CN111774931A

CN111774931A - 数控车削批量加工刀具磨损在线监测方法

Info

Publication number: CN111774931A
Application number: CN202010548317.4A
Authority: CN
Inventors: 张慧
Original assignee: Global Tone Communication Technology Co ltd
Current assignee: Global Tone Communication Technology Co ltd
Priority date: 2020-06-16
Filing date: 2020-06-16
Publication date: 2020-10-16

Abstract

本发明公开了一种数控车削批量加工刀具磨损在线监测方法，通过发现设备的功率数据值偏离正常状态，系统会提前警告可能的故障或失效，从而可以在设备故障发生之前进行及时修复，防止停机而造成巨大的生产损失。本发明的有益效果是，利用设备数据的分析可以让管理者更了解生产系统的现状，知道如何更合理的利用设备资源，从而减少工人成本和提升产品质量。

Description

数控车削批量加工刀具磨损在线监测方法

技术领域

本发明涉及机床刀具磨损在线监测领域，特别是一种数控车削批量加工刀具磨损在线监测方法。

背景技术

随着科技的不断进步，工业4.0时代已经来临，产型升级成为了未来不可逆转的趋势。作为制造型企业，在工业4.0的大数据和人工智能时代，将前沿科技与现有产业链结合，以科技为核心，机械设备必将取代人工作业。成为时代的先锋。随之而来的就是大批黑灯工厂的出现，其工厂设备的故障检测难度也越来越大，传统的人为定期巡检、损坏维修策略，不仅维修效率低，修复速度慢，且影响整体生产效率，已经不能满足黑灯工厂的需求。为此，各种自动化故障检测技术相继被提出，并得到了广泛应用，其中，基于人工智能和大数据的关键器件功率监控和分析技术发挥了重要作用。

在过去的生产系统中，设备维护人员通常等机器出现故障后才知道维修，而无法提前预知设备的停机时间。尤其是机床使用的刀具，工业统计表明，刀具失效是引起机床故障的首要因素，由此引起的停机时间占数控机床总停机时间的1/5-1/3。因此，针对数控车削批量加工过程进行刀具磨损在线监测，是智能制造背景下迫切需要解决的问题对于机器的日常维护。

发明内容

本发明的目的是为了解决上述问题，设计了一种数控车削批量加工刀具磨损在线监测方法。

实现上述目的本发明的技术方案为，一种数控车削批量加工刀具磨损在线监测方法，该方法包括如下步骤：

步骤1，根据机床、刀具及工件信息判断历史数据中是否已有该加工条件下的切削功率与刀具磨损量及加工参数的回归模型，若无则通过正交实验设计和响应面法建立模型，同时将所得模型存入历史数据库中；

步骤2，通过功率采集系统获取机床总功率和主传动系统功率，并对功率信号进行滤波处理；

步骤3，与数控车床NC系统实现通信，同时结合机床功率信息判断机床状态；

步骤4，当机床处于加工状态时，通过NC系统读取车削过程加工参数，同时根据工件表面粗糙度及尺寸精度要求设定适当的刀具磨钝标准(允许的最大刀具磨损量)，将加工参数和刀具磨钝标准带入切削功率与磨损量及加工参数的回归模型中实时计算切削功率阈值[P c]；

步骤5，将通过功率采集系统实时测量并计算所得的切削功率Pc与切削功率阈值[Pc]进行比较；若Pc＜[Pc]，则返回步骤4；若Pc＞[Pc]，则说明刀具磨损量已达到事先设定的磨钝标准，应该停止加工并更换刀具。

所述步骤1中通过正交实验设计和响应面法建立模型的过程如下：

首先，将切削功率、刀具磨损量、切削速度、进给量、背吃刀量进行特征工程，从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录，原始数据转换为更能代表预测模型的在问题的特征，通过挑选最相关特征以及创造特征，使用降维方式，将原始维度中相关度低的特征逐一剔除，在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”，譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响，(一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好，数据的无量纲化可以是线性的，也可以是非线性的，线性的无量纲化包括中心化(Zero-centered或者Mean-subtraction)处理和缩放处理(Scale)，中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置，缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，去对数也算是一种缩放处理，

其次，将响应面多项式回归模型采用二次回归方程，通过最小二乘法求取回归方程系数，进而构造出响应量和自变量之间的函数，切削功率Pc与刀具磨损量VB及加工参数(切削速度Vc、进给量f、背吃刀量ap)的关系复杂，因此采用二阶响应曲面模型表达切削功率与刀具磨损量及加工参数之间的关系如下：

式中：y表示切削功率，x表示刀具磨损量、切削速m表示回归方程的系数，ε表示回归值与实际值的误差，

再次，采用机器学习对实验得到的数据进行拟合，由于各自变量的变化范围不同，为解决量纲不同给设计和分析带来的麻烦，将自变量后刀面磨损量VB、切削速度vc、进给量f、背吃刀量ap分别进行线性变换(又称编码变换)，具体公式如下：

经过线性变换处理后各自变量A，B，C，D的变化范围均在[-1，1]之间，切削功率的二阶回归模型为：

P_c＝1 035.63+83.5A+235.03B+246.36C+262.54D+37.02AB-34.87AC+62.14BD+47.28CD。式7

最后对切削功率模型进行方差分析，其中R-Sq＝99.29％，其值越大，回归模型与数据拟合得越好；R-Sq(adj)＝98.98％，该值越接近R-Sq，回归模型越可靠，同时，回归模型中各因素项的F比值均大于F0.05，说明这些项对切削功率的影响是显著的，故而分析结果表明，切削功率函数拟合程度良好，能有效预测该实验条件下的切削功率。

有益效果

利用本发明的技术方案制作的数控车削批量加工刀具磨损在线监测方法，对刀具磨损状况进行在线监测，其平均误差仅为7.22％，证明了该方法能准确监测数控车削过程的刀具磨损状况；同时，基于该方法开发的数控车削批量加工刀具磨损在线监测系统能有效应用于自动化生产线的刀具状态监测。

附图说明

图1是本发明所述数控车削批量加工刀具磨损在线检测流程框图；

图2是本发明所述机床状态判断流程图；

图3是本发明所述切削功率与刀具磨损量之间的关系图；

图4是本发明所述软件分析系统的架构设计图；

图5是本发明所述软件分析系统的数据流程图；

图6是本发明所述切削功率函数方差分析表；

图7是本发明所述刀具磨损图。

具体实施方式

下面结合附图对本发明进行具体描述，如图1-7所示，本申请的创造点在于，。

本申请的技术方案，切削功率与刀具磨损量及加工参数的是存在映射关系的，刀具磨损量和加工参数对切削功率的赢下包括：

(1)刀具磨损量对切削功率的影响数控车削批量加工过程中，随着车刀后刀面磨损量的增大，刀具与工件间的接触方式由理论上的线接触逐渐变为面接触，同时磨损使刀尖圆弧半径增加，从而使刀具后刀面与工件之间的摩擦力增大，导致切削力和切削功率增加。刀具因磨损而产生的附加力可用两个分量表示为：

式中:FNW为由刀具后刀面磨损引起的径向力，FFW为由磨损引起的刀具与工件间的摩擦力，H为工件材料的布氏硬度，VB为刀具后刀面磨损量，μ为刀具与工件间的滑动摩擦系数，s为刀具后刀面磨损带的长度。

因此，由刀具磨损引起的附加切削功率

ΔP_c＝F_FW·v_c＝μHVBs·v_c。式6

式中Vc为车削加工过程中刀具与工件接触点的线速度。

由式(2)可知，当车削过程中加工参数不发生变化时，切削功率与刀具磨损量之间满足一次线性关系，如图3所示。

(2)加工参数对切削功率的影响

切削功率的大小不仅受刀具磨损量的影响，还与切削速度、进给量和背吃刀量等加工参数密切相关。车削加工过程中，切削功率P加工参数之间存在指数关系：

式中：Fc为切削力,Vc为切削速度，ap为背吃刀量,f为每转进给量，CF，XF，YF，nF，KF为相应的切削力影响指数。

由式(3)可知，当车削过程中加工参数发生变化时，切削功率也会随之改变。因此，仅通过切削功率与刀具磨损量的一次线性关系模型无法实现刀具磨损的在线监测，还需进一步研究数控车削批量加工过程中切削功率与刀具磨损量及加工参数之间的关系。

由于切削功率与刀具磨损量及加工参数的映射关系实验设计切削功率与刀具磨损量及加工参数的耦合机理比较复杂，为此提出一种基于正交实验设计与响应面多项式回归模型的方法来分析切削功率与刀具磨损量及加工参数之间的映射关系。实验设备及条件如下：

实验以数控车床为平台，采用软硬件一体化的机床能效监控系统测量机床实时功率，同时使用超景深三维显微系统测量车刀后刀面磨损量。

(1)功率采集系统

以机床能效监控系统为平台，通过功率传感器实现机床实时功率的在线监测。该设备通过在机床总电源处获取总电流和总电压，在主轴伺服系统处获取主传动系统电流，来采集机床实时功率(采集频率4Hz)，然后将采集到的数据传输到智能终端，并利用软件系统对数据进行分析和处理。

(2)车刀磨损量测量

刀具磨损根据磨损区域通常分为前刀面磨损、后刀面磨损、前后刀面同时磨损3种类型。其中后刀面磨损便于测量，在研究与应用领域被作为刀具磨损量的评定标准。超景深三维显微系统是一种高端新型的成像机器，其因在影视成像、立体观察、实时测量等方面优越的技术特性而适用于各种科学实践领域。本实验采用超景深三维显微系统测量车刀后刀面磨损量，测量仪器及车刀后刀面磨损情况。

(3)实验条件

本实验以车削某零件外圆为例，采用的数控车床，其主电机功率为11kW，主轴转速范围为100r/min-4500r/min，最大车削长度为420mm，允许的最大回转直径为460mm。

由上述内容可以确定，正交实验设计及结果将车刀后刀面磨损量VB以及车削三要素(切削速度vc、进给量f、背吃刀量ap)作为影响切削功率Pc的4个因素。每个因素分别设定3个水平，其中刀具磨损量VB分别选取0.065mm，0.195mm，0.325mm表示刀具轻微磨损、中度磨损和严重磨损3个阶段。

为保证实验的有效性和准确性，选取实验次数较多的正交表进行实验设计，正交表和实验结果下表所示。为了减小实验测量误差带来的影响，将实验得到的功率进行了平均处理。其中Pu为空载状态下机床的主轴功率,Psp为切削状态下机床的主轴功率，切削功率：

P_c＝P_sp-P_u。式8

本方法采用的软件分析系统系统架构设计如下：

系统框架分为四部分，如图4和5所示：

物联网数据采集系统：机台运行数据通过物联网采集网关将纺机运行日志通过网络接入大数据平台的协议解析集群,此过程中数据经过二次加密，使用此集群兼顾数据+多媒体数据统一传输，并且能够保证数据安全不丢失，经解析的数据进入消息队列，等待处理，使用消息队列的好处是可以对大量数据进行缓冲、消峰，原始的系统直接接入业务系统，数据库在上万的高并发访问下，会马上过载死机，此组件避免了此问题，并且可以扩展下游数据消费系统，对大数据量进行灵活扩展。

大数据分布式计算系统：将kafka中的数据写入Hadoop的分布式存储系统，分布式存储系统好处在于易于扩展，数据归功于对副本机制不易丢失，使用廉价的服务器，便可实现海量存储，存储在Hadoop存储系统数据，将其结构化后，可以建立数据仓库，对数据仓库进行分区(按时间、数据类型等)，可以快速查询海量数据。

机器学习和算法模型系统：对已经建立好数据仓库的数据，可使用机器学习、深度学习算法，对数据进行挖掘。消费kafka中实时数据，进行业务逻辑处理，可动态匹配数据挖掘库中成果，监控实时故障、运行异常，并实时预警、立即报警。要求时效性高的数据可存入搜索引擎，实现秒级索引。使用缓存集群可以承受高并发、高性能的数据相应需求，实现数据毫秒级索引，提高用户体验。

可视化系统：提供统一化的数据查询接口，可对数据进行图形展示、报表生成等操作。

基于响应面法的切削功率与刀具磨损量及加工参数回归模型的建立包括：

1、数据预处理和特征工程：将切削功率、刀具磨损量、切削速度、进给量、背吃刀量进行特征工程，从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录，原始数据转换为更能代表预测模型的在问题的特征，通过挑选最相关特征以及创造特征，使用降维方式，将原始维度中相关度低的特征逐一剔除。在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。(一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好。数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化(Zero-centered或者Mean-subtraction)处理和缩放处理(Scale)。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，去对数也算是一种缩放处理。

2、响应面多项式回归模型采用二次回归方程，通过最小二乘法求取回归方程系数，进而构造出响应量和自变量之间的函数。切削功率Pc与刀具磨损量VB及加工参数(切削速度Vc、进给量f、背吃刀量ap)的关系复杂，因此采用二阶响应曲面模型表达切削功率与刀具磨损量及加工参数之间的关系如下：

式中：y表示切削功率，x表示刀具磨损量、切削速m表示回归方程的系数，ε表示回归值与实际值的误差。

采用机器学习对实验得到的数据进行拟合，由于各自变量的变化范围不同，为解决量纲不同给设计和分析带来的麻烦，将自变量后刀面磨损量VB、切削速度vc、进给量f、背吃刀量ap分别进行线性变换(又称编码变换)，具体公式如下：

经过线性变换处理后各自变量A，B，C，D的变化范围均在[-1，1]之间，切削功率的二阶回归模型为

P_c＝1 035.63+83.5A+235.03B+246.36C+262.54D+37.02AB-34.87AC+62.14BD+47.28CD。式11

针对模型的方差分析，如表6所示，其为切削功率模型的方差分析，其中R-Sq＝99.29％，其值越大，回归模型与数据拟合得越好；R-Sq(adj)＝98.98％，该值越接近R-Sq，回归模型越可靠。同时，回归模型中各因素项的F比值均大于F0.05，说明这些项对切削功率的影响是显著的。故而分析结果表明，切削功率函数拟合程度良好，能有效预测该实验条件下的切削功率。

在数控车削批量加工过程中，机床、刀具和工件材料均不发生变化，通过一次正交实验即可获取切削功率与刀具磨损量及加工参数之间的回归模型，因此该模型对批量加工过程具有较高的适应性。基于此，本文提出一种实时更新切削功率阈值的数控车削批量加工刀具磨损在线监测方法，其流程框架如图所示。具体步骤如下：

步骤1根据机床、刀具及工件信息判断历史数据中是否已有该加工条件下的切削功率与刀具磨损量及加工参数的回归模型，若无则通过正交实验设计和响应面法建立模型，同时将所得模型存入历史数据库中。

步骤2通过功率采集系统获取机床总功率和主传动系统功率，并对功率信号进行滤波处理。

步骤3与数控车床NC系统实现通信，同时结合机床功率信息判断机床状态。

步骤4当机床处于加工状态时，通过NC系统读取车削过程加工参数，同时根据工件表面粗糙度及尺寸精度要求设定适当的刀具磨钝标准(允许的最大刀具磨损量)，将加工参数和刀具磨钝标准带入切削功率与磨损量及加工参数的回归模型中实时计算切削功率阈值[Pc]。

步骤5将通过功率采集系统实时测量并计算所得的切削功率Pc与切削功率阈值[Pc]进行比较。若Pc＜[Pc]，则返回步骤4；若Pc＞[Pc]，则说明刀具磨损量已达到事先设定的磨钝标准，应该停止加工并更换刀具。

在机床的功率信号中不可避免地含有各种噪声和干扰，这些噪声和干扰将使功率信息失真。为了准确监测加工过程中的刀具磨损状况，必须对传感器采集到的功率信号进行滤波处理，消除噪声和干扰。

机床功率信号中的噪声和干扰分为两类：①频率一定的周期性干扰；②如脉冲干扰等随机性干扰。例如对于使用交流电机的数控机床而言，三相交流电动机任一相的电流、电压及瞬时功率值可表示为：

式中：ω表示三相交流电的角频率，φ表示电压与电流的相位差，Im表示单相绕组中的最大电流，Um表示单相绕组中的最大电压。

由式(8)可知，三相交流电动机任一相瞬时功率P的基频是工频(50Hz)的两倍。由此可见，在交流电动机的功率信号中将不可避免地含有工频及两倍工频的分量，它属于周期性干扰。模拟滤波电路可以滤除大部分周期性干扰，但不能完全有效地消除随机干扰，因此必须使用数字滤波方法。

防脉冲干扰滑动平均算法能有效消除由脉冲干扰引起的采样值偏差，同时对周期性干扰具有良好的抑制作用，其平滑度高，适用于高频振荡系统。因此，使用防脉冲干扰滑动平均算法对功率信号进行数字滤波，具体步骤如下：

步骤1通过功率传感器采集N个数据{m1，m2，…，mN}，将其放入队列存储器M[n]中。

步骤2每隔一个采样时间间隔读取一个新的数据加入M[n]队尾，同时丢弃M[n]队首的一个数据，得到一组新的数据M′[n]＝{m′1，m′2，…，m′N}。

步骤3判断M′[n]中的最大值mmax与最小值mmin。

步骤4求取M′[n]中N个数据之和，然后减去最大值与最小值，对剩下的N－2个数据计算算术平均值：

步骤5将m作为最后的计算结果输出，然后返回步骤2，重复上述计算过程。

机床的运行状态一般包括停机状态、待机状态、主轴启动状态、空载状态和加工状态。如下图所示为一数控车床加工过程的功率曲线图，机床功率曲线实质上是机床处于不同状态时功率特性的反映，因此由功率传感器测得的机床功率信息能实时地反映机床状态。然而，由于零漂及电压波动等原因，转速较低和切削量较小的加工过程难以通过功率信息准确判断机床状态。

对此，提出一种NC系统与功率信息相结合的机床状态判断方法：首先与数控机床NC系统进行通信，然后调用相应的应用程序接口函数读取加工参数，同时结合功率采集系统采集到的功率信息判断机床运行状态。具体算法流程如下图所示。

目前数控机床常用的NC系统有FANUC、SI-EMENS等。以FANUC系统为例，与该系统进行通信并读取加工参数的具体步骤如下:首先通过网卡实现与NC系统的硬件连接；然后调用FOCAS函数库(FOCAS函数是FANUC提供给用户的一组针对NC系统的API函数)中的部分函数读取加工参数，例如通过调用cnc_acts()函数和cnc_rdspeed()函数读取机床主轴的实际转速n和传动轴的实际进给速度f。

(1)主轴启动状态判断

步骤1当功率传感器测得机床总功率Ptotal由0变为大于0时，机床状态由停机状态变为待机状态。当转速n由0变为大于0时，判断机床主轴开始启动。

步骤2通过NC系统实时读取机床主轴转速,当转速n由0变为大于0时，判断机床主轴开始启动。

(2)空载状态判断

步骤1当主轴启动后，将功率传感器测得的机床主轴实时功率Psp存入一个缓存数组G[m]＝{Psp1，Psp2，...，PspM}。

步骤2判断缓存数组G[m]中的数据是否平稳，即是否满足:

根据机床特性和电网电压波动情况一般取C1＝15％～25％。若缓存数组G[m]中的数据平稳，则判断机床处于空载状态，同时将此时G[m]数组的平均值作为机床当前转速下的空载功率Pu。

(3)加工状态判断

步骤1当判断机床处于空载状态并获取空载功率Pu后，通过NC系统实时读取机床的进给速度f。

步骤2当进给速度f>0时，判断主轴功率Psp在Pu的基础上是否发生了跃变，即是否满足

本申请的技术方案与传统故障检测手段相比，基于人工智能和大数据的关键器件功率监控和分析技术具有低误报、低成本、无需人工干预和故障主动预测等优点，其主要原理是利用长期积累的设备数据，对数据进行故障标记、抽取转换、分析聚合和学习拟合，根据历史故障所影响的功率的特点和频率，结合当前设备实时数据，预测该条件下设备可能产生故障的概率，通过预警通知的方式，给与管理者最快速和直观的提示，从而大幅提高黑灯工厂的产出效率。

本申请的技术方案主要针对功率监控和分析技术所提出的解决方案，其适用范围广泛，凡是用电设备均可以使用，使用非侵入式传感器，拥有体积小、安装方便、价格低等特点，检测设备电流、电压、功率等实时数值，所提取的特征数据精度高，实时性高，针对功率波动趋势的组合和比较，形成特征鲜明的另一种故障展现形式，通过智能算法的拟合和反向推理，可以找到产生不合理功率趋势的原因,而机器学习算法在这里起着重要的作用，它可以帮助管理者及早发现机器的问题,从过去的功率趋势中吸取教训，或者从同类功率事件中总结出经验来，这正是机器学习所表现出来的巨大能力，机器学习可以通过对历史大数据的认识学习，识别出数据中重复出现的模式并应用于生产判断，这样可以更准确地预测趋势和实时检测生产问题。采用机器学习检测生产系统中的设备，有利于企业提升业绩效率。

当设备的功率数据值偏离正常状态，系统会提前警告可能的故障或失效。这样企业可以在设备故障发生之前进行及时修复，防止停机而造成巨大的生产损失。此外，设备数据的分析可以让管理者更了解生产系统的现状，知道如何更合理的利用设备资源，从而减少工人成本和提升产品质量。

实施例1

本实施例以这3批零件的车削过程为例，分别使用3把类型相同的未磨损车刀开始加工，采用上述数控车削批量加工刀具磨损在线监测方法对刀具磨损状况进行实时监测。

因为工件表面粗糙度及尺寸精度要求不高，所以设定刀具磨钝标准为0.3mm。将表8中的数据和刀具磨钝标准带入式(6)及式(7)计算，分别得到各个加工特征所对应的切削功率阈值，同时使用功率采集系统测得三批零件首件加工时的切削功率，结果如表9所示。

基于上述刀具磨损在线监测方法，利用QT平台成功开发了数控车削批量加工刀具磨损在线监测系统，并利用该系统对上述加工过程进行自动在线监测。

首先在基本信息输入模块中输入机床型号、刀具型号、工件材料、各项系数和刀具磨钝标准等基本信息；然后通过与数控车床NC系统通信实时读取加工参数，并结合功率信息判断机床状态；当机床处于加工状态时，计算切削功率阈值并与实际加工过程切削功率进行比较，当实际切削功率大于阈值时报警灯变为红色，此时应停止加工并更换刀具。

通过数控车削批量加工刀具磨损在线监测系统实时监测三批零件的车削加工过程，当功率采集系统采集到的实际切削功率超过阈值时，停止加工并取下车刀，使用VHX-1000型超景深三维显微系统测量后刀面磨损量。刀具磨损图像如图7所示。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。

上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims

1.一种数控车削批量加工刀具磨损在线监测方法，其特征在于，该方法包括如下步骤：

步骤4，当机床处于加工状态时，通过NC系统读取车削过程加工参数，同时根据工件表面粗糙度及尺寸精度要求设定适当的刀具磨钝标准(允许的最大刀具磨损量)，将加工参数和刀具磨钝标准带入切削功率与磨损量及加工参数的回归模型中实时计算切削功率阈值[Pc]；

2.根据权利要求1所述的数控车削批量加工刀具磨损在线监测方法，其特征在于，所述步骤1中通过正交实验设计和响应面法建立模型的过程如下：

P_c＝1035.63+83.5A+235.03B+246.36C+262.54D+37.02AB-34.87AC+62.14BD+47.28CD。式7最后对切削功率模型进行方差分析，其中R-Sq＝99.29％，其值越大，回归模型与数据拟合得越好；R-Sq(adj)＝98.98％，该值越接近R-Sq，回归模型越可靠，同时，回归模型中各因素项的F比值均大于F0.05，说明这些项对切削功率的影响是显著的，故而分析结果表明，切削功率函数拟合程度良好，能有效预测该实验条件下的切削功率。