CN107505850A - 一种刀具换刀判断方法 - Google Patents

Abstract

本发明公开了一种刀具换刀判断方法，属于机械制造刀具状态监测技术领域。刀具在实际生产过程中的磨损，会对工件的加工质量产生极大影响，而传统的刀具监测效率低下。切削力直观地反映了刀具的工作状态，相关计算方法的研究也较为成熟。通过对刀具几何仿真，利用修正的削力经验公式计算，得到切削力样本；将样本置入机器学习框架，训练结果可应用到实际加工中。该方法可广泛应用于各种切削加工，对推动制造业智能化具有重大意义。

Description

一种刀具换刀判断方法

技术领域：

本发明涉及一种刀具换刀判断方法，其属于机械制造刀具监测技术领域。

背景技术：

随着工业4.0下对制造自动化和智能化的要求日益提升，对刀具自动监测技术的需求也逐渐增加，已有一定数量的相关专利。华中科技大学专利，《一种数控机床切削加工的刀具磨损状态识别方法》，对刀具磨损状态下的多物理量进行测量，对样本进行小波包分解和特征提取，代入广义隐马尔科夫初始模型训练；华中科技大学专利，《一种数控机床铣削加工刀具破损监测方法》，在线监测主轴电机三相电流信号，对电流信号均方根值进行奇异谱分析，对重构信号提取标准差特征值，代入支持向量机模型进行分类。

但是现有的刀具监测的专利依赖于客观的实验数据，这导致训练所得的模型可靠性和经济性都较差。具有经济性和实际应用前景的刀具监测技术对我国工业自动化的推动具有重大意义。近年来计算机科学领域兴起的机器学习技术，为刀具间接监测提供了新的思路。

发明内容：

本发明是为了解决上述现有技术存在的问题而提供一种更具可靠性和经济性刀具换刀判断方法。

本发明所采用的技术方案有：一种刀具换刀判断方法，包括如下步骤：

步骤一：数控仿真，获取切削几何参数，代入修正过的经验公式，获取计算加工过程时域切削力数据，以此为基础生成计算机仿真训练样本；

步骤二：对样本降维，训练带有高斯核的支持向量机分类模型，设置传感器实时采集切削力信号并与模型进行比较，当相对误差大于20％即判断为需要换刀。

进一步地，步骤一的具体做法如下：

(1).数控仿真：设置机床和刀具的相关参数，置入数控程序，仿真加工的几何过程，通过软件自带接口进行数据通信，获取仿真过程中的当前时间、切深、切宽、线速度数据；

(2).切削实验：对已有的切削力经验公式进行修正，用修正后的公式结合仿真得到的几何数据计算切削力，以txt文件的形式保存数据；

(3).样本数据生成：对加工过程的切削力进行时域平移，平移的范围为提前40％总加工时间到滞后40％总加工时间的情况，丢失或不足的时间点部分进行补0处理，模拟正常加工中初始采集时间点提前40％到滞后40％的情况，然后对平移后的样本集进行频率改变操作，具体范围为0.5-2倍，基于之前的所有样本，利用高斯随机数，生成上限不超过20％的样本集，作为正确样本，生成范围为大于120％的样本集，作为错误样本，即需要更换刀具；

(4).样本主要力学信息提取：对样本进行均值滤波处理，然后将大于0的特征点重新排序，作为最终的初始样本集。

进一步地，步骤二的具体做法如下：

(1)采用PCA主成分分析法对样本集进行降维处理，降低样本集的维度，提取有效特征，具体地，对于样本集的协方差矩阵特征值，选取贡献率达到95％以上的维数作为最终主成分变换空间的维数；

(2)采用SVM支持向量机进行分类，具体地，使用多项式核函数的二分类SVM算法，对上述样本集进行有监督训练；

(3)应用到实际加工，通过CNC传输的数据包中的坐标数据，找到对应的切削力数值，与仿真值进行对比，如果切削力数值超过仿真值120％，初判断认定为需要换刀，从而开启过程判断，把本次加工过程的切削力置入训练好的机器学习模型，判断是否需要换刀。

本发明具有如下有益效果：通过本发明对刀具是否需要换刀进行判断，所需样本全部来自于计算机仿真，有极高的经济性。同时，本发明可以有效解决切削条件干扰切削力判断的问题。此外，采用坐标轴定位方法，可以解决实际切削力在时域难以与仿真值匹配的问题。

附图说明：

图1为总体技术路线图。

图2为几何仿真和生成训练样本的具体技术路线图。

图3为提取有效力学信息特征的示例图，其中图3(a)为5000Hz采集的切削力数据，图3(b)为包络处理，图3(c)为特征重组。

具体实施方式：

下面结合附图对本发明作进一步的说明。

本发明刀具换刀判断方法，包括如下步骤：

步骤一：数控仿真，获取切削几何参数，代入基于切厚的铣削力经验公式log(F_c/b)＝log(k_c1，1)+(1-m_c)×logh，获取计算加工过程时域切削力数据，以此为基础生成计算机仿真训练样本；

步骤二：对样本降维，训练带有高斯核的支持向量机分类模型，设置传感器实时采集切削力信号并与模型进行比较，当相对误差大于20％即判断为需要换刀。

其中，步骤一的具体做法如下：

(1).数控仿真：以Vericut软件为例，设置机床和刀具的相关参数，置入数控程序，仿真加工的几何过程，通过软件自带的OPAPI_API接口进行数据通信，获取仿真过程中的当前时间、切深、切宽、线速度数据；

(2).切削实验：对已有的切削力经验公式进行修正，用修正后的公式结合仿真得到的几何数据计算切削力，以txt文件的形式保存数据；

(3).样本数据生成：对加工过程的切削力进行时域平移，平移的范围为提前40％总加工时间到滞后40％总加工时间的情况，丢失或不足的时间点部分进行补0处理，模拟正常加工中初始采集时间点提前40％到滞后40％的情况，然后对平移后的样本集进行频率改变操作，具体范围为0.5-2倍，基于之前的所有样本，利用高斯随机数，生成上限不超过20％的样本集，作为正确样本，生成范围为大于120％的样本集，作为错误样本，即需要更换刀具；

(4).提取主要力学信息：具体地，对样本先进行包络处理，包络操作的频率应小于铣削的主轴转动频率；然后将大于0的特征点重新排序，作为最终的初始样本集。

其中，步骤二的具体做法如下：

(1)采用PCA主成分分析法对样本集进行降维处理，PCA降维可以有效地降低样本集的维度，提取有效特征，具体地，对于样本集的协方差矩阵特征值，选取贡献率达到95％以上的维数作为最终主成分变换空间的维数；

(2)采用SVM支持向量机进行分类，具体地，使用多项式核函数的二分类SVM算法，对上述样本集进行有监督训练；

(3)应用到实际加工，通过CNC传输的数据包中的坐标数据，找到对应的切削力数值，与仿真值进行对比，如果切削力数值超过仿真值120％，初判断认定为需要换刀，从而开启过程判断，把本次加工过程的切削力置入训练好的机器学习模型，判断是否需要换刀。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种刀具换刀判断方法，其特征在于：包括如下步骤：

步骤一：数控仿真，获取切削几何参数，代入修正过的经验公式，获取计算加工过程时域切削力数据，以此为基础生成计算机仿真训练样本；

步骤二：对样本降维，训练带有高斯核的支持向量机分类模型，设置传感器实时采集切削力信号并与模型进行比较，当相对误差大于20％即判断为需要换刀。

2.如权利要求1所述的刀具换刀判断方法，其特征在于：

步骤一的具体做法如下：

(1).数控仿真：设置机床和刀具的相关参数，置入数控程序，仿真加工的几何过程，通过软件自带接口进行数据通信，获取仿真过程中的当前时间、切深、切宽、线速度数据；

(2).切削实验：对已有的切削力经验公式进行修正，用修正后的公式结合仿真得到的几何数据计算切削力，以txt文件的形式保存数据；

(3).样本数据生成：对加工过程的切削力进行时域平移，平移的范围为提前40％总加工时间到滞后40％总加工时间的情况，丢失或不足的时间点部分进行补0处理，模拟正常加工中初始采集时间点提前40％到滞后40％的情况，然后对平移后的样本集进行频率改变操作，具体范围为0.5-2倍，基于之前的所有样本，利用高斯随机数，生成上限不超过20％的样本集，作为正确样本，生成范围为大于120％的样本集，作为错误样本，即需要更换刀具；

(4).样本主要力学信息提取：对样本进行均值滤波处理，然后将大于0的特征点重新排序，作为最终的初始样本集。

3.如权利要求1所述的刀具换刀判断方法，其特征在于：

步骤二的具体做法如下：

(1)采用PCA主成分分析法对样本集进行降维处理，降低样本集的维度，提取有效特征，具体地，对于样本集的协方差矩阵特征值，选取贡献率达到95％以上的维数作为最终主成分变换空间的维数；

(2)采用SVM支持向量机进行分类，具体地，使用多项式核函数的二分类SVM算法，对上述样本集进行有监督训练；

(3)应用到实际加工，通过CNC传输的数据包中的坐标数据，找到对应的切削力数值，与仿真值进行对比，如果切削力数值超过仿真值120％，初判断认定为需要换刀，从而开启过程判断，把本次加工过程的切削力置入训练好的机器学习模型，判断是否需要换刀。