一种刀具状态检测系统及方法与流程

本发明属于刀具检测技术领域，特别是涉及一种刀具状态检测系统及方法。

背景技术：

近年来，积极推动工业发展，发展智能工厂已成为全球制造业的热点。但随着人力短缺、工资上涨、产品交期越来越短和市场需求变动大等问题出现，制造业正面临新一波转型挑战。如何在控制生产成本的同时，还能提高生产力与生产效率，则显得尤为主要。

刀具加工工艺在汽车、飞机和模具制造中应用广泛，但由于刀具受损后未及时更换导致的废品率增加，从而造成经济损失的问题一直困扰着各大厂商；因此，如何进行有效的刀具状态检测是各制造企业迫切希望解决的问题。

技术实现要素：

为了解决上述问题，本发明提出了一种刀具状态检测系统及方法，能够有效检测和预测刀具状态，对刀具受损进行预警，从而避免由于刀具受损后未及时更换导致的废品率增加。

为达到上述目的，本发明采用的技术方案是：一种刀具状态检测系统，包括电流传感器、数据采集设备、工控机和机台监控大屏；

所述电流传感器，采集加工机台主轴电流信号，并将电流信号传送至数据采集设备；

所述数据采集设备，采集电流传感器传送的电流信号，并将采集数据传送至工控机内部数据处理模块；

所述工控机包括数据处理模块、人机交互模块和大数据分析模块，由数据处理模块接收来自数据采集设备的采集数据并进行时频域分析获取特征信号，将所述特征信号输入大数据分析模块中的刀具状态预测模型，进行刀具磨损的预测分析；将分析结果传送至所述人机交互模块；同时，将采集数据和分析结果传送至大数据分析模块进行刀具状态预测模型训练和优化；

所述机台监控大屏，接收数据处理模块的分析结果，并展示分析结果。

进一步的是，所述数据处理模块对采集信号进行处理，通过时域分析得到采集信号时域特征，选取采集信号特征中磨损敏感的特征信号作为分析结果；通过频域分析对分析结果进行去噪；在刀具磨损和崩刃的时候，出现了急剧电流变化特征信号。刀具的电流信号能够反应磨损状态，在刀具磨损的时候电流信号具有突变，整个加工周期具有递进过程；进行频域分析对数据达到去噪，避免噪声对预测结果产生的影响。

进一步的是，所述数据处理模块对采集信号进行处理，通过傅里叶变换把时域上的电流信号映射到频域上，得到电流信号中包含的频率；获取频率是切削信号、空转信号和噪声信号的特征信号作为分析结果。能够直观且快速的在电流信号中找出特征信号。

进一步的是，所述数据处理模块对采集信号进行处理，对采集信号进行小波包分析；通过小波包分析同时观测到时域和频域上的特征分布，分析电流信号中各个频率段内的特征，通过各个频率段内的特征获取异常特征信号作为分析结果。通过小波分析可以同时观测到时域和频域上的特征分布，通过小波包使高频信号的分析处理效果改善，能够实现各个频率段内的特征分析。

另一方面，本发明还提供了一种刀具状态检测方法，包括步骤：

采集加工机台主轴电流信号，并将电流信号通过数据采集设备传送至数据数据处理模块；

对电流信号进行时频域分析获取特征信号，将所述特征信号输入刀具状态预测模型，进行刀具磨损状态的预测分析；

将分析结果通过工控机的人机交互模块以及机台监控大屏展示；并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。

进一步的是，对电流信号进行时频域分析包括步骤：通过时域分析得到采集信号时域特征，选取采集信号特征中磨损敏感信号特征作为特征信号；通过对特征信号进过频域分析进行去噪。

进一步的是，对电流信号进行时频域分析包括步骤：通过傅里叶变换，把时域上的电流信号映射到频域上，得到电流信号中包含频率特征，获取频率特征是切削信号、空转信号和噪声信号的特征信号。

进一步的是，对电流信号进行时频域分析包括步骤：对电流信号进行小波包分析；通过小波包分析同时观测到时域和频域上的特征分布，分析电流信号中各个频率段内的特征，获取各个频率段内的异常特征信号。

进一步的是，通过深度学习预测算法将在线采集数据和历史采集数据作为训练样本训练刀具状态预测模型。

进一步的是，深度学习预测算法采用自适应sdp-cnn算法，包括步骤：

通过sdp协议将信号特征用可视化的图形表示，将信号的时域波形通过计算变为由镜像对称点组成的雪花状图形，镜像对称图形能够突出图形间的差异性用来表示不同信号的特征；

根据遗传算法的自适应能力选取参数，得到反应不同信号特征的sdp图；

将信号数据转化为sdp图后，通过cnn算法构建加工刀具断刀和崩边事件检测模型对sdp图进行对比分析，输出刀具状态。

cnn(卷积神经网络)算法自身可以提取出能够放映代表数据中的特征，省去了人为提取特征的环节，具有很强的预测能力；采用sdp协议分析信号更容易且直观；通过遗传算法带来的自适应能力，选取比较好的参数，从而得到能够反应不同信号特征的sdp图，这样就将信号数据转化为图像，而cnn对于图像处理的能力强大，通过这种方法就可以在信号预测中取得比较理想的效果，提高了预测精度且提示了处理效率。

采用本技术方案的有益效果：

本发明能够有效检测和预测刀具状态，对刀具受损进行预警，从而避免由于刀具受损后未及时更换导致的废品率增加。

本发明通过采集机台主轴加工过程中的电流信号，分析电流信号与加工刀具的断刀和崩边事件之间的关系，构建加工刀具断刀和崩边事件检测模型，以在实际生产过程中，检测模型能够及时、准确地检测出加工刀具断刀和崩边事件，并产生相应信号进行报警和提示。

附图说明

图1为本发明的一种刀具状态检测系统的结构示意图；

图2为本发明中一种刀具状态检测方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种刀具状态检测系统，包括电流传感器、数据采集设备、工控机和机台监控大屏；

所述电流传感器，采集加工机台主轴电流信号，并将电流信号传送至数据采集设备；

所述数据采集设备，采集电流传感器传送的电流信号，并将采集数据传送至工控机内部数据处理模块；

所述工控机包括数据处理模块、人机交互模块和大数据分析模块，由数据处理模块接收来自数据采集设备的采集数据并进行时频域分析获取特征信号，将所述特征信号输入大数据分析模块中的刀具状态预测模型，进行刀具磨损的预测分析；将分析结果传送至所述人机交互模块；同时，将采集数据和分析结果传送至大数据分析模块进行刀具状态预测模型训练和优化；

所述机台监控大屏，接收数据处理模块的分析结果，并展示分析结果。

作为上述实施例的优化方案，所述数据处理模块对采集信号进行处理，通过时域分析得到采集信号时域特征，选取采集信号特征中磨损敏感的特征信号作为分析结果；通过频域分析对分析结果进行去噪；在刀具磨损和崩刃的时候，出现了急剧电流变化特征信号。刀具的电流信号能够反应磨损状态，在刀具磨损的时候电流信号具有突变，整个加工周期具有递进过程；进行频域分析对数据达到去噪，避免噪声对预测结果产生的影响。

作为上述实施例的优化方案，所述数据处理模块对采集信号进行处理，通过傅里叶变换把时域上的电流信号映射到频域上，得到电流信号中包含的频率；获取频率是切削信号、空转信号和噪声信号的特征信号作为分析结果。能够直观且快速的在电流信号中找出特征信号。

作为上述实施例的优化方案，所述数据处理模块对采集信号进行处理，对采集信号进行小波包分析；通过小波包分析同时观测到时域和频域上的特征分布，分析电流信号中各个频率段内的特征，通过各个频率段内的特征获取异常特征信号作为分析结果。通过小波分析可以同时观测到时域和频域上的特征分布，通过小波包使高频信号的分析处理效果改善，能够实现各个频率段内的特征分析。

为配合本发明方法的实现，基于相同的发明构思，如图2所示，本发明还提供了一种刀具状态检测方法，包括步骤：

采集加工机台主轴电流信号，并将电流信号通过数据采集设备传送至数据数据处理模块；

对电流信号进行时频域分析获取特征信号，将所述特征信号输入刀具状态预测模型，进行刀具磨损状态的预测分析；

将分析结果通过工控机的人机交互模块以及机台监控大屏展示；并将分析结果传送至大数据分析模块对刀具状态预测模型进行训练和优化。

作为上述实施例的优化方案，对电流信号进行时频域分析包括步骤：通过时域分析得到采集信号时域特征，选取采集信号特征中磨损敏感信号特征作为特征信号；通过对特征信号进过频域分析进行去噪。

作为上述实施例的优化方案，对电流信号进行时频域分析包括步骤：通过傅里叶变换，把时域上的电流信号映射到频域上，得到电流信号中包含频率特征，获取频率特征是切削信号、空转信号和噪声信号的特征信号。

作为上述实施例的优化方案，对电流信号进行时频域分析包括步骤：对电流信号进行小波包分析；通过小波包分析同时观测到时域和频域上的特征分布，分析电流信号中各个频率段内的特征，获取各个频率段内的异常特征信号。

作为上述实施例的优化方案，通过深度学习预测算法将在线采集数据和历史采集数据作为训练样本训练刀具状态预测模型。

深度学习预测算法采用自适应sdp-cnn算法，包括步骤：

通过sdp协议将信号特征用可视化的图形表示，将信号的时域波形通过计算变为由镜像对称点组成的雪花状图形，镜像对称图形能够突出图形间的差异性用来表示不同信号的特征；

根据遗传算法的自适应能力选取参数，得到反应不同信号特征的sdp图；

将信号数据转化为sdp图后，通过cnn算法构建加工刀具断刀和崩边事件检测模型对sdp图进行对比分析，输出刀具状态。

cnn(卷积神经网络)算法自身可以提取出能够放映代表数据中的特征，省去了人为提取特征的环节，具有很强的预测能力；采用sdp协议分析信号更容易且直观；通过遗传算法带来的自适应能力，选取比较好的参数，从而得到能够反应不同信号特征的sdp图，这样就将信号数据转化为图像，而cnn对于图像处理的能力强大，通过这种方法就可以在信号预测中取得比较理想的效果，提高了预测精度且提示了处理效率。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。