CN109262368A - 一种刀具失效判定方法 - Google Patents
一种刀具失效判定方法 Download PDFInfo
- Publication number
- CN109262368A CN109262368A CN201811068417.6A CN201811068417A CN109262368A CN 109262368 A CN109262368 A CN 109262368A CN 201811068417 A CN201811068417 A CN 201811068417A CN 109262368 A CN109262368 A CN 109262368A
- Authority
- CN
- China
- Prior art keywords
- current signal
- tool failure
- determination method
- tool
- data
- 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
- B23Q17/0952—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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种刀具失效判定方法,包括步骤利用电流传感器采集加工机台主轴电流信号,以1s时间长度对电流信号重复采样并对电流信号进行标记标签;通过特征学习,提取电流信号的特征值:根据电流信号的特征值,进行电流信号数据清洗,并将清洗后的信号进行归一化处理,得到输入数据;通过机器学习和深度学习方法分析电流信号与刀具断刀及崩缺之间的关系,将输入数据作为训练样本进行训练后,建立刀具失效判定模型;将输入数据作为测试样本输入刀具失效判定模型测试,得到刀具失效评估结果。本发明能够有效实现刀具磨损实时在线监控和预测,提前预测断刀、崩边相关的各项因素刀具失效状态,大大降低了生产过程中的安全隐患,提高产品成品率。
Description
技术领域
本发明属于加工刀具检测技术领域,特别是涉及一种刀具失效判定方法。
背景技术
刀具在加工过程中受两方面主要载荷:1)因高速旋转而产生的离心力;2)与加工件接触而产生的切削力。刀具在加工过程中随着加工时间的增加,自身的磨损程度也随之增加。当磨损量达到一定程度时,甚至还会出现断刀、崩边等严重磨损现象,进而导致刀具失效。在缺乏有效的刀具磨损监控、预测方法时,刀具磨损不但会增加生产产品的次品率,同时也会给安全生产造成隐患。目前制造企业只能通过日常经验寻找与刀具断刀、崩边相关的各项因素,而导致判定不准的难题。
发明内容
为了解决上述问题,本发明提出了一种刀具失效判定方法,能够有效实现刀具磨损实时在线监控和预测,提前预测断刀、崩边相关的各项因素刀具失效状态,大大降低了生产过程中的安全隐患,提高生产产品的成品率。
为达到上述目的,本发明采用的技术方案是:一种刀具失效判定方法,包括步骤:
S1,利用电流传感器采集加工机台主轴电流信号,以1s时间长度对电流信号重复采样并对电流信号进行标记标签;获取实时电流信号和历史电流信号
S2,通过特征学习,提取电流信号的特征值:
S3,根据电流信号的特征值,进行电流信号数据清洗,并将清洗后的信号进行归一化处理,分别得到实时输入数据和历史输入数据;
S4,通过机器学习和深度学习方法分析电流信号与刀具断刀及崩缺之间的关系,以历史输入数据作为训练样本进行训练后,建立刀具失效判定模型;
S5,将实时输入数据作为测试样本输入刀具失效判定模型测试,得到刀具失效评估结果。
进一步的是,所述数据清洗包括步骤:滤除空转电流信号;对电流信号进行降维处理;对电流信号进行归一化处理。
进一步的是,所述滤除空转的电流信号包括步骤:
将原始的电流信号的幅值映射到[-1,1]的区间;
设置电流信号的空转过滤阈值;
根据设置的空转过滤阈值,去掉电流幅值低于空转过滤阈值的电流信号。
进一步的是,在过滤后的电流信号长度不足的数据后面补0,以保持过滤后每秒的数据维度相同;提高后期计算速度和效率。
进一步的是,所述降维处理方法包括步骤:以10ms作为重采样间隔,每10ms取一个均值,将1s内的电流信号数据降维。直接对原始的采样频率得到的数据进行分析会消耗大量的计算资源和计算时间,不适用于实际的工业生产场景;采用降维处理方法处理去空转补零后的电流信号。
进一步的是,对信号进行归一化处理:采用标准差标准化的数据归一化方法;
转化函数为:
其中,μ为所有电流信号样本数据的均值;σ为所有电流信号样本数据的标准差;经过归一化处理后的电流信号符合标准正态分布,即均值为0,方差为1。归一化后的数据一方面加快了梯度下降求解最优解的速度,另一方面有可能提高精度。
进一步的是,分析电流信号与刀具断刀及崩缺之间的关系中的判断依据:刀具使用过程中出现崩缺时,电流幅值会急剧波动;刀具使用过程中出现断刀时,重采样后的电流信号表现出刀具在从轻度磨损到重度磨损间波形存在微小变化;
通过分析电流信号的时域特点,采用卷积神经网络分析电流信号与刀具断刀及崩缺之间的关系,通过电流信号作为训练样本进行训练,建立刀具失效判定模型。
进一步的是,所述刀具失效判定模型包括卷积层、池化层、全连接层与softmax分离器;样本数据导入后,经过多层卷积操作和池化操作,通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量,将映射向量带入softmax分类器中,输出刀具失效分类区间概率,通过各个分类区间概率值获得刀具失效评估结果。
采用本技术方案的有益效果:
本发明通过建立刀具失效判定模型,能够有效实现刀具磨损实时在线监控和预测,提前预测断刀、崩边相关的各项因素刀具失效状态,大大降低了生产过程中的安全隐患,提高生产产品的成品率;
本发明通过对采集的电流信号的处理,有效加快了计算速度和计算精度,能够较好的估计刀具失效状态,实现刀具失效的提前预测。
附图说明
图1为本发明的一种刀具失效判定方法的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种刀具失效判定方法,包括步骤:
S1,利用电流传感器采集加工机台主轴电流信号,以1s时间长度对电流信号重复采样并对电流信号进行标记标签;获取实时电流信号和历史电流信号
S2,通过特征学习,提取电流信号的特征值:
S3,根据电流信号的特征值,进行电流信号数据清洗,并将清洗后的信号进行归一化处理,分别得到实时输入数据和历史输入数据;
S4,通过机器学习和深度学习方法分析电流信号与刀具断刀及崩缺之间的关系,以历史输入数据作为训练样本进行训练后,建立刀具失效判定模型;
S5,将实时输入数据作为测试样本输入刀具失效判定模型测试,得到刀具失效评估结果。
作为上述实施例的优化方案,所述数据清洗包括步骤:滤除空转电流信号;对电流信号进行降维处理;对电流信号进行归一化处理。
所述滤除空转的电流信号包括步骤:
将原始的电流信号的幅值映射到[-1,1]的区间;
设置电流信号的空转过滤阈值;
根据设置的空转过滤阈值,去掉电流幅值低于空转过滤阈值的电流信号。
在过滤后的电流信号长度不足的数据后面补0,以保持过滤后每秒的数据维度相同;提高后期计算速度和效率。
作为上述实施例的优化方案,所述降维处理方法包括步骤:以10ms作为重采样间隔,每10ms取一个均值,将1s内的电流信号数据降维。直接对原始的采样频率得到的数据进行分析会消耗大量的计算资源和计算时间,不适用于实际的工业生产场景;采用降维处理方法处理去空转补零后的电流信号。
对信号进行归一化处理:采用标准差标准化的数据归一化方法;
转化函数为:
其中,μ为所有电流信号样本数据的均值;σ为所有电流信号样本数据的标准差;经过归一化处理后的电流信号符合标准正态分布,即均值为0,方差为1。归一化后的数据一方面加快了梯度下降求解最优解的速度,另一方面有可能提高精度。
作为上述实施例的优化方案,分析电流信号与刀具断刀及崩缺之间的关系中的判断依据:刀具使用过程中出现崩缺时,电流幅值会急剧波动;刀具使用过程中出现断刀时,重采样后的电流信号表现出刀具在从轻度磨损到重度磨损间波形存在微小变化;
通过分析电流信号的时域特点,采用卷积神经网络分析电流信号与刀具断刀及崩缺之间的关系,通过电流信号作为训练样本进行训练,建立刀具失效判定模型。
所述刀具失效判定模型包括卷积层、池化层、全连接层与softmax分离器;样本数据导入后,经过多层卷积操作和池化操作,通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量,将映射向量带入softmax分类器中,输出刀具失效分类区间概率,通过各个分类区间概率值获得刀具失效评估结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种刀具失效判定方法,其特征在于,包括步骤:
S1,利用电流传感器采集加工机台主轴电流信号,以1s时间长度对电流信号重复采样并对电流信号进行标记标签;获取实时电流信号和历史电流信号;
S2,通过特征学习,提取电流信号的特征值:
S3,根据电流信号的特征值,进行电流信号数据清洗,并将清洗后的信号进行归一化处理,分别得到实时输入数据和历史输入数据;
S4,通过机器学习和深度学习方法分析电流信号与刀具断刀及崩缺之间的关系,以历史输入数据作为训练样本进行训练后,建立刀具失效判定模型;
S5,将实时输入数据作为测试样本输入刀具失效判定模型测试,得到刀具失效评估结果。
2.根据权利要求1所述的一种刀具失效判定方法,其特征在于,所述数据清洗包括步骤:滤除空转电流信号;对电流信号进行降维处理;对电流信号进行归一化处理。
3.根据权利要求2所述的一种刀具失效判定方法,其特征在于,所述滤除空转的电流信号包括步骤:
将原始的电流信号的幅值映射到[-1,1]的区间;
设置电流信号的空转过滤阈值;
根据设置的空转过滤阈值,去掉电流幅值低于空转过滤阈值的电流信号。
4.根据权利要求3所述的一种刀具失效判定方法,其特征在于,在过滤后的电流信号长度不足的数据后面补0,以保持过滤后每秒的数据维度相同。
5.根据权利要求4所述的一种刀具失效判定方法,其特征在于,所述降维处理方法包括步骤:以10ms作为重采样间隔,每10ms取一个均值,将1s内的电流信号数据降维。
6.根据权利要求5所述的一种刀具失效判定方法,其特征在于,对信号进行归一化处理:采用标准差标准化的数据归一化方法;
转化函数为:
其中,μ为所有电流信号样本数据的均值;σ为所有电流信号样本数据的标准差;经过归一化处理后的电流信号符合标准正态分布,即均值为0,方差为1。
7.根据权利要求6所述的一种刀具失效判定方法,其特征在于,分析电流信号与刀具断刀及崩缺之间的关系中的判断依据:刀具使用过程中出现崩缺时,电流幅值会急剧波动;刀具使用过程中出现断刀时,重采样后的电流信号表现出刀具在从轻度磨损到重度磨损间波形存在微小变化;
通过分析电流信号的时域特点,采用卷积神经网络分析电流信号与刀具断刀及崩缺之间的关系,通过电流信号作为训练样本进行训练,建立刀具失效判定模型。
8.根据权利要求7所述的一种刀具失效判定方法,其特征在于,所述刀具失效判定模型包括卷积层、池化层、全连接层与softmax分离器;样本数据导入后,经过多层卷积操作和池化操作,通过全连接层将分布式特征表示映射到样本标记获取样本的映射向量,将映射向量带入softmax分类器中,输出刀具失效分类区间概率,通过各个分类区间概率值获得刀具失效评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068417.6A CN109262368B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具失效判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068417.6A CN109262368B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具失效判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109262368A true CN109262368A (zh) | 2019-01-25 |
CN109262368B CN109262368B (zh) | 2020-07-10 |
Family
ID=65188560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811068417.6A Active CN109262368B (zh) | 2018-09-13 | 2018-09-13 | 一种刀具失效判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109262368B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109822398A (zh) * | 2019-03-25 | 2019-05-31 | 华中科技大学 | 一种基于深度学习的数控机床断刀检测系统及方法 |
CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
CN111390648A (zh) * | 2020-03-31 | 2020-07-10 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN112179947A (zh) * | 2020-09-27 | 2021-01-05 | 上海飞机制造有限公司 | 一种基于多特征因子统计的刀具磨损预警方法 |
CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
CN114571285A (zh) * | 2022-03-07 | 2022-06-03 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
CN114670062A (zh) * | 2022-05-31 | 2022-06-28 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
US11899081B2 (en) | 2019-12-10 | 2024-02-13 | Barnes Group Inc. | Wireless sensor with beacon technology |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140216170A1 (en) * | 2013-02-05 | 2014-08-07 | Georgia Tech Research Corporation | Systems And Methods For Monitoring Cutting Forces In Peripheral End Milling |
CN105619178A (zh) * | 2016-03-09 | 2016-06-01 | 华中科技大学 | 一种数控机床断刀实时检测方法 |
CN106126827A (zh) * | 2016-06-28 | 2016-11-16 | 华中科技大学 | 一种数控装备健康指数的监测方法 |
CN106271881A (zh) * | 2016-08-04 | 2017-01-04 | 华中科技大学 | 一种基于SAEs和K‑means的刀具破损监测方法 |
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 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 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 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
-
2018
- 2018-09-13 CN CN201811068417.6A patent/CN109262368B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140216170A1 (en) * | 2013-02-05 | 2014-08-07 | Georgia Tech Research Corporation | Systems And Methods For Monitoring Cutting Forces In Peripheral End Milling |
CN105619178A (zh) * | 2016-03-09 | 2016-06-01 | 华中科技大学 | 一种数控机床断刀实时检测方法 |
CN106126827A (zh) * | 2016-06-28 | 2016-11-16 | 华中科技大学 | 一种数控装备健康指数的监测方法 |
CN106271881A (zh) * | 2016-08-04 | 2017-01-04 | 华中科技大学 | 一种基于SAEs和K‑means的刀具破损监测方法 |
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 |
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 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 |
CN107877262A (zh) * | 2017-11-13 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的数控机床刀具磨损监测方法 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
Non-Patent Citations (2)
Title |
---|
李康: "基于变频器输入电流的刀具磨损状态监测系统设计与实现", 《组合机床与自动化加工技术》 * |
赵帅: "基于随机森林与主成分分析的刀具磨损评估", 《机械工程学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109822398A (zh) * | 2019-03-25 | 2019-05-31 | 华中科技大学 | 一种基于深度学习的数控机床断刀检测系统及方法 |
CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
US11899081B2 (en) | 2019-12-10 | 2024-02-13 | Barnes Group Inc. | Wireless sensor with beacon technology |
CN111390648B (zh) * | 2020-03-31 | 2021-12-28 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111390648A (zh) * | 2020-03-31 | 2020-07-10 | 江麓机电集团有限公司 | 基于对抗神经网络的车刀磨损判定方法 |
CN111633467A (zh) * | 2020-05-15 | 2020-09-08 | 大连理工大学 | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 |
CN112179947B (zh) * | 2020-09-27 | 2023-11-17 | 上海飞机制造有限公司 | 一种基于多特征因子统计的刀具磨损预警方法 |
CN112179947A (zh) * | 2020-09-27 | 2021-01-05 | 上海飞机制造有限公司 | 一种基于多特征因子统计的刀具磨损预警方法 |
CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
CN114571285A (zh) * | 2022-03-07 | 2022-06-03 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
CN114571285B (zh) * | 2022-03-07 | 2024-01-19 | 博世华域转向系统有限公司 | 智能识别挤压丝锥微崩刃的方法 |
CN114670062A (zh) * | 2022-05-31 | 2022-06-28 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
CN114670062B (zh) * | 2022-05-31 | 2022-08-23 | 苏芯物联技术(南京)有限公司 | 一种钻孔刀具磨损状态实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109262368B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109262368A (zh) | 一种刀具失效判定方法 | |
CN109465676A (zh) | 一种刀具寿命预测方法 | |
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 | |
US20210364482A1 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
CN109514349A (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及系统 | |
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 | |
CN106514434A (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
CN110405537B (zh) | 一种基于深度学习的导轨精度预测模型的建立方法 | |
CN107877262A (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
Lu et al. | A condition monitoring approach for machining process based on control chart pattern recognition with dynamically-sized observation windows | |
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 | |
CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN104794492A (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
CN112720071B (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
CN109262369A (zh) | 一种刀具状态检测系统及方法 | |
Neef et al. | Tool wear and surface quality monitoring using high frequency CNC machine tool current signature | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 | |
CN103473640A (zh) | 一种基于机床刀具受力状态的加工进度信息采集方法 | |
CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
CN113043073A (zh) | 一种刀具磨损及寿命预测方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, 4th floor, building 1, Jule road crossing, Section 1, West 1st ring road, Chengdu, Sichuan 610000 Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |