CN107728580B - 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 - Google Patents
一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 Download PDFInfo
- Publication number
- CN107728580B CN107728580B CN201710971614.8A CN201710971614A CN107728580B CN 107728580 B CN107728580 B CN 107728580B CN 201710971614 A CN201710971614 A CN 201710971614A CN 107728580 B CN107728580 B CN 107728580B
- Authority
- CN
- China
- Prior art keywords
- information
- cutter location
- multidate
- technique
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 148
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000003754 machining Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 14
- 238000010168 coupling process Methods 0.000 claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011112 process operation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- IGKWMHUOBKCUQU-USJZOSNVSA-N Aceritannin Natural products O[C@@H]1[C@@H](O)[C@H](COC(=O)c2cc(O)c(O)c(O)c2)OC[C@@H]1OC(=O)c3cc(O)c(O)c(O)c3 IGKWMHUOBKCUQU-USJZOSNVSA-N 0.000 description 1
- 101100309712 Arabidopsis thaliana SD11 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- -1 cutter diameter Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31229—Supervisor, master, workstation controller, automation, machine control
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明公开了一种面向自适应加工的几何信息‑工艺信息‑监测信息关联方法,其特征是首先将几何、工艺、监测三类信息分为静态信息与动态信息,接着将静态信息与理论离散刀位点进行关联,并按照加工过程的时序性存储到XML文件,然后在实现动态信息的时间同步与频率同步后,将动态信息与实际采样刀位点进行关联,并存储到动态信息关联矩阵,最后采用时序匹配与坐标匹配的方法,关联实际采样刀位点与理论离散刀位点,建立加工过程中每个刀位点处的几何信息、工艺信息、监测信息的实时精确关联。本发明建立了加工过程中的几何信息、工艺信息、监测信息的实时精确关联,为进一步实现对加工过程中刀具状态、机床状态、加工质量等方面的精准监测奠定了基础。
Description
技术领域
本发明涉及一种机械加工技术,尤其是一种机械加工中各种信号关联的方法,具体地说是一种面向自适应加工的几何信息-工艺信息-监测信息关联方法。
背景技术
近年来,高性能的数控机床使用愈加广泛,机械加工效率和加工质量显著提升,在加工过程中也会出现各种异常状况,如:刀具磨损与破损,切削颤振,不当的机床操作等,这些都可能导致零件表面质量降低,尺寸超差,甚至零件报废,机床设备损坏,出现安全事故。随着制造业向着数字化、信息化、智能化发展的需求,自适应加工技术成为现在数控加工的关键技术,其要求数控机床能够感知和识别加工过程中的各种异常状况,并自适应的做出优化调整或者发出警告并停止加工,因此需要采用多种监测信号间接或者直接地表征加工过程中的异常状况,再根据监测信号结果分析实际加工状态并作出相应的策略调整或警告,从而保证零件加工质量,减少加工异常状况带来的损失。
监测信息与加工过程密切相关,获取到的监测信号受到多种因素影响,除了刀具状态,还与待加工零件几何形状,顺逆铣,主轴转速,进给速度等几何信息和工艺信息相关,且不同的影响因素对监测信号可能产生类似的影响结果,仅根据监测信号的变化难以准确地分析出实际加工状态,且数控加工中在出现异常情况的短暂时间内就可能导致零件加工报废,甚至机床设备损坏,这要求监测信号需要具有很好的实时性,与实际加工过程实时关联,因而需要建立几何信息、工艺信息和监测信息的实时精确关联。
传统的信号关联方法一方面局限于只进行了几何信息与工艺信息的关联,是以特征为最小单位进行关联,且关联的信息粒度大,关联的方法是静态的、离线的、无法推广到动态信息的关联;另一方面局限于只进行了多种监测信号之间的关联,仅依靠各类传感器获取的切削物理量信息来进行监测与分析,未考虑到加工过程中的工艺信息与待加工零件的几何信息都会对监测到的信号产生影响。对未关联几何信息和工艺信息的监测信号进行分析,会导致对监测信号分析结果误差较大,难以准确监测加工过程中的刀具状态机床状态,采取适当的操作,实现自适应加工。当刀具出现破损等意外失效时,若此时进给速度下降,材料去除速率降低,也可以保证切削力无较大的突变,若是只分析监测的力信号的轻微波动并继续加工则会导致零件表面质量极差甚至零件报废,以及机床设备损坏。
尤其现代航空航天业,零件尺寸大,结构复杂,薄壁件多,加工精度要求高,多为单件小批量的生产模式,一方面使得几何信息和工艺信息对监测结果产生更大的影响,且更高的加工精度控制对于监测信息的实时性和精确性度也提出了更高的标准。商品化自适应加工软件系统ARTIS等商业软件针对大批量生产的零件,以零件整体为最小单位建立几何信息、工艺信息与监测信息的关联,将整个加工过程的工艺和监测信息全部固化,但该方法加工过程中一旦工艺信息或监测信息参数发生变化将不再适用,而且对于单件小批量的生产模式下也无法适用。所以传统的信号关联的方法不再适用于现代的加工情况,尤其是单件小批量的生产模式,亟须一套完善的几何信息、工艺信息、监测信息实时精确关联方法。
几何信息、工艺信息和监测信息这三类信息在形式上多源异构,内容上分静态与动态,关联的结果实时性精确性要求高,且三类信息之间互有联系,关系复杂,其中几何信息与工艺信息都会对监测信息产生影响,几何信息与工艺信息存在内部联系,难以找到一个贯穿三类信息的纽带来建立这三者的联系,需要一种新的信号关联方案,建立几何信息、工艺信息与监测信息的实时精确联系。
发明内容
本发明的目的是针对现有的自适应加工过程中各种传统信号关联方法不完善,导致难以通过监测信号分析实际加工状态并自适应的调整的问题,发明一种面向自适应加工过程的几何信息、工艺信息和监测信息关联方法,实现了加工过程中多种信号的实时精确关联,并为高精度的刀具状态监测、机床状态监测、加工质量监测奠定了基础。
本发明的技术方案是:
一种面向自适应加工的几何信息-工艺信息-监测信息关联方法,其特征是根据几何、工艺、监测三类信息是否能在加工前确定为依据,将三类信息分为静态信息与动态信息,分别进行静态信息关联与动态信息关联后,再以刀位点为纽带建立几何、工艺、监测信息的关联。
本发明具体包括以下步骤:
首先,计算采用点云化处理得到每个刀位点的静态信息;
接着,将每个理论离散刀位点与该处的静态信息关联,并按照加工过程的时序性存储到XML文件,
第三,通过同步脉冲信号控制和时域处理实现动态信息的时间同步与频率同步;
第四,将每个实际采样刀位点与该处的动态信息关联,并存储到动态信息关联矩阵;
最后,采用时序匹配与坐标匹配的方法,关联实际采样刀位点与理论离散刀位点,建立加工过程中每个刀位点处几何信息、工艺信息、监测信息的实时精确关联。
本发明的几何信息主要指:特征信息;工艺信息主要指:刀具直径、底角半径、切削刃长、刃倾角等刀具信息,顺逆铣操作信息,每个刀位点的切削深度、削宽度信息,进给速度,主轴转速;监测信息主要指:多种可监测的切削物理量,包括三向切削力信号,振动信号,声发射信号;其中几何信息和工艺信息中的刀具信息、操作信息、切深切宽信息属于静态信息,这些信息是在加工之前就可以确定的,而且在多次重复加工时不会变化;其中工艺信息中的进给速度、主轴转速和监测信息属于动态信息,这些信息是在实际加工之前难以准确确定,需要实时采集的信息。
本发明的点云化处理的方法为:从加工操作提取理论刀轨和零件毛坯模型,将理论刀轨离散成相距一个单位长度的理论离散刀位点集合,将零件毛坯模型离散成点云,通过计算刀具切削经过相邻刀位点间刀轨切除点的数量来估计该段刀轨的材料去除体积,再用去除材料体积除以刀轨长度,将得到的值作为此刀位点处的材料去除速率,并采用材料去除速率间接表征相应位置的切深、切宽信息,因此得到所有理论离散刀位点的坐标信息和该位置对应的材料去除速率。
本发明的静态信息关联方法为:以理论离散刀位点为基础,将每个理论离散刀位点的坐标和该刀位点处的静态信息进行关联,并将关联后的信息按照加工过程的时序存储在XML文件;XML文件的根节点是零件名,一级子节点是加工操作名称;二级子节点是该操作的各种参数类别,包括刀具信息、操作信息、刀位点信息;三级子节点是各种参数的详细结果,包括刀位点的坐标值,刀具具体参数。
本发明的动态信息关联方法为:以实际采样刀位点为基础,然后将实际加工中每个时刻实际采样刀位点的坐标信息和该时刻的动态信息关联,并将关联后的信息存储在动态信息关联矩阵;动态信息关联矩阵的每个行向量即为每个刀位点处的动态信息一维向量,该一维向量存储的信息依次为刀位点坐标、进给转速、每种监测信号的分析值。
几何信息、工艺信息、监测信息实时精确关联的方法为:采用时序匹配与坐标匹配结合的方法,将加工过程中每一个实际采样刀位点的位置坐标与加工操作处理得到的理论离散刀位点位置坐标匹配,进而将每个位置处的几何信息、工艺信息、监测信息实时精确关联;其中时序匹配和坐标匹配结合的方法为:从已同步的起始刀位点开始,按加工的时间先后顺序,从坐标匹配的未加工理论刀位点里面选择最先被加工的理论刀位点关联。
本发明的同步脉冲信号控制与时域处理的方法为:采用同步脉冲信号控制所有动态信息采样,确保获取到的多种动态信息之间和动态信息与实际加工过程之间时间同步;由于不同的采样信号存在不同的采样频率且难以实现同频率采样,因而需根据各种信号分析所需周期和采样频率范围,并充分考虑信号的实时性,确定适合的采样时间间隔,接着将动态信息在时域上处理为同时间间隔的信号,实现动态信息的频率同步。
本发明的有益效果是:
本发明建立了加工过程中的几何信息、工艺信息、监测信息的实时精确关联,为进一步实现对加工过程中刀具状态、机床状态、加工质量等方面的精准监测奠定了基础。
附图说明
图1为本发明方法流程示意图。
图2为本发明具体实例的零件模型示意图。
图3为本发明具体实例毛坯点云化和理论刀轨离散示意图。
图4为本发明具体实例计算材料去除速率示意图。
图5为本发明具体实例静态信息关联XML文件示意图。
图6为本发明具体实例动态信息关联矩阵示意图。
图7为本发明具体实例时序匹配与坐标匹配结合法示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示。
一种面向自适应加工的几何信息-工艺信息-监测信息关联方法,它首先将几何、工艺、监测三类信息分为静态信息与动态信息,接着将静态信息与理论离散刀位点进行关联,并按照加工过程的时序性存储到XML文件,然后在实现动态信息的时间同步与频率同步后,将动态信息与实际采样刀位点进行关联,并存储到动态信息关联矩阵,最后采用时序匹配与坐标匹配的方法,关联实际采样刀位点与理论离散刀位点,建立加工过程中每个刀位点处的几何信息、工艺信息、监测信息的实时精确关联
具体步骤如下:
步骤1:对加工操作进行分析,提取其中包含的待加工毛坯模型、理论刀轨等多种静态信息,并且对理论刀轨进行离散处理,对零件毛坯模型进行点云化处理,计算每个刀位点的坐标信息和该位置的材料去除速率,将相关的静态信息与理论离散刀位点进行关联,并将关联后的静态信息存储到XML文件。
步骤2:采用同步脉冲信号控制实现多种动态信息采集的时间同步,并通过对信号时域处理使得多种动态信息的采样点间时间间隔一致,将相关动态信息与实际采样刀位点进行关联,并将关联后的动态信息存储到动态信息关联矩阵。
步骤3:采用时序匹配与坐标匹配结合的方法,将加工过程中每一个实际采样刀位点的位置坐标与加工操作处理得到的理论离散刀位点位置坐标匹配,进而将每个位置处的几何信息、工艺信息、监测信息实时精确关联。
步骤1中,将相关静态信息关联到理论离散刀位点的具体过程是:
1)分析加工操作,并提取其中的静态信息,静态信息包含的待加工零件毛坯模型,最终实体模型,理论刀轨,刀具材料、刀具直径、底角半径、切削刃长、螺旋角等刀具信息和顺逆铣等操作信息,然后再通过文本的形式将这些信息临时存储。
2)将获取到的零件毛坯模型进行点云化处理,毛坯点云的最小间距为BlankDmin,BlankDmin的值一般越小计算的结果越准确,该点云包含总的点数为No,该毛坯总的体积为Vo,再按照等间距将获取到的理论刀轨离散成多个理论离散刀位点,从而得到每个理论离散刀位点的坐标值Pi(Xi,Yi,Zi)。每个刀位点Pi与前后相邻刀位点Pi-1和Pi+1距离为一个单位长度ToolDmin,即:
Pi-1Pi=PiPi+1=ToolDmin
ToolDmin的长度可以根据用户需求以及实际加工情况进行调整,ToolDmin的选择原则一般要大于BlankDmin的值,小于动态信息的最低采样间距的值这样才能很好的保证计算的精度和计算的实时性。然后从第一个进刀点开始计算每两个相邻刀位点之间的刀轨在刀具切削走过之后切除的点的数目Ni,最后根据切除的点的数目占据毛坯模型点云点数目的比例,就可以算出毛坯被切除的部分对应的实际体积大小Vi,即:
Ni/No=Vi/Vo
从而获得零件在实际加工过程中一个极小距离段内切削毛坯的体积Vi,从而得到切削过程中每一个刀位点处的毛坯材料去除速率Rate,即:
Rate=Vi/ToolDmin
3)以理论离散刀位点为基础,将每一个刀位点和该处的静态信息关联,即将每一个刀位点处的刀具直径、底角半径、切削刃长、刃倾角等刀具信息,顺逆铣、走刀方式等操作信息,本刀位点的XYZ坐标信息,此处的材料去除速率值这些信息关联到一起。最后依据加工过程的时序性,通过XML文件的形式将关联后的信息存储。XML文件的格式大致为:文件名和根目录为该零件名称,一级子节点记录整个毛坯点云离散的间距和加工操作的名字;二级子节点记录该操作刀轨离散的间距和该操作里面包含的各种参数的类别,如刀具信息,操作信息,刀位点信息;三级子节点记录刀具信息,操作信息参数的具体数值,以及每一个理论离散刀位点的坐标信息和材料去除速率。
步骤2中,将相关动态信息与实际采样刀位点关联的过程具体如下:
1)开发采集系统,将多种信号传感器获取到的数据使用一个集成采集板卡采集,并加入通过OPC获取的进给速度、实时坐标等信号,再采用统一时的时钟同步信号控制所需的动态信息,实现多种动态信号采集的时间同步,使得获取到的多种动态信息之间和动态信息与实际加工过程之间实时匹配无延时或提前。
2)根据各种信号分析所需时间周期和采样频率范围,并充分考虑信号的实时性,确定适合的采样时间间隔,接着将所有的采样信号在时域上处理为同时间间隔的信号,确保动态信息之间的频率同步。对于高频信息既可以有效分析其特点,计算该信号的均方根,均值,均方差等,又可以保证信号关联的延迟较低,满足实际信号监测的需要。
3)以实际采样刀位点为基础,将每一个刀位处的动态信息与该实际采样刀位点进行关联匹配,即将每一个实际采样刀位点处的力信号、振动信号、声发射信号的均方根值、均值、方差值,主轴转速,进给速度,和该点的实际坐标值关联到一起。最后将每个刀位点处关联后的动态信息转化为一个一维向量,将所有的动态信息用一个动态信息关联矩阵存储。
步骤3中,根据时序匹配和坐标匹配结合的方法,关联静态信息与动态信息,实现几何信息、工艺信息与监测信息的关联的过程具体为:
1)根据前面两步关联的结果可知,所有的静态信息都关联到理论刀轨中的每一个理论离散刀位点上,所有的动态信息都关联到实际加工刀轨的每一个实际采样刀位点上,所以静态信息和动态信息的关联本质上是进行理论离散刀位点与实际采样刀位点的关联。
2)受到人为操作等因素影响,加工过程主轴转速和进给速度不是等同于设定值的稳定不变量,所以无法单独根据加工时间的长度来确定某个实际加工节点对应于理论刀轨上具体某一个节点。由于加工过程中可能出现多段刀轨重复经过某一个点的情况,所以无法仅根据某个位置的实际采样刀位点坐标与某理论离散刀位点坐标一致,来确定该实际加工节点对应于该理论刀轨上具体某一个节点。因而提出采用时序匹配和坐标匹配的方法,来实现理论离散刀位点和实际采样刀位点的关联。
3)时序匹配和坐标匹配结合的方法为:从已同步的起始刀位点开始,按照加工的先后顺序,从坐标匹配的未加工理论刀位点里面,选择最先被加工的理论刀位点与实际采样刀位点关联,从而实现了几何信息、工艺信息、监测信息的实时精确关联。
下面以图2所示的结构件的铣削加工作为例,结合附图对本发明的技术方案进行详细说明。
图1是本发明,面向自适应加工的几何信息、工艺信息和监测信息关联方法流程图。它首先根据各种信息是否在加工过程中发生变化将几何信息、工艺信息和监测信息分为静态信息和动态信息,进行静态信息关联得到静态信息关联XML文件,进行动态信息关联得到动态信息关联矩阵,最后进行静态信息与动态信息关联。具体过程如下:
1.从工艺树提取待处理的相关加工操作,并根据加工操作中的操作名称分别进行相关信号的关联。
2.从获取到的每个加工操作提取所需的多种静态信息:刀具名称D10R0,刀具直径10mm、底角半径0mm、切削刃长50mm、刃倾角45°,顺逆铣选择为顺铣,零件最终模型Part1,零件毛坯模型Blank,理论走刀轨迹,并将获取到的这些静态信息临时存储。
3.将获取到的零件毛坯模型Blank进行点云化处理,即按照确定的最小间距值将毛坯模型离散成点云。接着按照确定的步长将理论刀轨离散为多个理论离散刀位点,分别计算每个刀位点坐标和该处材料去除速率。计算方法如下:
步骤一:依据选择的分型面,计算得到分型面的法式方向为normal(0,0,1),根据法式方向将获取到的毛坯模型Blank点云化处理,使得毛坯点云中所有点距离最小间距为BlankDmin,这个值可以根据实际模型的尺寸等进行修改,取值越小计算出的结果越准确。此处设置的毛坯离散点之间最小距离BlankDmin为1mm,则得到的毛坯点云模型的点的数量No为15652602个。
步骤二:对于每个操作中的理论刀轨,采用一个单位长度ToolDmin的值作为最小间距,将整个刀轨离散为多个理论离散刀位点,这个值可以根据实际加工情况进行调整,一般设定不小于毛坯模型点云的最小间距值,小于动态信息的最低采样间距的值这样才能很好的保证计算的精度和计算的实时性。此处的刀位点间距设置ToolDmin为1mm,得到的理论离散刀位点和毛坯点云如图3所示,并获得一个个相距1mm的理论离散刀位点P0,P1,P2,…Pn,…,使得:
P0P1=P1P2=…=PnPn+1=…=ToolDmin=1mm
步骤三:对于每一段离散的刀轨,将其中相邻的两个理论离散刀位点之间的刀轨近似看做一段直线,再根据该操作中提取的刀具尺寸信息,计算刀具在切削经过这一部分刀轨时切除的点的数量,然后再根据切除点的数量估算出切除部分毛坯材料的体积,最后用切除材料体积除以该段刀轨长度,得到该刀位点处的材料去除速率。在不同的切削位置,单位长度刀轨去除的材料体积量也不一致,在三轴加工中这种差异主要体现在直线加工与圆弧加工,直线刀轨的拐点处等,在五轴加工中则是时时刻刻都在变化,因而提出采用材料去除速率来间接表征该位置处的切深切宽信息。由前面获取的静态信息可知:此时的刀具半径为6mm,底角半径0mm,刃长为50mm,刃倾角45°,计算材料去除速率的方法如图4所示。
4.将前面处理得到的静态信息与理论离散刀位点进行关联,将关联之后的信息存储到XML文件。XML文件的格式大致为:文件名和根目录为该零件名称part1,一级子节点记录整个毛坯点云离散的间距值1mm和加工操作的名字profile countouring 1;二级子节点记录该操作刀轨离散的间距1mm和该操作里面包含的各种参数的类别,如刀具信息,操作信息,刀位点信息;三级子节点记录刀具信息,包括刀具名D10R0,刀具直径10mm,底角半径0mm,切削刃长50mm,刃倾角45°,操作信息参数的具体数值,包括切削方向采用顺逆记数值为0,以及每一个理论离散刀位点的坐标信息,即理论离散刀位点的XYZ数值和材料去除速率数值,关联后存储的结果如图5所示。
5.开发采集系统,将多种信号传感器获取到的数据使用一个集成采集板卡采集,并加入通过OPC获取的进给速度、实时坐标等信号,再采用统一时的时钟同步信号控制,实现多种动态信号采集的时间同步,使得获取到的多种信号之间和采集信号与加工过程之间实时匹配无延时或者提前。此处采集的信号为主轴三向切削力信号、振动信号、声发射信号这几种切削物理量,和从机床内部获取的主轴转速,进给速度,实时加工刀位点坐标这几种工艺信息。
6.根据各种信号分析所需周期和采样频率范围,并充分考虑信号的实时性,确定适合的采样时间间隔,接着将所有的采样信号在时域上处理为同时间间隔的信号,确保动态信息之间的频率同步。对于高频信息既可以有效分析其特点,计算该信号的均方根,均值,均方差等,又可以保证信号关联的延迟较低,满足实际信号监测的需要。在充分考虑了多种监测信号分析需求之后,确定了一个最短的采样周期,时长为0.05s,既满足了高频信号分析的需求,又满足了实时性的要求。在采样分析的最短时间周期内,计算出每种采样信号的均方根,均值,均方差等多种分析数值。
7.接着将获取到的实际采样刀位点和该刀位点处的动态信号关联到一起,即在每一个实际采样刀位点处关联力信号、振动信号、声发射信号的均方根值、均值、方差值,主轴转速,进给速度,该刀位点的XYZ坐标值。最后将每个刀位点处关联后的动态信息转化为一个一维向量,将所有的动态信息用一个动态信息关联矩阵存储。动态信息关联矩阵如图6所示,其中的X1、Y1、Z1表示第一个采样刀位点的实际坐标,F1表示第一个刀位点实时进给速度,n1表示第一个刀位点处的实时主轴转速,RMS11表示第一个刀位点处第一种采集信号的均方根,aver11表示第一个刀位点处第一种信号的均值,SD11表示第一个刀位点处第一种信号的均方根,RMS12表示第一个刀位点处第二种采集信号的均方根,aver12表示第一个刀位点处第二种信号的均值,SD12表示第一个刀位点处第二种信号的均方根,之后的每一个向量就是接着的每一个实际采样刀位点。
8.最后采用时序匹配和坐标匹配相结合的方法,以刀位点为纽带,关联静态信息与动态信息,从而实现几何信息、工艺信息与监测信号的实时精确关联,如图7所示,步骤如下:
步骤一:从动态信息关联矩阵里面可以依据加工顺序依次提取出每个实际采样刀位点Pi的坐标值(Xpi,Ypi,Zpi),该值即为当前加工过程中刀具实际位置,此处将当前待匹配的实际采样刀位点定义为点P。
步骤二:从静态信息关联XML文件里面依据存储顺序提取出所有理论离散刀位点Qj及其坐标值(XQj,YQj,ZQj),该值为理论刀轨经过的刀具位置。
步骤三:计算当前Pi与每一个理论离散刀位点Qi的距离DPiQj的值,即:
根据设定的阈值Distmax,若是DPiQj的值小于的值就认为当前实际采样刀位点Pi与该理论刀位点Qj是理论是实际对应的刀位点。由于存在加工刀轨会多次经过同一个点的情况,所以与一个实际采样刀位点对应的理论离散刀位点可能存在多个。所以将与实际采样刀位点P坐标匹配的多个理论离散刀位点依据加工时序分别定义为A点,B点,C点。
步骤四:由于理论离散刀位点按照时序存储,所以将最新的完成了与实际采样刀位点匹配的理论离散刀位点之前的刀轨作为已加工刀轨,处于已加工刀轨上的理论离散刀位点不再参与后续的与新的实际采样刀位点的匹配。所以由图可以看出理论离散刀位点A处于已加工的刀轨,所以不再是实际采样刀位点P的候选匹配刀位点。
步骤五:根据实际加工的时间先后顺序,将可能与P点匹配的B点和C点排序,由前面的分析可知,B点是先于C点进行加工的理论离散刀位点,所以和实际采样刀位点P匹配的是理论离散刀位点B。这种坐标匹配和时序匹配结合的方法可以保证理论离散刀位点与实际采样刀位点准确无误的匹配。
步骤六:先读取实际采样刀位点P处的动态信息,再读取和实际采样刀位点P匹配的理论离散刀位点B处的全部静态信息,将两部分信息关联起来存储到XML文件,即完成了几何信息、工艺信息、监测信息的实时精确关联,为进一步通过关联的信号分析每个时刻的实际加工状态奠定了基础。
实际本发明未涉及部分与现有技术相同采用现有技术加以实现。
Claims (7)
1.一种面向自适应加工的几何信息-工艺信息-监测信息关联方法,其特征是根据几何、工艺、监测三类信息是否能在加工前确定为依据,将三类信息分为静态信息与动态信息,分别进行静态信息关联与动态信息关联后,再以刀位点为纽带建立几何、工艺、监测信息的关联;其包括以下步骤:
首先,计算采用点云化处理得到每个刀位点的静态信息;
接着,将每个理论离散刀位点与该处的静态信息关联,并按照加工过程的时序性存储到XML文件,
第三,通过同步脉冲信号控制和时域处理实现动态信息的时间同步与频率同步;
第四,将每个实际采样刀位点与该处的动态信息关联,并存储到动态信息关联矩阵;
最后,采用时序匹配与坐标匹配的方法,关联实际采样刀位点与理论离散刀位点,建立加工过程中每个刀位点处几何信息、工艺信息、监测信息的实时精确关联。
2.根据权利要求1所述的方法,其特征在于所述的几何信息指:特征信息;工艺信息指:刀具直径、底角半径、切削刃长、刃倾角等四种刀具信息,顺逆铣操作信息,每个刀位点的切削深度、切削宽度信息,进给速度,主轴转速;监测信息指:多种可监测的切削物理量,包括三向切削力信号,振动信号,声发射信号;其中几何信息和工艺信息中的刀具信息、操作信息、切深切宽信息属于静态信息,这些信息是在加工之前就可以确定的,而且在多次重复加工时不会变化;其中工艺信息中的进给速度、主轴转速和监测信息属于动态信息,这些信息是在实际加工之前难以准确确定,需要实时采集的信息。
3.根据权利要求1所述的方法,其特征在于所述的点云化处理的方法为:从加工操作提取理论刀轨和零件毛坯模型,将理论刀轨离散成相距一个单位长度的理论离散刀位点集合,将零件毛坯模型离散成点云,通过计算刀具切削经过相邻刀位点间刀轨切除点的数量来估计该段刀轨的去除材料体积,再用去除材料体积除以刀轨长度,将得到的值作为此刀位点处的材料去除速率,并采用材料去除速率间接表征相应位置的切深、切宽信息,因此得到所有理论离散刀位点的坐标信息和该位置对应的材料去除速率。
4.根据权利要求1所述的方法,其特征在于静态信息关联方法为:以理论离散刀位点为基础,将每个理论离散刀位点的坐标和该刀位点处的静态信息进行关联,并将关联后的信息按照加工过程的时序存储在XML文件;XML文件的根节点是零件名,一级子节点是加工操作名称 ;二级子节点是该操作的各种参数类别,包括刀具信息、操作信息、刀位点信息;三级子节点是各种参数的详细结果,包括刀位点的坐标值,刀具具体参数。
5.根据权利要求1所述的方法,其特征在于动态信息关联方法为:以实际采样刀位点为基础,然后将实际加工中每个时刻实际采样刀位点的坐标信息和该时刻的动态信息关联,并将关联后的信息存储在动态信息关联矩阵;动态信息关联矩阵的每个行向量即为每个刀位点处的动态信息一维向量,该一维向量存储的信息依次为刀位点坐标、进给转速、每种监测信号的分析值。
6.根据权利要求1所述的方法,其特征在于几何信息、工艺信息、监测信息实时精确关联的方法为:采用时序匹配与坐标匹配结合的方法,将加工过程中每一个实际采样刀位点的位置坐标与加工操作处理得到的理论离散刀位点位置坐标匹配,进而将每个位置处的几何信息、工艺信息、监测信息实时精确关联;其中时序匹配和坐标匹配结合的方法为:从已同步的起始刀位点开始,按加工的时间先后顺序,从坐标匹配的未加工理论离散刀位点里面选择最先被加工的理论离散刀位点关联。
7.根据权利要求1所述的方法,其特征在于同步脉冲信号控制与时域处理的方法为:采用同步脉冲信号控制所有动态信息采样,确保获取到的多种动态信息之间和动态信息与实际加工过程之间时间同步;由于不同的采样信号存在不同的采样频率且难以实现同频率采样,因而需根据各种信号分析所需周期和采样频率范围,并充分考虑信号的实时性,确定适合的采样时间间隔,接着将动态信息在时域上处理为同时间间隔的信号,实现动态信息的频率同步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710971614.8A CN107728580B (zh) | 2017-10-18 | 2017-10-18 | 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710971614.8A CN107728580B (zh) | 2017-10-18 | 2017-10-18 | 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728580A CN107728580A (zh) | 2018-02-23 |
CN107728580B true CN107728580B (zh) | 2019-10-22 |
Family
ID=61211798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710971614.8A Active CN107728580B (zh) | 2017-10-18 | 2017-10-18 | 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728580B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696478A (zh) * | 2018-11-27 | 2019-04-30 | 福建省嘉泰智能装备有限公司 | 一种结合声发射能量和机床信息的监控方法 |
CN109739178B (zh) * | 2019-01-21 | 2021-05-07 | 南京航空航天大学 | 一种监测数据驱动的工件加工变形在线预测方法 |
CN111487924B (zh) * | 2020-04-03 | 2021-08-24 | 北京航空航天大学 | 一种基于生产线多源异构数据的刀具破损分析方法 |
CN112229356B (zh) * | 2020-08-28 | 2021-08-03 | 成都飞机工业(集团)有限责任公司 | 一种基于点测量数据的零件质量检测方法 |
CN113570254A (zh) * | 2021-07-30 | 2021-10-29 | 江苏西格数据科技有限公司 | 一种工业数据质量分析方法 |
CN113759826B (zh) * | 2021-09-06 | 2022-10-11 | 江苏中智自动化股份有限公司 | 一种五轴加工中心的智能监控系统 |
CN114714151B (zh) * | 2022-06-09 | 2022-09-16 | 成都飞机工业(集团)有限责任公司 | 一种腹板的测量点位规划方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004054841A (ja) * | 2002-07-24 | 2004-02-19 | Nippon Telegr & Teleph Corp <Ntt> | ロボットの制御方法及び装置並びにプログラム及び記録媒体 |
CN102592035A (zh) * | 2012-03-20 | 2012-07-18 | 北京航空航天大学 | 一种车铣复合切削加工表面粗糙度及表面形貌仿真预测方法 |
CN103197609A (zh) * | 2013-04-17 | 2013-07-10 | 南京航空航天大学 | 数控加工动态特征建模方法 |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN104281098A (zh) * | 2014-10-27 | 2015-01-14 | 南京航空航天大学 | 一种复杂曲面动态加工特征建模方法 |
-
2017
- 2017-10-18 CN CN201710971614.8A patent/CN107728580B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004054841A (ja) * | 2002-07-24 | 2004-02-19 | Nippon Telegr & Teleph Corp <Ntt> | ロボットの制御方法及び装置並びにプログラム及び記録媒体 |
CN102592035A (zh) * | 2012-03-20 | 2012-07-18 | 北京航空航天大学 | 一种车铣复合切削加工表面粗糙度及表面形貌仿真预测方法 |
CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
CN103197609A (zh) * | 2013-04-17 | 2013-07-10 | 南京航空航天大学 | 数控加工动态特征建模方法 |
CN104281098A (zh) * | 2014-10-27 | 2015-01-14 | 南京航空航天大学 | 一种复杂曲面动态加工特征建模方法 |
Non-Patent Citations (1)
Title |
---|
基于动态加工特征的航空结构件智能加工关键技术;刘长青;《中国博士学位论文全文数据库(电子期刊)工程科技II辑》;20160115(第1期);第C031-50页正文第22-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107728580A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728580B (zh) | 一种面向自适应加工的几何信息-工艺信息-监测信息关联方法 | |
Jemielniak et al. | Tool condition monitoring based on numerous signal features | |
CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
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 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
Arnaiz-González et al. | Using artificial neural networks for the prediction of dimensional error on inclined surfaces manufactured by ball-end milling | |
CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
Patange et al. | Milling cutter condition monitoring using machine learning approach | |
CN109753632A (zh) | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 | |
CN109571141A (zh) | 一种基于机器学习的刀具磨损状态监测方法 | |
CN110355608A (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
CN105488282A (zh) | 一种基于动态加工特征的切削参数分段和变切深优化方法 | |
CN106681276A (zh) | 机床 | |
CN107627152B (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN103192292B (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
CN111476430A (zh) | 一种基于机器学习回归算法的刀具剩余寿命预测方法 | |
CN110059442A (zh) | 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 | |
Bombiński et al. | Sensor signal segmentation for tool condition monitoring | |
Khairnar et al. | Supervision of carbide tool condition by training of vibration-based statistical model using boosted trees ensemble | |
CN111580469B (zh) | 一种基于大数据数控机床精度指标数据特征的挖掘方法 | |
CN104570948B (zh) | 航天板类零件孔特征加工方法 | |
CN104484506A (zh) | 一种基于可靠性叶瓣图的车削加工颤振预测方法 | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
Yao et al. | Modelling of multivariate time series for tool wear estimation in finish-turning | |
CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 |
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 |