CN108873813A - 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 - Google Patents
基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 Download PDFInfo
- Publication number
- CN108873813A CN108873813A CN201810657705.9A CN201810657705A CN108873813A CN 108873813 A CN108873813 A CN 108873813A CN 201810657705 A CN201810657705 A CN 201810657705A CN 108873813 A CN108873813 A CN 108873813A
- Authority
- CN
- China
- Prior art keywords
- node
- signal
- current signal
- frequency band
- wavelet packet
- 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
- 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
- G05B19/4062—Monitoring servoloop, e.g. overload of servomotor, loss of feedback or reference
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- 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
- G05B2219/37232—Wear, breakage detection derived from tailstock, headstock or rest
Abstract
本发明涉及一种基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其解决了现有技术依靠人工手动不能有效管理数控机床上刀具的磨损情况的技术问题,其首先对主轴伺服电机的工作电流进行小波包多阈值去噪处理,其次进行小波包分解,得到[0,500]Hz之间的16个频率带信号N1~16,再对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和,计算16个频带信号的能量值E1~16;计算16个频带信号能量的和E_total;再计算16个频带信号在能量综合E_total中所占的百分比P1~16,然后取前两个频带的能量占比之和(P1+P2)为刀具异常磨损情况判断指标PX;本发明广泛用于数控机床刀具磨损度检测技术领域。
Description
技术领域
本发明涉及数控机床刀具磨损度检测技术领域,具体而言,涉及一种基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法。
背景技术
随着国内机械行业的发展,全国数控金属切削机床年产量稳定在每年25万台左右,在现有刀具粗放式管理下,刀具寿命依靠人工手动统计,费时费力,而且容易出现差错;30%以上的刀具寿命都被设置为冗余而浪费;刀具磨损、崩刀等过程无监控,质量风险大;机加工设备多,缺乏统一的监控,随机性大;如果刀具磨损量高于磨钝标准,刀具己经磨钝或破损,则会影响工件的加工表面质量和尺寸精度,严重时甚至会损坏机床。
因此,急需一种能适应复杂环境的刀具磨损度检测系统来解决上述技术问题。
发明内容
本发明就是为了解决现有技术依靠人工手动不能有效管理数控机床上刀具的磨损情况的技术问题,提供了一种能够精确地、快速地对刀具磨损情况进行监控的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法。
基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,包括以下步骤:
第一步,电流互感器检测主轴伺服电机的工作电流并发送给数据采集卡,数据采集卡对电流互感器发送的模拟电流信号进行采集,采集到的数字电流信号发送给电流数据处理模块;电流数据处理模块对数据采集卡发送的电流数据进行小波包多阈值去噪处理,小波包多阈值去噪的过程是:
(1)按时序每500个采样点存放在一个数组中进行滤波处理;
(2)取一组信号进行处理,对一组中的500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号n1、n2、n3、n4、n5、n6、n7、n8、n9、n10、n11、n12、n13、n14、n15、n16;
(3)将16个频率带数据按照频率范围从小到大排序,设置低频率段比例系数α=1/8,高频率段比例系数β=1/8,则节点[4,0]和[4,1]对应的频率带为低频率段,对应频率为[0,62.5]Hz;节点[4,14]和[4,15]对应的频率带为高频率段,对应频率为[437.5,500]Hz;剩余节点对应的频率带为中频率段,对应频率为[62.5,437.5]Hz,以此规则进行分组,得到各频段的小波包树节点信息;
(4)选取低频段阈值准则A为minimaxi,中频段阈值准则B为rigrsure,高频段阈值准则为sqtwolog,具体地,低频段节点[4,0]和[4,1]采用minimaxi准则,高频段节点[4,14]和[4,15]采用sqtwolog准则,其余节点均采用rigrsure准则;
(5)对经过阈值处理后的小波包分解系数进行小波包重构,得到去除噪声后的电流信号;
第二步,对刀具异常磨损进行检测:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)根据Ei=∫|Si|2dt=∑|xik|2,对各频带节点系数范数的平方取和,得到16个频带信号的能量值E1、E2、E3、E4、E5、E6、E7、E8、E9、E10、E11、E12、E13、E14、E15、E16;
(5)计算所述16个频带信号能量的和E_total;
(6)计算16个频带信号在能量综合E_total中所占的百分比P1、P2、P3、P4、P5、P6、P7、P8、P9、P10、P11、P12、P13、P14、P15、P16,取前两个频带([0,31.25]Hz与[31.25,62.5]Hz)的能量占比之和(P1+P2)为刀具异常磨损情况判断指标PX,判断PX是否小于Q,若PX<Q,则判断特殊情况即将发生,电流数据处理模块发送信号给数控机床工控机,数控机床工控机控制主轴伺服电机停止工作,使机床停止工作。
优选地,第二步的步骤(6)中,若PX≥Q,判断机床保持在正常工作状态,并进入刀具磨损度检测判断过程,刀具磨损度检测判断过程包括以下步骤:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,1000]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)取第一个频率带的信号的均值A1,取第1、3、5、9、13个频率带的信号的均方差D1、D3、D5、D9、D13,并将他们作为刀具磨损情况检验的特征量;
(5)基于上述检验特征量构造多元非线性回归方程:D=0.96*A1+0.12*D1+0.08*D3+0.02*D5-0.01*D9,将各磨损情况检验特征值带入多元非线性回归方程,得到磨损状态预估值D;
(6)利用最小二乘法拟合出磨损状态实际值与刀具使用次数之间的曲线,在计算出磨损状态预估值后,查找曲线上该值所对应的刀具使用次数,得到刀具剩余使用寿命的预测值DG;
(7)判断预测值DG是否小于K,如果是,则发送相应的磨损严重的信息。
优选地,第二步的步骤(6)中,Q=0.85。
优选地,刀具磨损度检测判断过程的步骤(7)中,K=0.2。
优选地,数据采集卡的采样频率为1kHz。
本发明还提供一种基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,包括以下步骤:
第一步,电流互感器检测主轴伺服电机的工作电流并发送给数据采集卡,数据采集卡对电流互感器发送的模拟电流信号进行采集,采集到的数字电流信号发送给电流数据处理模块;电流数据处理模块对数据采集卡发送的电流数据进行小波包多阈值去噪处理,小波包多阈值去噪的过程是:
(1)按时序每500个采样点存放在一个数组中进行滤波处理;
(2)取一组信号进行处理,对一组中的500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号n1、n2、n3、n4、n5、n6、n7、n8、n9、n10、n11、n12、n13、n14、n15、n16;
(3)将16个频率带数据按照频率范围从小到大排序,设置低频率段比例系数α=1/8,高频率段比例系数β=1/8,则节点[4,0]和[4,1]对应的频率带为低频率段,对应频率为[0,62.5]Hz;节点[4,14]和[4,15]对应的频率带为高频率段,对应频率为[437.5,500]Hz;剩余节点对应的频率带为中频率段,对应频率为[62.5,437.5]Hz,以此规则进行分组,得到各频段的小波包树节点信息;
(4)选取低频段阈值准则A为minimaxi,中频段阈值准则B为rigrsure,高频段阈值准则为sqtwolog,具体地,低频段节点[4,0]和[4,1]采用minimaxi准则,高频段节点[4,14]和[4,15]采用sqtwolog准则,其余节点均采用rigrsure准则;
(5)对经过阈值处理后的小波包分解系数进行小波包重构,得到去除噪声后的电流信号;
第二步,对刀具磨损度检测判断,包括以下步骤:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,1000]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)取第一个频率带的信号的均值A1,取第1、3、5、9、13个频率带的信号的均方差D1、D3、D5、D9、D13,并将他们作为刀具磨损情况检验的特征量;
(5)基于上述检验特征量构造多元非线性回归方程:D=0.96*A1+0.12*D1+0.08*D3+0.02*D5-0.01*D9,将各磨损情况检验特征值带入多元非线性回归方程,得到磨损状态预估值D;
(6)利用最小二乘法拟合出磨损状态实际值与刀具使用次数之间的曲线,在计算出磨损状态预估值后,查找曲线上该值所对应的刀具使用次数,得到刀具剩余使用寿命的预测值DG;
(7)判断预测值DG是否小于K,如果是,则发送相应的磨损严重的信息。
优选地,K=0.2。
本发明的有益效果是:能够实时检测数控机床通用刀具的磨损情况,预估刀头的剩余使用寿命,并将各台机床的刀具磨损情况实时反映在上位机界面,在磨损度较高时通过APP端和短信及时通知工作人员更换刀具;在发生崩刀、断刀等突发情况时,能够做到及时检测并停止机床工作,从而降低损失。
本发明采用明采用电流互感器对主轴电流进行提取,极大地降低了成本。
本发明可根据刀具型号、工件型号的不同调整模型参数,不受工作环境的影响,极大地提高了设备的适用性。
本发明可实现秒级精度控制,检测周期为500毫秒,电流数据处理模块的主频为50MHz,实时检测刀具磨损情况,极大地提高了设备的控制精度。
本发明可根据刀具的真实使用情况,自动修正模型参数,极大地提高了设备的检测精度。
本发明采用了以太网通讯和GPRS通讯两种方式,具有良好的人机交互功能,有效地提高了设备的远程操作能力。
本发明进一步的特征和方面,将在以下参考附图的具体实施方式的描述中,得以清楚地记载。
附图说明
图1是本发明的检测系统示意图;
图2是电流数据处理模块的原理框图;
图3是小波包多阈值去噪流程图;
图4是刀具出现特殊情况检测算法流程图;
图5是刀具磨损度检测算法流程图;
图6是一种刀具磨损状态实际值与刀具使用次数之间的关系曲线。
图中符号说明:
10.主轴伺服电机,20.数控机床工控机,30.刀具,40.电流互感器,50.数据采集卡,60.电流数据处理模块,70.报警装置,80.终端。
具体实施方式
以下参照附图,以具体实施例对本发明作进一步详细说明。
如图1和2所示,基于数控机床主轴伺服电机电流信号的刀具磨损度检测系统包括主轴伺服电机10、数控机床工控机20、电流互感器40、数据采集卡50、电流数据处理模块60、报警装置70、终端80,主轴伺服电机10与数控机床工控机20连接,电流互感器40与主轴伺服电机10的电缆线连接,数据采集卡50的输入端与电流互感器40的输出端连接,数据采集卡50的输出端与电流数据处理模块60连接,报警装置70、终端80分别与电流数据处理模块60连接。电流数据处理模块60通过RS232接口与数控机床工控机20连接通讯。
刀具30与主轴伺服电机10的输出轴连接。
电流互感器40用于检测主轴伺服电机10三根电缆线中其中一根电缆线的工作电流,数据采集卡50以1kHz的采样频率对电流互感器40传输的模拟电流信号进行采集,采集到的数字电流信号发送给电流数据处理模块60。需要说明的是,采样频率不限于1kHz,1kHz只是举例。数据采集卡50的具体产品可以选择NI公司ELVIS II+型号的数据采集卡,采样率最高可达125kHz,可以建立基于LabVIEW的数据采集平台。
电流数据处理模块60包括数据接收单元、滤波单元、数据存储单元、计算单元、比较单元、信号输出单元、以太网通讯单元、GPRS通讯单元、RS232接口。滤波单元用于对数据采集卡50发送的电流信号进行滤波去噪处理,数据存储单元能够存储数据,计算单元能够建立数学模型对电流数据进行计算;比较单元能够对数据进行比较计算,信号输出单元能够输出数据。
电流数据处理模块60对来自数据采集卡50的电流数据进行实时计算分析,从而判断刀具的磨损情况,并输出相应磨损度判断信息。判断功能分为两部分:一是由于机床正常运行时刀具自然磨损,对刀具正常使用情况下的剩余寿命的判断;二是在加工工件时,由于混入不明固体、液体或其他物质而导致刀具发生崩刀、断刀等异常磨损的特殊情况的判断。
刀具磨损情况的判断结果发送给终端80,终端80可以是供工作人员使用的手机、平板电脑、计算机等。当终端为手机时,通过GPRS通讯单元向手机发送短信。当终端80是计算机时,通过以太网通讯单元向计算机发送信息。电流数据处理模块60还可以通过wifi模块判断结果信息发送出去。工作人员也可以通过手机上的APP应用程序查看相应信息。判断结果信息通过RS232接口发送给数控机床工控机20,工作人员可以通过数控机床工控机20的人机交互界面查看刀具的磨损信息。在向终端80或数控机床工控机20发送刀具磨损信息的同时,使报警装置70工作。
当发生第二种的特殊情况时,电流数据处理模块60通过RS232接口与数控机床工控机20通讯,数控机床工控机20及时控制主轴伺服电机10停止工作,使机床立刻停止工作,防止机床损坏。
由于数控机床是一个封闭式的操作系统,通过外加电流互感器可将电流信号提取分析。对于电流互感器40,可以选择需外部供电的有源式钳形互感器,主轴伺服电机10的三根电缆线中其中一根电缆线的工作电流通过电流互感器后产生磁场,其磁感应强度与电流大小成正比,互感器内部提供控制电流,可以相应计算出主轴电机电流,此处技术手段为公知技术。需要说明的是,也可以采用霍尔电流传感器等其他类型的电流检测装置检测主轴伺服电机10的工作电流。
目前,数控机床上的刀具30由主轴伺服电机10驱动旋转,刀具30对工件进行切削、钻削工作,随着刀具的逐渐磨损,主轴伺服电机10的电流信号会相应发生变化。因此,建立基于小波包分解的电流信号特征提取分析模型,分析不同刀具在加工过程中的磨损情况,预估刀具在正常使用条件下的剩余使用寿命,存储相应数据,并在数控机床工控机20上、终端80上显示。
数控机床主轴转速一般维持在8000r/min,相应在数据采集卡50设置1kHz的采样率,既能保证有效信息的实时采集,也能防止采样率过高带来的数据冗余。刀具磨损情况的检测判断过程是:
第一步,对数据采集卡50发送的电流数据进行滤波去噪处理,电流数据处理模块60首先通过滤波单元对数据采集卡50发送的电流数据进行滤波去噪处理,具体采用小波包多阈值去噪方法。
如图3所示,小波包多阈值去噪的过程是:
(1)按时序每500个采样点存放在一个数组中进行滤波处理,在保证数据精准的基础上实现对主轴伺服电机10反馈信息的高时效性。
(2)取一组信号为研究对象,对一组中的500个采样点进行小波包分解。选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号n1、n2、n3、n4、n5、n6、n7、n8、n9、n10、n11、n12、n13、n14、n15、n16。
(3)将16个频率带数据按照频率范围从小到大排序,设置低频率段比例系数α=1/8,高频率段比例系数β=1/8,则节点[4,0]和[4,1]对应的频率带为低频率段,对应频率为[0,62.5]Hz;节点[4,14]和[4,15]对应的频率带为高频率段,对应频率为[437.5,500]Hz;剩余节点对应的频率带为中频率段,对应频率为[62.5,437.5]Hz。以此规则进行分组,得到各频段的小波包树节点信息。
(4)选取低频段阈值准则A为minimaxi,中频段阈值准则B为rigrsure,高频段阈值准则为sqtwolog。具体而言,低频段节点[4,0]和[4,1]采用minimaxi准则,高频段节点[4,14]和[4,15]采用sqtwolog准则,其余节点均采用rigrsure准则。
(5)对经过阈值处理后的小波包分解系数进行小波包重构,得到去除噪声后的电流信号。
第二步,对刀具异常磨损的特殊情况进行检测,此过程中的特殊情况是指“由于混入不明固体、液体或其他物质而导致刀具发生崩刀、断刀等异常磨损”,如图4所示,具体过程是:
(1)对上述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中。
(2)取一组信号为研究对象,对500个采样点进行小波包分解。选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16。
(3)对小波包分解系数重构,并求解各节点系数xik。用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和。
(4)根据Ei=∫|Si|2dt=∑|xik|2,对各频带节点系数范数的平方取和,得到16个频带信号的能量值E1、E2、E3、E4、E5、E6、E7、E8、E9、E10、E11、E12、E13、E14、E15、E16。
(5)计算上述16个频带信号能量的和E_total。
(6)计算16个频带信号在能量综合E_total中所占的百分比P1、P2、P3、P4、P5、P6、P7、P8、P9、P10、P11、P12、P13、P14、P15、P16。取前两个频带([0,31.25]Hz与[31.25,62.5]Hz)的能量占比之和(P1+P2)为特殊情况判断指标PX,判断PX是否小于0.85,若PX<0.85,则判断特殊情况即将发生,电流数据处理模块60发送信号给数控机床工控机20,数控机床工控机20控制主轴伺服电机10停止工作,使机床立刻停止工作,数据处理模块60停止检测,防止刀具的破损以及对机床的损坏;若PX≥0.85,判断机床保持在正常工作状态,并进入刀具磨损度检测判断过程。本发明中选取0.85为阈值Q主要是对大量数据整合分析后得到的经验值,在实际应用时可以根据使用要求做出调整。
第三步,刀具磨损度检测判断过程如图5所示:
(1)对上述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中。
(2)取一组信号为研究对象,对500个采样点进行小波包分解。选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,1000]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16。
(3)对小波包分解系数重构,并求解各节点系数xik。用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和。
(4)取第一个频率带的信号的均值A1,取第1、3、5、9、13个频率带的信号的均方差D1、D3、D5、D9、D13,并将他们作为刀具磨损情况检验的特征量。
(5)经过检验发现,随着刀具加工次数的逐渐增多,各特征量的值都有逐渐变大的趋势。并且当刀具进入剧烈磨损阶段之后,特征值会发生突增的现象;因此,基于上述检验特征量构造多元非线性回归方程:D=0.96*A1+0.12*D1+0.08*D3+0.02*D5-0.01*D9,将各磨损情况检验特征值带入多元非线性回归方程,得到磨损状态预估值D。
(6)对于每种刀具,获取每种刀具实际使用时的磨损状态数据和使用次数,作为经验数据,利用最小二乘法拟合出磨损状态实际值与刀具使用次数之间的曲线。在计算出磨损状态预估值后,查找曲线上该值所对应的刀具使用次数,得到刀具剩余使用寿命的预测值DG。
举例,图6是针对一种刀具拟合出的磨损状态实际值与刀具使用次数间的曲线。表1是磨损状态预估值D与磨损情况的对应关系。
表1:
磨损状态预估值D | 对应磨损情况 | 剩余使用寿命预测值DG |
0.5~0.7 | 急剧磨损 | 30%~20% |
0.2~0.5 | 稳定磨损 | 80%~30% |
0~0.2 | 磨损初期 | 100%~80% |
(7)判断预测值DG是否小于0.2,如果是,则发送相应的磨损严重的信息给终端80,提示工作人员。作为与预测值DG比较的0.2是经验值,该经验值K可以根据实际工况设定,比如可以是K=0.1或K=0.3等等。
针对不同的刀具和工件,其使用寿命并不完全统一,设置0.2为阈值既可以有效预防刀具的断裂,具有较好的适用性,也可以避免刀具使用次数过少所带来的浪费。
前述各个过程中,db8小波基支集长度长,消失矩和正则性高。进行4层分解的主要目的是实现较高精度的频段分解,可以在保证高精度的同时避免分解系数过高给系统带来的高负担。
以上所述仅对本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。
Claims (7)
1.一种基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,包括以下步骤:
第一步,电流互感器检测主轴伺服电机的工作电流并发送给数据采集卡,数据采集卡对电流互感器发送的模拟电流信号进行采集,采集到的数字电流信号发送给电流数据处理模块;电流数据处理模块对数据采集卡发送的电流数据进行小波包多阈值去噪处理,小波包多阈值去噪的过程是:
(1)按时序每500个采样点存放在一个数组中进行滤波处理;
(2)取一组信号进行处理,对一组中的500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号n1、n2、n3、n4、n5、n6、n7、n8、n9、n10、n11、n12、n13、n14、n15、n16;
(3)将16个频率带数据按照频率范围从小到大排序,设置低频率段比例系数α=1/8,高频率段比例系数β=1/8,则节点[4,0]和[4,1]对应的频率带为低频率段,对应频率为[0,62.5]Hz;节点[4,14]和[4,15]对应的频率带为高频率段,对应频率为[437.5,500]Hz;剩余节点对应的频率带为中频率段,对应频率为[62.5,437.5]Hz,以此规则进行分组,得到各频段的小波包树节点信息;
(4)选取低频段阈值准则A为minimaxi,中频段阈值准则B为rigrsure,高频段阈值准则为sqtwolog,具体地,低频段节点[4,0]和[4,1]采用minimaxi准则,高频段节点[4,14]和[4,15]采用sqtwolog准则,其余节点均采用rigrsure准则;
(5)对经过阈值处理后的小波包分解系数进行小波包重构,得到去除噪声后的电流信号;
第二步,对刀具异常磨损进行检测:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)根据Ei=∫|Si|2dt=∑|xik|2,对各频带节点系数范数的平方取和,得到16个频带信号的能量值E1、E2、E3、E4、E5、E6、E7、E8、E9、E10、E11、E12、E13、E14、E15、E16;
(5)计算所述16个频带信号能量的和E_total;
(6)计算16个频带信号在能量综合E_total中所占的百分比P1、P2、P3、P4、P5、P6、P7、P8、P9、P10、P11、P12、P13、P14、P15、P16,取前两个频带([0,31.25]Hz与[31.25,62.5]Hz)的能量占比之和(P1+P2)为刀具异常磨损情况判断指标PX,判断PX是否小于Q,若PX<Q,则判断特殊情况即将发生,电流数据处理模块发送信号给数控机床工控机,数控机床工控机控制主轴伺服电机停止工作,使机床停止工作。
2.根据权利要求1所述的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于:
所述第二步的步骤(6)中,若PX≥Q,判断机床保持在正常工作状态,并进入刀具磨损度检测判断过程,刀具磨损度检测判断过程包括以下步骤:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,1000]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)取第一个频率带的信号的均值A1,取第1、3、5、9、13个频率带的信号的均方差D1、D3、D5、D9、D13,并将他们作为刀具磨损情况检验的特征量;
(5)基于上述检验特征量构造多元非线性回归方程:D=0.96*A1+0.12*D1+0.08*D3+0.02*D5-0.01*D9,将各磨损情况检验特征值带入多元非线性回归方程,得到磨损状态预估值D;
(6)利用最小二乘法拟合出磨损状态实际值与刀具使用次数之间的曲线,在计算出磨损状态预估值后,查找曲线上该值所对应的刀具使用次数,得到刀具剩余使用寿命的预测值DG;
(7)判断预测值DG是否小于K,如果是,则发送相应的磨损严重的信息。
3.根据权利要求1或2所述的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,所述第二步的步骤(6)中,Q=0.85。
4.根据权利要求3所述的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,所述刀具磨损度检测判断过程的步骤(7)中,K=0.2。
5.根据权利要求4所述的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,所述数据采集卡的采样频率为1kHz。
6.一种基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,包括以下步骤:
第一步,电流互感器检测主轴伺服电机的工作电流并发送给数据采集卡,数据采集卡对电流互感器发送的模拟电流信号进行采集,采集到的数字电流信号发送给电流数据处理模块;电流数据处理模块对数据采集卡发送的电流数据进行小波包多阈值去噪处理,小波包多阈值去噪的过程是:
(1)按时序每500个采样点存放在一个数组中进行滤波处理;
(2)取一组信号进行处理,对一组中的500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,500]Hz之间的16个频率带信号n1、n2、n3、n4、n5、n6、n7、n8、n9、n10、n11、n12、n13、n14、n15、n16;
(3)将16个频率带数据按照频率范围从小到大排序,设置低频率段比例系数α=1/8,高频率段比例系数β=1/8,则节点[4,0]和[4,1]对应的频率带为低频率段,对应频率为[0,62.5]Hz;节点[4,14]和[4,15]对应的频率带为高频率段,对应频率为[437.5,500]Hz;剩余节点对应的频率带为中频率段,对应频率为[62.5,437.5]Hz,以此规则进行分组,得到各频段的小波包树节点信息;
(4)选取低频段阈值准则A为minimaxi,中频段阈值准则B为rigrsure,高频段阈值准则为sqtwolog,具体地,低频段节点[4,0]和[4,1]采用minimaxi准则,高频段节点[4,14]和[4,15]采用sqtwolog准则,其余节点均采用rigrsure准则;
(5)对经过阈值处理后的小波包分解系数进行小波包重构,得到去除噪声后的电流信号;
第二步,对刀具磨损度检测判断,包括以下步骤:
(1)对所述第一步得到的去噪后的电流信号按初始时序排列,按500个采样点为一组,存入新的数组中;
(2)取一组信号进行处理,对500个采样点进行小波包分解,选择db8作为小波基,并利用该小波基对电流信号进行4层小波包分解,得到[0,1000]Hz之间的16个频率带信号N1、N2、N3、N4、N5、N6、N7、N8、N9、N10、N11、N12、N13、N14、N15、N16;
(3)对小波包分解系数重构,并求解各节点系数xik,用S1~S16表示各层节点的重构信号幅值,则电流信号的总幅值S为各层节点重构信号幅值之和;
(4)取第一个频率带的信号的均值A1,取第1、3、5、9、13个频率带的信号的均方差D1、D3、D5、D9、D13,并将他们作为刀具磨损情况检验的特征量;
(5)基于上述检验特征量构造多元非线性回归方程:D=0.96*A1+0.12*D1+0.08*D3+0.02*D5-0.01*D9,将各磨损情况检验特征值带入多元非线性回归方程,得到磨损状态预估值D;
(6)利用最小二乘法拟合出磨损状态实际值与刀具使用次数之间的曲线,在计算出磨损状态预估值后,查找曲线上该值所对应的刀具使用次数,得到刀具剩余使用寿命的预测值DG;
(7)判断预测值DG是否小于K,如果是,则发送相应的磨损严重的信息。
7.根据权利要求6所述的基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法,其特征在于,K=0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657705.9A CN108873813B (zh) | 2018-06-25 | 2018-06-25 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657705.9A CN108873813B (zh) | 2018-06-25 | 2018-06-25 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108873813A true CN108873813A (zh) | 2018-11-23 |
CN108873813B CN108873813B (zh) | 2020-04-28 |
Family
ID=64294254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810657705.9A Expired - Fee Related CN108873813B (zh) | 2018-06-25 | 2018-06-25 | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108873813B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110653661A (zh) * | 2019-09-30 | 2020-01-07 | 山东大学 | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 |
CN111429395A (zh) * | 2019-01-08 | 2020-07-17 | 鸿富锦精密电子(成都)有限公司 | 刀具寿命预测方法、装置及计算机存储介质 |
CN111774934A (zh) * | 2020-06-30 | 2020-10-16 | 华中科技大学无锡研究院 | 基于端到端模型的刀具健康状况监测方法、装置及系统 |
CN112706001A (zh) * | 2020-12-23 | 2021-04-27 | 重庆邮电大学 | 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法 |
CN114371658A (zh) * | 2021-12-27 | 2022-04-19 | 上海滨捷机电有限公司 | 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质 |
CN115431099A (zh) * | 2022-08-17 | 2022-12-06 | 南京工大数控科技有限公司 | 一种基于主轴电流的铣刀盘磨损量实时计算与补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 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 |
CN104615877A (zh) * | 2015-01-28 | 2015-05-13 | 辽宁工程技术大学 | 一种基于小波包进行信号去噪的方法 |
WO2016128074A1 (de) * | 2015-02-13 | 2016-08-18 | P + L Gmbh & Co. Kg | Verfahren zur lagebestimmung eines werkstücks in einer werkzeugmaschine |
CN106514434A (zh) * | 2016-12-30 | 2017-03-22 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
-
2018
- 2018-06-25 CN CN201810657705.9A patent/CN108873813B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 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 |
CN104615877A (zh) * | 2015-01-28 | 2015-05-13 | 辽宁工程技术大学 | 一种基于小波包进行信号去噪的方法 |
WO2016128074A1 (de) * | 2015-02-13 | 2016-08-18 | P + L Gmbh & Co. Kg | Verfahren zur lagebestimmung eines werkstücks in einer werkzeugmaschine |
CN106514434A (zh) * | 2016-12-30 | 2017-03-22 | 华中科技大学 | 一种基于数据的铣削刀具磨损监测方法 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李斌: "小波包分析技术在电流刀具磨损监测系统中的应用", 《心智与计算》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429395A (zh) * | 2019-01-08 | 2020-07-17 | 鸿富锦精密电子(成都)有限公司 | 刀具寿命预测方法、装置及计算机存储介质 |
CN110653661A (zh) * | 2019-09-30 | 2020-01-07 | 山东大学 | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 |
CN111774934A (zh) * | 2020-06-30 | 2020-10-16 | 华中科技大学无锡研究院 | 基于端到端模型的刀具健康状况监测方法、装置及系统 |
CN112706001A (zh) * | 2020-12-23 | 2021-04-27 | 重庆邮电大学 | 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法 |
CN114371658A (zh) * | 2021-12-27 | 2022-04-19 | 上海滨捷机电有限公司 | 一种数控机床集成电柜控制方法、系统、电子设备和可读存储介质 |
CN115431099A (zh) * | 2022-08-17 | 2022-12-06 | 南京工大数控科技有限公司 | 一种基于主轴电流的铣刀盘磨损量实时计算与补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108873813B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108873813A (zh) | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 | |
CN108620949B (zh) | 刀具磨耗监测与预测方法 | |
Martins et al. | Tool condition monitoring of single-point dresser using acoustic emission and neural networks models | |
CN106181579B (zh) | 一种基于多传感器电流信号的刀具磨损监测方法 | |
CN102091972B (zh) | 一种数控机床刀具磨损监测方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN104002195B (zh) | 一种基于能量的刀具寿命预测系统 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN103760820A (zh) | 数控铣床加工过程状态信息评价装置 | |
CN209485669U (zh) | 一种滚刀信息监测装置 | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN102145469A (zh) | 在数控机床工作时检测切削刀具磨损的方法及装置 | |
CN106514434A (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
CN105159237A (zh) | 一种面向数字化车间数控机床的能耗预测方法 | |
CN104503362B (zh) | 基于多信息融合的批量工件数控加工进度自动采集方法 | |
CN109739183B (zh) | 一种基于多传感器的大型数控机床故障监测系统 | |
CN108527005A (zh) | 一种cnc刀具状态检测方法和系统 | |
CN103198147A (zh) | 自动化监测异常数据的判别及处理方法 | |
CN111300148A (zh) | 一种电流信号监测刀具磨损的方法 | |
CN106944877A (zh) | 基于声发射信号的刀具磨损无线智能检测装置 | |
CN109496285A (zh) | 数控机床的状态检测方法及系统 | |
CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN103750552A (zh) | 一种智能取样方法及其在香烟质量控制的应用 | |
CN104503361B (zh) | 基于多模式融合的齿轮加工过程换刀决策方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200428 Termination date: 20210625 |