CN108427841A - 一种数控机床刀具剩余寿命实时预测方法 - Google Patents
一种数控机床刀具剩余寿命实时预测方法 Download PDFInfo
- Publication number
- CN108427841A CN108427841A CN201810198049.0A CN201810198049A CN108427841A CN 108427841 A CN108427841 A CN 108427841A CN 201810198049 A CN201810198049 A CN 201810198049A CN 108427841 A CN108427841 A CN 108427841A
- Authority
- CN
- China
- Prior art keywords
- cutter
- operating mode
- work
- subinterval
- real
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Numerical Control (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明属于数控机床刀具寿命预测领域,并具体公开了一种数控机床刀具剩余寿命实时预测方法,包括如下步骤:实时采集数控机床加工时的传感器信号,并进行信号预处理;通过预处理后的信号数据判断加工工况,根据加工工况的不同将加工过程划分为工作子区间;对每个工作子区间对刀具产生的损伤进行累加得到刀具累加损伤指数;以刀具累加损伤指数实现对刀具在目标工况下剩余寿命的实时预测。本发明不需要额外的搭建实验平台,不需要拆装刀具,不影响数控机床的正常加工,可实现数控机床刀具寿命的实时预测,具有预测速度快、准确率高的优点。
Description
技术领域
本发明属于数控机床刀具寿命预测领域,更具体地,涉及一种数控机床刀具剩余寿命实时预测方法。
背景技术
随着制造业的发展,数控机床的应用更加普遍,自动化、柔性化及集成化的程度也不断提高,刀具作为制造系统中的重要环节,一般也是寿命最为薄弱的环节。尽管刀具成本一般只占生产成本的很小比例,但是在现代化生产中,刀具在生产过程中损坏将严重影响生产效率和加工质量。因此,能有效对刀具的寿命进行实时、准确的预测,将提高生产效率和良品率并降低生产成本。
目前,刀具寿命预测技术领域已经有了一些方法与技术,但均存在一定的局限性。例如,CN201410313591公开了一种数控机床刀具寿命监控方法,其通过监控刀具加工的工件数量,判断是否达到最大加工工件数量,若达到则强制停机换刀,从而实现刀具的寿命管理。但该方法仅考虑刀具加工工件数量,对加工过程、生产环境等因素均未考虑,且不能在柔性生产等现代化生产方式中推广,存在较大局限性。再如,CN201410186665公开了一种基于能量的刀具寿命预测系统,其通过对刀具切削过程中电流、电压信号的实时监控,得到刀具切削过程中功率的实时变化,进而得到刀具加工消耗的能量,以预测刀具的剩余寿命。但该方法未考虑刀具在不同切削参数下消耗能量对寿命的影响,也未考虑切削液、温度等因素的影响,故存在较大偏差。再如,CN201610926255公开了一种用于切削动力工具的刀具寿命估计方法,其通过搭建刀具寿命估计装置,分别使用已达寿命的刀具和新刀具切削工件并采集信号,建立信号的小波能量谱与刀具寿命的映射关系模型,从而实现刀具寿命的预测。但该方法需要机床停机搭建刀具寿命预测装置,使用成本高且不方便,不利于在实际生产中推广使用。
因此,针对现有技术的以上局限性,本领域亟需研究设计一种适合生产现场应用的数控机床刀具剩余寿命实时预测方法,以实现刀具剩余寿命的实时监测。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种数控机床刀具剩余寿命实时预测方法,其通过实时获取数控机床加工时的传感器信号,评估刀具当前的损伤程度,以实时预测刀具在不同工况下的剩余寿命,其不需要额外的搭建实验平台,不需要拆装刀具,不影响数控机床的正常加工,可实现数控机床刀具寿命的实时预测,具有预测速度快、准确率高的优点。
为实现上述目的,本发明提出了一种数控机床刀具剩余寿命实时预测方法,其特征在于,包括如下步骤:
S1实时采集数控机床加工时的传感器信号,对采集的传感器信号进行预处理;
S2根据预处理后的传感器信号判断数控机床加工过程的工况,并根据工况将数控机床的加工过程划分为以时间为单位的多个工作子区间Wi;
S3累加每个工作子区间Wi对刀具产生的损伤Di,获得刀具的累加损伤指数D:
其中,D为刀具的累加损伤指数,k为工作子区间总个数,Di为数控机床在第i个工作子区间Wi工作时对刀具产生的损伤指数,ti为数控机床在第i个工作子区间Wi的工作时间长度,Ti为刀具在第i个工作子区间Wi工况下的使用寿命;
S4根据所述刀具的累加损伤指数预测刀具在目标工况下的剩余寿命:
T剩=(1-D)T0
其中,T剩为刀具在目标工况下的剩余寿命,D为刀具的累加损伤指数,T0为刀具在目标工况下的使用寿命。
作为进一步优选的,所述预处理为对传感器信号进行低通滤波,以滤除噪声,提高信噪比。
作为进一步优选的,所述传感器信号包括主轴转速和主轴电机功率。
作为进一步优选的,所述步骤S2包括如下子步骤:
S21预设工况数并确定各工况中心的切削速度和主轴电机功率及各工况的区间;
S22计算刀具当前时刻的切削速度,根据刀具当前时刻的切削速度及对应的主轴电机功率判断其所属的工况;
S23计算刀具下一时刻的切削速度,根据刀具该时刻的切削速度及对应的主轴电机功率判断其所属的工况;
S24判断步骤S23中刀具所属的工况与刀具前一时刻所属的工况是否属于同一工况:若是,则将两者划分在同一工作子区间内;若否,则将两者划分在不同的工作子区间内;
S25重复步骤S23~S24,直至将实时采集的传感器信号全部判断完毕,以划分出所有的工作子区间。
作为进一步优选的,第t个工况的区间为(vt±Δv,pt±Δp),其中,vt为第t个工况中心的切削速度,vt=(2t-1)×Δv,pt为第t个工况中心的主轴电机功率,pt=(2t-1)×Δp,0<t≤j,j为预设的工况数,Δv=100mm/min,Δp=0.1kw。
作为进一步优选的,刀具的切削速度v=πdn,其中,d为刀具直径,n为主轴转速。
作为进一步优选的,所述刀具的累加损伤指数D取值范围为[0,1]。
作为进一步优选的,ti采用如下公式获得:其中,Ni为工作子区间Wi内采样信号数据点的个数,f0为传感器信号的采样频率。
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,主要具备以下的技术优点:
1、本发明通过实时采集数控机床加工时传感器信号实现刀具寿命预测,传感器信号的采集不影响数控机床的动态特性,不影响数控机床的正常加工,与现有技术相比,本发不需要额外的搭建实验平台,不需要拆装刀具,可以在数控机床正常加工的条件下实现刀具寿命的预测,不影响生产。
2、本发明通过刀具工作时的传感器信号判断机床加工所处的工况,对不同工况下刀具的损伤分开计算,相比于现有技术和方法,考虑了不同工况对刀具寿命的影响,更符合刀具实际工作条件,刀具寿命预测结果误差更小。
3、通过本发明实现对刀具寿命的实时预测,能实时反馈刀具剩余寿命,可在剩余寿命低于规定阈值时提供报警,提示维修人员及时处理,减少因刀具损坏导致的停机,进而提高数控机床整机的可靠性水平。
附图说明
图1是按照本发明的优选实施例所构建的数控机床刀具剩余寿命实时预测方法的流程图;
图2是数控机床刀具在不同工况下的使用寿命图;
图3是数控机床加工工况与加工子区间划分示意图。
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。
图1是按照本发明的优选实施例所构建的数控机床刀具剩余寿命实时预测方法的流程图,如图1所示,该方法包括如下步骤:
S1实时采集数控机床加工时的传感器信号,作为刀具剩余寿命预测模型(即涉及刀具剩余寿命预测的计算公式,主要包括步骤S3和S4中的计算公式)的输入,对采集的传感器信号进行预处理,考虑到实际生产加工的要求,采集传感器信号既不能影响数控机床动态性能,也不能影响数控机床正常生产加工,对于数控机床来说,可以直接通过网络协议从数控系统内读取这些信号,无须额外安装外部传感器,也可以直接将刀具剩余寿命预测模型植入数控系统内部,作为数控系统一个功能子模块运行,其中采集的传感器信号主要包括数控机床的主轴转速和主轴电机功率,预处理则用于除去信号中的噪声和干扰;
S2根据预处理后的传感器信号判断数控机床加工过程的工况,并将数控机床的加工过程以时间为单位划分为多个工作子区间Wi,同一工作子区间Wi内的工况相同,具体通过采集数控机床加工时的主轴电机功率和切削速度来判断刀具所处的工况,当主轴电机功率和切削速度在规定偏差范围内可看作为同一工况条件;
S3累加每个工作子区间Wi对刀具产生的损伤Di,以获得刀具的累加损伤指数D:
其中,D为刀具的累加损伤指数,k为工作子区间总个数,Di为数控机床在第i个工作子区间Wi工作时对刀具产生的损伤指数,ti为数控机床在第i个工作子区间Wi的工作时间长度,Ti为刀具在第i个工作子区间Wi工况下的使用寿命;
S4根据所述刀具的累加损伤指数预测刀具在目标工况下的剩余寿命:
T剩=(1-D)T0
其中,T剩为刀具在目标工况下的剩余寿命,D为刀具的累加损伤指数,T0为刀具在目标工况下的使用寿命。
以下为本发明的实施例,本实施例选取的对象为宝鸡机床厂VMC850L加工中心,其配置的刀库为斗笠式刀库,数控系统为华中数控HNC-818B,其包括以下步骤:
S1首先,实时采集数控机床加工时的传感器信号,作为刀具剩余寿命预测模型的输入,本实例不用额外安装传感器,直接将刀具剩余寿命预测模型植入数控系统内部,通过数控系统内部获取所需的信号数据,从数控系统内获取的信号数据包括数控机床的主轴转速和数控机床的主轴电机功率;然后,对采集到的传感器信号进行预处理,例如进行低通滤波,以滤除噪声,提高信噪比,其为现有技术,在此不赘述;
S2依据预处理后的传感器信号判断数控机床加工过程的工况,并根据工况将加工过程划分成不同的工作子区间,该工作子区间为数控机床加工时工况条件相同且时间上连续的区间,具体包括如下步骤:
S21预设工况数j并确定各工况的区间及各工况中心的切削速度v和主轴电机功率pt,其中,为第t个工况的工况中心,vt为第t个工况的工况中心的切削速度,pt为第t个工况的工况中心的主轴电机功率,0<t≤j,工况预设数量j可以根据实际需要进行设定,第t个工况的区间为(vt±Δv,pt±Δp),vt=(2t-1)×Δv,pt=(2t-1)×Δp,本实施例中取Δv=100mm/min,Δp=0.1kw;
S22计算刀具当前时刻的切削速度,本实施例数控机床为加工中心,由主轴转速n(预处理之后的数据)与刀具直径d(为已知参数)可求得切削速度v=πdn;然后,根据刀具当前时刻的切削速度及对应的主轴电机功率判断其所属的工况,即判断切削速度v、主轴电机功率p属于哪个区间,例如(v,p)∈(vt±Δv,pt±Δp),则属于工况
S23计算刀具下一时刻的切削速度,根据刀具该时刻的切削速度及对应的主轴电机功率(预处理之后的数据)判断其所属的工况;
S24判断步骤S23中刀具所属的工况与刀具前一时刻所属的工况是否属于同一工况,即判断刀具前后两个连续时刻所属工况是否属于同一工况,若是,则将两者划分在同一工作子区间内,若否,则将两者划分在不同的工作子区间内;
S25重复步骤S23~S24,直至将实时采集的传感器信号全部完成判断,以划分出所有的工作子区间,属于同一工作子区间中的数据点构成一个完整的区间。其中,实时采集的传感器信号包括主轴转速和主轴电机功率,采集的时间间隔可根据需要进行设定,本实例采样频率为1000Hz,则采集的时间间隔为1ms,即当前时刻为0,那么下一时刻为1ms。
如图3所示,确定工况数为4,分别为工况工况的区间为(vt±Δv,pt±Δp),工况中心的切削速度和主轴电机功率为vt和pt,工况的区间为(vt±Δv,pt+1±Δp),工况中心的切削速度和主轴电机功率为vt和pt+1,工况的区间为(vt+1±Δv,pt±Δp),工况中心的切削速度和主轴电机功率为vt+1和pt,工况的区间为(vt+1±Δv,pt+1±Δp),工况中心的切削速度和主轴电机功率为vt+1和pt+1;某时刻t0时的切削速度为v0、主轴电机功率为p0,根据划分的工况区间确定其所属的工况,如图3所示,t0时刻的切削速度v0、主轴电机功率p0满足(v0,p0)∈(vt±Δv,pt±Δp),则t0时刻数控机床的加工工况为同理可求得t1、t2、t3、t4、t5时刻数控机床的工况依次为 划分工作子区间时若在时间上连续且属于同一工况的视为同一工作子区间,否则视为不同工作子区间,由于t0和t1时刻的工况相同且时间上连续,则划分在同一工作子区间内,t0和t1划分在第一工作子区间,由于t2和t1时刻的工况不同,则划分在不同的工作子区间内,t2划分在第二工作子区间,由于t3和t2时刻的工况不同,则划分在不同的工作子区间内,t3划分在第三工作子区间,由于t4和t3时刻的工况相同且时间上连续,则划分在同一工作子区间内,t4划分在第三工作子区间,由于t5和t4时刻的工况不同,则划分在不同的工作子区间内,t5划分在第四工作子区间,该t5和t2时刻虽然两者属于同一工况,但在时间上不连续,因此划分在不同的工作子区间内。
S3累加步骤S2中每个工作子区间Wi对刀具产生的损伤Di,获得刀具的累加损伤指数D:
其中,D为刀具的累加损伤指数,k为工作子区间总个数,Di为数控机床在第i个工作子区间Wi工作时对刀具产生的损伤指数,ti为数控机床在第i个工作子区间Wi的工作时间长度,Ti为刀具在第i个工作子区间Wi的工况下的使用寿命。
由于传感器信号是固定采样频率f0采集的连续时序信号,故工作子区间Wi的工作时间长度ti可由信号采样数据点个数求得,计算公式为:
其中,Ni为工作子区间Wi内的采样信号数据点的个数,即划分至同一工作子区间内的数据点个数,f0为信号的固定采样频率。
刀具在工作子区间Wi的工况下的使用寿命Ti可通过实验事先测试得到或由经验公式求得,本实施例通过实验测得同型号刀具在不同工况下的使用寿命图,如图2所示,图中只是示例性的说明在P1,P2,P3三种工况下的使用寿命,实际测试中工况数由实际测试决定。根据该事先获得的刀具使用寿命图,已知本发明刀具在工作子区间Wi工况内的切削速度v和主轴电机功率p,可由图2查得刀具在工作子区间Wi工况下的使用寿命Ti。
若刀具从开始使用时便对刀具工作时的传感器信号进行采集,则本步骤中求得的刀具累加损伤指数D可量化衡量刀具的损伤程度,该刀具累加损伤指数D的取值范围为[0,1],其值越接近于0,代表刀具损伤程度越小,反之,越接近于1,代表刀具损伤程度越大。
S4根据步骤S3所得的刀具累加损伤指数D预测刀具在目标工况下的剩余寿命,计算公式为:
T剩=(1-D)T0
其中,T剩为刀具在目标工况下的剩余寿命,D为步骤S3所得的刀具累加损伤指数,T0为刀具在目标工况下的使用寿命。
具体的,目标工况应该选择刀具在未来工作时出现的可能性最高的工况。目标工况的选择方法有多种,本实施例提供两种选择方法:1)选择数控机床以前工作过程中出现频率最高的工况作为目标工况;2)选择数控机床最近工作时所处的工况作为目标工况。
本实施例在实际使用时采用第二种方法选择目标工况,确定目标工况的切削速度v、主轴电机功率p后,可由图2查得刀具在目标工况下的使用寿命T0,带入计算公式T剩=(1-D)T0即可得到刀具在目标工况下的剩余寿命T剩,以此作为刀具寿命的实时预测值。
综上,本发明通过实时采集数控机床加工时的传感器信号,预处理后通过信号数据判断加工的工况状态,并根据工况的不同将数控机床加工过程划分为不同工作子区间,对每个工作子区间对刀具产生的损伤进行累加,得到刀具累加损伤指数D,并据此实现实时预测刀具在目标工况下的剩余寿命。本发明可达到快速准确预测刀具剩余寿命的目的,具有不需要额外的搭建实验平台,不需要拆装刀具,不影响数控机床正常加工等优点。
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 (8)
1.一种数控机床刀具剩余寿命实时预测方法,其特征在于,包括如下步骤:
S1实时采集数控机床加工时的传感器信号,对采集的传感器信号进行预处理;
S2根据预处理后的传感器信号判断数控机床加工过程的工况,并根据工况将数控机床的加工过程划分为以时间为单位的多个工作子区间Wi;
S3累加每个工作子区间Wi对刀具产生的损伤Di,获得刀具的累加损伤指数D:
其中,D为刀具的累加损伤指数,k为工作子区间总个数,Di为数控机床在第i个工作子区间Wi工作时对刀具产生的损伤指数,ti为数控机床在第i个工作子区间Wi的工作时间长度,Ti为刀具在第i个工作子区间Wi工况下的使用寿命;
S4根据所述刀具的累加损伤指数预测刀具在目标工况下的剩余寿命:
T剩=(1-D)T0
其中,T剩为刀具在目标工况下的剩余寿命,D为刀具的累加损伤指数,T0为刀具在目标工况下的使用寿命。
2.如权利要求1所述的数控机床刀具剩余寿命实时预测方法,其特征在于,所述预处理为对传感器信号进行低通滤波,以滤除噪声,提高信噪比。
3.如权利要求1所述的数控机床刀具剩余寿命实时预测方法,其特征在于,所述传感器信号包括主轴转速和主轴电机功率。
4.如权利要求3所述的数控机床刀具剩余寿命实时预测方法,其特征在于,所述步骤S2包括如下子步骤:
S21预设工况数并确定各工况中心的切削速度和主轴电机功率及各工况的区间;
S22计算刀具当前时刻的切削速度,根据刀具当前时刻的切削速度及对应的主轴电机功率判断其所属的工况;
S23计算刀具下一时刻的切削速度,根据刀具该时刻的切削速度及对应的主轴电机功率判断其所属的工况;
S24判断步骤S23中刀具所属的工况与刀具前一时刻所属的工况是否属于同一工况:若是,则将两者划分在同一工作子区间内;若否,则将两者划分在不同的工作子区间内;
S25重复步骤S23~S24,直至将实时采集的传感器信号全部判断完毕,以划分出所有的工作子区间。
5.如权利要求4所述的数控机床刀具剩余寿命实时预测方法,其特征在于,第t个工况的区间为(vt±Δv,pt±Δp),其中,vt为第t个工况中心的切削速度,vt=(2t-1)×Δv,pt为第t个工况中心的主轴电机功率,pt=(2t-1)×Δp,0<t≤j,j为预设的工况数,Δv=100mm/min,Δp=0.1kw。
6.如权利要求4所述的数控机床刀具剩余寿命实时预测方法,其特征在于,刀具的切削速度v=πdn,其中,d为刀具直径,n为主轴转速。
7.如权利要求1所述的数控机床刀具剩余寿命实时预测方法,其特征在于,所述刀具的累加损伤指数D取值范围为[0,1]。
8.如权利要求1所述的数控机床刀具剩余寿命实时预测方法,其特征在于,ti采用如下公式获得:其中,Ni为工作子区间Wi内采样信号数据点的个数,f0为传感器信号的采样频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810198049.0A CN108427841B (zh) | 2018-03-12 | 2018-03-12 | 一种数控机床刀具剩余寿命实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810198049.0A CN108427841B (zh) | 2018-03-12 | 2018-03-12 | 一种数控机床刀具剩余寿命实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427841A true CN108427841A (zh) | 2018-08-21 |
CN108427841B CN108427841B (zh) | 2020-09-18 |
Family
ID=63158180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810198049.0A Active CN108427841B (zh) | 2018-03-12 | 2018-03-12 | 一种数控机床刀具剩余寿命实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427841B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490880A (zh) * | 2018-04-24 | 2018-09-04 | 湖北文理学院 | 一种数控机床切削刀具磨损状态实时监测方法 |
CN109605126A (zh) * | 2018-12-30 | 2019-04-12 | 深圳市五湖智联实业有限公司 | 一种数控机床在线检测刀具寿命系统 |
CN109648397A (zh) * | 2018-12-07 | 2019-04-19 | 杭州电子科技大学 | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 |
CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
CN110153800A (zh) * | 2019-05-29 | 2019-08-23 | 安徽华菱汽车有限公司 | 一种刀具寿命管理方法 |
CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
CN111007801A (zh) * | 2019-12-27 | 2020-04-14 | 中国一拖集团有限公司 | 一种基于多维属性状态判断的刀具寿命实时采集方法 |
CN113778017A (zh) * | 2021-09-17 | 2021-12-10 | 深圳模德宝科技有限公司 | 刀具寿命修正方法、装置、计算机设备和存储介质 |
CN113869612A (zh) * | 2021-12-01 | 2021-12-31 | 锱云(上海)物联网科技有限公司 | 一种刀具的使用寿命评估方法、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4207567A (en) * | 1977-11-17 | 1980-06-10 | The Valeron Corporation | Broken, chipped and worn tool detector |
EP0509817A1 (en) * | 1991-04-18 | 1992-10-21 | Texas Instruments Incorporated | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis |
JP3095881B2 (ja) * | 1992-05-27 | 2000-10-10 | オークマ株式会社 | 工具寿命予知装置 |
JP2004334509A (ja) * | 2003-05-07 | 2004-11-25 | Mitsubishi Electric Corp | 生産管理システム |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104400527A (zh) * | 2014-09-12 | 2015-03-11 | 西安交通大学 | 一种面向机械加工过程的刀具选配方法 |
CN106736859A (zh) * | 2017-01-19 | 2017-05-31 | 株洲钻石切削刀具股份有限公司 | 车削刀片使用寿命对比方法 |
-
2018
- 2018-03-12 CN CN201810198049.0A patent/CN108427841B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4207567A (en) * | 1977-11-17 | 1980-06-10 | The Valeron Corporation | Broken, chipped and worn tool detector |
EP0509817A1 (en) * | 1991-04-18 | 1992-10-21 | Texas Instruments Incorporated | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis |
JP3095881B2 (ja) * | 1992-05-27 | 2000-10-10 | オークマ株式会社 | 工具寿命予知装置 |
JP2004334509A (ja) * | 2003-05-07 | 2004-11-25 | Mitsubishi Electric Corp | 生産管理システム |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104400527A (zh) * | 2014-09-12 | 2015-03-11 | 西安交通大学 | 一种面向机械加工过程的刀具选配方法 |
CN106736859A (zh) * | 2017-01-19 | 2017-05-31 | 株洲钻石切削刀具股份有限公司 | 车削刀片使用寿命对比方法 |
Non-Patent Citations (2)
Title |
---|
ZHIGANG WANG 等: "Research on the Prediction System of Cutting Tool Life", 《 PROCEEDINGS OF 2013 2ND INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL》 * |
胡桐 等: "基于机床主轴功率特性的刀具磨损状态模糊识别", 《中国科技论文在线》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490880B (zh) * | 2018-04-24 | 2020-01-21 | 湖北文理学院 | 一种数控机床切削刀具磨损状态实时监测方法 |
CN108490880A (zh) * | 2018-04-24 | 2018-09-04 | 湖北文理学院 | 一种数控机床切削刀具磨损状态实时监测方法 |
CN109648397A (zh) * | 2018-12-07 | 2019-04-19 | 杭州电子科技大学 | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 |
CN109605126B (zh) * | 2018-12-30 | 2021-09-03 | 深圳市五湖智联实业有限公司 | 一种数控机床在线检测刀具寿命系统 |
CN109605126A (zh) * | 2018-12-30 | 2019-04-12 | 深圳市五湖智联实业有限公司 | 一种数控机床在线检测刀具寿命系统 |
CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
CN109746763B (zh) * | 2019-02-03 | 2020-04-28 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
CN110153800A (zh) * | 2019-05-29 | 2019-08-23 | 安徽华菱汽车有限公司 | 一种刀具寿命管理方法 |
CN110153800B (zh) * | 2019-05-29 | 2021-12-21 | 安徽华菱汽车有限公司 | 一种刀具寿命管理方法 |
CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
US11624731B2 (en) | 2019-07-05 | 2023-04-11 | Chongqing University Of Posts And Telecommunications | Method for predicting remaining life of numerical control machine tool |
CN111007801A (zh) * | 2019-12-27 | 2020-04-14 | 中国一拖集团有限公司 | 一种基于多维属性状态判断的刀具寿命实时采集方法 |
CN113778017A (zh) * | 2021-09-17 | 2021-12-10 | 深圳模德宝科技有限公司 | 刀具寿命修正方法、装置、计算机设备和存储介质 |
CN113869612A (zh) * | 2021-12-01 | 2021-12-31 | 锱云(上海)物联网科技有限公司 | 一种刀具的使用寿命评估方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108427841B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427841A (zh) | 一种数控机床刀具剩余寿命实时预测方法 | |
US11481630B2 (en) | Machining condition adjustment device and machining condition adjustment system | |
CN102122146B (zh) | 用于高速精密加工的热误差实时补偿系统及其补偿方法 | |
CN102369493B (zh) | 能量监视装置及其控制方法 | |
CN203894596U (zh) | 数控机床加工状态多参数在线主动监控系统 | |
CN107186547A (zh) | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 | |
CN108320049B (zh) | 数控车床多工位回转刀架自动换刀能耗准确预测方法 | |
CN104808584A (zh) | 机床多源能耗系统多信息在线检测系统 | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
CN103823409A (zh) | 数控机床加工状态多参数在线主动监控系统及其实现方法 | |
CN105607579B (zh) | 一种机床加工智能节能控制方法及系统 | |
Jiang et al. | Electrical energy consumption of CNC machine tools based on empirical modeling | |
CN108680244A (zh) | 一种旋转机械振动无线监测装置及方法 | |
CN103941644A (zh) | 一种基于时间参数的数控铣床能耗预测方法 | |
CN103941081B (zh) | 一种机床多能量源的可配置能耗在线监测方法及系统 | |
CN108536095A (zh) | 一种丝杠磨损量实时预测方法 | |
CN104216334A (zh) | 一种关于数控机床热效应下定位误差温度测点组合的选择优化方法 | |
CN108614522A (zh) | 数控机床服役过程主轴系统能量效率在线监测方法 | |
CN109753017A (zh) | 数控机床的固有能效要素函数获取系统与获取方法 | |
Li et al. | Online chatter detection in milling process based on VMD and multiscale entropy | |
CN109491323A (zh) | 面向节能减排的数控机床负荷-能量效率评估与监测方法 | |
CN103885387A (zh) | 数控机床快速进给功率和能耗的获取及控制方法 | |
Kang et al. | An integrated energy data analytics approach for machine tools | |
Ferraz Jr et al. | Data acquisition and monitoring in machine tools with CNC of open architecture using internet | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 |
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 |