CN108490880B - 一种数控机床切削刀具磨损状态实时监测方法 - Google Patents

Abstract

本发明公开了一种数控机床切削刀具磨损状态实时监测方法，其包括如下步骤：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；根据加工使用刀具的不同将加工过程划分为多个工作子区间，分别提取数控机床每一把刀具加工时对应的信号数据；分别计算数控机床每一把刀具加工期间信号的近似熵值；分别将每一把刀具计算的近似熵值与预设的阀值比较，判断刀具磨损状态。本发明具有无需测量装置、无需搭建实验平台的优点，且预测速度快、准确率高，同时不需要拆装刀具，不影响数控机床正常加工，可实现数控机床刀具磨损状态的实时监测。

Description

一种数控机床切削刀具磨损状态实时监测方法

技术领域

本发明属于数控机床刀具磨损测量与监测的技术领域，更具体地，涉及一种数控机床切削刀具磨损状态实时监测方法。

背景技术

随着制造业的发展，数控机床的应用更加普遍，随着加工的进行，数控机床刀具不可避免会发生磨损，随着刀具磨损的累积，将会影响加工精度、导致废品的产生。实时监测刀具磨损状态，能有效提高生产效率和产品合格率并降低生产成本。

目前，刀具磨损测量和监测的方法主要有直接测量法和间接测量法。直接测量法通过射线测量、光学测量等方法直接识别刀具外观或表面形状的变化，其结果真实准确，但一般需要复杂的测量设备，并且多数需要机床停机进行离线测量。如公告号为CN201710071615，名称为“刀具磨损的在位测量方法和装置”，该专利通过在刀具侧部安装线结构激光器和CCD摄像机，结合计算机图形学方法，直接获取刀具的三维尺寸数据并与刀具标准三维模型比较，得出磨损量。

间接测量法通过监测声发射信号、振动信号、扭矩信号等与刀具磨损相关的信号，间接地实现对刀具磨损的监测，其一般可实现在线实时监测，但存在传感器安装麻烦，甚至需要改动机床结构，影响机床动态特性，难以在生产实际中推广应用。如公告号为CN201010607532，名称为“一种数控机床刀具磨损监测方法”，该专利通过采集伺服驱动电流信号进行分析处理，实时获取刀具的磨损特征，与刀具磨损规律进行匹配，实现监测刀具磨损状态。

因此，针对现有技术的局限性，本领域的技术人员致力于开发一种适合在生产实际中推广应用的数控机床切削刀具磨损状态实时监测方法。

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切削刀具磨损状态实时监测方法，其通过实时采集数控机床加工时的传感器信号，分刀具将加工过程划分为多个工作子区间，分别提取每一把刀具加工时对应的信号数据并计算其近似熵值，然后分别与预设的阀值比较，判断刀具磨损状态，实现实时监测切削刀具的磨损状态。

分别将每一把刀具计算的近似熵值与预设的阀值比较，判断刀具磨损状态。

为实现上述目的，按照本发明的一个方面，提供了一种数控机床切削刀具磨损状态实时监测方法，其特征在于，包括下列步骤：

(a)实时采集数控机床加工时的传感器信号，作为刀具磨损状态监测模型的输入；

(b)对步骤(a)所述传感器信号进行预处理，除去噪声和干扰；

(c)根据加工时使用刀具的不同将加工过程划分为多个工作子区间W_i，分别提取数控机床每一把刀具加工时对应的信号数据；

(d)分别计算数控机床每把刀具加工时对应信号数据的近似熵值ApEn；

(e)分别将步骤(d)计算得到的每把刀具的近似熵值ApEn与预设的阀值比较，判断每把刀具的磨损状态。

作为进一步优选的，步骤(a)所述的传感器信号为主轴功率或主轴电流信号。

作为进一步优选的，步骤(b)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，步骤(c)所述的划分工作子区间，是通过监控数控机床换刀过程实现。

作为进一步优选的，步骤(d)所述的近似熵值ApEn是用一个非负数来表示时间序列信号的复杂度，信号越复杂对应的近似熵值ApEn越大。

作为进一步优选的，步骤(e)所述的阀值是刀具是否达到磨钝标准的阈值，若步骤(d)计算得到的近似熵值ApEn大于该阈值，则刀具磨损状态为已磨钝。

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，能够取得下列有益效果：

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磨损状态监控，与现有技术相比较，不需要额外的搭建监控平台，不改变数控机床结构，不影响数控机床动态特性，可实现在线实时监控。

2、本发明通过刀具工作时的传感器信号的近似熵值作为特征来判断刀具磨损状态，相比于现有技术和方法，对刀具磨损的变化有更好的敏感性和鲁棒性，误差更小。

3、通过本发明实现对刀具磨损状态的实时预测，能实时反馈刀具磨损状态，可在刀具已经磨损或即将磨损时进行报警，提示加工人员及时处理，保证加工精度水平并降低加工零件的不合格率。

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切削刀具磨损状态实时监测方法的流程图；

图2是按照本发明的优选实施例所构建的数控机床加工过程进行加工子区间划分的示意图；

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，本实例选取对象为数控加工中心，数控系统为华中数控HNC-818B。本发明实施包括以下步骤：

步骤(a)：实时采集数控机床加工时的传感器信号，作为刀具磨损状态监测模型的输入。具体的，本实例采集的传感器信号为主轴功率信号。对于数控机床，可直接从数控系统内读取主轴功率信号，无需安装外部传感器。

步骤(b)：对步骤(a)所述传感器信号进行预处理，除去噪声和干扰。具体的，对信号进行低通滤波，滤除噪声，提高信噪比。

步骤(c)：根据加工时使用刀具的不同将加工过程划分为多个工作子区间W_i，分别提取数控机床每一把刀具加工时对应的信号数据。

具体的，本实例通过监控数控机床换刀PLC信号，当检测到机床换刀时，前一把刀具对应的工作子区间W_i结束，新换刀具的工作子区间W_i+1开始，并截取前一把刀具工作子区间W_i对应的主轴功率信号，如图2所示。

步骤(d)：分别计算数控机床每把刀具加工时对应信号数据的近似熵值ApEn，计算步骤如下：

步骤(d1)：输入待求刀具工作子区间W_i对应的主轴功率信号，记为{u(1),u(2),…,u(N)}，数据个数记为N，预先给定模式维数m和相似容限r。

本实例中，模式维数m取值为2，相似容限r由功率信号的标准差求得，计算公式为：

r＝k*std({u(1),u(2),…,u(N)})

其中，k为比例系数，取k＝0.4。

步骤(d2)：根据序列{u(i)}按顺序依次构造m维向量X(i)：

X(t)＝[u(i),u(i+1),…,u(i+m-1)],i＝1,2,…,N-m+1

步骤(d3)：对于任意两个向量X(i)、X(j)，向量间的距离：

d[X(i),X(j)]＝max_1≤k≤m(|u(i+k-1)-u(j+k-1)|)

步骤(d4)：对每一个X(i)，向量X(i)与其它所有向量X(j)(j＝1,2,…,N-m+1，j≠i)间的相似度：

其中，

步骤(d5)：定义Φ^m(r)：

步骤(d6)：将维数m改为m+1，重复步骤(c2)-(c5)，得到Φ^m+1(r)。

步骤(d7)：此刀具工作子区间W_i对应的主轴功率信号的近似熵值可由下式计算求得：

ApEn(m,r,N)＝Φ^m(r)-Φm⁺¹(r)

步骤(d8)：重复步骤(d1)-步骤(d7)，依次求得每把刀具加工时对应信号数据的近似熵值ApEn。

步骤(e)：分别将步骤(d)计算得到的每把刀具的近似熵值ApEn与预设的阀值比较，判断每把刀具的磨损状态。预设的阀值是刀具磨钝标准的阈值，若某把刀具计算得到的近似熵值ApEn大于该刀具预设的阈值，则该刀具磨损状态为已磨钝状态。

具体的，本实例通过使用已磨钝刀具进行加工，提取对应主轴功率信号的近似熵值ApEn_磨钝，将T＝0.9*ApEn_磨钝，作为对应刀具磨钝标准的阈值。若某把刀具计算得到的近似熵值ApEn大于该刀具预设的阈值T，则判断该刀具磨损状态为已磨钝状态，进行报警，提示加工人员及时更换刀具。

综上，本发明通过实时采集数控机床加工时的传感器信号，分刀具将加工过程划分为多个工作子区间，分别提取每一把刀具加工时对应的信号数据并计算其近似熵值，然后分别与预设的阀值比较，判断刀具磨损状态，据此实现实时监测切削刀具的磨损状态。可达到快速准确在线实时监测刀具磨损状态的目的，具有无需测量装置、无需搭建实验平台，且预测速度快、准确率高，同时不需要拆装刀具，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 (7)

1.一种数控机床切削刀具磨损状态实时监测方法，其特征在于，包括如下步骤：

(a)实时采集数控机床加工时的传感器信号，作为刀具磨损状态监测模型的输入；

(b)对步骤(a)所述传感器信号进行预处理，除去噪声和干扰；

(c)依据步骤(b)预处理后的传感器信号，判断数控机床加工过程的工况，将工况不同的工作过程划分成不同的工作子区间Wi，工作子区间Wi内的工况相同；

(d)分别计算数控机床每把刀具加工时对应信号数据的近似熵值ApEn；

(e)分别将步骤(d)计算得到的每把刀具的近似熵值ApEn与预设的阀值比较，判断每把刀具的磨损状态。

2.如权利要求1所述的数控机床切削 刀具磨损状态实时监测方法，其特征在于，所述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。

3.如权利要求1所述的数控机床切削 刀具磨损状态实时监测方法，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。

4.如权利要求1所述的数控机床切削 刀具磨损状态实时监测方法，其特征在于，所述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。

5.如权利要求1所述的数控机床切削 刀具磨损状态实时监测方法，其特征在于，步骤(d)所述的近似熵值ApEn是用一个非负数来表示时间序列信号的复杂度，信号越复杂对应的近似熵值ApEn越大。

6.如权利要求1所述的数控机床切削 刀具磨损状态实时监测方法，其特征在于，步骤(e)所述的阀值是刀具是否达到磨钝标准的阈值，若步骤(d)计算得到的近似熵值ApEn大于该阈值，则刀具磨损状态为已磨钝。

7.如权利要求1所述的数控机床切削刀具磨损状态实时监测方法，其特征在于：所述近似熵值ApEn，计算步骤如下：

步骤(d1)：输入待求刀具工作子区间Wi对应的主轴功率信号，记为{u(1),u(2),…,u(N)}，数据个数记为N，预先给定模式维数m和相似容限r；

模式维数m取值为2，相似容限r由功率信号的标准差求得，计算公式为：

r＝k*std({u(1),u(2),…,u(N)})

其中，k为比例系数，取k＝0.4；

步骤(d2)：根据序列{u(i)}按顺序依次构造m维向量X(i)：

X(t)＝[u(i),u(i+1),…,u(i+m-1)],i＝1,2,…,N-m+1

步骤(d3)：对于任意两个向量X(i)、X(j)，向量间的距离：

d[X(i),X(j)]＝max1≤k≤m(|u(i+k-1)-u(j+k-1)|)

步骤(d4)：对每一个X(i)，向量X(i)与其它所有向量X(j)(j＝1,2,…,N-m+1，j≠i)间的相似度：

其中，

步骤(d5)：定义Φ ^m (r) ：

步骤(d6)：将维数m改为m+1，重复步骤(c2)-(c5)，得到Φ ^m+1 (r) ；

步骤(d7)：此刀具工作子区间Wi对应的主轴功率信号的近似熵值可由下式计算求得：

ApEn(m,r,N)＝Φ ^m (r) - Φ ^m+1 (r)

步骤(d8)：重复步骤(d1)-步骤(d7)，依次求得每把刀具加工时对应信号数据的近似熵值ApEn。

Images