一种数值仿真驱动的加工过程刀具状态监测方法与流程

本发明涉及加工过程监测领域，特别涉及一种数值仿真驱动的加工过程刀具状态监测方法。

背景技术：

机床时加工过程的重要载体，其稳定高效的运行是所有生产企业所希望的。刀具作为数控机床上的重要加工部件，在加工过程中极易被损坏，因此及时有效地进行状态监测和故障识别是十分必要的，其原因有：(1)金属切削操作过程中的刀具磨损程度对被加工零件的表面质量和尺寸精度有很大影响。刀具磨损决定了刀具更换的频率、表面粗糙度、或更长的加工时间，因此会直接增加加工成本；(2)据统计，超过五分之一的机床故障是由刀具故障引起的，由刀具故障引起的停机时间约占总停机时间的6.8％-20％。所以，如何掌握刀具实时磨损状态，建立刀具状态监测(tcm)系统，提高刀具的利用率，降低加工成本，在智能数控机床和生产过程自动化的发展中已成为亟待解决的问题。

对于建立完善、准确的tcm系统，必须获得充足、完备的刀具状态数据，常用的方法是通过间接测量法布置各类传感器获取加工过程中与刀具状态相关的参量，例如：切削力、加速度、振动、声发射等。间接测量法获取数据虽然对切削加工过程影响较小，但仍需进行大量的切削实验，费时费力，成本高。随着计算机技术的发展及其性能的快速提升，基于有限元的加工过程仿真技术也不断得到完善，越来越多的研究者借助有限元方法对加工过程进行研究，通过该方法不仅可以获取与实验中刀具磨损相关的参量，而且可以获得一些难以在加工过程中观测的量(如切屑形态、应力、温度场等)。对于实验中刀具只能按次进行切削实验从而获取数据，基于有限元的数值仿真技术可以对铣削过程进行并行运算，从而降低时间成本。对于切削实验中的刀具，每次进行切削实验后需要更换新刀从而进行下一组实验，而在仿真中只需按照实验刀具进行建模，设置好相关参数进行仿真，极大的减小物料成本。

但是，目前的刀具磨损状态的样本绝大部分是通过切削实验获得的，其实验所需时间成本和材料成本很高。一方面，实验获得的刀具状态类型有限，用来训练状态分类算法的样本不完备，导致监测模型分类精度不高；另一方面，加工过程的切削条件(如进给速率、主轴转速、切削深度等)多变，导致多种切削条件下的样本数据采集成本非常高。

技术实现要素：

本发明的目的是提供一种数值仿真驱动的加工过程刀具状态监测方法，以解决背景技术中所提出的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种数值仿真驱动的加工过程刀具状态监测方法，包括以下步骤：

步骤s1、获取机床加工过程中的切削力信号，并根据实验所采用刀具和工件等参数进行建模；

步骤s2、根据数值仿真理论，对相应材料根据实验值进行最佳参数组合的选定；

步骤s3、基于模型材料标准参数，以标准参数数值大小的80％和120％分为三个水平进行正交实验，对实验结果进行分析，得出最佳参数组合；

步骤s4、采用最佳参数组合的模型对刀具进行不同磨损状态下的仿真，获得切削力数据样本，并扩充至实验数据样本中；

步骤s5、选取监测算法，将扩容后的实验数据样本作为训练集对监测算法进行训练，进而对待测刀具状态进行状态监测。

进一步设置是，所述的步骤s1具体包括以下步骤：

步骤s1.1、进行加工过程刀具监测实验，采集c种刀具状态下的切削力信号，记为i＝1,2,...,z,c＝1,2,...,c，z为采集的信号点数，c为第c类刀具状态；

步骤s1.2、基于有限元分析软件对加工实验进行仿真；其主要过程分为前处理设置、生成db数据文件并运算、后处理查看结果这三部分，且在前处理设置中选用j-c本构模型，如下：

在式(1)中，a为初始屈服应力；b为应变硬化常数；c为应变速率系数；n为应变硬化指数；m为温度软化指数。c、n、m为材料特性系数，t，troom，tmelt分别为变形温度、室温和材料熔点。

进一步设置是，所述的步骤s3具体包括以下步骤：

步骤s3.1、以材料j-c本构模型标准参数为基准，分别取其数值大小的80％和120％建立五因素三水平的正交表l18(5³)进行正交实验，对正交实验结果进行比较分析，得到最佳参数组合；

步骤s3.2、计算18组仿真数据的kl散度值和cs值；从仿真切削力信号中截取刀具完全进入工件后的数据点，记为i＝1,2,...,n，n为信号点数；将仿真信号与实验测试信号进行余弦相似度和kl散度比较，用cos(θ)表示余弦相似度值，其计算公式为：

用dkl表示和之间的kl散度值，其计算公式为：

和分别表示仿真信号和实验信号的概率密度，n为信号点数；

步骤s3.3、找出满足cos(θ)大于0.6且dkl最小所对应的参数组合，该组合对应的仿真模型即为与实验条件最匹配的铣削加工仿真模型。

进一步设置是，所述的步骤s4具体为：

在仿真中取c种刀具状态作为补充样本进行建模、仿真，获得每种刀具状态下的切削力信号，记为fsi，i＝1,2,...,n，将实验测试的切削力记为fei，i＝1,2,...,n，n为信号点数；将实验数据和仿真数据合并成新的训练样本fi＝{fsi，fei}，达到样本扩容的目的。

进一步设置是，所述的步骤s5具体包括以下步骤：

步骤s5.1、计算训练样本fi的多域特征参数，构成fi的特征参数集gi＝(gi1,gi2,...,gi25)；

步骤s5.2、选取分类算法对刀具状态进行分类，并将特征参数集f与对应的刀具磨损类别作为分类算法的输入对算法进行训练，获得刀具状态监测模型；

步骤s5.3、定期周期性在线采集加工过程中的切削力时域信号，获得待测刀具的切削力信号样本fui；

步骤s5.4、计算切削力信号样本fui的多域特征参数，构成fui的特征参数集的特征参数集步骤s5.5、以特征参数集作为输入，采用已训练的状态监测模型对刀具状态进行分类，从而达到识别刀具磨损状态的目的。

本发明的有益效果在于：本发明的提出可以大大减少实验次数，无论是刀具状态类型还是切削条件，只需少量实验加以验证仿真模型即可，显著降低获取刀具状态样本的成本。

附图说明

图1为实施例的流程示意图；

图2为实施例中多域特征参数表一；

图3为实施例中多域特征参数表二；

图4为实施例的具体流程图；

图5为实施例中j-c本构模型中45钢材料参数表；

图6为实施例中l18(5³)正交实验表；

图7为实施例中仿真数据扩容分类结果对比示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

如附图1所示，本实施了公开了一种数值仿真驱动的加工过程刀具状态监测方法，包括以下步骤：

步骤s1、获取机床加工过程中的切削力信号，并根据实验所采用刀具和工件等参数进行建模；

步骤s2、根据数值仿真理论，对相应材料根据实验值进行最佳参数组合的选定；

步骤s3、基于模型材料标准参数，以标准参数数值大小的80％和120％分为三个水平进行正交实验，对实验结果进行分析，得出最佳参数组合；

步骤s4、采用最佳参数组合的模型对刀具进行不同磨损状态下的仿真，获得切削力数据样本，并扩充至实验数据样本中；

步骤s5、选取监测算法，将扩容后的实验数据样本作为训练集对监测算法进行训练，进而对待测刀具状态进行状态监测。

其中，步骤s1具体包括以下步骤：

步骤s1.1、进行加工过程刀具监测实验，采集c种刀具状态下的切削力信号(正常、轻微磨损、严重磨损等)，记为i＝1,2,...,z,c＝1,2,...,c，z为采集的信号点数，c为第c类刀具状态；

步骤s1.2、基于有限元分析软件deform对加工实验进行仿真；其主要过程分为前处理设置、生成db数据文件并运算、后处理查看结果这三部分。具体设置如下：

前处理部分，根据实验所用铣刀、工件的尺寸，在soildworks中建模并导入到deform中。在deform中，工作条件选择通用前处理，单位标准选用si，其余设置需根据切削用量和实际材料进行设置。

材料模型选用j-c本构模型，网格数需要根据工件尺寸进行划分，为了保证仿真速度和精度，需在加工表面施加局部细化，细化之后的最小网格尺寸需小于进给量的三分之一。刀具一般设置为刚体，工件一般设置为塑性体。在边界条件中，将工件的底面x，y，z三个方向保持固定不动，与环境的热交换作用面通常选用所有面。关于刀具和工件的摩擦系数、传热系数需要根据材料和接触条件进行设置，之后需生成公差。模拟步数和采样间隔可以根据实际需要进行设置，保存步数每步都保存。最后生成db数据文件并点击“run”进行仿真运算，仿真计算结束可在后处理中查看相关数据。

且在前处理设置中选用j-c本构模型，如下：

在式(1)中，a为初始屈服应力；b为应变硬化常数；c为应变速率系数；n为应变硬化指数；m为温度软化指数。c、n、m为材料特性系数，t，troom，tmelt分别为变形温度、室温(一般取20℃)和材料熔点。

其中，步骤s3具体包括以下步骤：

步骤s3.1、以材料j-c本构模型标准参数为基准，分别取其数值大小的80％和120％建立五因素三水平的正交表l18(5³)进行正交实验，对正交实验结果进行比较分析，得到最佳参数组合；

步骤s3.2、计算18组仿真数据的kl散度值和cs值；从仿真切削力信号中截取刀具完全进入工件后的数据点，记为i＝1,2,...,n，n为信号点数；将仿真信号与实验测试信号进行余弦相似度和kl散度比较，用cos(θ)表示余弦相似度值，其计算公式为：

用dkl表示和之间的kl散度值，其计算公式为：

和分别表示仿真信号和实验信号的概率密度，n为信号点数；

步骤s3.3、找出满足cos(θ)大于0.6且dkl最小所对应的参数组合，该组合对应的仿真模型即为与实验条件最匹配的铣削加工仿真模型。

其中，步骤s4具体为：

在仿真中取c种刀具状态作为补充样本进行建模、仿真，获得每种刀具状态下的切削力信号，记为fsi，i＝1,2,...,n，将实验测试的切削力记为fei，i＝1,2,...,n，n为信号点数；将实验数据和仿真数据合并成新的训练样本fi＝{fsi，fei}，达到样本扩容的目的。

其中，步骤s5具体包括以下步骤：

①监测模型训练阶段

步骤s5.1、计算训练样本fi的多域特征参数(时域参数9个，频域参数8个，时频域参数8个)，构成fi的特征参数集gi＝(gi1,gi2,...,gi25)；

如附图2和3所示，其中，di,k(i＝1,2,…,2^l；k＝1,2,…,n)表示信号x(t)的小波包系数，wi,k(t)表示在尺度2ⁱ位于2ⁱk的小波包，l表示小波包分解的层数(本方法取l＝3)。

步骤s5.2、选取分类算法(如神经网络(anns)、支持向量机(svm)、随机森林(rf)、极限学习机(elm)等)对刀具状态进行分类，并将特征参数集f与对应的刀具磨损类别作为分类算法的输入对算法进行训练，获得刀具状态监测模型；

②监测模型训练阶段

步骤s5.3、定期周期性在线采集加工过程中(刀具状态未知)的切削力时域信号，获得待测刀具的切削力信号样本fui；

步骤s5.4、计算切削力信号样本fui的多域特征参数(见附图2和3)，构成fui的特征参数集的特征参数集

步骤s5.5、以特征参数集作为输入，采用已训练的状态监测模型对刀具状态进行分类，从而达到识别刀具磨损状态的目的。

应用实施例

如附图4所示，本发明包括以下步骤(以铣削加工过程为例)：

(1)进行立铣刀实验，采集c种刀具状态(正常、轻微磨损、严重磨损、破损等)下的切削力时域信号，记为i＝1,2,...,z,c＝1,2,...,c，z为采集的信号点数(本例取z＝12000)，采样频率为fs＝12khz，c为第c类刀具状态；

(2)基于有限元分析软件deform对铣削加工实验进行仿真。其主要过程分为前处理设置、生成db数据文件并运算、后处理查看结果这三部分。具体设置如下：

前处理部分，根据实验的铣刀(φ10*d10*75l，单位mm)、工件(300mm×100mm×80mm)的尺寸，在soildworks中建模，生成stl格式文件并导入到deform中。在deform中，工作条件选择通用前处理，单位标准si；铣削转速n＝2300rpm，背吃刀量ap＝0.6mm，进给量f＝500mm/min。设置初始温度为20℃，刀具和工件摩擦系数0.15，热导率45w·m^-1·c^-1。

工件设置为塑性体，材料为45钢，材料模型选用j-c本构模型，划分网格数为40000个，为了保证仿真速度和精度，在加工表面施加局部细化，细化比例为0.01。刀具设置为刚体，材料为wc硬质合金钢，划分网格数为10000个，细化比例为0.01。工件和刀具最小网格数均小于进给量的三分之一。刀具一般设置为刚体，工件一般设置为塑性体。在边界条件中，将工件的底面x，y，z三个方向保持固定不动，与环境的热交换作用面通常选用所有面。刀具和工件之间的摩擦系数为0.15(无润滑)，之后软件会根据前述条件自动生成公差。模拟步数5000步，每步都进行保存，采样间隔0.0005s。最后生成db数据文件并点击“run”进行仿真运算，仿真计算结束可在后处理中查看相关数据。

(3)前处理部分选用的j-c本构模型如下式：

其中，a为初始屈服应力(mpa)；b为应变硬化常数(mpa)；c为应变速率系数；n为应变硬化指数；m为温度软化指数。c、n、m为材料特性系数，t，troom，tmelt分别为变形温度、室温(一般取20°)和材料熔点。45钢标准材料参数如附图5所示。

(4)45钢的数据来源于力学试验(霍普金森压杆试验，hophinson)，根据其应力应变曲线拟合为附图5所示数据。上述仿真模型的仿真结果和实验结果存在误差，因此采用正交试验法选取最佳参数组合。以上述材料j-c本构模型标准参数为基准，分别取其数值大小的80％和120％建立五因素三水平(l18(5³))的正交表进行正交实验，选取实验的数据分别和正交实验结果进行比较分析，得到最佳参数组合。正交表如附图6所示。

(5)采用附图6中18组参数组合进行加工过程仿真，对于仿真切削力，由于仿真过程中存在网格重划分，会产生奇异值点，将对奇异值点进行剔除处理，本例剔除奇异点之后的平均切削力大小为＝138.14n，与实验评价切削大小121.20n误差为13.98％，误差(<20％)在允许范围内。

(6)计算获得的仿真数据与实验测试数据的kl散度值和cs值。用dkl表示和之间的kl散度值，其计算公式为：和分别表示仿真信号和实验信号的概率密度。用cos(θ)表示余弦相似度值，其计算公式为：n为信号点数。找出满足cos(θ)大于0.6且dkl最小所对应的参数组合，该组合对应的仿真模型即为与实验条件最匹配的铣削加工仿真模型。

通过分析，本构模型相应参数选择a＝553.1mpa，b＝600.8mpa，n＝0.276，m＝1，c＝0.0134，并采用该组合再次进行分析，其所得kl散度值和cs值均达到上述要求。

(7)在仿真中取c种刀具状态作为补充样本进行建模、仿真，获得每种刀具状态下的切削力信号，记为fsi，i＝1,2,...,n，将实验测试的切削力记为fei，i＝1,2,...,n，n为信号点数；将实验数据和仿真数据合并成新的训练样本fi＝{fsi，fei}，达到样本扩容的目的。

(8)计算训练样本fi的多域特征参数(时域参数9个，频域参数8个，时频域参数8个)，构成fi的特征参数集gi＝(gi1,gi2,...,gi25)，如附图2和3所示。

其中，di,k(i＝1,2,…,2^l；k＝1,2,…,n)表示信号x(t)的小波包系数，wi,k(t)表示在尺度2ⁱ位于2ⁱk的小波包，l表示小波包分解的层数(本方法取l＝3)。

(9)选取分类算法(如神经网络(anns)、支持向量机(svm)、随机森林(rf)、极限学习机(elm)等)对刀具状态进行分类，并将特征参数集f与对应的刀具磨损类别作为分类算法的输入对算法进行训练，获得刀具状态监测模型。

(10)定期周期性在线采集加工过程中(刀具状态未知)的切削力时域信号，获得待测刀具的信号样本fu。计算待测样本fu的多域特征参数(见附图2和3)，构成fu的特征参数集的特征参数集

以特征参数集作为输入，采用已训练的状态监测模型对刀具状态进行分类，从而达到识别刀具磨损状态的目的。不同分类算法对应的分类正确率如附图7所示，其中，组1(左侧)表示训练集和测试集均为实验样本，组2(右侧)在组1(左侧)的基础上将仿真样本加入训练集，测试集同样为实验样本。

从上述结果中可以看出加入仿真样本可以获得更高的刀具状态分类精度。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。