CN103473640A - 一种基于机床刀具受力状态的加工进度信息采集方法 - Google Patents

Abstract

本发明公开一种基于机床刀具受力状态的加工进度信息采集方法，所属领域为制造业信息化技术领域。该方法首先采用三向测力仪和数据采集卡实现对机床刀具受力信息的获取，然后通过时域分析、频域分析和小波分析方法实现对原始受力信号的形态滤波和加工进度特征元素的提取；最后通过支持向量机（SVM）分类训练器实现加工进度特征信号的分类识别，实现对加工进度信息采集。本发明可广泛应用于制造车间，推动车间制造过程物联技术的发展。

Description

一种基于机床刀具受力状态的加工进度信息采集方法

技术领域

本发明涉及一种基于机床刀具受力状态的加工进度信息采集方法，属于制造业信息化技术领域。

背景技术

机床作为机械加工的通用设备在机械制造业中一直起着不可替代的作用，在网络化和信息化的推进进程中，机床底层生产数据采集问题已成为车间信息系统实施过程中的主要问题，而工件的加工进度信息是机床底层生产数据主要数据之一，工件的加工进度信息更是支持实现制造过程管理和优化运行的重要信息。工件的加工进度信息包括很多方面，其中最主要的是正在加工的工件加工进度信息和已加工完成加工的工件数量等。

目前，在大部分机械加工车间，由于设备本身的陈旧，生产加工进度信息还是采用传统人工方式纸质传送到车间和企业管理者，存在加工进度信息实时性差、准确率低、管理混乱等问题，严重阻碍制造企业信息化的有效推进。而且，一些车间中经会出现多个不同的工件在一段时间内同时在一台机床上加工的现象，这也给工件进度统计带来一定难度。尤其是有些车间人员素质不高，员工为了加快完成生产任务，经常擅自改变加工参数，导致工件质量无法保证，造成了大量废品，给制造车间的管理带来了较大的困难。在部分自动化程度高的制造车间，虽然已有采用条形码、基于主轴功率信息、NC代码中插入宏指令等方式实现工件加工进度信息的自动采集，但是采用条形码和基于主轴功率信息方式适合批了加工的工件数量统计，NC代码中插入宏指令只适合有条件的数控机床，而在大部分机械加工的车间中，这些方式都不能有效地实现加工进度信息的采集。

发明内容

本发明提出一种基于机床刀具受力状态的加工进度信息采集方法，旨在解决生产制造车间机床底层数据采集难，工件进度统计困难，加工进度信息实时性差、准确率低、管理混乱等问题。

本发明的目的是这样实现的：一种基于机床刀具受力状态的加工进度信息采集方法，是根据机床在加工工件的过程中刀具受力状态信息的特性，从刀具受力状态信息中识别出加工进度信息。其特征在于该方法包括如下步骤：

步骤1）机床刀具受力状态原始信号的获取：通过三向测力仪获取机床刀具的受力状态信号，通过数据采集卡采集三向测力仪获取到的机床刀具状态信号，并对原始刀具受力信号进行存储。

步骤2）提取刀具受力状态特征信号：刀具受力状态信号作为原始信号，内部包含与工件加工进度紧密相关的信息，通过对刀具受力状态信号进行时域分析，频域分析和小波分析，提取与加工进度相关的特征信号。

步骤3）工件加工进度的识别：对本工段计划加工的工件进行小样本试加工，按照步骤1）和2）提取工件加工时的刀具受力状态特征信号，从特征信号中选取能表征加工进度的特征元素如特征信号时域波形的总能量

均值

频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i获取形成加工进度特征向量样本库；然后对特征向量样本进行训练得到受过训练的支持向量机(SVM)，最后通过支持向量机(SVM)对实时刀具受力状态特征信号分类和辨识，输出加工进度识别结果，实现对加工进度信息采集。

进一步的特征在于步骤1）中，所述的三向测力仪是包括配套电荷放大器和相应的采集软件。三向测力仪的安装根据加工工件的实际情况安装在机床刀具的合适位置，选择的位置应受干扰小、稳定可靠且不影响加工。

进一步的特征在于步骤2）中，所述的时域分析是将信号输入到开环运算和闭环运算联合滤波器，尽可能的过滤无关信号，抑制噪声，保留好完整的信号轮廓细节。所述的频域分析是指对滤波消除干扰后的切削力信号进行傅里叶变换，在频域寻找与切削力相关的特征信号。所述的小波分析是指采用小波分析的方法将切削力信号在低频段的特征表达出来，提取出与加工进度相关的特征信号；三个方向切削力的频谱能量主要集中在低频段，将切削力信号f(t)以基函数ψ_a,b(t)进行内积运算，将f(t)分解为不同频带的子信号，寻求与基函数ψ_a,b(t)最相关或相似的分量即为特征信号。其中a，b的取值取决于刀具受力状态的实际波形，a为波形伸缩量（若a<1,则波形收缩，若a>1,则波形伸展），b是时移因子。

进一步的特征在于步骤3）中包括以下步骤：

①选取能表征加工进度的特征元素:特征信号时域波形的总能量

均值、频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i组成支持向量机的特征向量 $X=(E_{F_i},\stackrel{\&OverBar;}{F_i},A_i,f_i,T,K_i).$

②对本工段计划加工的新工件进行小样本试加工，按照上面步骤获取特征向量训练样本，通过分类器对样本进行训练得到对应工件的加工进度的分类器聚。所述的分类器集是用于确定加工进度中某一个加工状态对应的分类器的集合。

③将采集到的工件实时刀具受力状态信息进行分析处理得到相应的特征向量，利用支持向量机分类器对特征向量进行识别，根据分类结果输出加工进度。

④当有新工件排入生产计划时，将新样本与原分类器的训练样本一起重新训练得到新的分类器集，实现分类器集自动更新，满足识别要求。

与现有技术相比，本发明具有如下优点及功效：

本发明中，工件加工进度信息通过测力仪和采集卡获取到原始信号，通过提取特征元素来识别加工进度。信号的获取简单可靠，安装实现方便，不影响生产。利用该方法采集加工进度信息，可实现批量和单件工件的加工进度在线识别，识别准确，节约人力资源，为车间制造过程管理和优化运行的提供重要信息。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了一种基于机床刀具受力状态的加工进度信息采集方法的实现框架图；

图2示出了一种刀具受力状态特征信号提取简图；

图3示出了一种SVM方法分类识别原理图；

图4示出了一种SVM工件加工进度分类识别流程图。

具体实施方式

以下将参照附图，对本发明的具体实施方式进行详细的描述。

本发明一种基于机床刀具受力状态的加工进度信息采集方法是在机床刀具上安装三向测力仪，通过数据采集卡采集三向测力仪测得的原始信号，通过数据采集卡与车间智能终端的集成接口实现数据传输，智能终端上装有信号分析采集计算的软件。

参见图1，一种基于机床刀具受力状态的加工进度信息采集方法的实现框架图主要包括机床刀具受力状态原始信号获取，刀具受力状态特征信号提取和工件加工进度的识别三个部分。所述的机床刀具受力状态原始信号获取是通过三向测力仪获取机床刀具的受力状态信号，通过数据采集卡采集三向测力仪获取到的机床刀具状态信号，并对原始刀具受力信号进行存储。所述的刀具受力状态特征信号提取是指刀具受力状态信号作为原始信号，内部包含与工件加工进度紧密相关的信息，通过对刀具受力状态信号进行时域分析，频域分析和小波分析，提取与加工进度相关的特征信号。所述的工件加工进度的识别是指对本工段计划加工的工件进行小样本试加工，按照以上步骤提取工件加工时的刀具受力状态特征信号，形成加工进度特征元素样本库；然后将采集到的实时刀具受力状态信息相关的加工进度特征元素与加工进度特征向量样本库通过支持向量机分类器进行分类和辨识，输出加工进度识别结果，实现对加工进度信息采集。

参见图2，一种刀具受力状态特征信号提取简图通过对刀具受力状态信号进行时域分析，频域分析和小波分析，提取与加工进度相关的特征信号。

①所述的时域分析是将信号输入到开环运算和闭环运算联合滤波器，尽可能的过滤无关信号，抑制噪声，保留好完整的信号轮廓细节。

②所述的频域分析是指对滤波消除干扰后的切削力信号进行傅里叶变换，在频域寻找切削力特征向量。

③所述的小波分析是指采用小波分析的方法将切削力信号在低频段的特征表达出来，三个方向切削力的频谱能量主要集中在低频段，将切削力信号f(t)以基函数ψ_a,b(t)进行内积运算，将f(t)分解为不同频带的子信号，寻求与基函数ψ_a,b(t)最相关或相似的分量即为特征信号。其中

a，b的取值取决于刀具受力状态的实际波形，a为波形伸缩量（若a<1,则波形收缩，若a>1,则波形伸展），b是时移因子。

参见图3，一种SVM方法分类识别原理图，识别原理如下：

①选取能表征加工进度的特征元素:特征信号时域波形的总能量

均值频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i组成支持向量机的特征向量 $X=(E_{F_i},\stackrel{\&OverBar;}{F_i},A_i,f_i,T,K_i).$ 其中 $E_{F_i}={\&Integral;F}_i\left(t\right)\mathrm{dt},$ $\stackrel{\&OverBar;}{F_i}=\&Integral;f_i\left(t\right)\mathrm{tdt},$ f_i(t)为F_i(t)的导数，这里i表示刀具受力的三个方向x,y,z。

②对本工段计划加工的新工件进行小样本试加工，按照上面步骤获取特征向量训练样本，通过分类器对样本进行训练得到对应工件的分类器聚。采用支持向量机算法识别工件加工进度如下：

由机床刀具受力状态特征向量 $X=(E_{F_i},\stackrel{\&OverBar;}{F_i},A_i,f_i,T,K),$ 设通过小样本测试获得的机床刀具受力状态特征向量集合为S,

S＝{(X_i,λ_i)},i＝1,2,...N

其中X_i为第i个工件的特征向量，λ_i为第i个工件的分类标记，取值为0或1，对待分类工件特征向量X建立基于最优超平面的分类判别函数即支持向量机

$f_i\left(X\right)\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{\mathrm{\&lambda;}}_{i}K(X_i,X))+b^{*})$

其中b^*可通过构造如下最优化问题求解得到

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{\mathrm{\&lambda;}}_i{\mathrm{\&lambda;}}_{j}K(X_i,X_j)$

转化为最优化问题，在约束条件

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{\mathrm{\&alpha;}}_i=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,i=\mathrm{1,2}\&CenterDot;\&CenterDot;\&CenterDot;n$

对

求最大值设为

选取

的一个正分量

并据此计算分类阈值b^*

$b^{*}={\mathrm{\&lambda;}}_j-\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{\mathrm{\&lambda;}}_{i}K(X_i,X_j)$

其中C为惩罚函数，非零参数

对应的样本即为支持向量，K(X_i,X)为核函数，常用的核函数包括多项式函数、径向基函数、感知器核函数等。

③将采集到的工件实时刀具受力状态信息进行分析处理得到相应的特征向量，利用支持向量机分类器对特征向量进行识别，根据分类结果输出加工进度。

④当有新工件排入生产计划时，将新样本与原分类器的训练样本一起重新训练得到新的分类器集，实现分类器集自动更新，满足识别要求。

参见图4，一种SVM工件加工进度分类识别流程图，处理流程如下：

①开始识别，获取刀具受力状态信号，所述的刀具受力状态信号为过滤和抑制噪声后与加工进度相关的信号。

②提取特征信号，所述的特征信号是经过时域分析、频域分析和小波分析后的有加工进度特征的信号。

③刀具受力状态特征元素定义，采用特征信号时域波形的总能量

均值

频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i作为特征元素。

④生成特征向量由特征元素经过重新组合生成特征向量。

⑤判断特征向量是否为测试样本还是实际加工进度特征向量，若果是测试样本，则传给SVM训练器进行训练，用训练后的测试样为对应的工件样本构造SVM训练器，当有多类训练样本时，可用每类SVM训练器构造训练器集,每类工件对应一种分类器；若是实际加工进度特征向量，则将该特征向量依次通过训练器集中的每种SVM训练器，分别计算各分类器的判别函数值，将对比结果属于j类的标记为1，不属于的标记为0。

⑥用判别函数

进行判别，转化为最优化问题求f_i(X)的最大值，即在约束条件

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{\mathrm{\&alpha;}}_i=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,i=\mathrm{1,2}\&CenterDot;\&CenterDot;\&CenterDot;n$

时非零参数

对应的样本即为相应的加工进度。

⑦判断是否加工结束，当加工结束时输出对应的加工进度信息；当还在加工时，进入识别阶段循环进行识别直至加工结束。

⑧判断是否有新工件排入生产计划，当有新工件排入生产计划时，将新样本与原分类器的训练样本一起重新训练得到新的分类器集，实现分类器集自动更新，以满足分类识别要求；当没有新工件排入生产计划时，识别结束。

Claims (3)

1.一种基于机床刀具受力状态的加工进度信息采集方法主要包括机床刀具受力状态原始信号获取，刀具受力状态特征信号提取和工件加工进度的识别三个部分；

①所述的机床刀具受力状态原始信号获取是通过三向测力仪获取机床刀具的受力状态信号，通过数据采集卡采集三向测力仪获取到的机床刀具状态信号，并对原始刀具受力信号进行存储；

②所述的刀具受力状态特征信号提取是指刀具受力状态信号作为原始信号，内部包含与工件加工进度紧密相关的信息，通过对刀具受力状态信号进行时域分析，频域分析和小波分析，提取与加工进度相关的特征信号；

③所述的工件加工进度的识别是指对本工段计划加工的工件进行小样本试加工，按照前一步骤提取工件加工时的刀具受力状态特征信号，从特征信号中选取能表征加工进度的特征元素如特征信号时域波形的总能量

频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i获取形成加工进度特征向量样本库；然后对特征向量样本进行训练得到受过训练的支持向量机(SVM)，最后通过支持向量机(SVM)对实时刀具受力状态特征信号分类和辨识，输出加工进度识别结果，实现对加工进度信息采集。

2.权利要求1刀具受力状态特征信号提取其特征包括以下处理过程：

①所述的时域分析是将信号输入到开环运算和闭环运算联合滤波器，尽可能的过滤无关信号，抑制噪声，保留好完整的信号轮廓细节；

②所述的频域分析是指对滤波消除干扰后的切削力信号进行傅里叶变换，在频域寻找切削力特征向量；

③所述的小波分析是指采用小波分析的方法将切削力信号在低频段的特征表达出来，三个方向切削力的频谱能量主要集中在低频段，将切削力信号f(t)以基函数ψ_a,b(t)进行内积运算，将f(t)分解为不同频带的子信号，寻求与基函数ψ_a,b(t)最相关或相似的分量即为特征信号。其中

a，b的取值取决于刀具受力状态的实际波形，a为波形伸缩量（若a<1,则波形收缩，若a>1,则波形伸展），b是时移因子。

3.权利要求1中的支持向量机分类训练器（SVM）进行分类辨识其特征如下：

①选取能表征加工进度的特征元素:选取特征信号时域波形的总能量

均值

频域里主要频段的幅值A_i和频率f_i、加工时间T、有效加工时间与总加工时间比K_i组成支持向量机的特征向量 $X=({E_F}_i,\stackrel{\&OverBar;}{F_i},A_i,f_i,T,K_i).$ 其中 ${E_F}_i={\&Integral;F}_i\left(t\right)\mathrm{dt},\stackrel{\&OverBar;}{F_i}=\&Integral;f_i\left(t\right)\mathrm{tdt},$ f_i(t)为F_i(t)的导数，这里i表示刀具受力的三个方向x,y,z；

②对本工段计划加工的新工件进行小样本试加工，按照上面步骤获取特征向量训练样本，通过分类器对样本进行训练得到对应工件的分类器聚；

由机床刀具受力状态特征向量

支持向量机算法如下：

设通过小样本测试获得的机床刀具受力状态特征向量集合为S，

S＝{(X_i,λ_i)},i＝1,2,...N

其中X_i为第i个工件的特征向量，λ_i为第i个工件的分类标记，取值为0或1，对待分类工件特征向量X建立基于最优超平面的分类判别函数即支持向量机

$f_i\left(X\right)=\mathrm{sgn}(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{\mathrm{\&lambda;}}_{i}K(X_i,X))+b^{*})$

其中

b^*可通过构造如下最优化问题求解得到

$Q\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{\mathrm{\&lambda;}}_i{\mathrm{\&lambda;}}_{j}K(X_i,X_j)$

转化为最优化问题，在约束条件

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{\mathrm{\&alpha;}}_i=0,{\mathrm{\&alpha;}}_i\&GreaterEqual;0,i=\mathrm{1,2}\&CenterDot;\&CenterDot;\&CenterDot;n$

对

求最大值设为

选取

的一个正分量

并据此计算分类阈值b^*

$b^{*}={\mathrm{\&lambda;}}_j-\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^{*}{\mathrm{\&lambda;}}_{i}K(X_i,X_j)$

其中C为惩罚函数，非零参数

对应的样本即为支持向量，K(X_i,X)为核函数，常用的核函数包括多项式函数、径向基函数、感知器核函数等；

③将采集到的工件实时刀具受力状态信息进行分析处理得到相应的特征向量，利用支持向量机分类器对特征向量进行识别，根据分类结果输出加工进度；

④当有新工件排入生产计划时，将新样本与原分类器的训练样本一起重新训练得到新的分类器集，实现分类器集自动更新，以满足识别要求。

Images