CN105312965A - 一种铣削加工刀具破损监测方法 - Google Patents

Abstract

本发明公开了一种铣削刀具破损监测方法，属于刀具状态监测领域。其包括如下步骤：S1选取主轴电机三相电流作为监测信号，计算其均方根值，对均方根值进行滑动平滑处理，得到平滑的均方根值，并将其作为监测铣削刀具破损的特征值；S2将一个完整的铣削加工循环分为切入、平稳切削和切出一共三个过程，再将切入，平稳切削和切出过程细分为时间长度相等的多个小段；S3每一小段的阈值由上一小段的特征值以及阈值系数共同决定。阈值系数通过学习多组刀具未破损情况下的铣削加工循环数据得到；S4最后通过比较每一小段的阈值和特征值来识别刀具的破损。该方法不受切削参数变化的影响，而且阈值系数是基于大量数据的学习结果，具有很高的可靠性。

Description

一种铣削加工刀具破损监测方法

技术领域

本发明属于铣削加工刀具状态监测领域，具体涉及一种铣削加工刀具破损监测方法。

背景技术

随着现代生产和制造技术的不断发展，数控机床广泛用于各种工件的加工制造，为了提高加工效率、保证加工安全，需要对刀具状态进行在线监测，及时识别刀具的破损有助于保护机床和工件，提高生产率。

自从1980年以来，国内外学者在刀具破损在线监测方面作了大量的研究工作。传统的刀具破损状态监测方法是：监测机床加工过程中的加工信号，从监测的加工信号中提取能反映刀具状态变化的特征值，设定用于判断刀具是否发生破损的阈值，最后通过固定阈值法监测刀具的破损。

然而，在实际加工过程中，加工参数(例如，主轴转速，进给速度)往往不是固定的，而是一个选择范围，不同的加工工人倾向于选择不同的加工参数。这会导致每个加工循环的时间不固定，而且监测信号的幅值也会发生比较大的变化。因此，传统的基于固定阈值法的刀具破损监测方法不够准确，适用范围窄小，适用条件苛刻。

因此，有必要研究一种可靠的刀具破损监测方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种铣削加工刀具破损监测方法，其目的在于，采用主轴电机三相电流作为监测信号，经过计算处理，判断铣削刀具是否发生破损，该方法准确可靠，克服了固定阈值法适用范围窄小、适用条件苛刻的问题。

为实现上述目的，按照本发明的一个方面，提供了一种铣削加工刀具破损监测方法，包括如下步骤：

S1：以设定的采样频率采集刀具正常铣削加工情况下的主轴电机三相电流信号，计算每个采样周期所述三相电流信号的均方根值rms，对每个采样周期的所述均方根值执行滑动平滑处理，获得多个平滑的均方根值，以多个所述平滑的均方根值作为监测铣削刀具破损的特征值srms；

S2：将一个完整的铣削加工过程划分为切入段、平稳切削段以及切出段，接着将所述切入段、平稳切削段以及切出段均等分为多个小段，第i小段至少包括三个采样周期，以使第i小段至少包括一个最大特征值srms_max(i)和一个最小特征值srms_min(i)；

S3：根据多组正常铣削加工情况下的特征值，学习获得切入段、平稳切削段以及切出段的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，根据切入段、平稳切削段以及切出段的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，结合第(i-1)小段的所述最大特征值srms_max(i-1)和最小特征值srms_min(i-1)计算获得第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)，计算公式如下：

Thr_{value_up}(i)＝srms_max(i-1)*Thr_{coef_up}

Thr_{value_down}(i)＝srms_min(i-1)*Thr_{coef_down}

其中，srms_max(i-1)和srms_min(i-1)分别为第(i-1)小段的最大特征值和最小特征值，

S4：判断第i小段的特征值是否落入第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)覆盖的范围内，

如果落入，则判断铣削加工刀具完好；

如果不落入，则判断铣削加工刀具破损。

以上发明构思中，采用主轴电机三相电流作为监测信号，计算过程中的数据或为大量学习所得，或为实际数据的综合计算所得，克服了固定阈值法的死板，该方法计算逻辑合理、能灵活考虑实际情况参数的变化，具有很高的可靠性。

进一步的，步骤S1中，所述三相电流信号的均方根值rms计算方法如下：

$rms=\sqrt{{I_u}^2+{I_v}^2+{I_w}^2}$

其中，I_u、I_v、I_w分别为主轴电机的三相电流，rms为均方根值。

进一步的，步骤S1中，所述滑动平滑处理的计算方法如下：

srms(j)＝mean{rms{[(j-1)*n+1]:[(j-1)*n+m]}}

其中，srms(j)表示平滑后的均方根值srms的第j个点，函数mean表示计算一个数组的平均值，rms{[(j-1)*n+1]:[(j-1)*n+m]}表示rms的第(j-1)*n+1到第(j-1)*n+m个点，m、j、n均为自然数，均大于1。

进一步的，将铣削加工过程划分为切入段、平稳切削段以及切出段的方法为，

启动主轴，开始计算每个小段的特征值，从第一个特征值大于切入门限A₀的小段开始，进入切入段，A₀等于主轴空转情况下特征值的1.05倍；

相邻两小段之间特征值均值的波动小于5％，则进入平稳切削过程；

相邻两小段之间特征值均值的波动大于5％，则进入切出过程；

相邻两小段之间特征值均值的波动A的计算方法为：

$A=\frac{|mean\left(srms\right(i\left)\right)-mean\left(srms\right(i-1\left)\right)|}{mean\left(srms\right(i-1\left)\right)}$

其中，srms(i)表示第i小段的特征值，A为相邻两小段之间特征值均值的波动。

进一步的，步骤S3中，学习获得上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}的方法如下：

首先，将第i小段的上阈值Thr_{value_up}(i)与第i小段的最大特征值srms_max(i)进行比对，

将第i小段的下阈值Thr_{value_down}(i)与第i小段的最小特征值srms_min(i)进行比对：

(1)若Thr_{value_up}(i)＜srms_max(i)，则按如下公式调整上阈值系数Thr_{coef_up}，

Thr_{coef_up}＝Thr_{coef_up}+Δ,Δ＝0.0001

根据调整后的上阈值系数Thr_{coef_up}重新计算上阈值Thr_{value_up}(i)，并再次与第i小段的最大特征值srms_max(i)比较，

如果Thr_{value_up}(i)＜srms_max(i)，则继续调整上阈值系数，如此循环往复，直到满足Thr_{value_up}(i)＞srms_max(i)；

(2)若Thr_{value_down}(i)＞srms_min(i)，则按如下公式调整下阈值系数Thr_{coef_down}，

Thr_{coef_down}＝Thr_{coef_down}-Δ,Δ＝0.0001

根据调整后的下阈值系数Thr_{coef_down}重新计算下阈值Thr_{value_down}(i)，并与第i小段最小特征值srms_min(i)比较，

如果Thr_{value_down}(i)＞srms_min(i)，则继续调整下阈值系数，如此循环往复，直到满足Thr_{value_down}(i)＜srms_min(i)，

(3)当同时满足以下公式时，

Thr_{value_up}(i)＞srms_max(i)

Thr_{value_down}(i)＜srms_min(i)

则第i小段阈值系数调整完毕，进入第(i+1)小段，如此循环往复，获得上阈值系数和下阈值系数，

其中，最初始的上阈值系数和下阈值系数均为1。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明的铣削刀具破损监测方法中，选取主轴电机三相电流作为监测信号，计算其均方根值，对均方根值进行滑动平滑处理，去除高频噪声，得到平滑的均方根值，并将其作为监测铣削刀具破损的特征值。将一个完整的铣削加工循环分为切入、平稳切削和切出一共三个过程，再将切入，平稳切削和切出过程细分为时间长度相等的多个小段。每一小段的阈值由上一小段的特征值以及阈值系数共同决定。不同过程的阈值系数不一样，而在同一过程内每一小段阈值系数一致。阈值系数通过学习多组刀具未破损情况下的铣削加工循环数据得到。最后通过比较每一小段的阈值和特征值来识别刀具的破损。该方法不受切削参数变化的影响，而且阈值系数是基于大量数据的学习结果，具有很高的可靠性。

附图说明

图1是本发明实施例中将一个完整铣削加工循环划分为切入过程、平稳切削过程和切出过程，再将每个过程划分为时间长度相等的多个小段的示意图；

图2是本发明实施例中将一个完整铣削加工循环划分为切入过程、平稳切削过程和切出过程的方法的详细流程图；

图3(a)为本发明方法中上阈值系数的学习方法，图3(b)为本发明方法中下阈值系数的学习方法；

图4为本发明方法中一个完整铣削加工循环中刀具破损监测方法的详细流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明方法主要包括如下步骤：

S1：以设定的采样频率采集刀具正常铣削加工情况下的主轴电机三相电流信号，计算每个采样周期所述三相电流信号的均方根值rms，对每个采样周期的所述均方根值执行滑动平滑处理，获得多个平滑的均方根值，以多个所述平滑的均方根值作为监测铣削刀具破损的特征值srms；

S2：将一个完整的铣削加工循环划分为切入过程、平稳切削过程以及切出过程，接着将所述切入过程、平稳切削过程以及切出过程均等分为多个小段，第i小段至少包括三个采样周期，以使第i小段至少包括一个最大特征值srms_max(i)和一个最小特征值srms_min(i)；

S3：根据多组正常铣削加工情况下的特征值，学习获得切入过程、平稳切削过程以及切出过程的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，根据切入过程、平稳切削过程以及切出过程的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，结合第(i-1)小段的所述最大特征值srms_max(i-1)和最小特征值srms_min(i-1)计算获得第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)，计算公式如下：

Thr_{value_up}(i)＝srms_max(i-1)*Thr_{coef_up}

Thr_{value_down}(i)＝srms_min(i-1)*Thr_{coef_down}

其中，srms_max(i-1)和srms_min(i-1)分别为第(i-1)小段的最大特征值和最小特征值，Thr_{value_up}(i)和Thr_{value_down}(i)分别为第i小段的上阈值和下阈值，Thr_{coef_up}和Thr_{coef_down}分别为上阈值系数和下阈值系数；

S4：判断第i小段的特征值是否落入第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)覆盖的范围内，

如果落入，则判断铣削加工刀具完好；

如果不落入，则判断铣削加工刀具破损。

为了详细说明本发明方法，下面结合具体的实施例进一步阐述。

(1)采集到的主轴电机三相电流为I_u，I_v，I_w，均方根值rms的计算方法为：

$rms=\sqrt{{I_u}^2+{I_v}^2+{I_w}^2}$

其中，I_u、I_v、I_w分别为主轴电机的三相电流，rms为均方根值。

(2)对均方根值rms进行滑动平滑处理，平滑步长为m个采样点(一个采样周期对应一个采样点)，滑动长度为n个采样点(同样的，一个周期对应一个采样点)，则滑动平滑的均方根值srms计算方法为：

srms(j)＝mean{rms{[(j-1)*n+1]:[(j-1)*n+m]}}

其中，srms(j)表示平滑后的均方根值srms的第j个点，函数mean表示计算一个数组的平均值，rms{[(j-1)*n+1]:[(j-1)*n+m]}表示rms的第(j-1)*n+1到第(j-1)*n+m个点，m、j、n均为自然数，均大于1。

将平滑的均方根值srms作为监测铣削刀具破损的特征值。

(3)将一个完整的铣削加工循环分为切入过程，平稳切削过程和切出过程，然后将每个过程细分为时间长度相等的多个小段。

切入过程、平稳切削过程以及切出过程的划分方法如下：

主轴启动后，如果某一小段(该小段包括至少三个采样周期，一般为四个以上的采样周期，在本发明实施例中，一小段为0.02s，一个采样周期为0.001s)特征值的均值超过切入门限A0，则进入切入过程。其中，A0等于主轴空转情况下特征值的1.05倍。

如果相邻两小段之间特征值均值的波动小于5％，则进入平稳切削过程；

如果相邻两小段之间的特征值均值的波动大于5％，则进入切出过程；

相邻两小段之间特征值均值波动A的计算方法为：

$A=\frac{|mean\left(srms\right(i\left)\right)-mean\left(srms\right(i-1\left)\right)|}{mean\left(srms\right(i-1\left)\right)},$

其中，srms(i)表示第i小段的特征值，A为相邻两小段之间特征值均值的波动；

如果某一小段特征值的均值低于切出门限A0，切出门限A0是主轴空转情况下特征值的1.05倍，则切出过程结束，本次铣削加工循环刀具破损监测结束。

图1是本发明实施例中将一个完整铣削加工循环划分为切入过程、平稳切削过程和切出过程，再将每个过程划分为时间长度相等的多个小段的示意图。在该图中，横坐标为时间，纵坐标为滑动平滑的均方根值srms，其将一个完整的切削循环划分为切入、平稳切削以及切出过程。

图2是本发明实施例中将一个完整铣削加工循环划分为切入过程、平稳切削过程和切出过程的方法的详细流程图。由图可知，其更为简洁明了的阐述了切入过程、切削过程以及切出过程的划分原理。

(4)对刀具正常情况下的多组铣削加工循环数据进行学习，得到切入过程、平稳切削过程以及切出过程的阈值系数。不同过程的阈值系数不一样，而在同一过程内每一小段阈值系数相同。

以切入过程为例说明上下阈值系数的学习方法，平稳切削和切出过程中上阈值系数、下阈值系数的学习方法与之相同。

上阈值系数、下阈值系数的初始值均设定为1，比较每一小段的特征值与阈值，如果特征值超出了上、下阈值范围，则说明阈值系数不合适，需要调整，调整间隔Δ设置为0.0001。

第i小段阈值的计算方法如下：

Thr_{value_up}(i)＝srms_max(i-1)*Thr_{coef_up}

Thr_{value_down}(i)＝srms_min(i-1)*Thr_{coef_down}

由于第(i-1)小段对应有一个最大特征值srms_max(i-1)和一个最小特征值srms_min(i-1)，根据上式则会对应获得第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)，

再将第i小段的上阈值Thr_{value_up}(i)与第i小段的最大特征值srms_max(i)进行比对，将第i小段的下阈值Thr_{value_down}(i)与第i小段的最小特征值srms_min(i)进行比对：

①若Thr_{value_up}(i)＜srms_max(i)，则按如下公式调整上阈值系数Thr_{coef_up}，

Thr_{coef_up}＝Thr_{coef_up}+Δ,Δ＝0.0001

用调整后的上阈值系数Thr_{coef_up}重新计算上阈值Thr_{value_up}(i)，并再次与第i小段的最大特征值srms_max(i)比较，如果Thr_{value_up}(i)＜srms_max(i)，则继续调整上阈值系数，如此循环往复，直到满足Thr_{value_up}(i)＞srms_max(i)。

②若Thr_{value_down}(i)＞srms_min(i)，则按如下公式调整下阈值系数Thr_{coef_down}，

Thr_{coef_down}＝Thr_{coef_down}-Δ,Δ＝0.0001

根据调整后的下阈值系数Thr_{coef_down}重新计算下阈值Thr_{value_down}(i)，并与第i小段最小特征值srms_min(i)比较，如果Thr_{value_down}(i)＞srms_min(i)，则继续调整下阈值系数，如此循环往复，直到满足Thr_{value_down}(i)＜srms_min(i)。

③当同时满足以下公式时，

Thr_{value_up}(i)＞srms_max(i)

Thr_{value_down}(i)＜srms_min(i)

则第i小段阈值系数调整完毕，进入第(i+1)小段。

以上的公式中，Thr_{value_up}(i)与Thr_{value_down}(i)分别是第i小段的上阈值和下阈值，srms_max(i-1)和srms_min(i-1)分别是第(i-1)小段特征值的最大值和最小值，Thr_{coef_up}和Thr_{coef_down}分别是上阈值系数和下阈值系数。

第(i+1)小段的上阈值系数的初始值为第i小段调整完毕后的上阈值系数。第(i+1)小段的下阈值系数的初始值为第i小段调整完毕后的下阈值系数。

如此循环往复，直到切入过程结束，最终得到切入过程的上、下阈值系数。以同样的方法可以获得平稳切削和切出过程的上下阈值系数。学习完每一个完整的铣削加工循环后都会得到切入过程、正常切削过程和切出段过程的上、下阈值系数。

学习完多组铣削加工循环数据后，分别统计每个过程上阈值系数的最大值作为该过程的上阈值系数，分别统计每个过程下阈值系数的最小值作为该过程的下阈值系数。

图3(a)为本发明方法中上阈值系数的学习方法，图3(b)为本发明方法中下阈值系数的学习方法。其采用流程框图的形式更为简洁明了地说明上阈值系数和下阈值系数的获取原理。

(5)利用学习到的上、下阈值系数可以得到每一小段的上、下阈值，并与该小段的特征值进行比较，如果特征值超出了上、下阈值的范围，则判断刀具发生破损。

一个完整铣削加工循环的监测流程如图4所示，其中主轴启动过程通过机床的PLC信号判断。由图可知，进入切入过程或者说是进入切入段后，在切入过程的每个小段内均进行一次判断，同样的，在切削过程以及切出过程的每一小段内也均进行判断，可适时发现刀具是不是发生破损。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种铣削加工刀具破损监测方法，其特征在于，包括如下步骤：

S1：以设定的采样频率采集刀具正常铣削加工情况下的主轴电机三相电流信号，计算每个采样周期所述三相电流信号的均方根值rms，对每个采样周期的所述均方根值执行滑动平滑处理，获得多个平滑的均方根值，以多个所述平滑的均方根值作为监测铣削刀具破损的特征值srms；

S2：将一个完整的铣削加工循环划分为切入过程、平稳切削过程以及切出过程，接着将所述切入过程、平稳切削过程以及切出过程均等分为多个小段，第i小段至少包括三个采样周期，以使第i小段至少包括一个最大特征值srms_max(i)和一个最小特征值srms_min(i)；

S3：根据多组正常铣削加工情况下的特征值，学习获得切入过程、平稳切削过程以及切出过程的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，根据切入过程、平稳切削过程以及切出过程的上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}，结合第(i-1)小段的所述最大特征值srms_max(i-1)和最小特征值srms_min(i-1)计算获得第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)，计算公式如下：

Thr_{value_up}(i)＝srms_max(i-1)*Thr_{coef_up}

Thr_{value_down}(i)＝srms_min(i-1)*Thr_{coef_down}

其中，srms_max(i-1)和srms_min(i-1)分别为第(i-1)小段的最大特征值和最小特征值，Thr_{value_up}(i)和Thr_{value_down}(i)分别为第i小段的上阈值和下阈值，Thr_{coef_up}和Thr_{coef_down}分别为上阈值系数和下阈值系数；

S4：判断第i小段的特征值是否落入第i小段的上阈值Thr_{value_up}(i)和下阈值Thr_{value_down}(i)覆盖的范围内，

如果落入，则判断铣削加工刀具完好；

如果不落入，则判断铣削加工刀具破损。

2.如权利要求1所述的一种铣削加工刀具破损监测方法，其特征在于，步骤S1中，所述三相电流信号的均方根值rms计算方法如下：

$rms=\sqrt{{I_u}^2+{I_v}^2+{I_w}^2}$

其中，I_u、I_v、I_w分别为主轴电机的三相电流，rms为均方根值。

3.如权利要求1或2所述的一种铣削加工刀具破损监测方法，其特征在于，步骤S1中，所述滑动平滑处理的计算方法如下：

srms(j)＝mean{rms{[(j-1)*n+1]:[(j-1)*n+m]}}

其中，srms(j)表示平滑后的均方根值srms的第j个点，函数mean表示计算一个数组的平均值，rms{[(j-1)*n+1]:[(j-1)*n+m]}表示rms的第(j-1)*n+1到第(j-1)*n+m个点，m、j、n均为自然数，均大于1。

4.如权利要求3所述的一种铣削加工刀具破损监测方法，其特征在于，将铣削加工循环划分为切入过程、平稳切削过程以及切出过程的方法为，

启动主轴，开始计算每个小段的特征值的均值，从第一个特征值均值大于切入门限A₀的小段开始，进入切入过程，其中，A₀等于主轴空转情况下特征值的1.05倍；

相邻两小段之间特征值均值的波动小于5％，则进入平稳切削过程；

相邻两小段之间特征值均值的波动大于5％，则进入切出过程；

其中，相邻两小段之间特征值均值的波动A的计算方法为：

$A=\frac{|mean\left(srms\right(i\left)\right)-mean\left(srms\right(i-1\left)\right)|}{mean\left(srms\right(i-1\left)\right)}$

其中，srms(i)表示第i小段的特征值，srms(i-1)表示第(i-1)小段的特征值，|︱表示取绝对值，函数mean表示计算一个数组的平均值，A为相邻两小段之间特征值均值的波动。

5.如权利要求1或2所述的一种铣削加工刀具破损监测方法，其特征在于，步骤S3中，学习获得上阈值系数Thr_{coef_up}和下阈值系数Thr_{coef_down}的方法如下：

首先，将第i小段的上阈值Thr_{value_up}(i)与第i小段的最大特征值srms_max(i)进行比对，同时，将第i小段的下阈值Thr_{value_down}(i)与第i小段的最小特征值srms_min(i)进行比对：

(1)若Thr_{value_up}(i)＜srms_max(i)，则按如下公式调整上阈值系数Thr_{coef_up}，

Thr_{coef_up}＝Thr_{coef_up}+Δ,Δ＝0.0001

根据调整后的上阈值系数Thr_{coef_up}重新计算上阈值Thr_{value_up}(i)，并再次与第i小段的最大特征值srms_max(i)比较，

如果Thr_{value_up}(i)＜srms_max(i)，则继续调整上阈值系数，如此循环往复，直到满足Thr_{value_up}(i)＞srms_max(i)；

(2)若Thr_{value_down}(i)＞srms_min(i)，则按如下公式调整下阈值系数Thr_{coef_down}，

Thr_{coef_down}＝Thr_{coef_down}-Δ,Δ＝0.0001

根据调整后的下阈值系数Thr_{coef_down}重新计算下阈值Thr_{value_down}(i)，并与第i小段最小特征值srms_min(i)比较，

如果Thr_{value_down}(i)＞srms_min(i)，则继续调整下阈值系数，如此循环往复，直到满足Thr_{value_down}(i)＜srms_min(i)；

(3)若同时满足以下公式时，

Thr_{value_up}(i)＞srms_max(i)

Thr_{value_down}(i)＜srms_min(i)

则第i小段阈值系数调整完毕，进入第(i+1)小段阈值系数的调整，如此循环往复，获得上阈值系数和下阈值系数，

其中，最初始的上阈值系数和下阈值系数均为1。