CN107678398B - 用于数控机床的断刀检测的方法 - Google Patents
用于数控机床的断刀检测的方法 Download PDFInfo
- Publication number
- CN107678398B CN107678398B CN201710853895.7A CN201710853895A CN107678398B CN 107678398 B CN107678398 B CN 107678398B CN 201710853895 A CN201710853895 A CN 201710853895A CN 107678398 B CN107678398 B CN 107678398B
- Authority
- CN
- China
- Prior art keywords
- tool
- cutter
- samples
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Abstract
本公开内容涉及数控机床的断刀检测的方法,包括:获取所述数控机床的第一刀具的特征向量,其中,所述特征向量能够描述所述第一刀具的状态;将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,其中,所述模型经过训练以能够确定特征向量与刀具状态之间的关系;以及根据所述第一处理结果,确定所述第一刀具为断刀状态或者非断刀状态。
Description
技术领域
本发明总体上涉及数控机床领域,并且特别涉及用于数控机床的断刀检测的方法和装置。
背景技术
数控机床加工过程中,刀具断裂直接影响加工零件的直通率,如未及时发现并更换新刀具,可能进一步造成后续工序的刀具断裂,生产出大量不合格产品,浪费资源,降低加工效率,甚至可能会对机床本体造成一定程度的破坏。
目前,主要的数控机床断刀检测的技术有两种。一种是直接识别刀刃外观、表面品质或几何形状变化进行刀具状态判断,称为直接法。例如CN204405002U公开了一种便携式CNC铣床刀具检测仪,其包括支架装置、刀具成像系统和图像分析系统。该检测仪通过刀具成像系统成像,图像分析系统分析铣床刀具的图像和显示铣床刀具的参数,实现铣床刀具的在线检测和预调。另一种是通过外接设备采集数控加工过程中能够反映刀具状态的信号(如切削力信号、切削温度信号、声发射信号、功率信号、振动信号、电流信号、主轴转速等)进行断刀检测,称为间接法。例如CN104786265A公开了一种用于钻床刀具的感应式微电流断刀检测电路,其检测原理是:将由磁环线圈组成的信号发射电路和信号感应电路套在主轴外用螺丝固定在主轴座上,激励信号产生电路输出固定频率的振荡信号到发射线圈,当刀具钻到工件时感应线圈会产生感应电流,感应信号经处理后输出一个检测信号,同时触发运动控制卡记录当前位置。当设备正常运行时,每钻一个孔,检测回路就会有一个检测信号输出,同时PC机把当前位置及其平均值进行实时对比,从而判断出钻头是否断掉。再如CN203658795U公开了一种基于加速度感应器的断刀检测装置,用于检测印刷线路板数控钻床的钻刀是否折断,其检测原理是:当数控钻床的钻刀钻到工件时会产生微振,固定在主轴轴承外壳上的三轴加速度感应器检测钻床的XY轴在不同位置时主轴钻孔的微振深度,触发运动控制卡记录位置信息,PIC单片机分析主轴的钻孔微振深度,从而检测在钻孔过程中钻刀是否折断。
综上所述,目前主要的断刀检测技术基本是依赖外接传感器装置获取的刀具几何或状态数据进行断刀检测。这样的技术存在以下不足:需要安装外接传感器装置(包括图像采集设备),操作复杂,增加了劳动力和技术成本;外接传感器的放置位置极易受人为因素影响,尤其在恶劣的工业环境下,刀具几何或状态数据和检测结果的可信度无法保证;在线检测实时性差。
发明内容
总体上,本发明的实施例提出一种用于数控机床的断刀检测的技术方案。
在一个方面,本发明的实施例提供(1)一种用于数控机床的断刀检测的方法,包括:获取所述数控机床的第一刀具的特征向量,其中,所述特征向量能够描述所述第一刀具的状态且提取自所述数控机床的数控系统内部数据;将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,其中,所述模型经过训练以能够确定特征向量与刀具状态之间的关系;以及根据所述第一处理结果,确定所述第一刀具为断刀状态或者非断刀状态。
(2)根据(1)所述的方法,其中,所述获取所述数控机床的第一刀具的特征向量,包括:根据所述第一刀具的刀具号获取所述第一刀具对应的运行状态数据,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据;以及从所述第一刀具对应的所述运行状态数据提取所述第一刀具的特征向量。
(3)根据(2)所述的方法,其中,所述运行状态数据包括主轴电流和主轴功率中的至少一个。
(4)根据(1)所述的方法,其中,所述特征向量包括以下至少之一:主轴功率的均方根值、主轴功率的积分、主轴功率的均值、主轴功率的峰度、主轴功率的相关系数、主轴功率前n个的峰值、主轴功率的中位数、主轴电流的均方根值,主轴电流的积分、主轴电流的均值、主轴电流的峰度、主轴电流的相关系数、主轴电流的前m个峰值、主轴电流的中位数,其中n和m为自然数。
(5)根据(1)所述的方法,其中,所述获取所述数控机床的第一刀具的特征向量,包括:确定所述第一刀具的开始加工时间和结束加工时间;从所述开始加工时间和所述结束加工时间之间的所述数控机床的运行状态数据提取所述特征向量,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据。
(6)根据(5)所述的方法,其中,所述确定所述第一刀具的开始加工时间和结束加工时间包括:对所述第一刀具的刀具数据进行微分得到第一微分值,所述刀具数据为针对所述第一刀具的与加工过程相关的数据;选取第一微分值不大于第一阈值的刀具数据形成第一微分点集;对所述第一微分点集进行微分得到第二微分值;根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间。
(7)根据(6)所述的方法,其中,所述根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间,包括:确定第一位置,其中所述第一位置为所述第二微分值中最大值所对应的位置的后一个位置;获取所述第一位置对应的时间点作为所述第一刀具的开始加工时间;确定第二位置,其中所述第二位置为所述第二微分值中第二大值所对应的位置的前一个位置;获取所述第二位置对应的时间点作为所述第一刀具的结束加工时间。
(8)根据(6)所述的方法,其中,所述确定所述第一刀具的开始加工时间和结束加工时间,进一步包括:对所述第一刀具的刀具数据进行平滑滤波。且所述对所述第一刀具的刀具数据进行微分得到第一微分值,包括:对平滑滤波后的刀具数据进行微分得到第一微分值。
(9)根据(6)所述的方法,其中,所述刀具数据包括以下至少之一:主轴功率、主轴电流、主轴实际速度。
(10)根据(1)所述的方法,其中,所述方法进一步包括:将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集;利用所述样本集中的至少部分样本训练所述模型。
(11)根据(10)所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:从所述样本集中选取多个样本;对选择的样本进行归一化处理;用归一化处理后的样本训练所述模型。且所述将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,包括:将归一化后的特征向量输入经过训练的模型以获得所述模型对所述归一化特征向量处理后的第一处理结果。
(12)根据(10)所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:响应于所述样本集中的样本数量大于第二阈值,以断刀状态的样本和非断刀状态的样本为1:p的比例进行抽样,以得到用于训练模型的样本;利用抽样得到的样本训练所述模型。
(13)根据(10)所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:响应于所述样本集中的样本数量不大于第二阈值,利用所述样本集中所有的样本训练所述模型。
(14)根据(10)所述的方法,其中,所述将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集,包括:响应于根据所述第一处理结果确定所述第一刀具为断刀状态,且实际并未发生断刀,将所述第一处理结果修正为对应于非断刀状态的第一处理结果;将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
(15)根据(10)所述的方法,其中,所述将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集,包括:响应于根据所述第一处理结果确定所述第一刀具为非断刀状态,且实际发生断刀,将所述第一处理结果修正为对应于断刀状态的第一处理结果;将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
(16)根据(10)所述的方法,其中,所述方法进一步包括:响应于制造资源数据和工作任务数据中的至少一个发生变化,重新形成用于训练所述模型的样本集。
(17)根据(16)所述的方法,其中,所述重新形成用于训练所述模型的样本集,包括:令所述第一刀具处于非断刀状态,获取所述第一刀具的特征向量;将获取的非断刀状态对应的特征向量和对应于非断刀状态的第一处理结果作为样本放入所述重新形成的样本集;令所述第一刀具处于断刀状态,获取所述第一刀具的特征向量;将获取的断刀状态对应的特征向量和对应于断刀状态的第一处理结果作为样本放入所述重新形成的样本集。
在另一方面,本发明的实施例提供(18)一种用于数控机床的断刀检测的装置,所述装置包括:第一获取模块,被配置为获取所述数控机床的第一刀具的特征向量,其中,所述特征向量能够描述所述第一刀具的状态;输入模块,被配置为将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,其中,所述模型经过训练以能够确定特征向量与刀具状态之间的关系;以及第一确定模块,被配置为根据所述第一处理结果,确定所述第一刀具为断刀状态或者非断刀状态。
(19)根据(18)所述的装置,其中,所述第一获取模块包括:第一获取子模块,被配置为根据所述第一刀具的刀具号获取所述第一刀具对应的运行状态数据,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据;以及第一提取子模块,被配置为从所述第一刀具对应的所述运行状态数据提取所述第一刀具的特征向量。
(20)根据(19)所述的装置,其中,所述运行状态数据包括主轴电流和主轴功率中的至少一个。
(21)根据(18)所述的装置,其中,所述特征向量包括以下至少之一:主轴功率的均方根值、主轴功率的积分、主轴功率的均值、主轴功率的峰度、主轴功率的相关系数、主轴功率前n个的峰值、主轴功率的中位数、主轴电流的均方根值,主轴电流的积分、主轴电流的均值、主轴电流的峰度、主轴电流的相关系数、主轴电流的前m个峰值、主轴电流的中位数,其中n和m为自然数。
(22)根据(18)所述的装置,其中,所述第一获取模块包括:第一时间确定子模块,被配置为确定所述第一刀具的开始加工时间和结束加工时间;第二提取子模块,被配置为从所述开始加工时间和所述结束加工时间之间的所述数控机床的运行状态数据提取所述特征向量,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据。
(23)根据(22)所述的装置,其中,所述第一时间确定子模块包括:第一微分子模块,被配置为对所述第一刀具的刀具数据进行微分得到第一微分值,所述刀具数据为针对所述第一刀具的与加工过程相关的数据;第一点集子模块,被配置为选取第一微分值不大于第一阈值的刀具数据形成第一微分点集;第二微分子模块,被配置为对所述第一微分点集进行微分得到第二微分值;第二时间确定子模块,被配置为根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间。
(24)根据(23)所述的装置,其中,所述第二时间确定子模块包括:第一位置确定子模块,被配置为确定第一位置,其中所述第一位置为所述第二微分值中最大值所对应的位置的后一个位置;开始加工时间确定子模块,被配置为获取所述第一位置对应的时间点作为所述第一刀具的开始加工时间;第二位置确定子模块,被配置为确定第二位置,其中所述第二位置为所述第二微分值中第二大值所对应的位置的前一个位置;结束加工时间确定子模块,被配置为获取所述第二位置对应的时间点作为所述第一刀具的结束加工时间。
(25)根据(22)所述的装置,其中,所述第一时间确定子模块进一步包括:平滑滤波子模块,被配置为对所述第一刀具的刀具数据进行平滑滤波;所述第一微分子模块进一步被配置为:对平滑滤波后的刀具数据进行微分得到第一微分值。
(26)根据(22)所述的装置,其中,所述刀具数据包括以下至少之一:主轴功率、主轴电流、主轴实际速度。
(27)根据(18)所述的装置,其中,所述装置进一步包括:样本集模块,被配置为将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集;训练模块,被配置为利用所述样本集中的至少部分样本训练所述模型。
(28)根据(27)所述的装置,其中,所述训练模块包括:选取子模块,被配置为从所述样本集中选取多个样本;归一化子模块,被配置为对选择的样本进行归一化处理;第一训练子模块,被配置为用归一化处理后的样本训练所述模型;所述输入模块进一步被配置为:将归一化后的特征向量输入经过训练的模型以获得所述模型对所述归一化特征向量处理后的第一处理结果。
(29)根据(27)所述的装置,其中,所述训练模块包括:抽样子模块,被配置为响应于所述样本集中的样本数量大于第二阈值,以断刀状态的样本和非断刀状态的样本为1:p的比例进行抽样,以得到用于训练模型的样本;第二训练子模块,被配置为利用抽样得到的样本训练所述模型。
(30)根据(27)所述的装置,其中,所述训练模块包括:第三训练子模块,被配置为响应于所述样本集中的样本数量不大于第二阈值,利用所述样本集中所有的样本训练所述模型。
(31)根据(27)所述的装置,其中,所述样本集模块,包括:第一修正子模块,被配置为响应于根据所述第一处理结果确定所述第一刀具为断刀状态,且实际并未发生断刀,将所述第一处理结果修正为对应于非断刀状态的第一处理结果;第一样本集子模块,被配置为将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
(32)根据(27)所述的装置,其中,所述样本集模块,包括:第二修正子模块,被配置为响应于根据所述第一处理结果确定所述第一刀具为非断刀状态,且实际发生断刀,将所述第一处理结果修正为对应于断刀状态的第一处理结果;第二样本集子模块,被配置为将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
(33)根据(27)所述的装置,其中,所述装置进一步包括:重置模块,被配置为响应于制造资源数据和工作任务数据中的至少一个发生变化,重新形成用于训练所述模型的样本集。
(34)根据(33)所述的装置,其中,所述重置模块包括:非断刀状态子模块,被配置为令所述第一刀具处于非断刀状态,获取所述第一刀具的特征向量;第一初始样本子模块,被配置为将获取的非断刀状态对应的特征向量和对应于非断刀状态的第一处理结果作为样本放入所述重新形成的样本集;断刀状态子模块,被配置为令所述第一刀具处于断刀状态,获取所述第一刀具的特征向量;第二初始样本子模块,被配置为将获取的断刀状态对应的特征向量和对应于断刀状态的第一处理结果作为样本放入所述重新形成的样本集。
在又一方面,本发明的实施例提供(35)一种用于数控机床的断刀检测的计算机系统。该计算机系统包括:一个或多个处理器;一个或多个计算机可读介质;存储在计算机可读介质上的用于由一个或多个处理器中的至少一个执行的计算机程序指令,所述计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
在再一方面,本发明的实施例提供(36)一种计算机可读的存储介质,可用于数控机床的断刀检测。该计算机可读存储介质上存储有至少一个可执行的计算机程序指令,该计算机程序指令包括用于执行上述方法的各步骤的计算机程序指令。
根据本发明的实施例,可以实时准确地进行断刀检测,避免了后续刀具或者零件的报废,提高了自动化生产线的产品直通率。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中:
图1示出了适于用来实现本发明实施例的环境;
图2示出了适于用来实现本发明实施例的另一环境;
图3示出了根据本发明实施例的一种用于数控机床的断刀检测的方法的示意性流程图;
图4示出了根据本发明实施例的一种确定开始加工时间和结束加工时间的方法的示意性流程图;
图5示出了根据本发明实施例的信号不同段的示意性信号图;
图6示出了根据本发明实施例的第一微分值的微分曲线的示意性曲线图;
图7示出了根据本发明实施例的一种用于根据第二微分值确定开始加工时间和结束加工时间的方法的示意性流程图;
图8示出了根据本发明实施例的一种用于数控机床的断刀检测的示意性流程图;以及
图9示出了根据本发明实施例的一种用于数控机床的断刀检测的装置的示意性的结构框图。
在附图中,相同或相似的标号被用来表示相同或相似的元素。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,本发明还可以以其他各种形式实现而不应限制在下面描述的具体的实施方式。在此提供这些具体的实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境可以是一个具有简单计算能力的终端100,也可以是具有复杂计算能力的节点100。
该环境例如包括计算机可读介质101。这些介质例如可以是易失性和非易失性介质,也可以是可移动的和不可移动的介质,只要能够具有计算能力的节点访问即可。
该环境例如还可以包括一个或多个程序模块103,这些程序模块通常用于执行本发明所述描述的实施例中的功能和/或方法。
该环境例如还可以包括一个或多个具有计算能力的模块105。
该环境可以独立执行本发明实施方式中所描述的方法和/或功能,也可以与外部设备107通信以协作完成相应的方法和/或功能。
当然,本领域技术人员可以理解,该终端100或计算节点100例如可以是服务器或者计算机,也可以是嵌入在数控机床内的计算系统等,本发明并不加以限制。
图2示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境包括终端201和计算节点203。该环境例如可以是一个云环境,此时计算节点203例如为云服务器,终端201例如为数控机床。当然,应该理解,云环境的布局还有更多种,此处并不对本发明加以限制。
下面将具体描述本发明实施例的机制和原理。除非特别声明,在下文和权利要求中使用的术语“基于”表示“至少部分地基于”。术语“包括”表示开放性包括,即“包括但不限于”。术语“多个”表示“两个或更多”。术语“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。其他术语的定义将在下文描述中给出。
通过上面的描述可以看出,现有的数控机床的断刀检测方法大多依赖于外接传感器装置,不但需要设置额外的传感器增加成本,还存在设置位置、环境因素等多种干扰导致检测结果不准确。
由此,本发明提供了一种用于数控机床的断刀检测的技术方案,充分利用数控系统的内部数据进行断刀检测,从而避免了使用外接设备的缺点,节省了成本也提高了检测精度。通过利用数控系统的内部实际数据来训练模型,并且再考虑到依据实际的观测对模型进行修正,使得本发明提供的技术方案能够简单、直接、高效和准确地检测断刀的情况。下面将结合附图对本发明提供的技术方案进行进一步的详细描述。
图3示出了根据本发明的一个示例性实施例的用于数控机床的断刀检测的方法300的示意性流程图。方法300包括以下步骤。
在步骤301,获取数控机床的第一刀具的特征向量。本实施例中,特征向量能够描述该第一刀具的状态且提取自该数控机床的数控系统内部数据。在本发明一实施例中,特征向量例如是m维的。m为自然数。例如,特征向量可以表示为fea={fea1,fea2,…,feam}。
可以理解,能够描述第一刀具的状态的参数有很多,都可以用来构成特征向量,本发明对此并不加以限制。举例而言,主轴功率的均方根值、主轴功率的积分、主轴功率的均值、主轴功率的峰度、主轴功率的相关系数、主轴功率前a个的峰值、主轴功率的中位数、主轴电流的均方根值,主轴电流的积分、主轴电流的均值、主轴电流的峰度、主轴电流的相关系数、主轴电流的前b个峰值以及主轴电流的中位数中的一个或者多个都可以作为特征向量。其中,a和b为自然数。本领域技术人员根据上述披露的示例,还可以扩展得到更多的能够描述第一刀具状态的参数来构成特征向量,例如RSquare,本发明在此不再赘述。
在本发明一实施例中,例如,m的取值可以为10。特征向量包括:主轴功率的均方根值、主轴功率的积分、主轴功率的均值、主轴功率的峰值和主轴功率的相关系数,以及主轴功率的前5个峰值。
在本发明一实施例中,步骤301例如包括:根据第一刀具的刀具号获取所述第一刀具对应的运行状态数据,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于该数控系统内部数据;以及从该第一刀具对应的运行状态数据提取所述第一刀具的特征向量。本实施例中,通过利用刀具号对采集数据进行截取可以获取对应刀具的相应数据。本实施例中,由于不同的刀具的情况会不同,所以例如可以对每个刀具的模型分别进行训练,这样就需要提取出本刀具所对应的数据以对模型进行训练和进行相应的检测。
本发明一实施例中,运行状态数据例如包括零件数控加工的质量、精度和效率优劣直接或间接的定量描述。可以理解,通常而言,运行状态数据既可以包含数控机床完成工作任务过程中,数控系统内部产生的由控制信号和反馈信号构成的海量电控数据,如主轴功率、主轴电流、进给轴电流、位置跟随误差、指令位置、实际位置、指令速度、实际速度、指令加速度、实际加速度和数控系统中寄存器数据等;也可以包括通过外部传感器采集的物理和几何数据,如切削力、温度、振动、空间误差、热变形、零件尺寸精度、零件形位精度和零件表面粗糙度等。当然,本实施例中,优选数控系统内部产生的由控制信号和反馈信号构成的电控数据作为运行状态数据。例如,运行状态数据可以包括主轴电流和/或主轴功率。
本发明一实施例中,步骤301例如还可以实施为:确定所述第一刀具的开始加工时间和结束加工时间;从该开始加工时间和结束加工时间之间的所述数控机床的运行状态数据提取所述特征向量。本实施例中,通过截取开始加工和结束加工之间的运行状态数据来提取特征向量可以避免换刀和/或主轴加减速段的信号对于后续处理的影响。参照图5,可以看到,信号包括了标号为①的主轴加速段、标号为②的主轴稳速段、标号为③的主轴减速段以及标号为④的换刀段。通过确定开始加工时间和结束加工时间可以找到主轴稳速段的运行状态数据,从而减少换刀和/或主轴加减速段信号的干扰,提取出更为准确、更能表示刀具状态的特征向量。
可以理解,有多种方式可以来确定开始加工时间和结束加工时间。
例如,可以通过对G代码进行解析来确定开始加工时间和结束加工时间。举例而言,M03指令可以反映机床主轴开始转动的时间,而M05指令可以反映机床主轴停止转动的时间。因此可以按照G代码中的M03和M05指令确定开始加工时间和结束加工时间,从而对采集数据进行截取。
例如可以对采集的数据本身进行分析处理,得到开始加工时间和结束加工时间。参照图4,示出了一种用于确定开始加工时间和结束加工时间的方法400。该方法400包括以下步骤。
在步骤401,对第一刀具的刀具数据进行微分得到第一微分值,所述刀具数据为针对所述第一刀具的与加工过程相关的数据。
在步骤403,选取第一微分值不大于第一阈值的刀具数据形成第一微分点集。
在步骤405,对所述第一微分点集进行微分得到第二微分值。
在步骤407,根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间。
通过对刀具数据进行两次微分可以相对准确的找到开始加工时间和结束加工时间。
本实施例中,刀具数据例如包括与加工过程强相关的数据。举例而言,刀具数据例如可以为主轴速度。可以理解,主轴速度既可以为主轴实际速度,也可以是从数控机床直接获取的表示主轴速度的数据。在一个示例中,主轴实际速度sActSpeed与从数控机床直接获取的表示主轴速度的数据sMeasuredSpeed之间的关系为:sActSpeed=sMeasuredSpeed*60000/(36000/dist_s)/pulse_s。其中,dist_s/pulse_s为电子齿轮比,由数控机床本体确定。可以看出,主轴实际速度和直接获取的表示主轴速度的数据之间呈线性关系,所以直接使用sMeasuredSpeed进行时间确定并不会产生影响,同时还减少了计算量,简化了处理过程。可以理解主轴转速仅是刀具数据的第一示例,其他加工强相关的数据也可以作为刀具数据用来确定开始加工时间和结束加工时间。例如主轴功率和/或主轴电流也可以作为刀具数据。可以理解,刀具数据例如可以选自运行状态数据。
本发明一实施例中,第一阈值的选取与数控系统有关,特别是与伺服驱动有关。在本发明一实施例中,例如可以通过观察第一微分值的微分曲线来确定第一阈值。例如,图6示出了示意性的第一微分值的微分曲线。针对如图6所示的微分曲线,例如可以将第一阈值设置为0.04。
本发明一实施例中,方法400还可以包括对第一刀具的刀具数据进行平滑滤波。相应地,步骤401就为对平滑滤波后的刀具数据进行微分得到第一微分值。通过平滑滤波可以进一步地减少干扰,以得到更准确的开始加工时间和结束加工时间。
本发明一实施例中,图7提供了一种用于根据第二微分值确定第一刀具的开始加工时间和结束加工时间的方法700。该方法700包括以下步骤。
在步骤701,确定第一位置。本实施例中,第一位置为第二微分值中最大值所对应的位置的后一个位置。
在步骤703,获取该第一位置对应的时间点作为第一刀具的开始加工时间。
在步骤705,确定第二位置。本实施例中,第二位置为该第二微分值中第二大值所对应的位置的前一个位置;
在步骤707,获取该第二位置对应的时间点作为第一刀具的结束加工时间。
可以理解,步骤701和步骤705之间没有特定的执行顺序。步骤701和步骤705可以并行执行也可以先后执行,且在先后执行时,既可以先执行步骤701也可以先执行步骤705。
下面将结合示例对方法700进行进一步地描述。例如,通过第一次微分可以得到第一微分值。从第一微分值中选取第一微分值小于第一阈值的数据点集。将该数据点集记为ind1。
对ind1再次进行微分,也即第二次微分,可以得到第二微分值。将第二微分值记为diff(ind1)。找到diff(ind1)的最大值所对应的位置,将该位置记为ind2。获取ind2+1位置对应的时间点作为刀具开始加工时间。找到diff(ind1)的第二大值所对应的位置,记为ind3。获取ind3-1位置对应的时间点作为刀具结束加工时间。
可以理解,图7所示的方法700仅为二次微分阈值方法的一种示例。本领域技术人员根据该示例可以得到相应的变形和其他示例。
本发明上述实施例之间可以相互参照以得到更多的实施例。例如,可以先根据刀具号对运行状态数据进行截取找到第一刀具所对应的运行状态数据。随后再根据截取的运行状态数据中的刀具数据来确定开始加工时间和结束加工时间。并使用该开始加工时间和结束加工时间,对第一刀具对应的运行状态数据进行再次的截取,找到该时间段之内第一刀具对应的运行状态数据。最后从这部分的运行状态数据提取特征向量。
在本发明另一实施例中,上述方法实施例的结合例如还可以是:先根据刀具号对运行状态数据进行截取找到第一刀具所对应的运行状态数据。随后通过对G代码的分析找到开始加工时间和结束加工时间。再使用该开始加工时间和结束加工时间,对第一刀具对应的运行状态数据进行再次的截取,找到该时间段之内第一刀具对应的运行状态数据。最后从这部分的运行状态数据提取特征向量。
在本发明一实施例中,还可以在提取特征向量之前对相应的运行状态数据进行低通滤波,以减少高频噪声的干扰。可以理解,可以在不同的阶段进行低通滤波,例如对采集的数据直接进行滤波,或者对第一次截取(按照刀具号的截取)后的数据进行滤波,或者还可以对第二次截取(按照开始加工时间和结束加工时间的截取)后的数据进行滤波。举例而言,例如可以采用截止频率为10Hz的巴特沃斯低通滤波器进行该低通滤波。可以理解,还可以采用其他的滤波技术,例如,可以采用IIR滤波器。IIR滤波器例如可以包括契比雪夫滤波器、椭圆形滤波器、FIR滤波器。
现在回到图3,在步骤301之后,步骤303包括:将步骤301获得的特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果。本实施例中,该模型经过训练以能够确定特征向量与刀具状态之间的关系。
可以理解,多种模式识别模型都可以被用来作为本发明实施例中的模型。例如,随机森林模型,logistic回归模型、支持向量机SVM模型、线性判别分析LDA模型、神经网络等有监督的分类模型都可以作为本发明实施例中的模型。该模型经过实际数据的训练,能够确定特征向量与刀具状态之间的关系。因此,可以对输入的特征向量进行处理,得到能够表示刀具状态的第一处理结果。
在步骤305,根据步骤303得到的第一处理结果,确定第一刀具为断刀状态或者非断刀状态。
在本发明一实施例中,例如,第一处理结果可以为1或者0,其中1表示没有断刀,而0表示断刀。可以理解,完全可以有其他断刀或者非断刀状态的表示,1和0仅为一个示例。在以下描述中,为了方便,将第一处理结果称为类别标号,并以类别标号为1表示非断刀,类别标号为0表示断刀进行举例说明。
可以看到采用方法300可以利用数控系统内部的运行状态数据实现对断刀状况的检测,避免了外部传感器和其他外部设备的设置,由此可以避免外部设备所带来的问题,例如成本高、对设置人依赖程度高、在恶劣环境下精度差等。这种简单、高效的技术方案节省了成本,无需外接传感器装置,并且能够保证数据源真实可信。同时,方法300可以保证断刀检测与数控加工同时进行,在实时检测的同时并不影响机床的正常加工。并且方法300具有一定的通用性,对于各种刀具类型,各种直径刀具和各种复杂的工况都可以进行准确的断刀检测,适用范围广。
在本发明一实施例中,对于方法300,还可以进一步包括:步骤307,将步骤301中获得的特征向量和步骤303中得到的第一处理结果作为样本放入用于训练所述模型的样本集;以及步骤309,利用该样本集中的至少部分样本训练该模型。可以理解,通过不断的检测实现对样本集的不断扩充并不断对模型进行训练,使得模型越来越精准,相应地,检测结果也越来越准确。由于将特征向量和第一处理结果作为样本放入用于训练模型的样本集,所以样本集中的每个样本就包括了两个部分,一部分是特征向量,一部分是类别标号。例如,记第i个样本为xi,特征向量为m维的,类别标号记为yi,那么 可以理解,虽然样本由两部分构成,但并不意味着样本中的两个部分需要连续存储,只需要构成样本的两个部分具有关联关系即可。可以理解,步骤309并不一定紧接着步骤307执行。例如,步骤309可以响应于再次启动对断刀状况的检测也就是说再次执行步骤301之前、之中或者之后执行。只要步骤309在下一次执行步骤303之前执行即可。也就是说,下一次执行步骤303时,训练过的模型就是执行步骤309训练得到的模型。
在本发明一实施例中,步骤309例如可以包括:从样本集中选取多个样本;对选择的样本进行归一化处理;用归一化处理后的样本训练所述模型。在本实施例中,对于样本的选取例如可以是,响应于样本集中样本的数量大于第二阈值,以特定比例进行随机抽样。本实施例中,特定比例例如为断刀状态的样本和非断刀状态的样本数量的比例为1:p。其中,p可以为大于1的值也可以为小于或者等于1的值。不过考虑到非断刀状态的样本数量显然多于断刀状态的样本数量,再考虑样本的平衡,可以选择p的取值为10或者5。在本发明另一实施例中,响应于样本集中样本的数量小于或者等于第二阈值,可以选取样本集的全集。在本发明一实施例中,该第二阈值例如可以设置为10或者11。
本发明一实施例中,对于选择的样本进行归一化处理例如可以实施为:从当前样本集中选择q个样本后,将这q个样本的特征向量以及下一轮次获取的特征向量(待检测的特征向量)进行归一化处理,随后将归一化后的q个样本的特征向量部分和其对应的类别标号形成归一化后的样本。其中,本轮次是指形成当前样本集的轮次,下一轮次指再次获取特征向量等步骤的再次执行。以下用具体的例子进行说明。例如当前轮次执行完之后,当前样本集中的样本数量为r。在下一轮次开始前或者开始后,从样本数量为r的样本集中选择q个样本。在下一轮次开始后,获取该轮次的特征向量,也即待检测断刀状态的特征向量。将获取的该轮次的特征向量和选择的q个样本的特征向量一起进行归一化处理。该归一化处理例如为采用线性变换将特征向量等比例缩放到[0,1]区间。之后,将归一化后的q个样本的特征向量和其对应的类别标号一起形成q个归一化后的样本,用于训练模型。当然,上述仅为归一化处理的一个示例,也即将选中的样本的特征向量部分和待检测断刀状态的特征向量一起进行归一化,然后将选中样本的归一化后的特征向量和类别标号合在一起形成归一化后的样本。可以理解,也可以仅对选中的样本的特征向量一起进行归一化操作,随后再与其对应的类别标号一起形成归一化后的样本。通过归一化处理,可以让信号分布在同一水平上,更有利于后续的处理。相应地,后续将待检测断刀状态的特征向量输入训练后的模型时,也是将归一化后的待检测断刀状态的特征向量输入训练后的模型。
本发明一实施例中,还可以根据实际情况对样本进行修正。例如,在步骤305根据第一处理结果确定第一刀具处于断刀状态,但实际上并未发生断刀,则可以对第一处理结果进行修正,将其修正为对应于非断刀状态的类别标号。例如,根据模型得到的类别标号为0,则后续会确定为第一刀具处于断刀状态。一旦确定为断刀状态,系统例如可以发出警报通知操作人员,或者系统可以自动停机等处理。而操作人员发现实际并未发生断刀。此时就可以将该类别标号修正为1。然后将修正后的类别标号和特征向量组成样本放入样本集。这样通过修正,可以使得训练得到的模型更加精准,从而得到更为准确的检测结果。
本发明一实施例中,对样本的修正还可以包括:响应于根据第一处理结果确定第一刀具为非断刀状态,且实际发生断刀,将第一处理结果修正为对应于断刀状态的类别标号;并将所述特征向量和修正后的类别标号作为样本放入用于训练所述模型的样本集。例如根据其他检测或者后续处理中发现实际发生了断刀,可以返回来修改该第一处理结果,将其修改为对应于断刀状态的类别标号,并用对应的特征向量和修改后的类别标号形成样本,放入样本集。
在上述实施例中,已经看到可以随着加工过程,通过重复执行上述方法步骤而实现不断的断刀检测。进一步地,可以考虑在特定情况下重新形成样本集,重新对模型进行训练。例如,在制造资源数据和/或工作任务数据发生了变化时,可以重新形成样本集以对模型重新进行训练。在本实施例中,制造资源数据用于描述数控机床完成特定工作所需的外部条件。制造资源数据例如可以包括由机床、刀具、夹具、工件、材料等组成的工艺系统所涉及的参数;例如还可以包括温度、振动等数控机床的工作外部环境因素所涉及的参数。工艺系统所涉及的参数例如包括:所使用机床类型及参数、刀具类型及参数、夹具类型及参数、工件材料及参数等。工作任务数据用于表示数控机床所需要完成的工作内容。例如,可以通过在指令域内按照指令序列i和指令执行时间t来分析G代码程序,从而得到该G代码程序所描述的工作任务数据。工作任务数据例如包括指令序列号、指令执行时间以及刀具轨迹、换刀信息、主轴转速、进给速度等工艺参数信息。可以理解,当制造资源数据和/或工作任务数据发生了变化时,原来的模型就可能并不适用现在的情况了,所以在此时重新形成样本集并对模型进行重新训练可以让新的模型更加适应变化后的情况,从而提高检测的准确度。在实际操作中,例如可以简单地重置循环计数来实现上述重新形成样本集和重新训练模型。
当然,可以理解,为了使得重新训练的模型可以更快的收敛,更准确地开始检测,可以在重新形成样本集时先形成两个初始样本。其中一个初始样本为断刀状态的样本,而另一个初始样本为非断刀状态的样本。例如,对于断刀状态的初始样本,可以人为控制刀具处于断刀状态以取得断刀状态的特征向量。将该特征向量加上表示断刀状态的类别标号形成断刀状态的初始样本。类似地,可以人为控制刀具处于非断刀状态以取得非断刀状态的特征向量,将该特征向量加上表示非断刀状态的类别标号形成非断刀状态的初始样本。可以理解,断刀状态的初始样本的形成和非断刀状态的初始样本的形成并没有特定的顺序。
本发明上述各实施例之间可以彼此参考和结合,从而得到更多的实施例。例如,如图8所示,为上述各实施例彼此参考、结合得到的另一实施例。下面结合图8,对本发明一实施例提供的用于数控机床的断刀检测的方法800进行详细的描述。
在步骤801,将刀具状态检测次数i设置为初始状态0。在本示例中,为了方便判断轮次以及方便在特定情况下重新形成样本集,设置了刀具状态检测次数i。可以理解,也可以通过其他方式来控制循环计数。并且,在本示例中,为了更好地训练模型,在初次使用本方法时,例如可以先人为控制i=0时为正常加工状态,也即非断刀状态,以形成非断刀状态的初始样本。将刀具状态检测次数置0既可以是在初次使用本方法时,也可以是在制造资源数据和/或工作任务数据发生变化时。
在步骤803,采集数控机床的数控系统内部数据。
在步骤805,对步骤803采集的数据进行数据截取与滤波。在步骤805中,例如可以对采集的数据进行二次截取。第一次截取为利用刀具号对采集的数据进行截取,获得特定刀具的数控系统内部数据。本实施例中,优选地对于每个刀具分别形成样本集,分别训练模型。可以理解,在精度要求不高、且刀具情况相近的情况下,也可以复用样本集和训练后的模型。举例而言,该特定刀具为刀具号为10的刀具。第二次截取为时间上的截取,也即从特定刀具的数控系统内部数据截取开始加工时间和结束加工时间之间的时间段的数控系统内部数据。这样,经过两次截取就可以得到特定刀具的、从开始加工时间到结束加工时间之间的数控系统内部数据。具体地,可以利用第一次截取的特定刀具的数控系统内部数据先确定开始加工时间和结束加工时间。具体的确定方法可以参照图4所示的方法。进一步还可以结合图4以及图7所示的方法来利用第一次截取的特定刀具的数控系统内部数据确定开始加工时间和结束加工时间。完成了两次截取后,可以进一步地对截取后的数据进行低通滤波以减少高频噪声的影响。
可以理解,在本实施例中,用来确定开始加工时间和结束加工时间的具体的数控系统内部数据和第二次截取的数控系统内部数据可以并不相同。例如,第二次截取的数控系统内部数据为主轴功率,而用来确定开始加工时间和结束加工时间的数控系统内部数据为主轴速度。
例如,用刀具号10对主轴电流、主轴速度和主轴功率进行第一次截取。随后用主轴速度根据图4和图7所示的方法确定开始加工时间和结束加工时间。根据确定的开始加工时间和结束加工时间对主轴电流和主轴功率进行二次截取。对二次截取后的主轴电流和主轴功率进行低通滤波。
在步骤807,从步骤805得到的数据中提取特征向量。本示例中,例如从低通滤波后的主轴电流和主轴功率信号提取10维的特征向量,包括主轴电流的均方根值,主轴功率的均值、主轴电流的峰度、主轴功率的相关系数、主轴电流的前2个峰值、主轴功率的前3个峰值。将该特征向量表示为
在步骤809,用步骤807中得到的特征值以及该特征值对应的类别标号y0形成初始非断刀状态样本放入样本集。本实施例中,由于已经人为控制处于非断刀状态,所以对应的类别标号为已知的表示非断刀状态的类别标号。例如,仍以类别标号为1表示非断刀,类别标号0表示断刀。则本示例中,将初始非断刀状态样本x0={fea0,1}放入样本集。
在步骤811,将刀具状态检测次数i设置为1,并人为控制数控系统使得本次处于非正常加工状态,也即断刀状态。可以理解,认为控制数控系统例如可以是通过编写相应的G代码使得数控进行进行相应的操作而处于相应的状态。
在步骤811后执行步骤803至步骤807。
本轮次执行完步骤807之后,进行步骤813。在步骤813,用步骤807中得到的特征值以及该特征对应的类别标号y1形成初始断刀状态样本放入样本集。本实施例中,由于已经人为控制处于断刀状态,所以y1为已知值,取值为0。由此,将初始断刀状态样本x1={fea1,0}放入样本集。
在步骤815,判断制造资源数据和/或工作任务数据是否发生了变化。若发生变化,则执行步骤801;若未发生变化,则执行步骤817。
可以理解,在制造资源数据和/或工作任务数据发生变化时,之前训练好的模型可能就不再适用了,为了能够精确地检测断刀状态,可以在这种情况下重新形成样本集并对模型重新进行训练。因此,此时可以重新执行步骤801,也即使得断刀状态检测次数置0。
在步骤817,使得断刀状态检测次数i=i+1。
在步骤817之后,可以再执行步骤803至步骤807。本轮次,执行完步骤807后,执行步骤819。本轮次获取的特征向量为待检测断刀状态的特征向量feai。例如,对于第三轮次,i=2,则待检测断刀状态的特征向量为fea2。
可以理解,前两个轮次是为了获得初始断刀状态样本和初始非断刀状态样本,所以相应的类别标号已知。而从第三轮次开始,就可以开始实际的检测了,也即类别标号未知。此外,对于前两个轮次,初始断刀状态样本的形成和初始非断刀状态样本的形成之间的顺序可以调整,也即既可以先形成初始断刀状态样本,也可以先形成初始非断刀状态样本。可以理解,在实际应用中,为了更好地训练模型,还可以得到更多数量的初始断刀状态样本和初始非断刀状态样本。相应的,需要多次执行上述步骤。
在步骤819,判断断刀状态检测次数i是否大于第一阈值。若大于第一阈值,则执行步骤821,若不大于第一阈值,则执行步骤823。可以理解,对于循环数的判断是对于样本集中样本数量进行判断的一种实现方式。
本示例中,第一阈值例如设置为10。可以理解此处可以是对断刀状态检测次数进行判断还可以对其他类似的循环控制数进行判断。
在步骤821,对样本集中的样本进行随机抽样,选取q个样本,并且使得选取的q个样本中,断刀状态样本与非断刀状态样本的比例为1:p。本示例中,p例如取值为5到10的任意值。
在步骤823,选择样本集的全集。也即使得样本数量q=i。
在步骤825,将选择的样本的特征向量部分与待检测的特征向量一起进行归一化处理。其中,归一化处理例如为采用线性变换将特征向量等比例缩放到[0,1]区间。
在步骤827,用归一化的q个样本的特征向量与其对应的类别标号形成归一化处理后的样本。
在步骤829,利用归一化后的样本训练模型。本实施例中,例如采用logistic回归模型。
在步骤831,将归一化后的待测量的特征向量输入训练后的模型得到该模型对于输入的第一处理结果。该第一处理结果例如就为该待测量的特征向量的类别标号yi。
在步骤833,判断yi是否为1。若yi为1,则执行步骤835;若yi不为1,则执行步骤837。
在步骤835,确定该刀具处于非断刀状态。
在步骤837,确定该刀具处于断刀状态。
在步骤839,判断实际是否为断刀状态。若是,则执行步骤815;若否,则执行步骤841。在本实施例中,例如可以通过发送断刀报警给操作人员,由操作人员检测是否实际断刀,并反馈给系统。
在步骤841,将yi修正为1。
在步骤843,用yi和本轮次获取的特征向量形成样本,放入样本集。在步骤843之后可以继续执行步骤815。也可以在步骤843执行的同时执行步骤815。
可以理解,在本实施例中,还可以包括在步骤835后的步骤845,判断实际是否处于非断刀状态。若是,则执行步骤815;若否,则执行步骤847。本实施例中,例如可以通过后续的处理发现实际处于断刀状态。
在步骤847,将yi修正为0。并随后执行步骤843。
可以看到,上述方法能够简单、有效并且可靠地通过数控系统内部数据来检测断刀状态。
图9示出了根据本发明实施例提供的一种用于数控机床的断刀检测的装置900的示意性框图。该装置900包括:第一获取模块901,被配置为获取所述数控机床的第一刀具的特征向量,其中,所述特征向量能够描述所述第一刀具的状态;输入模块903,被配置为将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,其中,所述模型经过训练以能够确定特征向量与刀具状态之间的关系;以及第一确定模块905,被配置为根据所述第一处理结果,确定所述第一刀具为断刀状态或者非断刀状态。
本发明一实施例中,第一获取模块901包括:第一获取子模块,被配置为根据所述第一刀具的刀具号获取所述第一刀具对应的运行状态数据,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据;以及第一提取子模块,被配置为从所述第一刀具对应的所述运行状态数据提取所述第一刀具的特征向量。
本发明一实施例中,第一获取模块901包括:第一时间确定子模块,被配置为确定所述第一刀具的开始加工时间和结束加工时间;第二提取子模块,被配置为从所述开始加工时间和所述结束加工时间之间的所述数控机床的运行状态数据提取所述特征向量,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据。
本发明一实施例中,第一时间确定子模块包括:第一微分子模块,被配置为对所述第一刀具的刀具数据进行微分得到第一微分值,所述刀具数据为针对所述第一刀具的与加工过程相关的数据;第一点集子模块,被配置为选取第一微分值不大于第一阈值的刀具数据形成第一微分点集;第二微分子模块,被配置为对所述第一微分点集进行微分得到第二微分值;第二时间确定子模块,被配置为根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间。
本发明一实施例中,第二时间确定子模块包括:第一位置确定子模块,被配置为确定第一位置,其中所述第一位置为所述第二微分值中最大值所对应的位置的后一个位置;开始加工时间确定子模块,被配置为获取所述第一位置对应的时间点作为所述第一刀具的开始加工时间;第二位置确定子模块,被配置为确定第二位置,其中所述第二位置为所述第二微分值中第二大值所对应的位置的前一个位置;结束加工时间确定子模块,被配置为获取所述第二位置对应的时间点作为所述第一刀具的结束加工时间。
本发明一实施例中,第一时间确定子模块进一步包括:平滑滤波子模块,被配置为对所述第一刀具的刀具数据进行平滑滤波。第一微分子模块进一步被配置为:对平滑滤波后的刀具数据进行微分得到第一微分值。
本发明一实施例中,装置900进一步包括:样本集模块,被配置为将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集;训练模块,被配置为利用所述样本集中的至少部分样本训练所述模型。
本发明一实施例中,训练模块包括:选取子模块,被配置为从所述样本集中选取多个样本;归一化子模块,被配置为对选择的样本进行归一化处理;第一训练子模块,被配置为用归一化处理后的样本训练所述模型。输入模块903进一步被配置为:将归一化后的特征向量输入经过训练的模型以获得所述模型对所述归一化特征向量处理后的第一处理结果。
本发明一实施例中,训练模块包括:抽样子模块,被配置为响应于所述样本集中的样本数量大于第二阈值,以断刀状态的样本和非断刀状态的样本为1:p的比例进行抽样,以得到用于训练模型的样本;第二训练子模块,被配置为利用抽样得到的样本训练所述模型。
本发明一实施例中,训练模块包括:第三训练子模块,被配置为响应于所述样本集中的样本数量不大于第二阈值,利用所述样本集中所有的样本训练所述模型。
本发明一实施例中,样本集模块包括:第一修正子模块,被配置为响应于根据所述第一处理结果确定所述第一刀具为断刀状态,且实际并未发生断刀,将所述第一处理结果修正为对应于非断刀状态的第一处理结果;第一样本集子模块,被配置为将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
本发明一实施例中,样本集模块包括:第二修正子模块,被配置为响应于根据所述第一处理结果确定所述第一刀具为非断刀状态,且实际发生断刀,将所述第一处理结果修正为对应于断刀状态的第一处理结果;第二样本集子模块,被配置为将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
本发明一实施例中,装置900进一步包括:重置模块,被配置为响应于制造资源数据和工作任务数据中的至少一个发生变化,重新形成用于训练所述模型的样本集。
本发明一实施例中,重置模块包括:非断刀状态子模块,被配置为令所述第一刀具处于非断刀状态,获取所述第一刀具的特征向量;第一初始样本子模块,被配置为将获取的非断刀状态对应的特征向量和对应于非断刀状态的第一处理结果作为样本放入所述重新形成的样本集;断刀状态子模块,被配置为令所述第一刀具处于断刀状态,获取所述第一刀具的特征向量;第二初始样本子模块,被配置为将获取的断刀状态对应的特征向量和对应于断刀状态的第一处理结果作为样本放入所述重新形成的样本集。
本实施例提供的装置900的具体实现可以参照相应的方法实施例,在此不再赘述。
为清晰起见,图9中没有示出装置900所包括的所有可选单元或者子单元。上述方法实施例以及通过参考和结合能够得到的实施例所描述的所有特征和操作分别适用于装置900,故在此不再赘述。
本领域技术人员可以理解,装置900中单元或子单元的划分不是限制性的而是示例性的,是为了更为方便本领域技术人员理解,从逻辑上描述其主要功能或操作。在装置900中,一个单元的功能可以由多个单元来实现;反之,多个单元也可由一个单元来实现。本发明并不对此加以限制。
同样的,本领域技术人员可以理解,可以采用各种方式来实现装置900所包含的单元,包括但不限于软件、硬件、固件或其任意组合,本发明并不对此加以限制。
本发明可以是系统、方法、计算机可读的存储介质和/或计算机程序产品。计算机可读存储介质例如可以是能够保持和存储由指令执行设备使用的指令的有形设备。
计算机可读/可执行的程序指令可以从计算机可读存储介质下载到各个计算/处理设备,也可以通过各种通信方式下载到外部计算机或外部存储设备。本发明并不具体限制用于实现计算机可读/可执行的程序指令的具体编程语言或者指令。
这里参照根据本发明实施例的方法、装置(系统)的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读/可执行的程序指令实现。
以上已经描述了本发明的各实施例,如上描述中已经说明,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例,各实施例之间彼此可以参考和结合得到更多的实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (16)
1.一种用于数控机床的断刀检测的方法,所述方法包括:
获取所述数控机床的第一刀具的特征向量,其中,所述特征向量能够描述所述第一刀具的状态且提取自所述数控机床的数控系统内部数据;
将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,其中,所述模型经过训练以能够确定特征向量与刀具状态之间的关系;以及
根据所述第一处理结果,确定所述第一刀具为断刀状态或者非断刀状态;
其中,对所述第一刀具的刀具数据进行微分得到第一微分值,所述刀具数据为针对所述第一刀具的与加工过程相关的数据;
选取第一微分值不大于第一阈值的刀具数据形成第一微分点集;
对所述第一微分点集进行微分得到第二微分值;
根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间。
2.根据权利要求1所述的方法,其中,所述获取所述数控机床的第一刀具的特征向量,包括:
根据所述第一刀具的刀具号获取所述第一刀具对应的运行状态数据,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据;以及
从所述第一刀具对应的所述运行状态数据提取所述第一刀具的特征向量。
3.根据权利要求2所述的方法,其中,所述运行状态数据包括主轴电流和主轴功率中的至少一个。
4.根据权利要求1所述的方法,其中,所述特征向量包括以下至少之一:主轴功率的均方根值、主轴功率的积分、主轴功率的均值、主轴功率的峰度、主轴功率的相关系数、主轴功率前n个的峰值、主轴功率的中位数、主轴电流的均方根值,主轴电流的积分、主轴电流的均值、主轴电流的峰度、主轴电流的相关系数、主轴电流的前m个峰值、主轴电流的中位数,其中n和m为自然数。
5.根据权利要求1所述的方法,其中,所述获取所述数控机床的第一刀具的特征向量,包括:
确定所述第一刀具的开始加工时间和结束加工时间;
从所述开始加工时间和所述结束加工时间之间的所述数控机床的运行状态数据提取所述特征向量,其中,所述运行状态数据用于描述所述数控机床的运行状态且属于所述数控系统内部数据。
6.根据权利要求1所述的方法,其中,所述根据所述第二微分值确定所述第一刀具的开始加工时间和结束加工时间,包括:
确定第一位置,其中所述第一位置为所述第二微分值中最大值所对应的位置的后一个位置;
获取所述第一位置对应的时间点作为所述第一刀具的开始加工时间;
确定第二位置,其中所述第二位置为所述第二微分值中第二大值所对应的位置的前一个位置;
获取所述第二位置对应的时间点作为所述第一刀具的结束加工时间。
7.根据权利要求1所述的方法,其中,
所述确定所述第一刀具的开始加工时间和结束加工时间,进一步包括:对所述第一刀具的刀具数据进行平滑滤波;
所述对所述第一刀具的刀具数据进行微分得到第一微分值,包括:对平滑滤波后的刀具数据进行微分得到第一微分值。
8.根据权利要求1所述的方法,其中,所述刀具数据包括以下至少之一:主轴功率、主轴电流、主轴实际速度。
9.根据权利要求1所述的方法,其中,所述方法进一步包括:
将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集;
利用所述样本集中的至少部分样本训练所述模型。
10.根据权利要求9所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:从所述样本集中选取多个样本;对选择的样本进行归一化处理;用归一化处理后的样本训练所述模型;
所述将所述特征向量输入经过训练的模型以获得所述模型对所述特征向量处理后的第一处理结果,包括:将归一化后的特征向量输入经过训练的模型以获得所述模型对所述归一化特征向量处理后的第一处理结果。
11.根据权利要求9所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:
响应于所述样本集中的样本数量大于第二阈值,以断刀状态的样本和非断刀状态的样本为1:p的比例进行抽样,以得到用于训练模型的样本;
利用抽样得到的样本训练所述模型。
12.根据权利要求9所述的方法,其中,所述利用所述样本集中的至少部分样本训练所述模型,包括:
响应于所述样本集中的样本数量不大于第二阈值,利用所述样本集中所有的样本训练所述模型。
13.根据权利要求9所述的方法,其中,所述将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集,包括:
响应于根据所述第一处理结果确定所述第一刀具为断刀状态,且实际并未发生断刀,将所述第一处理结果修正为对应于非断刀状态的第一处理结果;
将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
14.根据权利要求9所述的方法,其中,所述将所述特征向量和所述第一处理结果作为样本放入用于训练所述模型的样本集,包括:
响应于根据所述第一处理结果确定所述第一刀具为非断刀状态,且实际发生断刀,将所述第一处理结果修正为对应于断刀状态的第一处理结果;
将所述特征向量和修正后的第一处理结果作为样本放入用于训练所述模型的样本集。
15.根据权利要求9所述的方法,其中,所述方法进一步包括:
响应于制造资源数据和工作任务数据中的至少一个发生变化,重新形成用于训练所述模型的样本集。
16.根据权利要求15所述的方法,其中,所述重新形成用于训练所述模型的样本集,包括:
令所述第一刀具处于非断刀状态,获取所述第一刀具的特征向量;
将获取的非断刀状态对应的特征向量和对应于非断刀状态的第一处理结果作为样本放入所述重新形成的样本集;
令所述第一刀具处于断刀状态,获取所述第一刀具的特征向量;
将获取的断刀状态对应的特征向量和对应于断刀状态的第一处理结果作为样本放入所述重新形成的样本集。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016108416616 | 2016-09-22 | ||
CN201610841661.6A CN106647629A (zh) | 2016-09-22 | 2016-09-22 | 一种基于数控系统内部数据的断刀检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107678398A CN107678398A (zh) | 2018-02-09 |
CN107678398B true CN107678398B (zh) | 2020-07-14 |
Family
ID=58852306
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841661.6A Withdrawn CN106647629A (zh) | 2016-09-22 | 2016-09-22 | 一种基于数控系统内部数据的断刀检测方法 |
CN201710853895.7A Active CN107678398B (zh) | 2016-09-22 | 2017-09-20 | 用于数控机床的断刀检测的方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841661.6A Withdrawn CN106647629A (zh) | 2016-09-22 | 2016-09-22 | 一种基于数控系统内部数据的断刀检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106647629A (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703752A (zh) * | 2017-10-22 | 2018-02-16 | 成都具鑫机械设备有限公司 | 一种基于模糊神经网络的数控机床检测方法 |
CN108121860A (zh) * | 2017-12-12 | 2018-06-05 | 电子科技大学 | 一种基于多源信息融合的生物制曲过程cps建模方法 |
CN108107838A (zh) * | 2017-12-27 | 2018-06-01 | 山东大学 | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 |
CN108527005A (zh) * | 2018-04-18 | 2018-09-14 | 深圳市大讯永新科技有限公司 | 一种cnc刀具状态检测方法和系统 |
CN109262369B (zh) * | 2018-09-13 | 2020-02-21 | 成都数之联科技有限公司 | 一种刀具状态检测系统及方法 |
CN109556864A (zh) * | 2018-12-17 | 2019-04-02 | 衢州职业技术学院 | 一种电机轴承缺陷检测系统 |
CN110059442B (zh) * | 2019-05-07 | 2020-08-14 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
CN110472635B (zh) * | 2019-07-19 | 2022-06-21 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN111077848B (zh) * | 2019-12-16 | 2020-09-15 | 北京天泽智云科技有限公司 | 刀具铣削过程的工况分割方法和装置 |
CN111103846A (zh) * | 2019-12-26 | 2020-05-05 | 熵智科技(深圳)有限公司 | 一种基于时间序列的数控机床状态预测方法 |
CN111993158B (zh) * | 2020-08-28 | 2022-08-23 | 深圳市玄羽科技有限公司 | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
CN112650163A (zh) * | 2020-12-07 | 2021-04-13 | 深圳华制智能制造技术有限公司 | 智能制造系统协同控制方法、系统及计算机设备 |
CN112578732A (zh) * | 2020-12-15 | 2021-03-30 | 航天科工深圳(集团)有限公司 | 一种智能切削加工过程监控系统及其监控方法 |
CN114273978B (zh) * | 2021-12-27 | 2023-03-21 | 深圳市玄羽科技有限公司 | 刀具的磨损检测方法、电子设备及计算机可读存储介质 |
CN114310488B (zh) * | 2021-12-27 | 2023-10-27 | 深圳市玄羽科技有限公司 | 刀具断裂检测模型的生成方法、检测方法、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073300B (zh) * | 2010-12-28 | 2013-04-17 | 华中科技大学 | 一种数控加工状态自学习的刀具磨损监控系统 |
CN103105820B (zh) * | 2012-05-22 | 2014-10-29 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
CN103324139B (zh) * | 2013-06-07 | 2016-02-24 | 华中科技大学 | 一种数控机床铣削加工刀具破损监测方法 |
CN105196114B (zh) * | 2015-11-05 | 2016-08-24 | 西安科技大学 | 基于小波分析和神经网络的刀具磨损实时在线监测方法 |
CN105619178B (zh) * | 2016-03-09 | 2017-07-11 | 华中科技大学 | 一种数控机床断刀实时检测方法 |
-
2016
- 2016-09-22 CN CN201610841661.6A patent/CN106647629A/zh not_active Withdrawn
-
2017
- 2017-09-20 CN CN201710853895.7A patent/CN107678398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107678398A (zh) | 2018-02-09 |
CN106647629A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107678398B (zh) | 用于数控机床的断刀检测的方法 | |
CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN105867305B (zh) | 基于加工特征的复杂结构件数控加工状态实时监控方法 | |
Liu et al. | On-line chatter detection using servo motor current signal in turning | |
CN111687652B (zh) | 握持力调整装置以及握持力调整系统 | |
CN108475052A (zh) | 诊断设备、计算机程序和诊断系统 | |
JP2015168057A (ja) | びびり予測のための改良型データベース | |
CN114850969B (zh) | 一种基于振动信号的刀具失效监控方法 | |
Klaic et al. | Tool wear classification using decision treesin stone drilling applications: A preliminary study | |
CN108527005A (zh) | 一种cnc刀具状态检测方法和系统 | |
Jia et al. | A synthetic criterion for early recognition of cutting chatter | |
US11099527B2 (en) | Machining environment estimation device | |
JP6687664B2 (ja) | 波形表示装置 | |
CN107807526B (zh) | 一种基于稳定性仿真智能抑制加工颤振的方法 | |
Mandal | Applicability of tool condition monitoring methods used for conventional milling in micromilling: A comparative review | |
JP2020067776A (ja) | 工作機械の異常診断システム、異常診断方法、異常診断プログラム | |
Ogedengbe et al. | Feasibility of tool condition monitoring on micro-milling using current signals | |
JP2004265321A (ja) | 加工情報生成による加工システム及び加工情報生成プログラム | |
JP6759439B1 (ja) | 工作機械および表示装置 | |
CN108693831A (zh) | 模拟装置、程序生成装置、控制装置及计算机的显示方法 | |
Heo et al. | Process monitoring technology based on virtual machining | |
Elbestawi et al. | Tool condition monitoring in machining | |
JP7154100B2 (ja) | 工作機械の加工異常検出装置 | |
JP7310195B2 (ja) | 診断装置、診断システム及び診断プログラム | |
TWM542534U (zh) | 刀具剛性預測用於抑制切削顫振之裝置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |