist_s)/pulse_s(1)

其中，dist_s/pulse_s为电子齿轮比，dist_s、pulse_s均由数控机床本体确定。从式(1)可以看出sActSpeed与sMeasuredSpeed之间呈线性关系，直接使用sMeasuredSpeed并不影响后续数据的处理，且节约计算时间。

此外，为保留信号低频成分，削弱高频噪声影响，本实施例采用截止频率为10Hz的巴特沃斯低通滤波器进行主轴转速稳定段数据的滤波处理。

(2)根据刀具加工状态的低频数据，提取表征刀具状态的信号特征，形成特征向量其中，i为刀具数据样本号，样本包括特征向量和类别标号y⁽ⁱ⁾(即类别)，第i个样本x⁽ⁱ⁾＝{fea⁽ⁱ⁾；y⁽ⁱ⁾}，样本集X＝{x⁽¹⁾,x⁽²⁾,...,x⁽ⁱ⁾}，m为特征维数，y⁽ⁱ⁾∈{0,1}，若y⁽ⁱ⁾＝0，则判断刀具为断刀状态，若y⁽ⁱ⁾＝1，则判断刀具为正常状态。

优选的，本发明提取主轴功率的均方根值、功率积分、均值、峰度、相关系数和前5个峰值等10维特征用于表征刀具状态，即m＝10，第i个样本的特征向量记为此外，还可提取峰值对应的G指令程序行号作为信号特征。

(3)根据所述特征向量及其对应的类别进行模型训练，获得训练模型，根据所述训练模型进行刀具状态，以此方式，完成断刀的检测。

具体包括如下步骤：

(3.1)判别初始化使i＝0，并令y⁽⁰⁾＝1，即为正常加工，执行步骤(1)～(2)形成特征向量并获得第一个样本令i＝i+1，进入下一步；

(3.2)此时i＝1，令y⁽¹⁾＝0，即为非正常加工，执行步骤(1)～(2)形成特征向量并获得第二个样本令i＝i+1，进入下一步；其中，正常加工条件是指刀具未断，正常加工零件；非正常加工条件是指刀具断裂情况，为异常加工零件；

(3.3)进行刀具状态判断：

当2≤i≤n时，其中n+1为累积样本总数，执行步骤(1)～(2)形成特征向量并获得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，对所述特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}进行归一化处理得到然后根据归一化处理后的特征量及其对应的类别标号获得样本集其中利用所述样本集对模式识别模型进行训练，最后将代入到训练好的模式识别模型中，输出类别标号y⁽ⁱ⁾；为防止正负样本失衡，优选n＝10；

当i＞n时，执行步骤(1)～(2)形成特征向量并获得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，结合已知的{y⁽⁰⁾,y⁽¹⁾,...,y^(i-1)}形成训练样本集X＝{x⁽⁰⁾,x⁽¹⁾,...x^(k)...,x^(i-1)}，其中x^(k)＝{fea^(k)；y^(k)},k＝0,1,...,i-1。为保证训练样本集中正负样本相对均衡、加快模型参数训练速度，在所述训练样本集X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(i-1)}中按断刀样本与正常样本量1/p的比例进行随机抽样，抽样数为q，获得新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}，其中f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q)分别代表抽取出的q个样本对应的特征量，对新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}进行归一化处理得到然后根据归一化处理后的特征量及其对应的类别标号获得样本集其中利用所述样本集对模式识别模型进行训练，最后将代入到训练后的模式识别模型中，输出类别标号y⁽ⁱ⁾。

其中，归一化处理采用线性变换将特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}或{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}等比例缩放到[0，1]区间，保证不同来源的数据统一到同一个尺度范围内。

其中，为保证训练样本集中正负样本相对均衡、加快模型参数训练速度，本发明对随机抽取的样本量按断刀样本与正常样本量1/p的比例进行随机抽样，即随机抽取的样本量与所选取的供抽取的样本总量的比为1/p。优选地，选择断刀样本与正常样本量比值为1/5或1/10。

进一步的，模式识别模型可以是随机森林、logistic回归、支持向量机SVM、线性判别分析LDA、神经网络NN等有监督的分类模型，本实施例优选采用logistic回归分类模型进行刀具状态判断。

(3.4)根据刀具实际状态，对类别标号y⁽ⁱ⁾进行修正获得修正后的类别标号y^＇(i)，根据修正后的类别标号y^＇(i)形成样本结束本次判别，进入下一步。

进一步地，本发明依据刀具实际状态进行误判样本类别修正，如图1所示，如果y⁽ⁱ⁾＝1，即没有检测到断刀，而实际上刀具发生了断裂(可采用人工观察)，则将其类别标号修正为y⁽ⁱ⁾＝0；如果判别结果为y⁽ⁱ⁾＝0，即检测到断刀，而实际上刀具没有发生断裂，则将其类别标号修正为y⁽ⁱ⁾＝1；其余两种正确判别结果不予修正。

(3.5)令i＝i+1，执行(3.3)～(3.4)，进行下一次加工刀具的断刀检测。实际检测中，机床开启时即可开始检测，机床停机时即结束检测。

此外，在判别过程中可依据制造资源数据或工作任务数据中的任一数据是否发生变化，确定是否令刀具状态判别次数i＝0，当制造资源或工作任务数据发生变化，历史刀具数据将不再可以用来进行刀具状态检测，此时令刀具状态判别次数i＝0，开始新的断刀检测，即在步骤(3.4)和(3.5)之间可加入如下步骤：判断制造资源数据或工作任务数据中的任一数据是否发生变化，若是，则令i＝0，并返回步骤(1)，进行新的断刀检测，若否，则进入步骤(3.5)，进行下一次断刀检测。

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。