一种数控机床的刀具寿命实时预测方法与流程

本发明属于数控机床刀具寿命预测领域，更具体地，涉及数控机床的刀具寿命实时预测方法。

背景技术：

刀具是数控机床最重要的部件之一，在现代化生产线的生产过程中，如果刀具发生损坏，将严重影响生产效率和加工质量。因此，刀具的使用寿命是一个重要的参数，在加工的过程中，如能有效、准确地对刀具的寿命进行预测，将极大地提高企业的生产效率并降低生产成本。

传统的刀具寿命预测依靠以往的加工经验和理论公式计算刀具寿命，效率低下，又很难与实际情况符合。目前，在刀具寿命预测领域又出现了一些新方法，但也存在很多局限性。例如专利文献CN201410313591公开的方法没有考虑加工过程和生产环境，但是这些因素却影响着刀具寿命，因此，其预测精度很低。例如专利文献CN201810268305公开的方法仅通过主轴的电流信号去反应刀具的使用寿命，而没有考虑更为敏感的振动信号和温度信号，虽然省掉了外接传感器的麻烦，但是却降低了寿命预测的准确性。影响刀具使用寿命的因素很多，现有的方法都很难达到很高的预测精度，降低了其工业应用价值。

因此，针对以上问题，本领域急需一种预测精度高、操作性强且能在加工过程中实时预测的方法。

技术实现要素：

本发明针对上述现有技术中的问题，提出一种数控机床的刀具寿命实时预测方法。该方法主要针对大批量零件加工过程中某一单一工序而言，这样就大大减少刀具寿命的影响因素，提高预测精度。同时，其本身作为一种方法而言可以同时应用在生产线上的其他工序中，并能获得很好的效果。

为实现上述目的，本发明提出一种数控机床刀具剩余寿命实时预测方法，包括如下步骤：

S1、建立数据库：把某一加工工序所用刀具信息、加工参数信息、采样参数信息输入数据库；

S2、信号采集与处理：通过传感器重复采集同类型机床中同种加工工序的信号，并将其存储到步骤S1中的数据库中，并以健康度指标(H)对所采集的信号进行标记，最后用一维卷积神经网络搭建的智能模型对信号进行训练，建立刀具寿命预测模型。

本步骤中，所述信号是指加速度传感器采集刀具的振动加速度信号、电流传感器实时采集的主轴电流信号、红外温度传感器实时采集的刀具温度信号，数据采集卡将这些信号数字化后导入数据库中。

由于刀具不同磨损状态下的信号表征是不同的，而振动、电流、温度的改变是刀寿命衰退最直接和最原始的体现。本发明中所用智能模型的输入是3个通道的一维信号，分别是原始的振动、电流和温度信号。通过多层的卷积池化运算，卷积结构从3个角度对表征刀具磨损状态的特征进行了层级式提取和浓缩。通过不同角度(振动、温度、电流的角度)对信号进行联合分析，能有效地提取到三种信号中的共性不变特征，以此提高模型的泛化能力。

S3、在线寿命预测：机床加工过程中，将实时采集的振动信号、电流信号和温度信号作为样本输入刀具寿命预测模型，得到当前刀具的寿命预测结果。

所述步骤S1中的刀具信息包括刀具材料的硬度、刀具直径、前角、主偏角。

所述步骤S1中的加工参数信息包括主轴转速、走刀速度和步进量。

所述步骤S1中的采样参数信息包括各采集参数的采样率以及采样点位置。

进一步的，所述步骤S2中的温度传感器为红外温度传感器。

所述步骤S2中的智能模型为基于一维卷积神经网络框架搭建并以所述刀具振动信号、主轴电流信号和刀具温度信号作为输入，所述刀具健康度指标作为标签建立训练样本，采用梯度下降法训练得到的。

所述的一维卷积神经网络包括输入层、卷积层、池化层、全连接层以及softmax层；

较佳的，输入层的大小为10240*1*3，输出层的大小为max(Ti),第一个隐藏层过滤器的尺寸为256*1，深度为16，第二个隐藏层过滤器的尺寸为128*1，深度为8，池化层过滤器的尺寸为2*1，步长为1；卷积过程使用ReLU激活函数去线性化。

相较于现有技术，本发明具有以下优点：

1、本发明提供的刀具寿命实时预测方法，使用传感器采集了刀具振动、温度和主轴电流信号等参数，并将这些信号进行联合分析，多角度、全方位地反映刀具在加工过程中的变化情况。较传统的单一信号分析方法相比，增加了模型输入信号的维度和信息量，最终提高了预测的精度。

2、本发明提供的刀具寿命实时预测方法，采用了一维卷积神经网络搭建的模型来进行预测，不需要对原始数据进行大量的预处理运算，减少了因预处理算法选择不当所带来的预测精度降低问题。

3、本发明提供的刀具寿命实时预测方法，仅针对大批量零件加工过程中某一单一工序而言，这样就大大减少了刀具寿命的影响因素，提高了预测精度。同时，其本身作为一种方法而言可以同时应用在生产线上的其他工序中，并能获得很好的效果。

附图说明

图1为本发明方法的流程示意图；

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明方法为前提进行实施，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。

一种数控机床的刀具寿命实时预测系统，包括加速度传感器、电流传感器、红外温度传感器和数据采集卡，所述的加速度传感器安装在刀柄上，所述的电流传感器安装在主轴电机的单向导线上，所述的温度传感器安装在主轴箱上，所述的数据采集卡分别与加速度传感器、电流传感器、温度传感器连接。

所述的加速度传感器采集刀具的振动加速度信号。

所述的电流传感器采集主轴电流信号。

所述的温度传感器采集刀具的温度信号。

所述的数据采集卡，用于接收从加速度传感器、电流传感器和温度传感器传送来的测量数据，并将这些数据进行相应的A/D转换，处理成需要的数字信号。

本发明前期需要采集大量同类型机床中同种加工工序的加速度信号、电流信号和温度信号，同时将这些原始一维信号作为输入，对应刀具的健康度指标作为输出，对卷积神经网络搭建的智能模型进行训练。

如图1所示，针对一道工序如数控车床上的车外圆工序对刀具进行实时寿命预测，具体包括以下步骤：

S1、建立数据库：把这道工序所用刀具信息、加工参数信息、采样参数信息输入数据库；

所述的刀具信息包括本道工序所用刀具的材料硬度、直径、前角、主偏角。所述的加工参数信息包括本道工序所采用的主轴转速、走刀速度和步进量。

所述的采样参数信息包括各采集参数的采样率以及采样点位置。由于不同加工工序所使用的刀具、加工参数和采样参数是不同的。在数据库中输入这些参数，是为了记录这种工序的特点，便于在后期维护数据库时，对振动、温度、电流信号能有一个整体认识，因为这些信号中也蕴含了刀具、加工等信息。

S2、信号采集与处理：采用加速度振动传感器采集刀具加工过程中的振动信号，采用电流互感器采集加工过程中主轴的电流信号，采用红外温度传感器采集加工过程中刀具表面的温度信号，将采集到的原始振动信号、电流信号和温度信号存储到步骤S1中的数据库中。然后以健康度指标对所采集的信号进行标记，其中Ti为当前刀具可加工的工件数量，ti为当前刀具的累计加工工件数量，针对每一组采集到的信号计算出一个H值,信号采集过程是振动、温度、电流同步采集，采集时间为1分钟，这一分钟的信号就是一组信号。最后用一维卷积神经网络搭建的智能模型对信号进行训练，建立刀具寿命预测模型。

较佳的，一维卷积神经网络的输入层的大小为10240*1*3，输出层的大小为max(Ti),第一个隐藏层过滤器的尺寸为256*1，深度为16，第二个隐藏层过滤器的尺寸为128*1，深度为8，池化层过滤器的尺寸为2*1，步长为1；卷积过程使用ReLU激活函数去线性化。

S3、在线寿命预测：机床加工过程中，将实时采集的振动信号、电流信号和温度信号作为样本输入刀具寿命预测模型，得到当前刀具的寿命预测结果。

本发明方法在预测过程中，也不断地把新的数据存到数据库中。当新存放的数据达到一定的数量时，又重新调用之前用于预测的智能模型进行训练，从而不断提高模型预测的准确度。

综上，本发明的数控机床刀具寿命实时预测方法，可以在不影响生产的情况下，取得较好的预测效果。

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。