CN108907896A - 一种刀具剩余寿命在线预测方法及系统 - Google Patents
一种刀具剩余寿命在线预测方法及系统 Download PDFInfo
- Publication number
- CN108907896A CN108907896A CN201810576359.1A CN201810576359A CN108907896A CN 108907896 A CN108907896 A CN 108907896A CN 201810576359 A CN201810576359 A CN 201810576359A CN 108907896 A CN108907896 A CN 108907896A
- Authority
- CN
- China
- Prior art keywords
- cutter
- signal
- tool
- processing
- remaining life
- 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
-
- 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
- B23Q17/0995—Tool life management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明提供一种刀具剩余寿命在线预测方法和系统,该方法将刀具及加工信息录入刀具管理系统,并通过实时采集声发射与功率信号;对刀具数据库中同类型刀具建立SVR模型,建立信号特征与磨损量的关系并设定阈值。在加工中通过对每一加工时间点的声发射、功率信号进行处理,提取一系列特征进行自回归积分滑动平均模型建模,得到信号特征的预测值,继而利用SVR模型转化为磨损量,通过与阈值对比计算出当前时刻刀具剩余寿命。所述系统包括刀具管理系统,声发射、功率信号监控系统,金属二维码打印系统与二维码扫描设备。本发明提高了刀具剩余寿命预测的准确性与实时性,提高了刀具利用率,降低了生产成本。
Description
技术领域
本发明涉及机械加工刀具领域,具体地,涉及一种刀具剩余寿命在线预测方法及系统。
背景技术
随着“智能制造”概念的提出,数字化、信息化制造技术快速发展,各种数字化机床的运用也更加普遍,其中刀具作为整个加工系统直接与工件接触的部件,其加工寿命决定了整个生产制造环节的质量与效率,故其加工状态的监控与加工寿命的预测显得越来越重要。借助刀具管理系统,可对刀具进行全生命周期的监控,对于刀具的有效使用、合理配置有着重要作用,并能进一步提高加工质量与生产效率,降低生产成本。通过对加工刀具的在线监测,实时分析其剩余寿命,量化加工能力,是一种有效提高生产效率、保证加工质量的方法。
通过对现有文献的搜索,王晓强在其硕士学位论文(华中科技大学,2016-5)“刀具磨损监测和剩余寿命预测方法”中对刀具磨损监控和寿命预测模型进行了研究,该文通过对切削力、振动和声发射信号进行研究,建立了基于隐马尔科夫模型(HMM)的刀具磨损监测和剩余寿命预测模型,与传统刀具磨损分级识别不同,该方法通过概率的计算得到连续的刀具磨损值,并根据不同情况设置任意阈值。该文有许多思想值得借鉴,但提出的技术方法仍存在以下缺陷和不足:
(1)该文的模型适用长时间序列,文中的时间序列长度(走刀次数)达到300以上,不适用于加工时间序列长度较短的加工工种;
(2)该文中进行了刀具破损实验,但在高价值的工件加工现场,为了保证加工质量,刀具破损是要极力避免的,因而该方法在许多领域无法得到应用;
(3)该方法停留在剩余寿命预测方法的研究,没有进行刀具剩余寿命在线预测的进一步研究与应用,而这恰恰是剩余寿命预测方法应用的关键所在。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种刀具剩余寿命在线预测方法及系统,通过对刀具加工过程中的声发射、功率信号的实时监测,基于刀具管理系统进行在线的数字信号处理,得出相关特征值,进行刀具剩余寿命的实时预测。
根据本发明的一个方面,提供一种刀具剩余寿命在线预测方法,所述方法包括:
在使用刀具进行加工前,将刀具信息、工件信息、切削参数录入到刀具管理系统,同时,实时记录声发射信号和/或功率信号,并将信号传输至刀具管理系统;
在加工初期,记录加工阶段的声发射信号和/或功率信号数据,监测异常值,若出现信号值急剧增大的异常情况,停止加工;
以刀具加工的单个零件特征作为信号处理的时间单位,记录每一时间单位的功率和/或声发射信号,使用信号处理方法提取加工信号特征;
根据现有刀具数据库信息,使用支持向量回归(SVR)模型对功率(P)和/或声发射信号(AE)所提取的加工信号特征与刀具磨损量(VB)建立函数映射关系:
其中:y为刀具磨损量,为功率和/或声发射信号提取的加工信号特征,ωi为对应的系数,b为常数项;
设定刀具磨损量阈值;
对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模;
预测下一时间单位及以后的信号特征;
根据上述支持向量回归(SVR)模型,将预测到的所述信号特征转化为磨损量(VB),并通过与设定的所述刀具磨损量阈值对比,判断该刀具的剩余寿命。
优选地,所述对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,是指:
设每把刀具总加工寿命为T,当加工至T/2时,利用自回归积分滑动平均模型(ARIMA)对中所提取的n个加工信号特征进行建模:
其中:Xt为当前时刻的特征,Xt-i为前i个时刻的特征,c为常数项,为每一项的影响系数,εt-i为误差项,θi为每一误差项的影响系数。
更优选地,建模的加工信号特征有n个,Xt、Xt-i、c、εt-i均为n维列向量,θi为n维行向量,实际算法实现的过程中用矩阵形式实现。
优选地,每经过一个时间单位的加工,都利用监测信号特征对自回归积分滑动平均模型(ARIMA)进行实时更新,以产生实时刀具剩余寿命的预测值,从而实现刀具剩余寿命的在线预测。
根据本发明的另一个方面,提供一种刀具剩余寿命在线预测系统,包括:刀具管理系统,声发射、功率信号监控系统,金属二维码打印系统与二维码扫描设备;其中:
所述刀具管理系统内设有刀具数据库,刀具数据库对刀具进行编码,并将刀具序列号与具体的刀具信息存入刀具数据库方便查询;所述刀具管理系统将刀具序列号发送至金属二维码打印系统;
所述金属二维码打印系统将刀具序列号通过二维码形式用激光雕刻于对应刀具表面;
所述二维码扫描设备对刀具表面的二维码进行扫描,并将对应刀具及工件信息、切削参数录入到刀具管理系统;
所述声发射、功率信号监控系统,在加工时实时记录声发射信号与功率信号,并实时传输至刀具管理系统进行数据分析;
所述刀具管理系统对每一时间单位的功率和/或声发射信号,使用信号处理方法提取加工信号特征,病根据现有刀具数据库信息,使用支持向量回归(SVR)模型对功率(P)和/或声发射信号(AE)所提取的加工信号特征与刀具磨损量(VB)建立函数映射关系;设定刀具磨损量阈值;对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,预测下一时间单位及以后的信号特征;根据上述支持向量回归(SVR)模型,将预测到的所述信号特征转化为磨损量(VB),并通过与设定的所述刀具磨损量阈值对比,判断该刀具的剩余寿命。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明所述的方法和系统,基于功率与声发射信号进行特征提取,能很好地反应出刀具的加工与磨损状态;
(2)本发明所述的方法和系统,通过支持向量回归模型,得到信号特征与刀具磨损量之间较好的对应关系;
(3)本发明所述的方法和系统,可用于处理各种长度的加工时间序列,在各种加工工种的应用中更具有普适性;
(4)本发明所述的方法和系统,通过对预测模型的实时更新,使得对刀具剩余寿命的预测精度不断提高,对于加工后期的刀具更换更具有指导意义;
(5)本发明所述的方法和系统,基于金属二维码与刀具管理系统,记录刀具从出厂到报废的每一次加工信息,完成了刀具的全生命周期的记录。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例的方法流程图;
图2为本发明一实施例的系统结构框图;
图3为本发明一实施例的信号特征RMS的AR(2)模型的一步预测值与实际值对比示意图;
图4为本发明一实施例的具剩余寿命的预测值与实际值的对比示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,一种刀具剩余寿命在线预测方法的一实施例流程图,其中包括如下步骤:
(1)在使用刀具进行加工前,通过二维码扫描设备扫描刀具表面金属二维码,并将对应刀具信息、工件信息、切削参数录入到刀具管理系统;同时,声发射、功率信号监控系统实时记录声发射信号和/或功率信号,并将信号传输至刀具管理系统;
(2)在加工初期,记录加工阶段的声发射信号和/或功率信号数据,监测异常值,若出现信号值急剧增大的异常情况,停止加工;
(3)以刀具加工的单个零件特征作为信号处理的时间单位,以汽轮机转子的轮槽为例,记录下每一道轮槽加工阶段的功率和/或声发射信号,使用信号处理方法提取出加工每一道轮槽的加工信号特征如上升时间、计数、能量、幅值、平均频率、RMS、ASL、峰值计数、反算频率、初始频率、信号强度、绝对能量、中心频率、峰频等;
(4)根据现有刀具数据库信息,使用支持向量回归(SVR)模型建立功率(P)和/或声发射信号(AE)所提取的加工信号特征与刀具磨损量(VB)的函数映射关系:
其中:y为刀具磨损量,为功率和/或声发射信号所提取的加工信号特征,ωi为对应的系数,b为常数项;
(5)设定刀具磨损量阈值;
(6)设每把刀具总加工寿命为T,当加工进行至T/2时,逐步开始利用自回归积分滑动平均模型对(5)中所提取的n个加工信号特征进行建模:
其中:Xt为当前时刻的特征,Xt-i为前i个时刻的特征,c为常数项,为每一项的影响系数,εt为误差项;由于建模特征有n个,Xt、Xt-i、c、εt-i均为n维列向量,θi为n维行向量,实际算法实现的过程中可用矩阵形式实现;
(7)当加工至第t个时间单位(t≥T/2)时,以(6)中所述的模型对加工信号特征进行建模,预测第t+1个时间点以及之后时间点的信号特征,通过(3)中的功率(P)和/或声发射信号(AE)特征与刀具磨损量(VB)的支持向量回归(SVR)模型,将预测的信号特征转化为磨损量(VB),并通过与(4)设定的磨损量阈值对比,判断该刀具的剩余寿命;
(8)当加工至第t+1个时间点时,以声发射、功率信号监控系统记录下的数据信号对(7)中的ARIMA模型进行更新,预测第t+2个时间点以及之后时间点的信号特征,进而预测第t+1个时间点刀具的剩余寿命;
(9)此后每经过一个时间点的加工,都利用监测信号特征对ARIMA模型进行实时更新,以产生实时刀具剩余寿命的预测值。
当然,以上是本发明一实施例的实施步骤,在其他实施例中,上述步骤并不要求严格按照上述顺序进行,可以根据实际情况对先后的顺序做一些调整,这对本领域技术人员来说是可以理解的。
如图2所示,一种刀具剩余寿命在线预测系统的一实施例结构框图,其中包括:刀具管理系统,声发射、功率信号监控系统,金属二维码打印系统与二维码扫描设备;其中:
所述刀具管理系统内设有刀具数据库,刀具数据库对刀具进行编码,并将刀具序列号与具体的刀具信息存入刀具数据库方便查询;所述刀具管理系统将刀具序列号发送至金属二维码打印系统;
所述金属二维码打印系统将刀具序列号通过二维码形式用激光雕刻于对应刀具表面;
所述二维码扫描设备对刀具表面的二维码进行扫描,并将对应刀具及工件信息、切削参数录入到刀具管理系统;
所述声发射、功率信号监控系统,在加工时实时记录声发射信号与功率信号,并实时传输至刀具管理系统进行数据分析;
所述刀具管理系统对每一时间单位的功率与声发射信号,使用信号处理方法提取加工信号特征,并根据现有刀具数据库信息,使用支持向量回归(SVR)模型建立功率(P)、声发射信号(AE)特征与刀具磨损量(VB)的函数映射关系;对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,再预测下一时间单位及以后的信号特征;根据上述支持向量回归(SVR)模型,将预测到的所述信号特征转化为磨损量(VB),并通过与设定的所述刀具磨损量阈值对比,判断该刀具的剩余寿命。
具体的,所述刀具管理系统对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,其中:
设每把刀具总加工寿命为T,当加工至T/2时,利用自回归积分滑动平均模型(ARIMA)对中所提取的n个加工信号特征进行建模:
其中:Xt为当前时刻的特征,Xt-i为前i个时刻的特征,c为常数项,为每一项的影响系数,εt-i为误差项,θi为每一误差项的影响系数。进一步的,建模的加工信号特征有n个,Xt、Xt-i、c、εt-i均为n维列向量,θi为n维行向量,实际算法实现的过程中用矩阵形式实现。
所述刀具管理系统,每经过一个时间单位的加工,都利用监测信号特征对自回归积分滑动平均模型(ARIMA)进行实时更新,以产生实时刀具剩余寿命的预测值,从而实现刀具剩余寿命的在线预测。
基于上述实施例的方法和系统,以下提供一个具体的应用实例,以便更好地理解本发明技术方案:
以汽轮机转子为加工对象,刀具为成型铣刀,加工特征为轮槽,并以加工轮槽数目作为加工过程时间变量的表示。在此类加工中,一般铣刀的加工寿命为10~14道轮槽,可认为在加工第8道轮槽时刀具进入退化状态,需要对剩余加工寿命密切关注。
在本实施例中,以一把加工刀具为例说明刀具剩余寿命的在线预测:
(1)在加工开始前,需布置好功声发射信号监测系统,本实施例仅使用声发射信号,调试确保无功能异常;通过扫描刀具刀柄表面的金属二维码,将对应的刀具信息、工件信息、加工参数录入刀具管理系统;
(2)通过刀具信息及初始加工阶段的数据特征,与刀具数据库中的刀具对比,筛选出同类型刀具;由于刀具在现场正常加工中需要连续运行,刀具加工时无法测量其磨损量;使用筛选出的同类型刀具建立声发射(AE)信号特征与磨损量(VB)之间的支持向量回归(SVR)模型,此处使用线型核函数:
设定磨损量阈值:
ymax=125μm (4);
(3)对声发射信号进行处理,提取出14个特征:上升时间、计数、能量、幅值、平均频率、RMS、ASL、峰值计数、反算频率、初始频率、信号强度、绝对能量、中心频率、峰频,进行归一化处理(归一化数值范围为0.1~0.9),建立自回归(AR)模型;
(4)在正常加工情况下,当加工完成7道轮槽时,使用前7道轮槽的信号特征进行自回归(AR)模型建模;特别地,以RMS为例,其AR(2)模型的参数为即AR(2)模型的表达式为
Xt=1.4035Xt-1+0.0068Xt-2-0.0254+εt (2)
值得说明的是,此处的AR(2)模型即为ARIMA(2,0,0)模型,2--代表预测模型中采用的时序数据本身的滞后数(lags),也叫做AR/Auto-Regressive项,此案例中代表当前时刻信号特征Xt受到前两个时刻信号特征Xt-i(i=1,2)的影响;0--代表时序数据需要进行几阶差分化,才是稳定的,也叫Integrated项,此案例中代表无需对信号特征进行差分操作;0--代表预测模型中采用的预测误差的滞后数(lags),也叫做MA/Moving Average项,此案例中代表不包含滑动平均项,不考虑预测误差的滞后影响。以该模型预测一步的RMS值如图3所示,此处RMS的值进行归一化处理,处理后的RMS值范围为0.1~0.9,图中实线为预测值,虚线为实际值;
(5)使用支持向量回归(SVR)模型对当前时刻以及预测的信号特征值进行处理,转化为磨损量的预测值,并与磨损量阈值进行对比,计算得出当前时刻刀具剩余寿命。
(6)当第8道轮槽加工完成时,以实际记录的声发射信号特征对AR模型进行更新,并使用SVR模型进行处理,得出当前时刻更新的剩余寿命预测值。重复此操作直到加工结束或刀具剩余寿命耗尽。
从第7道轮槽起,至刀具剩余寿命耗尽的时刻,其磨损量预测值如表1所示,已知磨损量阈值为ymax=125μm;可以看出:
当加工轮槽数为7时,剩余寿命为5;
当加工轮槽数为8时,剩余寿命更新为4;
…………
绘制剩余寿命预测图如图4所示,可以看出:随着加工轮槽数的增多,剩余寿命的预测逐渐精确;从加工轮槽数为10的时刻开始,剩余寿命预测值与实际寿命保持一致。这说明,模型的实时更新对于剩余寿命的在线预测起到了关键的作用,也表明了本发明所述方法和系统在刀具剩余寿命的在线预测中能起到有效的作用,对于加工质量的保证与生产成本的降低有着重要意义。
表1刀具磨损量预测值
在本发明另外的实施例中,也可以采用功率信号(P),采用该信号用于建模的过程与声发射信号(AE)相同,即首先通过信号处理方法进行功率信号(P)的特征提取,其次对所提取的特征进行操作,建立功率信号(P)特征与磨损量(VB)的SVR模型,再通过ARIMA模型对功率信号(P)特征进行建模。基于ARIMA模型的实时信号特征预测,再通过SVR模型将信号特征预测值映射为磨损量(VB),最后通过与磨损量阈值的对比得出刀具的剩余寿命。
在本发明另外的实施例中,也可以同时采用声发射信号(AE)和功率信号(P),值得说明的是,无论声发射信号(AE)和/或功率信号(P),首先进行的操作是对信号本身进行数字信号处理,提取出加工信号特征,再通过SVR与ARIMA模型对信号特征进行建模。本发明上述实施例提出的模型与预测流程适用于单一的声发射信号(AE)或功率信号(P),同样适用于声发射信号(AE)与功率信号(P)二者同时适用的情况。
综上,本发明通过对刀具加工过程中的声发射、功率信号的实时监测,能很好地反应出刀具的加工与磨损状态;通过对预测模型的实时更新,使得对刀具剩余寿命的预测精度不断提高,对于加工后期的刀具更换更具有指导意义;基于刀具管理系统进行在线的数字信号处理,得出相关特征值,进行刀具剩余寿命的实时预测。本发明可用于处理各种长度的加工时间序列,在各种加工工种的应用中更具有普适性。本发明提高了刀具剩余寿命预测的准确性与实时性,提高了刀具利用率,降低了生产成本。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种刀具剩余寿命在线预测方法,其特征在于,包括:
在使用刀具进行加工前,将刀具信息、工件信息、切削参数录入到刀具管理系统,同时,实时记录声发射信号和/或功率信号,并将信号传输至刀具管理系统;
在加工初期,记录加工阶段的声发射信号和/或功率信号数据,监测异常值,若出现信号值急剧增大的异常情况,停止加工;
以刀具加工的单个零件特征作为信号处理的时间单位,记录每一时间单位的功率和/或声发射信号,使用信号处理方法提取加工信号特征;
根据现有刀具数据库信息,使用支持向量回归(SVR)模型对功率(P)和/或声发射信号(AE)所提取的加工信号特征与刀具磨损量(VB)建立函数映射关系:
其中:y为刀具磨损量,为功率和/或声发射信号提取的加工信号特征,ωi为对应的系数,b为常数项;
设定刀具磨损量阈值;
对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模;
预测下一时间单位及以后的信号特征;
根据上述支持向量回归(SVR)模型,将预测到的所述信号特征转化为磨损量(VB),并通过与设定的所述刀具磨损量阈值对比,判断该刀具的剩余寿命。
2.根据权利要求1所述的一种刀具剩余寿命在线预测方法,其特征在于,在使用刀具进行加工前,通过二维码扫描设备扫描刀具表面金属二维码,将对应刀具信息、工件信息、切削参数录入到刀具管理系统。
3.根据权利要求1所述的一种刀具剩余寿命在线预测方法,其特征在于,所述信号特征包括以下一种或多种:上升时间、计数、能量、幅值、平均频率、RMS、ASL、峰值计数、反算频率、初始频率、信号强度、绝对能量、中心频率、峰频。
4.根据权利要求1所述的一种刀具剩余寿命在线预测方法,其特征在于,所述对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,是指:
设每把刀具总加工寿命为T,当加工至T/2时,利用自回归积分滑动平均模型(ARIMA)对中所提取的n个加工信号特征进行建模:
其中:Xt为当前时刻的特征,Xt-i为前i个时刻的特征,c为常数项,为每一项的影响系数,εt-i为误差项,θi为每一误差项的影响系数。
5.根据权利要求4所述的一种刀具剩余寿命在线预测方法,其特征在于,建模的加工信号特征有n个,Xt、Xt-i、c、εt-i均为n维列向量,θi为n维行向量,实际算法实现的过程中用矩阵形式实现。
6.根据权利要求1-5任一项所述的一种刀具剩余寿命在线预测方法,其特征在于,每经过一个时间单位的加工,都利用监测信号特征对自回归积分滑动平均模型(ARIMA)进行实时更新,以产生实时刀具剩余寿命的预测值,从而实现刀具剩余寿命的在线预测。
7.一种刀具剩余寿命在线预测系统,其特征在于,包括:刀具管理系统,声发射、功率信号监控系统,金属二维码打印系统与二维码扫描设备;其中:
所述刀具管理系统内设有刀具数据库,刀具数据库对刀具进行编码,并将刀具序列号与具体的刀具信息存入刀具数据库方便查询;所述刀具管理系统将刀具序列号发送至金属二维码打印系统;
所述金属二维码打印系统将刀具序列号通过二维码形式用激光雕刻于对应刀具表面;
所述二维码扫描设备对刀具表面的二维码进行扫描,并将对应刀具及工件信息、切削参数录入到刀具管理系统;
所述声发射、功率信号监控系统,在加工时实时记录声发射信号与功率信号,并实时传输至刀具管理系统进行数据分析;
所述刀具管理系统对每一时间单位的功率和/或声发射信号,使用信号处理方法提取加工信号特征,并根据现有刀具数据库信息,使用支持向量回归(SVR)模型对功率(P)和/或声发射信号(AE)所提取的加工信号特征与刀具磨损量(VB)建立函数映射关系;设定刀具磨损量阈值;对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,预测下一时间单位及以后的信号特征;根据上述支持向量回归(SVR)模型,将预测到的所述信号特征转化为磨损量(VB),并通过与设定的所述刀具磨损量阈值对比,判断该刀具的剩余寿命。
8.根据权利要求7所述的一种刀具剩余寿命在线预测系统,其特征在于,所述刀具管理系统对提取的所述加工信号特征利用自回归积分滑动平均模型(ARIMA)建模,其中:
设每把刀具总加工寿命为T,当加工至T/2时,利用自回归积分滑动平均模型(ARIMA)对中所提取的n个加工信号特征进行建模:
其中:Xt为当前时刻的特征,Xt-i为前i个时刻的特征,c为常数项,为每一项的影响系数,εt-i为误差项,θi为每一误差项的影响系数。
9.根据权利要求8所述的一种刀具剩余寿命在线预测系统,其特征在于,建模的加工信号特征有n个,Xt、Xt-i、c、εt-i均为n维列向量,θi为n维行向量,实际算法实现的过程中用矩阵形式实现。
10.根据权利要求7-9任一项所述的一种刀具剩余寿命在线预测系统,其特征在于,所述刀具管理系统,每经过一个时间单位的加工,都利用监测信号特征对自回归积分滑动平均模型(ARIMA)进行实时更新,以产生实时刀具剩余寿命的预测值,从而实现刀具剩余寿命的在线预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576359.1A CN108907896B (zh) | 2018-06-06 | 2018-06-06 | 一种刀具剩余寿命在线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810576359.1A CN108907896B (zh) | 2018-06-06 | 2018-06-06 | 一种刀具剩余寿命在线预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108907896A true CN108907896A (zh) | 2018-11-30 |
CN108907896B CN108907896B (zh) | 2019-08-09 |
Family
ID=64418919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810576359.1A Active CN108907896B (zh) | 2018-06-06 | 2018-06-06 | 一种刀具剩余寿命在线预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108907896B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057707A (zh) * | 2019-05-31 | 2019-07-26 | 上海交通大学 | 碳纤维增强复合材料/钛合金叠层钻削刀具寿命测定方法 |
CN111590391A (zh) * | 2020-06-04 | 2020-08-28 | 浙江中德自控科技股份有限公司 | 一种基于高低频声发射传感器融合的刀具磨损识别与预测方法 |
WO2020223965A1 (zh) * | 2019-05-09 | 2020-11-12 | 西门子股份公司 | 基于刀具更换记录的切削刀具寿命的设置方法、装置和系统 |
CN112059725A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨理工大学 | 一种基于emd-svm的刀具磨损监测方法 |
CN112100777A (zh) * | 2020-11-16 | 2020-12-18 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN113124794A (zh) * | 2021-04-20 | 2021-07-16 | 长沙理工大学 | 一种滚子链节距增长量检测系统 |
CN113199304A (zh) * | 2021-04-27 | 2021-08-03 | 中国科学院合肥物质科学研究院 | 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法 |
CN113467375A (zh) * | 2021-01-06 | 2021-10-01 | 南京航空航天大学 | 基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法 |
CN114749996A (zh) * | 2022-05-25 | 2022-07-15 | 哈尔滨工业大学 | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 |
CN116011263A (zh) * | 2023-03-27 | 2023-04-25 | 南昌新宝路航空科技有限公司 | 刀具使用寿命的预测方法及数控刀具的调度方法和系统 |
CN117592976A (zh) * | 2024-01-19 | 2024-02-23 | 山东豪泉软件技术有限公司 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033991A1 (en) * | 2006-08-03 | 2008-02-07 | Jayanta Basak | Prediction of future performance of a dbms |
CN104850736A (zh) * | 2015-04-27 | 2015-08-19 | 大连理工大学 | 一种基于状态空间模型的高速数控铣床刀具寿命预测方法 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN108000239A (zh) * | 2017-12-01 | 2018-05-08 | 常州信息职业技术学院 | 数控加工在线检测系统 |
-
2018
- 2018-06-06 CN CN201810576359.1A patent/CN108907896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033991A1 (en) * | 2006-08-03 | 2008-02-07 | Jayanta Basak | Prediction of future performance of a dbms |
CN104850736A (zh) * | 2015-04-27 | 2015-08-19 | 大连理工大学 | 一种基于状态空间模型的高速数控铣床刀具寿命预测方法 |
CN107363645A (zh) * | 2017-08-21 | 2017-11-21 | 温州大学 | 基于功率检测的铣床加工过程刀具磨损量预测方法 |
CN108000239A (zh) * | 2017-12-01 | 2018-05-08 | 常州信息职业技术学院 | 数控加工在线检测系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113272746B (zh) * | 2019-05-09 | 2024-04-09 | 西门子股份公司 | 基于刀具更换记录的切削刀具寿命的设置方法、装置和系统 |
WO2020223965A1 (zh) * | 2019-05-09 | 2020-11-12 | 西门子股份公司 | 基于刀具更换记录的切削刀具寿命的设置方法、装置和系统 |
CN113272746A (zh) * | 2019-05-09 | 2021-08-17 | 西门子股份公司 | 基于刀具更换记录的切削刀具寿命的设置方法、装置和系统 |
CN110057707B (zh) * | 2019-05-31 | 2021-06-25 | 上海交通大学 | 碳纤维增强复合材料/钛合金叠层钻削刀具寿命测定方法 |
CN110057707A (zh) * | 2019-05-31 | 2019-07-26 | 上海交通大学 | 碳纤维增强复合材料/钛合金叠层钻削刀具寿命测定方法 |
CN111590391A (zh) * | 2020-06-04 | 2020-08-28 | 浙江中德自控科技股份有限公司 | 一种基于高低频声发射传感器融合的刀具磨损识别与预测方法 |
CN112059725A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨理工大学 | 一种基于emd-svm的刀具磨损监测方法 |
CN112100777A (zh) * | 2020-11-16 | 2020-12-18 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN112100777B (zh) * | 2020-11-16 | 2021-02-02 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
WO2022100017A1 (zh) * | 2020-11-16 | 2022-05-19 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN113467375A (zh) * | 2021-01-06 | 2021-10-01 | 南京航空航天大学 | 基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法 |
CN113124794A (zh) * | 2021-04-20 | 2021-07-16 | 长沙理工大学 | 一种滚子链节距增长量检测系统 |
CN113199304A (zh) * | 2021-04-27 | 2021-08-03 | 中国科学院合肥物质科学研究院 | 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法 |
CN114749996A (zh) * | 2022-05-25 | 2022-07-15 | 哈尔滨工业大学 | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 |
CN116011263A (zh) * | 2023-03-27 | 2023-04-25 | 南昌新宝路航空科技有限公司 | 刀具使用寿命的预测方法及数控刀具的调度方法和系统 |
CN116011263B (zh) * | 2023-03-27 | 2023-06-09 | 南昌新宝路航空科技有限公司 | 刀具使用寿命的预测方法及数控刀具的调度方法和系统 |
CN117592976A (zh) * | 2024-01-19 | 2024-02-23 | 山东豪泉软件技术有限公司 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
CN117592976B (zh) * | 2024-01-19 | 2024-04-26 | 山东豪泉软件技术有限公司 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108907896B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108907896B (zh) | 一种刀具剩余寿命在线预测方法及系统 | |
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
CN110561193B (zh) | 一种基于特征融合的刀具磨损评估及监控的方法与系统 | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
WO2019001220A1 (zh) | 一种基于决策树的数控车床车削过程能耗预测系统及方法 | |
Zhang et al. | A method for tool condition monitoring based on sensor fusion | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
Patange et al. | Milling cutter condition monitoring using machine learning approach | |
CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
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 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
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 | |
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 | |
CN111958321B (zh) | 基于深度神经网络的数控机床刀具磨损程度识别方法 | |
CN111737549B (zh) | 一种经济指标智能分析系统 | |
CN113867263A (zh) | 一种基于云边协同及机器学习的智能刀具管理系统 | |
CN115351601A (zh) | 一种基于迁移学习的刀具磨损监测方法 | |
CN117001423B (zh) | 一种基于进化学习的刀具状态在线监测方法 | |
Xin-chun et al. | Study on discrete manufacturing quality control technology based on big data and pattern recognition | |
CN116703254B (zh) | 模具机械零部件生产信息管理系统 | |
CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
李亚 et al. | Multi-condition wear evaluation of tool based on T-SNE and XGBoost | |
Griffin et al. | Multiple classification of the force and acceleration signals extracted during multiple machine processes: part 1 intelligent classification from an anomaly perspective | |
CN110658782B (zh) | 一种基于特征的数控机床固有能效预测方法 | |
CN116628467A (zh) | 基于空间和时序相结合的涡轮盘榫槽拉刀磨损识别方法 |
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 |