CN110576335B - 一种基于切削力的刀具磨损在线监测方法 - Google Patents

Abstract

本发明公开了一种基于切削力的刀具磨损在线监测方法，可在数控机床不停机的情况下实时监测刀具磨损状态，实时控制数控机床停机换刀，从真正意义上实现了刀具磨损状态监测的实时性，在保证加工效率与工件表面质量的前提下延长刀具寿命；本发明利用切削力信号监测刀具磨损状态，与其他诸如声发射、振动等间接监测信号相比，能够更加准确地反映刀具后刀面平均磨损宽度的变化情况，反映刀具磨损状态，且相对来说不易受到外界环境的干扰；并且，使用者无需改变机床结构，在对加工条件影响最小的情况下即可完成对刀具磨损状态的在线监测。本发明在刀具磨损监测“在场”、“在线”需求的前提下，从根本上保障加工效率与工件质量，实现刀具寿命的延长。

Description

一种基于切削力的刀具磨损在线监测方法

技术领域

本发明涉及金属切削加工技术领域，尤其涉及一种基于切削力的刀具磨损在线监测方法。

背景技术

在金属切削加工过程中，刀具的寿命和状态对加工的经济性和工件的质量有很大影响。人们很难通过基本切削参数，例如如切削深度、切削速度和时间等参数，准确地预测刀具的寿命。虽然传统的刀具寿命管理可以防止刀具的磨损和破损，然而，刀具的寿命具有随机性，人们对其寿命极限的估计往往过于保守，以致大部分刀具未能充分利用，这将意味着换刀次数和刀具费用的增加。另一方面，在金属切削加工过程中，刀具的磨损如未能及时发现，会导致切削过程的中断，引起工件报废、机床损坏，这将造成更大的损失。

由于刀具状态监测的诸多重要性，对刀具状态进行实时监测己成为重点研究领域。刀具状态监测方法一般分为直接监测法和间接监测法两种。直接监测法是通过一定的测量手段确定刀具材料在体积或重量方面的减少，并通过一定的数学模型确定刀具的磨损或破损状态。由于直接监测法是直接检测刀刃的形状、位置等参量，一般只能离线测量。间接监测法则是测量切削过程中与刀具磨损或破损有较强内在联系的某一种或者几种参量，或测量某种物理现象，根据其变化并通过一定的标定关系来检测刀具的磨损或破损状态。许多可测量的参数能够指出刀具磨损或破损，例如切削力的突然增加或消失，主轴功率、扭矩及进给驱动力的增加或降低，切削时发出的异常声音，机床的突然振动，以及工件与刀具之间电阻值的变化等，都可以用于刀具状态的监测。间接监测法能实现在线实时监测，应用较为广泛。然而，由于加工过程中切削机理的复杂性、加工条件的多样性、以及刀具工况状态的随机性，使得目前间接监测方法的在线实时能力和环境适应能力远不能满足生产的需要，因此，提供一种能够从真正意义上实现在数控机床不停机的情况下实时监测刀具磨损状态的方法，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于切削力的刀具磨损在线监测方法，用以提供一种能够从真正意义上实现在数控机床不停机的情况下实时监测刀具磨损状态的方法。

因此，本发明提供了一种基于切削力的刀具磨损在线监测方法，包括如下步骤：

S1：在利用样本刀具加工样品材料的过程中，采集所述样本刀具不同磨损状态下的三向切削力信号，对所述样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系；

S2：在利用待测刀具加工同种样品材料的过程中，采集所述待测刀具当前时刻的三向切削力信号，对所述待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量；

S3：根据建立的所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，以及获得的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定所述待测刀具当前时刻的磨损状态；

S4：判断所述待测刀具当前时刻的磨损状态是否为剧烈磨损；若是，则执行步骤S5；若否，则返回步骤S2，继续利用所述待测刀具加工样品材料，并对所述待测刀具进行下一时刻的监测；

S5：停机换刀。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，步骤S1，在利用样本刀具加工样品材料的过程中，采集所述样本刀具不同磨损状态下的三向切削力信号，对所述样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，具体包括如下步骤：

S11：在利用与待测刀具同一批次、同一型号的样本刀具加工样品材料的过程中，利用测力传感器采集所述样本刀具不同磨损状态下的三向切削力信号；其中，获取的三向切削力信号中包括剧烈磨损状态下的三向切削力信号；

S12：对所述样本刀具不同磨损状态下的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量；

S13：利用人工智能方法对选出的多维切削力数值特征量及其对应的磨损状态以黑箱形式进行监督自学习及分类，建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S11，在利用与待测刀具同一批次、同一型号的样本刀具加工样品材料的过程中，利用测力传感器采集所述样本刀具不同磨损状态下的三向切削力信号之后，还包括如下步骤：

S14：将采集的所述样本刀具不同磨损状态下的三向切削力信号实时显示并保存在服务平台上，并导入数据库中。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S12，对所述样本刀具不同磨损状态下的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量之后，还包括如下步骤：

S15：将选出的用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，步骤S2，在利用待测刀具加工同种样品材料的过程中，采集所述待测刀具当前时刻的三向切削力信号，对所述待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，具体包括如下步骤：

S21：在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集所述待测刀具当前时刻的三向切削力信号；

S22：对所述待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S21，在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集所述待测刀具当前时刻的三向切削力信号之后，还包括如下步骤：

S23：将采集的所述待测刀具当前时刻的三向切削力信号实时显示并保存在服务平台上，并导入数据库中。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S22，对所述待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量之后，还包括如下步骤：

S24：将选出的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中。

在一种可能的实现方式中，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S3，根据建立的所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，以及获得的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定所述待测刀具当前时刻的磨损状态之后，还包括如下步骤：

S6：将确定的所述待测刀具当前时刻的磨损状态实时显示并保存在服务平台上。

本发明提供的上述刀具磨损在线监测方法，首先采集样本刀具不同磨损状态下的三向切削力信号，经预处理和特征提取后，获得能够反映样本刀具磨损状态的多维切削力数值特征量，建立样本刀具磨损状态与多维切削力数值特征量之间的标定关系，然后采集待测刀具当前时刻的三向切削力信号，经预处理和特征提取后，获得能够反映待测刀具磨损状态的多维切削力数值特征量，接着根据样本刀具的标定关系以及待测刀具当前时刻的多维切削力数值特征量，得到待测刀具当前时刻的磨损状态，最后根据待测刀具当前时刻的磨损状态，确定是否需要停机换刀，上述过程可以在数控机床不停机的情况下实时监测刀具磨损状态，并实时控制数控机床停机换刀，从真正意义上实现了刀具磨损状态监测的实时性，在保证加工效率与工件表面质量的前提下，延长刀具寿命。本发明通过采集样本刀具及待测刀具的三向切削力信号，利用时域分析法、频域分析法及时频域分析法对三向切削力信号进行特征提取，利用基于距离评估方法选出多维切削力数值特征量，并将其作为反映样本刀具磨损状态的参数，利用人工智能方法对多维切削力数值特征量及其对应的磨损状态以黑箱形式进行监督自学习及分类，建立样本刀具磨损状态与多维切削力数值特征量之间的标定关系，由此预测待测刀具当前磨损状态并决定是否换刀。本发明利用切削力信号监测刀具磨损状态，与其他诸如声发射、振动等间接监测信号相比，能够更加准确地反映刀具后刀面平均磨损宽度的变化情况，反映刀具磨损状态，且相对来说不易受到外界环境的干扰；并且，使用者无需改变机床结构，在对加工条件影响最小的情况下即可完成对刀具磨损状态的在线监测；此外，利用人工智能方法进行分析，与一般人工经验方法相比，具有更加快速、准确、灵活地监测刀具磨损状态的优点，一方面，人工智能方法强大的自学习、分类能力是其他任何方法均无法比拟的，另一方面，经过开发者针对加工条件正确设置相应参数后，利用人工智能方法对刀具磨损状态进行判断这一“科技黑箱”便可自动运行，使用者无需具备专业的理论知识，经过简单培训即可通过简易操控实现对刀具磨损状态的在线监测，可以大大节约人力物力。本发明在金属切削加工技术领域有着广阔的应用前景，尤其是在刀具磨损监测“在场”、“在线”需求的前提下，从根本上保障加工效率与工件质量，实现刀具寿命的延长。

附图说明

图1为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程示意图；

图2为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之一；

图3为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之二；

图4为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之三；

图5为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之四；

图6为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之五；

图7为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之六；

图8为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之七；

图9为本发明提供的一种基于切削力的刀具磨损在线监测方法的流程图之八。

具体实施方式

下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本发明。

本发明提供的一种基于切削力的刀具磨损在线监测方法，如图1和图2所示，图1和图2分别为本发明提供的上述刀具磨损在线监测方法的流程示意图和流程图，包括如下步骤：

S1：在利用样本刀具加工样品材料的过程中，采集样本刀具不同磨损状态下的三向切削力信号，对样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立样本刀具磨损状态与多维切削力数值特征量之间标定关系；

具体地，在样本刀具加工过程中，可以采集样本刀具多个磨损阶段的数据，例如，初期磨损、正常磨损、剧烈磨损等阶段；刀具磨损越严重，刀具后刀面平均磨损宽度VB的值越大，切削力数值特征量的值越大，也就是说，刀具磨损状态与多维切削力数值特征量之间存在定性关系，由于受到加工条件等多要素的限制，这种关系很难利用解析方程式准确地定量描述，但可以利用人工智能方法建立二者关系模型；一般地，随着样本刀具磨损程度的加重，三向切削力信号也会逐渐加大，但利用原始切削力信号反映刀具磨损程度仍不够敏感，因此，需要对三向切削力信号进行预处理和特征提取，对样本刀具不同磨损状态下的三向切削力信号进行特征提取时需要选择能够敏感反映样本刀具后刀面平均磨损宽度的切削力数值特征量；

S2：在利用待测刀具加工同种样品材料的过程中，采集待测刀具当前时刻的三向切削力信号，对待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量；

具体地，样本刀具与待测刀具对同种样品材料进行加工，可以最大程度地保证样本刀具与待测刀具的磨损状态的变化保持一致，从而能够以样本刀具的磨损状态为基准得到测试刀具的磨损状态；由于部分加工材料在多种条件的综合影响下在反映切削力变化方面不够敏感，因此，需要选择合适的材料进行加工，样品材料可以选择对刀具磨损状态影响小、切削效果好的材料；随着待测刀具磨损程度的加重，三向切削力信号也会逐渐加大，但这种关系体现的不够敏感、明显，因此，需要对三向切削力信号进行预处理和特征提取，对待测刀具当前时刻的三向切削力信号进行特征提取时需要选择能够敏感反映待测刀具后刀面平均磨损宽度的切削力数值特征量；

S3：根据建立的样本刀具磨损状态与多维切削力数值特征量之间标定关系，以及获得的用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定待测刀具当前时刻的磨损状态；

S4：判断待测刀具当前时刻的磨损状态是否为剧烈磨损；若是，则执行步骤S5；若否，则返回步骤S2，对待测刀具进行下一时刻的监测；

S5：向数控机床发送停机换刀指令。也就是说，在待测刀具处于初期磨损或正常磨损阶段时，无需控制数控机床停机换刀，即数控机床继续加工，监测系统继续下一时刻的监测；在待测刀具达到剧烈磨损阶段时，需要控制数控机床停机换刀。

本发明提供的上述刀具磨损在线监测方法，首先采集样本刀具不同磨损状态下的三向切削力信号，经预处理和特征提取后，获得能够反映样本刀具磨损状态的多维切削力数值特征量，建立样本刀具磨损状态与多维切削力数值特征量之间的标定关系，然后采集待测刀具当前时刻的三向切削力信号，经预处理和特征提取后，获得能够反映待测刀具磨损状态的多维切削力数值特征量，接着根据样本刀具的标定关系以及待测刀具当前时刻的多维切削力数值特征量，得到待测刀具当前时刻的磨损状态，最后根据待测刀具当前时刻的磨损状态，确定是否需要停机换刀，上述过程可以在数控机床不停机的情况下实时监测刀具磨损状态，并实时控制数控机床停机换刀，从真正意义上实现了刀具磨损状态监测的实时性，在保证加工效率与工件表面质量的前提下，延长刀具寿命；并且，本发明利用切削力信号监测刀具磨损状态，与其他诸如声发射、振动等间接监测信号相比，能够更加准确地反映刀具后刀面平均磨损宽度的变化情况，反映刀具磨损状态，且相对来说不易受到外界环境的干扰；并且，使用者无需改变机床结构，在对加工条件影响最小的情况下即可完成对刀具磨损状态的在线监测。本发明在金属切削加工技术领域有着广阔的应用前景，尤其是在刀具磨损监测“在场”、“在线”需求的前提下，从根本上保障加工效率与工件质量，实现刀具寿命的延长。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，根据多维切削力数值特征量与刀具磨损状态之间的密切联系，将模糊模式识别应用于刀具磨损状态的监测中。通过建立判别刀具磨损状态的模糊识别系统，将与刀具磨损状态有密切联系的多维切削力数值特征量输入模糊分布函数，研究各组实验样本的刀具磨损状态隶属度，根据最大隶属原则实现对刀具磨损状态的识别。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，步骤S1，在利用样本刀具加工样品材料的过程中，采集样本刀具不同磨损状态下的三向切削力信号，对样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立样本刀具磨损状态与多维切削力数值特征量之间标定关系，如图3所示，具体包括如下步骤：

S11：在利用与待测刀具同一批次、同一型号的样本刀具加工样品材料的过程中，利用测力传感器采集样本刀具不同磨损状态下的三向切削力信号；其中，获取的三向切削力信号中包括剧烈磨损状态下的三向切削力信号；

具体地，样本刀具与待测刀具采用同一批次、同一型号的刀具，可以保证样本刀具与待测刀具的磨损状态的变化保持一致，从而能够以样本刀具的磨损状态为基准得到刀具的磨损状态；利用测力传感器采集三向切削力信号，需要将样品材料夹在测力传感器上，因此，样品材料可以为测力传感器可装夹的特制形状；

S12：对样本刀具不同磨损状态下的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映样本刀具后刀面平均磨损宽度的多维切削力数值特征量；

S13：利用人工智能方法对选出的多维切削力数值特征量及其对应的磨损状态以黑箱形式进行监督自学习及分类，建立样本刀具磨损状态与多维切削力数值特征量之间标定关系。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S11，在利用与待测刀具同一批次、同一型号的样本刀具加工样品材料的过程中，利用测力传感器采集样本刀具不同磨损状态下的三向切削力信号之后，如图4所示，还包括如下步骤：

S14：将采集的样本刀具不同磨损状态下的三向切削力信号实时显示并保存在服务平台上，并导入数据库中；这样，可以在直观体现样本刀具磨损状态变化的同时，积累在切削加工过程中获得的数据，一方面有助于数据库进化，另一方面可以完善刀具磨损状态的判断准则，为后续监测研究提供参考依据；

具体地，服务平台可以为基于NI框架，labview、visual studio多平台融合的集数据传输、显示、处理、特征提取、模式识别等功能于一体的综合服务平台。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S12，对样本刀具不同磨损状态下的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映样本刀具后刀面平均磨损宽度的多维切削力数值特征量之后，如图5所示，还包括如下步骤：

S15：将选出的用于反映样本刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中；这样，可以在直观体现样本刀具磨损状态变化的同时，积累在切削加工过程中获得的数据，一方面有助于数据库进化，另一方面可以完善刀具磨损状态的判断准则，为后续监测研究提供参考依据。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，步骤S2，在利用待测刀具加工同种样品材料的过程中，采集待测刀具当前时刻的三向切削力信号，对待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量，如图6所示，具体包括如下步骤：

S21：在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集待测刀具当前时刻的三向切削力信号；

具体地，利用测力传感器采集三向切削力信号，需要将样品材料夹在测力传感器上，因此，样品材料可以为测力传感器可装夹的特制形状；

S22：对待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S21，在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集待测刀具当前时刻的三向切削力信号之后，如图7所示，还包括如下步骤：

S23：将采集的待测刀具当前时刻的三向切削力信号实时显示并保存在服务平台上，并导入数据库中；这样，可以在直观体现待测刀具磨损状态变化的同时，积累在切削加工过程中获得的数据，一方面有助于数据库进化，另一方面可以完善刀具磨损状态的判断准则，为后续监测研究提供参考依据。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S22，对待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量之后，如图8所示，还包括如下步骤：

S24：将选出的用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中；这样，可以在直观体现待测刀具磨损状态变化的同时，积累在切削加工过程中获得的数据，一方面有助于数据库进化，另一方面可以完善刀具磨损状态的判断准则，为后续监测研究提供参考依据。

在具体实施时，在本发明提供的上述刀具磨损在线监测方法中，在执行步骤S3，根据建立的样本刀具磨损状态与多维切削力数值特征量之间标定关系，以及获得的用于反映待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定待测刀具当前时刻的磨损状态之后，如图9所示，还包括如下步骤：

S6：将确定的待测刀具当前时刻的磨损状态实时显示并保存在服务平台上；这样，可以直观体现待测刀具的磨损状态。

本发明提供的上述刀具磨损在线监测方法，首先采集样本刀具不同磨损状态下的三向切削力信号，经预处理和特征提取后，获得能够反映样本刀具磨损状态的多维切削力数值特征量，建立样本刀具磨损状态与多维切削力数值特征量之间的标定关系，然后采集待测刀具当前时刻的三向切削力信号，经预处理和特征提取后，获得能够反映待测刀具磨损状态的多维切削力数值特征量，接着根据样本刀具的标定关系以及待测刀具当前时刻的多维切削力数值特征量，得到待测刀具当前时刻的磨损状态，最后根据待测刀具当前时刻的磨损状态，确定是否需要停机换刀，上述过程可以在数控机床不停机的情况下实时监测刀具磨损状态，并实时控制数控机床停机换刀，从真正意义上实现了刀具磨损状态监测的实时性，在保证加工效率与工件表面质量的前提下，延长刀具寿命。本发明通过采集样本刀具及待测刀具的三向切削力信号，利用时域分析法、频域分析法及时频域分析法对三向切削力信号进行特征提取，利用基于距离评估方法选出多维切削力数值特征量，并将其作为反映样本刀具磨损状态的参数，利用人工智能方法对多维切削力数值特征量及其对应的磨损状态以黑箱形式进行监督自学习及分类，建立样本刀具磨损状态与多维切削力数值特征量之间的标定关系，由此预测待测刀具当前磨损状态并决定是否换刀。本发明利用切削力信号监测刀具磨损状态，与其他诸如声发射、振动等间接监测信号相比，能够更加准确地反映刀具后刀面平均磨损宽度的变化情况，反映刀具磨损状态，且相对来说不易受到外界环境的干扰；并且，使用者无需改变机床结构，在对加工条件影响最小的情况下即可完成对刀具磨损状态的在线监测；此外，利用人工智能方法进行分析，与一般人工经验方法相比，具有更加快速、准确、灵活地监测刀具磨损状态的优点，一方面，人工智能方法强大的自学习、分类能力是其他任何方法均无法比拟的，另一方面，经过开发者针对加工条件正确设置相应参数后，利用人工智能方法对刀具磨损状态进行判断这一“科技黑箱”便可自动运行，使用者无需具备专业的理论知识，经过简单培训即可通过简易操控实现对刀具磨损状态的在线监测，可以大大节约人力物力。本发明在金属切削加工技术领域有着广阔的应用前景，尤其是在刀具磨损监测“在场”、“在线”需求的前提下，从根本上保障加工效率与工件质量，实现刀具寿命的延长。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于切削力的刀具磨损在线监测方法，其特征在于，包括如下步骤：

S1：在利用样本刀具加工样品材料的过程中，采集所述样本刀具不同磨损状态下的三向切削力信号，对所述样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系；

S2：在利用待测刀具加工同种样品材料的过程中，采集所述待测刀具当前时刻的三向切削力信号，对所述待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量；

S3：根据建立的所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，以及获得的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定所述待测刀具当前时刻的磨损状态；

S4：判断所述待测刀具当前时刻的磨损状态是否为剧烈磨损；若是，则执行步骤S5；若否，则返回步骤S2，继续利用所述待测刀具加工样品材料，并对所述待测刀具进行下一时刻的监测；

S5：停机换刀；

其中，步骤S1，在利用样本刀具加工样品材料的过程中，采集所述样本刀具不同磨损状态下的三向切削力信号，对所述样本刀具不同磨损状态下的三向切削力信号进行预处理和特征提取，获得用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量，利用人工智能方法建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，具体包括如下步骤：

S11：在利用与待测刀具同一批次、同一型号的样本刀具加工样品材料的过程中，利用测力传感器采集所述样本刀具不同磨损状态下的三向切削力信号；其中，获取的三向切削力信号中包括剧烈磨损状态下的三向切削力信号；

S12：对所述样本刀具不同磨损状态下的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量；

S13：利用人工智能方法对选出的多维切削力数值特征量及其对应的磨损状态以黑箱形式进行监督自学习及分类，建立所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系；

S14：将采集的所述样本刀具不同磨损状态下的三向切削力信号实时显示并保存在服务平台上，并导入数据库中；

S15：将选出的用于反映所述样本刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中。

2.如权利要求1所述的刀具磨损在线监测方法，其特征在于，步骤S2，在利用待测刀具加工同种样品材料的过程中，采集所述待测刀具当前时刻的三向切削力信号，对所述待测刀具当前时刻的三向切削力信号进行预处理和特征提取，获得用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，具体包括如下步骤：

S21：在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集所述待测刀具当前时刻的三向切削力信号；

S22：对所述待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量。

3.如权利要求2所述的刀具磨损在线监测方法，其特征在于，在执行步骤S21，在利用待测刀具加工同种样品材料的过程中，利用测力传感器采集所述待测刀具当前时刻的三向切削力信号之后，还包括如下步骤：

S23：将采集的所述待测刀具当前时刻的三向切削力信号实时显示并保存在服务平台上，并导入数据库中。

4.如权利要求2所述的刀具磨损在线监测方法，其特征在于，在执行步骤S22，对所述待测刀具当前时刻的三向切削力信号进行预处理，利用时域分析法、频域分析法及时频域分析法对预处理后的三向切削力信号进行特征提取，利用基于距离评估方法选出用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量之后，还包括如下步骤：

S24：将选出的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量实时显示并保存在服务平台上，并导入数据库中。

5.如权利要求1所述的刀具磨损在线监测方法，其特征在于，在执行步骤S3，根据建立的所述样本刀具磨损状态与所述多维切削力数值特征量之间标定关系，以及获得的用于反映所述待测刀具后刀面平均磨损宽度的多维切削力数值特征量，确定所述待测刀具当前时刻的磨损状态之后，还包括如下步骤：

S6：将确定的所述待测刀具当前时刻的磨损状态实时显示并保存在服务平台上。

Images