CN111761411A - 一种基于振动信号的刀具健康预测装置及其方法 - Google Patents

Abstract

本发明公开了一种基于振动信号的刀具健康预测装置及其方法，包括振动传感器、数据采集卡和计算机，所述振动传感器有螺纹的一端通过磁力座安装在机床的加工平台上，所述振动传感器无螺纹的一端通过BNC连接线1、BNC连接线2和BNC连接线3连接到所述数据采集卡，所述数据采集卡通过USB接口连接到所述计算机。通过对刀具工作中的振动信号进行采集处理，计算出刀具的磨损程度。本发明提供的刀具磨损信息准确，能够实时、准确地预测刀具健康状态。

Description

一种基于振动信号的刀具健康预测装置及其方法

技术领域

本发明属于机械加工刀具及预测领域，具体地说，涉及一种基于振动信号的刀具健康预测装置及其方法。

背景技术

刀具磨损是指在铣削加工过程中刀具与工件相互作用而产生的结果，是影响加工过程的主要因素之一。在复杂的切削加工过程中，刀具需要时刻与工件接触，时常经受着剧烈摩擦并伴随着高温和高压，刀具磨损不严重时，会影响到加工工件的质量，刀具磨损严重时，则会影响到整个机床的工作，甚至导致安全问题。目前的机床刀具没有智能化的监控配套装置，人们只能通过暂停机床工作，取出刀具，根据刀具的磨损来判断刀具的健康状态，这样就大大降低了机床的工作效率，无法让刀具得到充分的利用。

中国专利公开号208342380U，公开日为2019年1月8日，发明创造的名称为刀具磨损在线检测装置，该申请案公开了一种采用摄像头来直接拍摄出刀具的磨损状态图，从而来判断刀具的健康状态。其不足之处在于刀具在实时加工过程中难以被拍摄，只有在刀具停止工作时才能进行拍摄判断，从而大大降低了机床的工作效率，且安装较为繁琐，不适用于日常的加工生产。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于振动信号的刀具健康预测装置及其方法。为解决上述技术问题，本发明采用如下的技术方案。

一种基于振动信号的刀具健康预测装置及其方法，包括振动传感器5、数据采集卡6和计算机7，所述振动传感器5有螺纹的一端通过磁力座安装在机床1的加工平台2上，所述振动传感器5无螺纹的一端通过BNC连接线1、BNC连接线2和BNC连接线3连接到所述数据采集卡6，所述BNC连接线1连接到所述数据采集卡6的BNC接口一601，所述BNC连接线2连接到所述数据采集卡6的BNC接口二602，所述BNC连接线3连接到所述数据采集卡6的BNC接口三603，所述数据采集卡6通过USB接口605连接到所述计算机7。

所述振动传感器5采样频率范围是40kHz-50kHz。

实现刀具健康预测的方法，步骤如下包括：

（1）将所述振动传感器5的采样频率f ₁ 设置为40kHz-50kHz；

（2）过铣削加工实验，将所述振动传感器5采集到的不同健康状态下刀具加工中的振动数据通过所述数据采集卡6保存到所述计算机7中，得到振动初始信号；

（3）将采集到的振动初始信号先通过带通滤波，得到去除噪声的振动信号，再对去除噪声的振动信号进行降采样处理，取振动初始信号采样频率f ₁ 的1/10作为计算频率，得到完整振动信号；

（4）对所述完整振动信号做傅里叶变换，画出其振幅频谱图，将所述振幅频谱图中的X轴振动信号最大幅值F₁与其相对应的频率f相乘，得到X轴振动信号乘积G₁，将所述振幅频谱图中的Y轴振动信号最大幅值F₂与其相对应的频率f相乘，得到Y轴振动信号乘积G₂，将所述振幅频谱图中的Z轴振动信号最大幅值F₃与其相对应的频率f相乘，得到Z轴振动信号乘积G₃，把振动信号乘积G₁、G₂、G₃作为判断刀具磨损状态的特征值；

（5）将所述振动信号乘积G₁、G₂、G₃进行归一化处理，得到归一化处理后的振动信号乘积G₄、G₅、G₆；

（6）从所述进行归一化处理后的振动信号乘积G₄、G₅、G₆中提取100组训练样本；

（7）将所述100组训练样本输入到BP神经网络模型中，对所述BP神经网络模型进行训练优化，从而得到BP神经网络刀具磨损状态识别模型；

（8）采集刀具加工中的振动信号，从所述采集到的振动信号中提取出归一化处理后的振动信号乘积G₄、G₅、G₆，再将所述归一化处理后的振动信号乘积G₄、G₅、G₆输入到所述BP神经网络刀具健康识别模型中，利用所述BP神经网络刀具磨损状态识别模型的输出来预测加工中刀具的健康状态。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

1.本发明通过对刀具工作中的振动信号进行采集处理，能够时刻监督刀具的磨损状态并掌握刀具的磨损信息，让工作人员及时换刀，提高机床的工作效率，同时，进一步提升机床的安全性。

2.安装简便。本刀具磨损状态预测装置只需安装一个振动传感器即可，且振动传感器体积较小，通过螺纹与磁力座连接，只需将磁力座吸附在加工平台上即可，不会耽误机床的加工过程，适用于大部分加工环境。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本申请的一部分，用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1为本发明实施例结构安装示意图；

图中：1-机床；2-加工平台；3-主轴；4-刀具；5-振动传感器；6-数据采集卡；601-BNC接口一；602-BNC接口二；603-BNC接口三；7-计算机；

图2为本发明各零件连接示意图；

图3为本发明信号传输示意图；

图4为完整振动信号振幅频谱图；

图5为刀具健康预测方法流程图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

在铣削实验中，影响刀具磨损的因素有很多，包括进给量、背吃刀量、主轴转速以及有无切削液等等。因此，本文固定主轴转速600r/min，背吃刀量1.8mm，进给0.5mm，其中为了加速刀具的磨损则不使用切削液，进行干切削。对于刀具磨损的分类，根据中华人民共和国国家标准GB/T16460-2016立铣刀寿命试验规定，采用刀具后刀面磨损值VB作为刀具磨损状态的判断标准。在每次完成600mm切削后，使用工业显微镜测量铣刀后刀面磨损值VB。为了数据的精确、避免误差，测量4次后，取4次测量值的平均值作为测量结果。根据VB值将刀具分为新刀、轻微磨损、中度磨损和严重磨损四种状态，新刀的磨损量为0-0.05mm、轻微磨损为0.05-0.2mm、中度磨损为0.2-0.4mm、严重磨损为0.4-0.6mm。当刀具到达严重磨损状态时即可换刀。本例中，铣削刀具为直径20mm的6齿合金T型立铣刀，刀具材料为硬质合金，加工工件为45号钢，其中加工工件尺寸为：6mm×100mm×40mm。铣削100mm×40mm端面，每次走刀铣削路径长度为150mm，加工方式为顺铣。

如图1、图2和图3所示，一种基于振动信号的刀具健康预测装置及其方法，包括振动传感器5、数据采集卡6和计算机7。

实施例选择采用所述振动传感器5来采集振动信号。所述振动传感器5有螺纹的一端通过磁力座安装在机床1的加工平台2上，所述振动传感器5无螺纹的一端通过BNC连接线1、BNC连接线2和BNC连接线3连接到所述数据采集卡6，所述BNC连接线1连接到所述数据采集卡6的BNC接口一601，所述BNC连接线2连接到所述数据采集卡6的BNC接口二602，所述BNC连接线3连接到所述数据采集卡6的BNC接口三603，所述数据采集卡6通过USB接口605连接到所述计算机7。

考虑到信号的完整还原，对加速度信号采用50kHz的采样频率，对于采集到的动态数据则通过所述振动传感器5传输到所述数据采集卡6中，所述数据采集卡6对信号进行一定的处理后传输到所述计算机7中。

如图4，对实施例中所采集到的初始振动信号进行去除噪声、降采样处理后，得到完整振动信号，画出所述完整振动信号的振幅频谱图，将所述振幅频谱图的X轴振动信号最大幅值F₁与其相对应的频率f相乘，得到X轴振动信号乘积G₁，将所述振幅频谱图的Y轴振动信号最大幅值F₂与其相对应的频率f相乘，得到Y轴振动信号乘积G₂，将所述振幅频谱图的Z轴振动信号最大幅值F₃与其相对应的频率f相乘，得到Z轴振动信号乘积G₃，把振动信号乘积G₁、G₂、G₃作为判断刀具磨损状态的特征值。对上述振动信号乘积G₁、G₂、G₃进行归一化处理，得到归一化处理后的振动信号乘积G₄、G₅、G₆，并从中选取100组训练样本输入到BP神经网络模型中，对所述BP神经网络模型进行训练优化，从而得到BP神经网络刀具磨损状态识别模型，最后利用所述BP神经网络刀具磨损状态识别模型对刀具健康状态进行预测识别。

如图5，本例中主要步骤总结如下：

（1）将所述振动传感器5的采样频率f ₁ 设置为50kHz；

（2）过铣削加工实验，将所述振动传感器5采集到的不同健康状态下刀具加工中的振动数据通过所述数据采集卡6保存到所述计算机7中，得到振动初始信号；

（3）将采集到的振动初始信号先通过带通滤波，得到去除噪声的振动信号，再对去除噪声的振动信号进行降采样处理，取振动初始信号采样频率f ₁ 的1/10作为计算频率，得到完整振动信号；

（4）对所述完整振动信号做傅里叶变换，画出其振幅频谱图，将所述振幅频谱图中的X轴振动信号最大幅值F₁与其相对应的频率f相乘，得到X轴振动信号乘积G₁，将所述振幅频谱图中的Y轴振动信号最大幅值F₂与其相对应的频率f相乘，得到Y轴振动信号乘积G₂，将所述振幅频谱图中的Z轴振动信号最大幅值F₃与其相对应的频率f相乘，得到Z轴振动信号乘积G₃，把振动信号乘积G₁、G₂、G₃作为判断刀具磨损状态的特征值；

（5）将所述振动信号乘积G₁、G₂、G₃进行归一化处理，得到归一化处理后的振动信号乘积G₄、G₅、G₆；

（6）从所述进行归一化处理后的乘积G₄、G₅、G₆中提取100组训练样本；

（7）将所述100组训练样本输入到BP神经网络模型中，对所述BP神经网络模型进行训练优化，从而得到BP神经网络刀具磨损状态识别模型；

（8）采集刀具加工中的振动信号，从所述采集到的振动信号中提取出归一化处理后的振动信号乘积G₄、G₅、G₆，再将所述归一化处理后的振动信号乘积G₄、G₅、G₆输入到所述BP神经网络刀具磨损状态识别模型中，利用所述BP神经网络刀具磨损状态识别模型的输出来预测加工中刀具的健康状态。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (3)

1.一种基于振动信号的刀具健康预测装置及其方法，其特征在于，包括振动传感器（5）、数据采集卡（6）和计算机（7），所述振动传感器（5）有螺纹的一端通过磁力座安装在机床（1）的加工平台（2）上，所述振动传感器（5）无螺纹的一端通过BNC连接线1、BNC连接线2和BNC连接线3连接到所述数据采集卡（6），所述BNC连接线1连接到所述数据采集卡（6）的BNC接口一（601），所述BNC连接线2连接到所述数据采集卡（6）的BNC接口二（602），所述BNC连接线3连接到所述数据采集卡（6）的BNC接口三（603），所述数据采集卡（6）通过USB接口（605）连接到所述计算机（7）。

2.根据权利要求1所述的一种基于振动信号的刀具健康预测装置及其方法，其特征在于，所述振动传感器采样频率范围是40kHz-50kHz。

3.实现权利要求1至2任意一项所述的一种基于振动信号的刀具健康预测装置的预测方法，其特征在于，包括如下步骤：

（1）将所述振动传感器（5）的采样频率f ₁ 设置为40kHz-50kHz；

（2）通过铣削加工实验，将所述振动传感器（5）采集到的不同健康状态下刀具加工中的振动数据通过所述数据采集卡（6）保存到所述计算机（7）中，得到振动初始信号；

（3）将采集到的振动初始信号先通过带通滤波，得到去除噪声的振动信号，再对去除噪声的振动信号进行降采样处理，取振动初始信号采样频率f ₁的1/10作为计算频率，得到完整振动信号；

（4）对所述完整振动信号做傅里叶变换，画出其振幅频谱图，将所述振幅频谱图中的X轴振动信号最大幅值F₁与其相对应的频率f相乘，得到X轴振动信号乘积G₁，将所述振幅频谱图中的Y轴振动信号最大幅值F₂与其相对应的频率f相乘，得到Y轴振动信号乘积G₂，将所述振幅频谱图中的Z 轴振动信号最大幅值F₃与其相对应的频率f相乘，得到Z轴振动信号乘积G₃，把振动信号乘积G₁、G₂、G₃作为判断刀具磨损状态的特征值；

（5）将所述振动信号乘积G₁、G₂、G₃进行归一化处理，得到归一化处理后的振动信号乘积G₄、G₅、G₆；

（6）从所述进行归一化处理后的振动信号乘积G₄、G₅、G₆中提取100组训练样本；

（7）将所述100组训练样本输入到BP神经网络模型中，队所述BP神经网络模型进行训练优化，从而得到BP神经网络刀具磨损状态识别模型；

（8）采集刀具加工中的振动信号，从所述采集到的振动信号中提取出归一化处理后的振动信号乘积G₄、G₅、G₆，再将所述归一化处理后的振动信号乘积G₄、G₅、G₆输入到所述BP神经网络刀具磨损状态识别模型中，利用所述BP神经网络刀具磨损状态识别模型的输出来预测加工中刀具的健康状态。

Images