CN111590390B - 一种刀具磨损状态实时评估方法、系统、存储介质、终端 - Google Patents

Abstract

本发明属于刀具实时磨损检测技术领域，公开了一种刀具磨损状态实时评估方法、系统、存储介质、终端，每隔五秒钟，由安装在刀柄处的声发射传感器采集在机加工过程中刀具的声发射信号，经由小波消噪后，计算每次采样周期内的均方根值；随着加工过程的进行，应用矩阵轮廓模型对均方根值组成的时间序列进行数据挖掘，发现时间序列中包含的异常部分，达到实时评估刀具磨损状态的目的。本发明可以应用到连续型声发射信号的识别，并可以达到在线评估刀具运行状态的目的。

Description

一种刀具磨损状态实时评估方法、系统、存储介质、终端

技术领域

本发明属于刀具实时磨损检测技术领域，尤其涉及一种刀具磨损状态实时评估方法、系统、存储介质、终端。

背景技术

目前，声发射(Acoustic Emission，AE)信号是材料受到外力作用下变形或者内部结构变化而产生的高频应力波信号，通过安装在刀柄附近的声发射传感器，采集频率范围在20KH到1MHz的声发射信号，可以有效的避免机床在运行过程中所产生的低频信号的影响，，收集到反映刀具在切削过程中真实的变形和磨损信息。矩阵轮廓(Matrix Profile)是一种近期发展起来的具有潜在巨大优势的时间序列分析方法，其本质是一种维度约简方法。该方法具有简便和高效的计算优势，同时可以针对时间序列分析中密度估计，异常检测，分割，聚类等多个问题都可以得到较好的解决效果，因此受到的越来越多的关注。目前，应用时间序列分析的方法对刀具磨损进行在线监测已有相关的研究(如CN102152172A(CN102152172B)申请(专利权)人：天津大学)；但是，其应用的时间分析方法较复杂，需要设定多个相关的参数，其参数设定的精准程度直接影响最终的分析结果。而矩阵轮廓方法是一种免参数设定的自适应分析方法，可以有效的避免参数设定的难题。由于矩阵轮廓方法是一种新的方法，首篇论文发表于2016年，目前还是在研究发展的过程中，目前还没有发现如何在刀具磨损监测中的相关应用。，与此同时，对刀具磨损状态进行定量化的评估，目前还没有发现相关报道。

通过上述分析，现有技术存在的问题及缺陷为：目前的基于时间序列的刀具磨损方法需要设定大量的参数，其磨损评估准确性与参数值直接相关，并且缺少定量化的指标。

解决以上问题及缺陷的难度为：首先，如何准确采集到能够反映刀具在加工过程中的微变形信息。其次，如何提高信噪比。最后，构建对应刀具运行状态的时间序列后，如何自适应的提取出磨损信息。

解决以上问题及缺陷的意义为：提供一种自适应的评估刀具在加工过程中的运行状态的方法，定量的评估磨损程度。

发明内容

针对现有技术存在的问题，本发明提供了一种刀具磨损状态实时评估方法、系统、存储介质、终端。

本发明是这样实现的，一种刀具磨损状态实时评估方法，所述刀具磨损状态实时评估方法，根据试验测定，每隔5秒，声发射传感器采集刀具的声发射信号；消噪后，计算每次采样周期内的均方根值；随着加工过程的进行，应用矩阵轮廓模型对均方根值组成的时间序列进行异常检测。通常来说，刀具运行的初期阶段，其状态为正常状态。随着磨损的加剧，反映在时间序列中即为出现异常部分。因此，可以通过检测异常来间接的实时评估刀具磨损状态。

进一步，所述刀具磨损状态实时评估方法包括：

第一步，应用高速采集卡对安装在刀柄处的声发射信号进行采样，采样频率为2MK，每两次采样数据之间的间隔为5s。

第二步，通常小波分解后，噪声信号的小波系数较小。因此，对原始的声发射信号进行小波分解，将小于阈值的分解信号置零后，重构声发射信号，从而达到去除噪声的目的。

第三步，计算每次采样周期内，去噪后的声发射信号的均方根值(Root MeanSquare,RMS)

第四步，将计算得到的声发射信号的均方根值进行存储，并添加采集时间为时间标签，构建时间序列

第五步，应用矩阵轮廓模型中的STAMP算法对时间序列进行异常点监测，自适应发现异常部分；

第六步，将监测到的异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标。

进一步，所述第一步在刀柄处安装声发射传感器，安装位置离刀具越近越好，采集刀具在加工过程中的声发射信号。

进一步，应用安装在计算机内的高速采集卡对声发射信号进行采集，采样频率为2MHz，

采样间隔为5。

进一步，所述第五步应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分。

进一步，所述第六步当特测到异常部分，计算异常部分的均方根值的平均值，并将平均值作为评估指标，实时评估刀具磨损状态，并根据评估指标的大小量化磨损状态。

本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述包括下列步骤：每隔5秒，采集刀具的声发射信号；消噪后，计算每次采样周期内的均方根值；随着加工过程的进行，应用矩阵轮廓模型对均方根值组成的时间序列进行数据挖掘，发现时间序列中包含的异常部分，实时评估刀具磨损状态。

本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的刀具磨损状态实时评估方法。

本发明的另一目的在于提供一种实施所述的刀具磨损状态实时评估方法的刀具磨损状态实时评估系统，所述刀具磨损状态实时评估系统包括：

原始声发射信号采集模块，用于通过计算机间歇式的采集原始的声发射信号，间隔时间为5s；

原始声发射信号处理模块，用于对原始的声发射信号进行消噪处理，应用小波方法，去除背景噪声和野点；

声发射信号均方根值计算模块，用于计算每次采集到一组声发射信号的均方根值；

时间序列构成模块，用于将均方根值加上时间标签，即采集时间，构成时间序列；

异常部分发现模块，用于应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分；

磨损状态指标量化模块，用于将异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标。

本发明的另一目的在于提供一种终端，所述终端搭载所述的刀具磨损状态实时评估系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明每隔五秒钟，声发射传感器采集刀具的声发射信号，消噪后，计算每次采样周期内的均方根值；随着加工过程的进行，应用矩阵轮廓模型对均方根值组成的时间序列进行数据挖掘，发现时间序列中包含的异常部分，达到实时评估刀具磨损状态的目的。本发明可以应用到连续型声发射信号的识别，并可以达到在线评估刀具运行状态的目的。

附图说明

图1是本发明实施例提供的刀具磨损状态实时评估方法流程图。

图2是本发明实施例提供的刀具磨损状态实时评估系统的结构示意图；

图3是本发明实施例提供的原始的AE RMS数据的示意图。

图4是本发明实施例提供的磨损指标的示意图。

图中：1、原始声发射信号采集模块；2、原始声发射信号处理模块；3、声发射信号均方根值计算模块；4、时间序列构成模块；5、异常部分发现模块；6、磨损状态指标量化模块。

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。

针对现有技术存在的问题，本发明提供了一种刀具磨损状态实时评估方法、系统、存储介质、终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的刀具磨损状态实时评估方法包括以下步骤：

S101：在刀柄部位布置声发射传感器；

S102：通过计算机间歇式的采集原始的声发射信号，间隔时间为5s；

S103：对原始的声发射信号进行消噪处理，应用小波方法，去除背景噪声和野点；

S104：计算每次采集到一组声发射信号的均方根值；

S105：将均方根值加上时间标签，即采集时间，构成时间序列；

S106：应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分；

S107：将异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标。

如图2所示，本发明提供的刀具磨损状态实时评估系统包括：

原始声发射信号采集模块1，用于通过计算机间歇式的采集原始的声发射信号，间隔时间为5s。

原始声发射信号处理模块2，用于对原始的声发射信号进行消噪处理，应用小波方法，去除背景噪声和野点。

声发射信号均方根值计算模块3，用于计算每次采集到一组声发射信号的均方根值。

时间序列构成模块4，用于将均方根值加上时间标签，即采集时间，构成时间序列。

异常部分发现模块5，用于应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分。

磨损状态指标量化模块6，用于将异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标。

本发明提供的刀具磨损状态实时评估方法采用安装在刀柄附件的声发射传感器采集声发射信号；每隔五秒钟采集一组声发射信号；对原始信号进行消噪处理，去除野点；计算均方根值；应用矩阵轮廓模型对由均方根值构成的时间序列进行数据挖掘，自动发现异常部分；根据时间序列中异常部分计算评估指标。

本发明应用矩阵轮廓(Matrix Profile)模型从由均方根值构成的时间序列中自适应的探测到异常部分。

本发明当特测到异常部分，计算异常部分的均方根值的平均值，并将该平均值作为评估指标，实时评估刀具磨损状态，并根据评估指标的大小量化磨损状态。

应用NASA和UC Berkeley发布的公开铣削数据对本方法进行验证，相关的加工参数为：刀具型号为KC710，切削深度为1.5mm，进给速度为0.5mm/r，切削材料为铸铁，试验分别进行了17次。选取安装在主轴上的声发射数据应用本算法进行分析，原始的声发射RMS和应用矩阵轮廓算法提取出的定量磨损指标如图4所示。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种刀具磨损状态实时评估方法，其特征在于，所述刀具磨损状态实时评估方法每隔5秒，声发射传感器采集刀具的声发射信号；消噪后，计算每次采样周期内的均方根值；随着加工过程的进行，应用矩阵轮廓模型对均方根值组成的时间序列进行数据挖掘，发现时间序列中包含的异常部分，实时评估刀具磨损状态；

所述刀具磨损状态实时评估方法包括：

第一步，通过计算机间歇式的采集原始的声发射信号，间隔时间为5s；

第二步，对原始的声发射信号进行消噪处理，应用小波方法，去除背景噪声和野点；

第三步，计算每次采集到一组声发射信号的均方根值；

第四步，将均方根值加标记上所对应的采集时间，构成时间序列；

第五步，应用矩阵轮廓模型中的STAMP算法对时间序列进行实时检测，自动发现异常部分；

第六步，将异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标；

所述第一步在刀柄部位布置声发射传感器，声发射传感器采集原始的声发射信号。

2.如权利要求1所述的刀具磨损状态实时评估方法，其特征在于，所述声发射传感器与计算机连接，每隔5s采集一组声发射信号。

3.如权利要求1所述的刀具磨损状态实时评估方法，其特征在于，所述第五步应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分。

4.如权利要求1所述的刀具磨损状态实时评估方法，其特征在于，所述第六步当特测到异常部分，计算异常部分的均方根值的平均值，并将平均值作为评估指标，实时评估刀具磨损状态，并根据评估指标的大小量化磨损状态。

5.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～4任意一项所述的刀具磨损状态实时评估方法。

6.一种实施权利要求1～4任意一项所述的刀具磨损状态实时评估方法的刀具磨损状态实时评估系统，其特征在于，所述刀具磨损状态实时评估系统包括：

原始声发射信号采集模块，用于通过计算机间歇式的采集原始的声发射信号，间隔时间为5s；

原始声发射信号处理模块，用于对原始的声发射信号进行消噪处理，应用小波方法，去除背景噪声和野点；

声发射信号均方根值计算模块，用于计算每次采集到一组声发射信号的均方根值；

时间序列构成模块，用于将均方根值加上时间标签，即采集时间，构成时间序列；

异常部分发现模块，用于应用矩阵轮廓模型中的STAMP算法对由均方根值组成的时间序列进行实时检测，自动发现异常部分；

磨损状态指标量化模块，用于将异常部分的均方根值进行求和平均，将平均值作为量化磨损状态的指标。

7.一种终端，其特征在于，所述终端搭载权利要求6所述的刀具磨损状态实时评估系统。

Images