基于人工智能的铣床运行监测方法及系统与流程

本发明涉及铣削加工领域，特别涉及一种基于人工智能的铣床运行监测方法及系统。

背景技术

切削刀具作为机械加工的生产要素之一，其状态直接影响工件的加工质量和机床运行的稳定性和可靠性，据相关的统计数据表明，可靠的刀具状态监测系统可提高50％的机床利用率，可减少多达70％的故障停机时间，可使生产率提高15％—60％。该系统不仅能大幅度延长刀具寿命，还能有效减少因刀具失效产生的产品报废。传统的刀具状态监测为离线式，通常需定期停机检查刀具状况，停机将大大增加加工辅助时间，影响机械加工效率。且因刀具检查为定期进行，为避免刀具在两次检查之间失效，只能保守估计刀具寿命，这将不能保证刀具的充分利用。为适应自动化生产的要求，基于某些特定信号的采集与分析处理的技术，相关人员已研发出了多种加工工况下刀具状态的自动监测方法及在线实时监测系统。及时获知刀具的状态并改变铣削参数，以减少加工辅助时间，延长刀具寿命，提高生产率。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现要素：

本发明的目的在于提供一种基于人工智能的铣床运行监测方法及系统，从而克服现有技术的缺点。

本发明提供了一种基于人工智能的铣床运行监测方法，其特征在于：铣床运行监测方法包括如下步骤：

监测铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度；

监测铣刀的磨损状况；

将铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度发送给铣床监控中心；

将铣刀的磨损状况发送给铣床监控中心；

由铣床监控中心调取铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据，同时由铣床监控中心调取铣刀的磨损状况的历史数据；

由铣床监控中心基于铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据和铣刀的磨损状况的历史数据，生成铣床的铣削力与铣刀的磨损状况之间的第一关联关系，同时生成铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度和铣刀的磨损状况之间的第二关联关系；

由铣床监控中心基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况。

优选地，上述技术方案中，铣床运行监测方法还包括如下步骤：

如果判断铣刀的当前磨损状况大于门限，则由铣床监控中心发出停机指令；

确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况是否一致；

如果确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况一致，则向铣床监控中心发出第一指令。

优选地，上述技术方案中，当铣床监控中心接收到第一指令之后，继续基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况；

当铣刀的当前磨损状况大于第二门限时，由铣床监控中心发出第一换刀指令。

优选地，上述技术方案中，铣床运行监测方法还包括如下步骤：

如果确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况不一致，则向铣床监控中心发出第二指令；

当铣床监控中心接收到第二指令之后，基于第二关联关系以及铣床的当前铣削力、当前铣床主轴转速、当前铣床进给轴进给速度、当前铣削角度以及当前铣削深度，判断铣刀的当前磨损状况。

优选地，上述技术方案中，如果判断铣刀的当前磨损状况大于第三门限，则由铣床监控中心发出第二换刀指令。

本发明提供了一种基于人工智能的铣床运行监测系统，其特征在于：系统包括：

第一传感器，其用于监测铣床的铣削力；

第二传感器，其用于监测铣床主轴转速；

第三传感器，其用于监测铣床进给轴进给速度；

第四传感器，其用于监测铣削角度；

第五传感器，其用于监测铣削深度；

铣床监控中心，其被配置为执行以下操作：

接收铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度；

接收铣刀的磨损状况；

调取铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据，同时调取铣刀的磨损状况的历史数据；

基于铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据和铣刀的磨损状况的历史数据，生成铣床的铣削力与铣刀的磨损状况之间的第一关联关系，同时生成铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度和铣刀的磨损状况之间的第二关联关系；

基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况。

优选地，上述技术方案中，铣床监控中心还被配置为执行以下操作：

如果判断铣刀的当前磨损状况大于门限，则发出停机指令；

接收第一指令，其中，第一指令是在如下情况下被发送的：

确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况一致。

优选地，上述技术方案中，铣床监控中心还被配置为执行以下操作：当接收到第一指令之后，继续基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况；

当铣刀的当前磨损状况大于第二门限时，发出第一换刀指令。

优选地，上述技术方案中，铣床监控中心还被配置为执行以下操作：

接收第二指令，其中，第二指令是在如下情况下被发送的：

确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况不一致；

当接收到第二指令之后，基于第二关联关系以及铣床的当前铣削力、当前铣床主轴转速、当前铣床进给轴进给速度、当前铣削角度以及当前铣削深度，判断铣刀的当前磨损状况。

优选地，上述技术方案中，铣床监控中心还被配置为执行以下操作：如果判断铣刀的当前磨损状况大于第三门限，则由铣床监控中心发出第二换刀指令。

与现有技术相比，本发明具有如下有益效果：现有技术中已经提出了利用神经网络算法、支持向量机算法或者遗传算法进行刀具磨损预测的方法，现有技术的方法的缺陷在于考虑了较多无关因素，导致算法收敛较慢，甚至算法不收敛(从而导致算法的失败)，这些情况在刀具磨损实时监控过程中都是不应该出现的问题。为了提高算法的收敛速度就需要对各种因素进行降维处理，但是数据降维过程中又会出现信息损失，这可能导致在分析过程中丢失对于刀具磨损预测至关重要的信息。为了解决现有技术中的矛盾，本发明提出了一种“两步”算法。发明人发现，对于某些材料的刀具，以及特定磨损阶段，刀具磨损与铣削力之间存在很强的关联关系，此时考虑其它因素可能导致模型收敛速度减慢，但是模型的预测精确度却不会大幅度提升；同时对于其它种类的刀具以及特定磨损阶段，刀具磨损与多个因素相关，此时如果只考虑铣削力，则将导致模型预测精度的大幅度下降。为了同时应用两个模型，本申请基于一种“试错”的思路，首先利用简单模型预测刀具磨损程度，然后验证预测磨损程度与真实磨损程度是否一致，如果不一致则说明模型不正确，此时，本发明的方法将自动切换为另一个模型进行预测。本发明的方法不会出现收敛过慢、无法收敛的问题，并且预测精确度得到了大幅度提升。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明的实施例的方法流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是根据本发明的实施例的方法流程图。如图所示，基于人工智能的铣床运行监测方法包括：

步骤101：监测铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度；

步骤102：监测铣刀的磨损状况；

步骤103：将铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度发送给铣床监控中心；

步骤104：将铣刀的磨损状况发送给铣床监控中心；

步骤105：由铣床监控中心调取铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据，同时由铣床监控中心调取铣刀的磨损状况的历史数据；

步骤106：由铣床监控中心基于铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据和铣刀的磨损状况的历史数据，生成铣床的铣削力与铣刀的磨损状况之间的第一关联关系，同时生成铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度和铣刀的磨损状况之间的第二关联关系；

步骤107：由铣床监控中心基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况。

在优选的实施例中，铣床运行监测方法还包括如下步骤：如果判断铣刀的当前磨损状况大于门限，则由铣床监控中心发出停机指令；确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况是否一致；如果确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况一致，则向铣床监控中心发出第一指令。

在优选的实施例中，当铣床监控中心接收到第一指令之后，继续基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况；当铣刀的当前磨损状况大于第二门限时，由铣床监控中心发出第一换刀指令。

在优选的实施例中，铣床运行监测方法还包括如下步骤：如果确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况不一致，则向铣床监控中心发出第二指令；当铣床监控中心接收到第二指令之后，基于第二关联关系以及铣床的当前铣削力、当前铣床主轴转速、当前铣床进给轴进给速度、当前铣削角度以及当前铣削深度，判断铣刀的当前磨损状况。

在优选的实施例中，如果判断铣刀的当前磨损状况大于第三门限，则由铣床监控中心发出第二换刀指令。

建立关联关系的算法是本领域的方法例如是通过神经网络算法实现，神经网络算法本身是本领域的公知算法，本申请不再赘述。

现有技术中已经提出了利用神经网络算法、支持向量机算法或者遗传算法进行刀具磨损预测的方法，现有技术的方法的缺陷在于考虑了较多无关因素，导致算法收敛较慢，甚至算法不收敛(从而导致算法的失败)，这些情况在刀具磨损实时监控过程中都是不应该出现的问题。为了提高算法的收敛速度就需要对各种因素进行降维处理，但是数据降维过程中又会出现信息损失，这可能导致在分析过程中丢失对于刀具磨损预测至关重要的信息。为了解决现有技术中的矛盾，本发明提出了一种“两步”算法。发明人发现，对于某些材料的刀具，以及特定磨损阶段，刀具磨损与铣削力之间存在很强的关联关系，此时考虑其它因素可能导致模型收敛速度减慢，但是模型的预测精确度却不会大幅度提升；同时对于其它种类的刀具以及特定磨损阶段，刀具磨损与多个因素相关，此时如果只考虑铣削力，则将导致模型预测精度的大幅度下降。为了同时应用两个模型，本申请基于一种“试错”的思路，首先利用简单模型预测刀具磨损程度，然后验证预测磨损程度与真实磨损程度是否一致，如果不一致则说明模型不正确，此时，本发明的方法将自动切换为另一个模型进行预测。本发明的方法不会出现收敛过慢、无法收敛的问题，并且预测精确度得到了大幅度提升。

本发明提供了一种基于人工智能的铣床运行监测系统，系统包括：第一传感器，其用于监测铣床的铣削力；第二传感器，其用于监测铣床主轴转速；第三传感器，其用于监测铣床进给轴进给速度；第四传感器，其用于监测铣削角度；第五传感器，其用于监测铣削深度；铣床监控中心，其被配置为执行以下操作：接收铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度；接收铣刀的磨损状况；调取铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据，同时调取铣刀的磨损状况的历史数据；基于铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度的历史数据和铣刀的磨损状况的历史数据，生成铣床的铣削力与铣刀的磨损状况之间的第一关联关系，同时生成铣床的铣削力、铣床主轴转速、铣床进给轴进给速度、铣削角度以及铣削深度和铣刀的磨损状况之间的第二关联关系；基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况。

在优选的实施例中，铣床监控中心还被配置为执行以下操作：如果判断铣刀的当前磨损状况大于门限，则发出停机指令；接收第一指令，其中，第一指令是在如下情况下被发送的：确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况一致。

在优选的实施例中，铣床监控中心还被配置为执行以下操作：当接收到第一指令之后，继续基于第一关联关系以及铣床的当前铣削力，判断铣刀的当前磨损状况；当铣刀的当前磨损状况大于第二门限时，发出第一换刀指令。

在优选的实施例中，铣床监控中心还被配置为执行以下操作：接收第二指令，其中，第二指令是在如下情况下被发送的：确定铣刀的当前实际磨损状况与由铣床监控中心所判断的铣刀的当前磨损状况不一致；当接收到第二指令之后，基于第二关联关系以及铣床的当前铣削力、当前铣床主轴转速、当前铣床进给轴进给速度、当前铣削角度以及当前铣削深度，判断铣刀的当前磨损状况。

在优选的实施例中，铣床监控中心还被配置为执行以下操作：如果判断铣刀的当前磨损状况大于第三门限，则由铣床监控中心发出第二换刀指令。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。