CN107159964A - 卧式内拉床智能拉削单元 - Google Patents

Abstract

本发明公开了卧式内拉床智能拉削单元。工人经验推断刀具的使用寿命情况，容易产生误判。本发明的WinCC监控系统将模拟量输入模块保存的数字量信号传输给数据处理模块。控制模块根据诊断模块输出的刀齿磨损情况实际输出结果输出对应的控制量。输出模块用于将控制模块输出的控制量转换成模拟量信号输出给执行模块。自学习模块以诊断结果数据库中的刀齿磨损情况实际输出结果和预期输出结果的偏差作为参考，实现对隶属度进行调整，并更新控制规则数据库中模糊决策矩阵，实现自学习。本发明基于拉削速度和拉削负载特性，通过模糊推理和决策规则自学习原理，进行刀齿磨损和寿命智能预测。

Description

卧式内拉床智能拉削单元

技术领域

本发明涉及一种卧式内拉床智能拉削单元，特别是涉及一种卧式内拉床专用的拉削刀具负载、磨损和寿命的智能检测与拉削控制单元。

背景技术

拉削是在复杂的内部和外部轮廓、高表面完整性和精度要求的部件的制造中广泛使用的加工方式。它在制造燃气轮机和航空航天工业中难加工材料方面特别适用。拉削刀具的状况对于达到航空航天工业所需的表面完整性水平具有重要的影响，特别是对于航空发动机的旋转部件。因此将拉刀状态维持在一个良好的状态是对难加工材料进行精密加工时的重要保障。

另外，由于拉刀在拉削过程中的刀齿的磨损与拉削力、拉削振动、拉削速度等都有关系，具有变量多、耦合性强以及非线性的特点，难以针对刀齿的磨损建立准确的数学模型，这就给判断拉刀寿命带来了很大的困难。由于影响拉刀磨损的因素很多，包括拉削速度、拉削振动、润滑条件等，如何综合各类影响因素，从而建立起这些影响因素与刀具磨损情况的对应关系，进而分析得到刀具的寿命情况，是实现对拉刀寿命进行实时检诊的关键部分。而现有的技术还不能够有效检诊拉刀寿命，更无法实现对拉刀寿命的实时监测。

目前，国内大多数企业大多通过工人经验对拉刀磨损情况进行观察推断出刀具的使用寿命情况，然而这种方法容易产生误判，准确度不高，诊断效果不理想，难以保证拉刀维持在良好的运行状态。

发明内容

本发明针对卧式内拉床的拉削刀具负载、磨损和寿命不易实时反馈的问题，提出了一种集刀具负载、刀齿磨损与寿命智能检测和拉削过程控制为一体的卧式内拉床智能拉削单元。该智能拉削单元是一种卧式内拉床专用的基于液压缸两腔压力反馈的拉削负载特性检测传感器设置装置；是一种拉削负载特性的声发射检测装置；是一种卧式内拉床专用的拉削位移和速度检测装置；是一种基于拉削速度和拉削负载特性，通过模糊推理和决策规则自学习原理，进行刀齿磨损和寿命智能预测装置；是一种可根据刀具磨损和寿命预测结果，通过电液比例阀，优化调整拉削加工参数(拉削速度，切削液用量等)的智能单元；是一种可根据刀具磨损和寿命预测结果评价拉刀质量优劣的智能单元。

本发明包括传感器模块、数据采集模块、WinCC监控系统、数据处理模块、数据存储模块、诊断模块、控制模块、自学习模块、输出模块和执行模块。

所述的传感器模块包括应变片式传感器、声波式传感器、压应力传感器、流量传感器和位移传感器。卧式内拉床的工件安装座沿周向均布设置四片应变片式传感器，主油缸的进、出液压管上均设置压应力传感器；所述声波式传感器悬空安装于拉刀正上方；所述流量测传感器设置在执行模块中微量润滑模块的管路中；所述位移传感器设置在主油缸末端，测量主油缸的活塞杆位移。

所述的数据采集模块包括模拟量输入模块和通讯模块；所述模拟量输入模块对应变片式传感器、声波式传感器、压应力传感器、流量传感器和位移传感器的数据进行采集，并且将采集到的模拟量信号转换成数字量信号进行保存；WinCC监控系统通过通讯模块与模拟量输入模块通讯，将模拟量输入模块保存的数字量信号传输给数据处理模块。

所述的数据处理模块对数字量信号进行低通滤波，然后按各个刀齿采集时间划分进行均值运算，获得各个刀齿的拉削力、拉削振动和主油缸两腔压力、切削液流量以及拉削速度五个特征量实际值。

所述的数据存储模块包括特征量数据库、控制规则数据库和诊断结果数据库。所述特征量数据库用于存放数据处理模块输出的特征量实际值。所述控制规则数据库用于存放特征量标准值和模糊决策矩阵。

所述的诊断模块包括模糊决策模块，所述模糊决策模块从特征量数据库中读取各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量实际值，由所述的五个特征量实际值构成一个输入样本，对输入样本进行模糊决策，得到该输入样本在不同刀齿磨损情况中的隶属度，将隶属度最大值对应的刀齿磨损情况作为实际输出结果存放在数据存储模块的诊断结果数据库中，诊断结果数据库中预先存储有根据拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量标准值模拟得到的刀齿磨损情况预期输出结果。所述控制模块根据诊断模块输出的刀齿磨损情况实际输出结果输出对应的控制量。所述输出模块用于将控制模块输出的控制量转换成模拟量信号输出给执行模块。

所述自学习模块以诊断结果数据库中的刀齿磨损情况实际输出结果和预期输出结果的偏差作为参考，实现对隶属度进行调整，并更新控制规则数据库中模糊决策矩阵，实现自学习。

所述执行模块包括微量润滑模块和比例阀。所述微量润滑模块包括空气压缩机、调压阀、压力表、油泵、水泵和多段式喷嘴；两个调压阀分别根据输出模块输出的模拟量信号调节油泵和水泵的输出液压压力，实现对切削液流量的控制，油泵油管路和水泵水管路中均设置压力表；所述多段式喷嘴将空气管路、水管路、油管路进行汇合；比例阀根据输出模块输出的模拟量信号调节主油缸流量，实现对拉削速度的控制。

所述的模拟量输入模块采用西门子股份公司的S7-300PLC的SM331模块，通讯模块采用32bitPCI卡。

所述的WinCC监控系统采用西门子股份公司的WinCC监控系统，且WinCC监控系统通过人机界面模块实现人机交互。

所述的WinCC监控系统通过Profibus网络与通讯模块连接，采集数字量信号进行存储。

所述的WinCC监控系统通过Profibus网络与输出模块连接。

所述模糊决策的具体步骤如下：

(1)将刀齿所有磨损情况定义为原因集，用向量Y＝{y₁,y₂,y₃,y₄,y₅,y₆,y₇,y₈}表示，y_j，j＝1,2,…，7,8分别对应一种磨损情况。计算各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征量实际值与控制规则数据库中特征量标准值的偏差e和偏差变化率Δe；所述拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征值的偏差和偏差变化率构成一个现象集，用向量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀}表示，x₁,x₂分别对应拉削力的偏差和偏差变化率，x₃,x₄分别对应拉削振动的偏差和偏差变化率，x₅,x₆分别对应主油缸两腔压力的偏差和偏差变化率，x₇,x₈分别对应切削液流量的偏差和偏差变化率，x₉,x₁₀分别对应拉削速度的偏差和偏差变化率。

(2)构造模糊决策矩阵:对原因集中刀齿存在的每一种磨损情况引起的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的变化进行判断，计算出每种磨损情况y_j，j＝1,2,…，7,8对现象集中各种现象x_i，i＝1,2,…，9,10的隶属度r_ji，进而构成模糊决策矩阵：

(3)模糊决策运算：

式中表示合成运算。经模糊决策运算后得到原因集Y中每种磨损情况y_j(j＝1,2,…，7,8)的隶属度，选取隶属度最大的磨损情况y_j作为输出结果进行输出。

所述的自学习模块进行自学习的具体步骤是：

(1)刀齿的现象集经过模糊决策运算后得到一个隶属度最大的磨损情况y_m，即实际输出结果。计算刀齿磨损情况实际输出结果y_m与预期输出结果y′_m的偏差a_m，计算公式为：

a_m＝y_m-y′_m (3)

(2)以a_m作为参考对隶属度r_ji进行调整，具体调整公式为：

r′_ji＝r_ji-ba_mx_i (4)

式中b代表比例因子，取值范围为0≤b≤1。

本发明是一种卧式内拉床专用的基于液压缸两腔压力反馈的拉削负载特性检测传感器设置装置；是一种拉削负载特性的声发射检测装置；是一种卧式内拉床专用的拉削位移和速度检测装置；是一种基于拉削速度和拉削负载特性，通过模糊推理和决策规则自学习原理，进行刀齿磨损和寿命智能预测装置；是一种可根据刀具磨损和寿命预测结果，通过电液比例阀，优化调整拉削加工参数(拉削速度，切削液用量等)的智能单元；是一种可根据刀具磨损和寿命预测结果评价拉刀质量优劣的智能单元。

附图说明

图1是本发明中各个模块的安装连接图；

图2是图1中A部分的放大图；

图3是本发明中各个模块的系统结构流程图；

图中：1-拉刀，2-工件，3-导套，4-端板，5-夹刀装置，6-溜板，7-接杆，8-导向柱，9-床身，10-主油缸，11-活塞杆，12-磁环，13-位移传感器，14-控制器，15-数据采集模块，16-WinCC监控系统，17-输出模块，18-压应力传感器,19-应变片式传感器，20-空气压缩机，21-调压阀，22-压力表，23-油泵，24-流量计，25-水泵，26-多段式喷嘴，27-声波式传感器。

具体实施方式

下面结合附图对本发明作进一步说明，此处所描述的具体实施例仅限于对本发明进行解释说明，并不用于限定本发明。

如图1、图2、图3所示，卧式内拉床智能拉削单元，包括传感器模块(包括应变片式传感器、声波式传感器、压应力传感器流量传感器和位移传感器)、数据采集模块15(包括模拟量输入模块和通讯模块；模拟量输入模块采用S7-300PLC的SM331模块，通讯模块采用32bitPCI卡)、执行模块(包括微量润滑模块和比例阀)、WinCC监控系统16、数据处理模块、数据存储模块(包括特征量数据库、控制规则数据库和诊断结果数据库)、诊断模块、自学习模块和输出模块17。如图3所示，数据采集模块与WinCC监控系统通过Profibus网络实现通信，WinCC监控系统接收数据采集模块采集的数据并保存在数据存储模块中，数据处理模块提取数据存储模块中的数据进行低通滤波，然后按各个刀齿采集时间划分进行均值运算，获得各个刀齿的拉削力、拉削振动和主油缸两腔压力、切削液流量以及拉削速度五个特征量。数据存储模块分别与数据处理模块、诊断模块以及自学习模块相连，实现对特征量实际值、特征量标准值和诊断结果等数据进行存储和输送。诊断模块从数据存储模块中特征量数据库读取各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量实际值，由五个特征量构成一个输入样本，对样本进行模糊决策，得到该样本在不同刀齿磨损情况中的隶属度，将隶属度最大值对应的刀齿磨损情况作为实际输出结果存放在数据存储模块的诊断结果数据库中，诊断结果数据库中预先存储有根据拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量标准值模拟得到的刀齿磨损情况预期输出结果。

自学习模块以诊断结果数据库中的刀齿磨损情况实际输出结果和预期输出结果的偏差作为参考，实现对隶属度进行调整，并更新控制规则数据库中模糊决策矩阵，实现自学习。

卧式内拉床包括拉刀1、导套3、端板4、夹刀装置5、溜板6、接杆7、导向柱8、床身9和主油缸10；导套3固定在端板4上，夹刀装置5设置在溜板6上；拉刀1穿过导套3由夹刀装置5夹持；溜板6两端与两根平行导向柱8滑动连接，导向柱8固定在床身9上，溜板6中心通过接杆7与主油缸10内的活塞杆11固定，活塞杆11运动可带动溜板6往复运动，活塞杆11末端安装有磁环12，主油缸10的缸座末端安装有位移传感器13测量主油缸的活塞杆11位移。卧式内拉床的工件安装座沿周向均布设置四片应变片式传感器19，主油缸10的进、出液压管上均设置压应力传感器18；声波式传感器27悬空安装于拉刀正上方；流量测传感器24设置在执行模块中微量润滑模块的管路中。

执行模块包括微量润滑模块和比例阀14。微量润滑模块包括空气压缩机20、调压阀21、压力表22、油泵23、水泵25和多段式喷嘴26；两个调压阀21分别根据输出模块输出的模拟量信号调节油泵23和水泵25的输出液压压力，实现对切削液流量的控制，油泵23油管路和水泵25水管路中均设置压力表；多段式喷嘴26将空气管路、水管路、油管路进行汇合，实现水、空气和油的混合；比例阀根据输出模块输出的模拟量信号调节主油缸10流量实现对拉削速度的控制。

模糊决策的具体步骤如下：

(1)刀齿存在的磨损情况(包括轻度磨损、中度磨损、重度磨损、裂齿、碎齿、破齿、断齿、崩齿)构成一个集合，定义为原因集，用向量Y＝{y₁,y₂,y₃,y₄,y₅,y₆,y₇,y₈}表示，y_j，j＝1,2,…，7,8分别对应一种磨损情况。计算各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征量实际值与控制规则数据库中特征量标准值的偏差e和偏差变化率Δe；所述拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征值的偏差和偏差变化率构成一个现象集，用向量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀}表示，x₁,x₂分别对应拉削力的偏差和偏差变化率，x₃,x₄分别对应拉削振动的偏差和偏差变化率，x₅,x₆分别对应主油缸两腔压力的偏差和偏差变化率，x₇,x₈分别对应切削液流量的偏差和偏差变化率，x₉,x₁₀分别对应拉削速度的偏差和偏差变化率。

(2)构造模糊决策矩阵:对原因集中刀齿存在的每一种磨损情况引起的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的变化进行判断，计算出每种磨损情况y_j，j＝1,2,…，7,8对现象集中各种现象x_i，i＝1,2,…，9,10的隶属度r_ji，进而构成模糊决策矩阵：

(3)模糊决策运算：

式中表示合成运算。经模糊决策运算后得到原因集Y中每种磨损情况y_j(j＝1,2,…，7,8)的隶属度，选取隶属度最大的磨损情况y_j作为输出结果进行输出。

自学习模块进行自学习的具体步骤是：

(1)刀齿的现象集经过模糊决策运算后得到一个隶属度最大的磨损情况y_m，即实际输出结果。计算刀齿磨损情况实际输出结果y_m与预期输出结果y′_m的偏差a_m，计算公式为：

a_m＝y_m-y′_m (3)

(2)以a_m作为参考对隶属度r_ji进行调整，具体调整公式为：

r′_ji＝r_ji-ba_mx_i (4)

式中b代表比例因子，取值范围为0≤b≤1。

控制模块根据诊断模块输出的刀齿磨损情况实际输出结果输出对应的控制量。WinCC监控系统提取存放在数据存储模块中的控制量，并通过profibus网络输送到输出模块。输出模块用于将控制模块输出的控制量转换成模拟量信号输出给执行模块对比例阀、调压阀进行控制，从而调整拉削速度以及切削液的流量，达到改善拉削工况、减缓刀具磨损的目的。

Claims (7)

1.卧式内拉床智能拉削单元，包括传感器模块、数据采集模块、WinCC监控系统、数据处理模块、数据存储模块、诊断模块、控制模块、自学习模块、输出模块和执行模块，其特征在于：所述的传感器模块包括应变片式传感器、声波式传感器、压应力传感器、流量传感器和位移传感器；卧式内拉床的工件安装座沿周向均布设置四片应变片式传感器，主油缸的进、出液压管上均设置压应力传感器；所述声波式传感器悬空安装于拉刀正上方；所述流量测传感器设置在执行模块中微量润滑模块的管路中；所述位移传感器设置在主油缸末端，测量主油缸的活塞杆位移；

所述的数据采集模块包括模拟量输入模块和通讯模块；所述模拟量输入模块对应变片式传感器、声波式传感器、压应力传感器、流量传感器和位移传感器的数据进行采集，并且将采集到的模拟量信号转换成数字量信号进行保存；WinCC监控系统通过通讯模块与模拟量输入模块通讯，将模拟量输入模块保存的数字量信号传输给数据处理模块；

所述的数据处理模块对数字量信号进行低通滤波，然后按各个刀齿采集时间划分进行均值运算，获得各个刀齿的拉削力、拉削振动和主油缸两腔压力、切削液流量以及拉削速度五个特征量实际值；

所述的数据存储模块包括特征量数据库、控制规则数据库和诊断结果数据库；所述特征量数据库用于存放数据处理模块输出的特征量实际值；所述控制规则数据库用于存放特征量标准值和模糊决策矩阵；

所述的诊断模块包括模糊决策模块，所述模糊决策模块从特征量数据库中读取各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量实际值，由所述的五个特征量实际值构成一个输入样本，对输入样本进行模糊决策，得到该输入样本在不同刀齿磨损情况中的隶属度，将隶属度最大值对应的刀齿磨损情况作为实际输出结果存放在数据存储模块的诊断结果数据库中，诊断结果数据库中预先存储有根据拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度五个特征量标准值模拟得到的刀齿磨损情况预期输出结果；所述控制模块根据诊断模块输出的刀齿磨损情况实际输出结果输出对应的控制量；所述输出模块用于将控制模块输出的控制量转换成模拟量信号输出给执行模块；

所述自学习模块以诊断结果数据库中的刀齿磨损情况实际输出结果和预期输出结果的偏差作为参考，实现对隶属度进行调整，并更新控制规则数据库中模糊决策矩阵，实现自学习；

所述执行模块包括微量润滑模块和比例阀；所述微量润滑模块包括空气压缩机、调压阀、压力表、油泵、水泵和多段式喷嘴；两个调压阀分别根据输出模块输出的模拟量信号调节油泵和水泵的输出液压压力，实现对切削液流量的控制，油泵油管路和水泵水管路中均设置压力表；所述多段式喷嘴将空气管路、水管路、油管路进行汇合；比例阀根据输出模块输出的模拟量信号调节主油缸流量，实现对拉削速度的控制。

2.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述的模拟量输入模块采用西门子股份公司的S7-300PLC的SM331模块，通讯模块采用32bitPCI卡。

3.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述的WinCC监控系统采用西门子股份公司的WinCC监控系统，且WinCC监控系统通过人机界面模块实现人机交互。

4.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述的WinCC监控系统通过Profibus网络与通讯模块连接，采集数字量信号进行存储。

5.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述的WinCC监控系统通过Profibus网络与输出模块连接。

6.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述模糊决策的具体步骤如下：

(1)将刀齿所有磨损情况定义为原因集，用向量Y＝{y₁,y₂,y₃,y₄,y₅,y₆,y₇,y₈}表示，y_j，j＝1,2,…，7,8分别对应一种磨损情况；计算各个刀齿的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征量实际值与控制规则数据库中特征量标准值的偏差e和偏差变化率Δe；所述拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的特征值的偏差和偏差变化率构成一个现象集，用向量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀}表示，x₁,x₂分别对应拉削力的偏差和偏差变化率，x₃,x₄分别对应拉削振动的偏差和偏差变化率，x₅,x₆分别对应主油缸两腔压力的偏差和偏差变化率，x₇,x₈分别对应切削液流量的偏差和偏差变化率，x₉,x₁₀分别对应拉削速度的偏差和偏差变化率；

(2)构造模糊决策矩阵:对原因集中刀齿存在的每一种磨损情况引起的拉削力、拉削振动、主油缸两腔压力、切削液流量以及拉削速度的变化进行判断，计算出每种磨损情况y_j，j＝1,2,…，7,8对现象集中各种现象x_i，i＝1,2,…，9,10的隶属度r_ji，进而构成模糊决策矩阵：

(3)模糊决策运算：

式中表示合成运算；经模糊决策运算后得到原因集Y中每种磨损情况y_j(j＝1,2,…，7,8)的隶属度，选取隶属度最大的磨损情况y_j作为输出结果进行输出。

7.根据权利要求1所述的卧式内拉床智能拉削单元，其特征在于：所述的自学习模块进行自学习的具体步骤是：

(1)刀齿的现象集经过模糊决策运算后得到一个隶属度最大的磨损情况y_m，即实际输出结果；计算刀齿磨损情况实际输出结果y_m与预期输出结果y′_m的偏差a_m，计算公式为：

a_m＝y_m-y′_m (3)

(2)以a_m作为参考对隶属度r_ji进行调整，具体调整公式为：

r′_ji＝r_ji-ba_mx_i (4)

式中b代表比例因子，取值范围为0≤b≤1。