CN112578732A - 一种智能切削加工过程监控系统及其监控方法 - Google Patents

Abstract

本发明涉及电力电子技术领域，公开了一种支撑切削无人工厂建设的智能监控系统及其监控方法，包括机床控制模块、智能传感器、边缘计算模块及显示配置模块，机床控制模块与边缘计算模块连接，机床控制模块将机床设备运行状态传输至边缘计算模块中；智能传感器安装于机床的主轴上，其与边缘计算模块连接，采集机床的速度信息、加速度信息、重力信息及声音信息，并传输至边缘计算模块中；显示配置模块与边缘计算模块连接，用于显示边缘计算模块的监测结果。与现有技术相比，本发明实现对所有异常状态实时在线监控，便于实时监测机床工作过程中是否出现异常，而且出现异常后可以及时报警处理，有效支撑切削加工无人工厂建设。

Description

一种智能切削加工过程监控系统及其监控方法

技术领域

本发明涉及新一代智能制造技术领域，具体涉及一种支撑切削无人工厂建设的智能监控系统及其监控方法。

背景技术

应“新一代智能制造技术”的发展趋势，制造业将朝无人化、智能化的方向进一步发展，智能制造旨在将知识和经验信息化并融入感知、决策、执行等制造活动中，赋予产品制造在线学习和知识进化的能力，尽量减少人工干预，实现高品质制造。

批量切削加工过程中，刀具、工艺过程及设备健康状况对于切削稳定性及加工质量影响重大，目前切削加工过程大部分情况尚处于依靠人力监督作业的状态，当出现异常加工状态时，设备无法自动识别异常状态并及时做出调整，无法适应无人工厂建设需求。

切削加工过程中常出现的异常加工过程包括：异常撞机、断刀、缺刀、刀具严重磨损、工件加工质量下降。其中，异常撞机是由于操作失误、程序错误或机构失效造成运动部件之间撞机，机床本身不自带撞机监测的功能，只有当电机抱死以后才会触发报警，此时危害已发生，机床会出现重大事故。断刀是由于加工程序错误、对刀错误、装夹错误造成加工过载而引起的刀具突然断裂，断刀如不及时发现将会造成下一加工工序的持续断刀、产品报废、批量加工产品不良等问题。缺刀是指由于机床或人员装夹问题造成加工过程中主轴未取到刀具，造成此道工序未完成，与断刀类似，将引起后续工序及产品持续异常。刀具严重磨损是指刀具在切削难加工材料时，刀具的寿命自然下降，到寿命末期时出现切削加工质量下降的现象，目前业内普遍的做法是在刀具未到寿命时(往往在60％左右)，提前换刀，以避免出现产品加工质量下降的问题，刀具寿命浪费是批量加工的主要成本付出点。因此，有效的切削刀具状态监测技术对于保证产品的加工质量、保护设备安全、提高机床的智能化水平具有非常重要的意义，是实现全自动无人职守加工的重要基础。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种支撑切削无人工厂建设的智能监控系统及其监控方法，针对无人值守的批量切削加工过程中出现的异常撞机、断刀、缺刀、刀具严重磨损、工件加工质量下降等问题，实现对所有异常状态实时在线监控，便于实时监测机床工作过程中是否出现异常，而且出现异常后可以及时报警处理，有效支撑切削加工无人工厂建设。

技术方案：本发明提供了一种智能切削加工过程监控系统，其特征在于，包括机床控制模块、智能传感器、边缘计算模块及显示配置模块，所述机床控制模块与所述边缘计算模块连接，所述机床控制模块将机床设备运行状态传输至所述边缘计算模块中；所述智能传感器安装于机床的主轴上，其与所述边缘计算模块连接，直接感应机床设备的振动加速度信号，并经过内部信号处理，转化为被采集机床的速度信息、加速度信息、重力信息及声音信息，并传输至所述边缘计算模块中；所述显示配置模块与所述边缘计算模块连接，用于显示所述边缘计算模块的监测结果。

进一步地，所述边缘计算模块包括数据采集模块、数据预处理模块、特征工程模块、模型生成模块及应用模块；

所述数据采集模块包括机床设备采集模块、传感器数据采集模块，其分别与所述机床控制模块、智能传感器连接，分别用于采集机床设备运行状态和机床的速度信息、加速度信息、重力信息及声音信息，所述机床设备运行状态包括机床控制信息和机床工艺信息；

所述数据预处理模块与所述数据采集模块连接，用于对所述数据采集模块采集的数据进行数据规整、异常数据清洗、重采样、异构数据统一、量化处理；

所述特征工程模块与所述数据预处理模块连接，对经过预处理的数据进行统计特征、特征变换、特征选择、特征融合及特征量化处理；

所述模型生成模块与所述特征工程模块连接，对经过特征工程模块处理的数据进行生成对应的模型，所述模型包括撞机模型、断刀模型、缺刀模型、刀具磨损模型及质量预判模型；

所述应用模块与所述模型生成模块、数据采集模块连接，包括实时数据显示、边缘计算配置、实时控制。

进一步地，所述数据规整：对数据的格式、长度、精度、类型进行统一的规范处理；所述异常数据清洗：对采集到的异常数据进行对齐、缺失值填充、离群数据清理、重复数据剔除；所述重采样：对采集过程中由于网络延迟、目标系统反馈时间不一致等导致的数据间隔不一，对其进行时间等间隔处理；所述异构数据统一：对异构数据源进行并行同步格式转换、获取方式进行一致性处理；所述量化处理：对数据进行量化映射。

进一步地，所述统计特征：对采集并预处理后的数据集合进行统计分析；所述特征变换：通过变换消除原特征之间的相关或减少冗余，得到新的降维特征；所述特征选择：从原始特征中挑选出分类性能最好的特征子集；所述特征融合：各特征之间进行各类运算，进行特征融合；所述特征量化处理：对特征量化映射。

进一步地，所述实时数据显示：对机床、智能传感器数据采集、所属模型判断结果进行实时显示；所述边缘计算配置：针对具体的机床设备类型及应用场景进行边缘计算的数据采集、数据预处理、特征工程、模型训练及应用进行配置；实时控制：依据应用场景进行模型判断后的控制策略配置及反馈控制实施。

进一步地，所述智能传感器为MEMS型加速度传感器。

进一步地，所述应用模块还包括边缘计算组态，所述边缘计算组态对同网络内的边缘计算模块进行组态化配置协同，各所述边缘计算模块的应用模块通过边缘计算组态与平台服务器连接。

本发明还公开了一种智能切削加工过程监控系统的监控方法，包括如下步骤：

步骤1：将智能传感器安装于机床的主轴上，将机床控制模块、智能传感器与边缘计算模块连接；

步骤2：获取机床设备运行状态以及智能传感器监测的速度信息、加速度信息、重力信息及声音信息；

步骤3：对步骤2中获取到的数据进行预处理，分别进行数据规整、异常数据清洗、重采样、异构数据统一、量化处理；

步骤4：对步骤3经过预处理的数据进行统计特征、特征变换、特征选择、特征融合及特征量化处理；

步骤5：对步骤4中经过特征工程处理的数据进行生成对应的模型并对模型进行训练；

步骤6：实时获取的机床设备运行状态以及速度信息、加速度信息、重力信息及声音信息通过步骤3与步骤4进行数据处理，并根据步骤5所述模型判断当前机床是否发生异常加工；

步骤7：根据步骤6的异常加工报警情况，生成控制信号，通过机床I/O口控制机床相应动作。

优选地，所述机床的控制相应动作方式包括但不限于程序停机、紧急停机、紧急抬轴。

有益效果：

1、本发明针对无人值守的批量切削加工过程中出现的异常撞机、断刀、缺刀、刀具严重磨损、工件加工质量下降等问题，发明一种智能切削加工过程监控系统，实现对所有异常状态实时在线监控，便于实时监测机床工作过程中是否出现异常，而且出现异常后可以及时报警处理，有效支撑切削加工无人工厂建设。

2、本发明通过采集模块采集的数据进行构建模型，并对模型进行训练，通过不同的模型实施监测判断当前机床工作过程中会出现的各种异常状态，并根据不同的模型通过机床I/O口控制机床相应方式，可以实现无人值守的批量切削加工过程。

附图说明

图1为本发明智能切削监控系统硬件结构框图；

图2为本发明边缘计算模块的系统软件模块结构框图；

图3为本发明边缘计算模块进行边缘计算组态的结构框图；

图4为本发明智能切削监控系统监控方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明公开了一种智能切削加工过程监控系统，主要包括机床控制模块、智能传感器、边缘计算模块及显示配置模块，机床控制模块与边缘计算模块连接，机床控制模块将机床设备运行状态传输至边缘计算模块中。智能传感器安装于机床的主轴上，其与边缘计算模块连接，直接感应机床设备的振动加速度信号，并经过内部信号处理，转化为被采集机床的速度信息、加速度信息、重力信息及声音信息，并传输至边缘计算模块中；显示配置模块与边缘计算模块连接，用于显示所述边缘计算模块的监测结果。

本发明智能传感器为MEMS型加速度传感器，其可直接感应设备的振动加速度信号，经过内部信号处理，可以转化为被采集机床的速度信息、位移信息等，其内部集成了对上述信息的运算模块。该运算模块将对上述信息进行切片，且对切片信息进行峰峰值运算，均方值运算，偏度运算，陡峭度运算，然后将原始信号与经过处理的信息同步输出给边缘计算模块，MEMS型加速度传感器自身的数字信号处理能力及可编程性，内嵌数字信号处理程序，从而实现对能加速度信号进行同步的，无延迟的处理，可以有效的缓解后续计算压力，同时可以根据需要只输出滑动分窗处理后的数值，从而极大的降低后续数据传输量及处理的复杂度。本发明边缘计算模块安装在机床控制模块旁边，机床的控制数据通过网线或者机床总线(包括can总线、profinet、profibus等)连接到边缘计算模块。

本发明机床设备运行状态主要包括控制信息与工艺信息，控制信息是指机床的开停机信息、程序调用信息、轴运动信息等，工艺信息是指机床切削所用到的切削速度、吃刀量、刀具类型等信息。

本实施方式中，边缘计算模块包括数据采集模块、数据预处理模块、特征工程模块、模型生成模块及应用模块。

数据采集模块包括机床设备采集模块、传感器数据采集模块，其分别与机床控制模块、智能传感器连接，分别用于采集机床设备运行状态和机床的速度信息、加速度信息、重力信息及声音信息，机床设备运行状态包括机床控制信息和机床工艺信息。控制信息是指机床的开停机信息、程序调用信息、轴运动信息等，工艺信息是指机床切削所用到的切削速度、吃刀量、刀具类型等信息。

数据预处理模块与数据采集模块连接，用于对数据采集模块采集的数据进行数据规整、异常数据清洗、重采样、异构数据统一、量化处理。数据规整：对数据的格式、长度、精度、类型进行统一的规范处理。异常数据清洗：对采集到的异常数据进行对齐、缺失值填充、离群数据清理、重复数据剔除。重采样：对采集过程中由于网络延迟、目标系统反馈时间不一致等导致的数据间隔不一，对其进行时间等间隔处理。异构数据统一：对异构数据源进行并行同步格式转换、获取方式进行一致性处理。量化处理：对数据进行量化映射，降低分辨精度，减少内存占用，提高后续处理速度。

特征工程模块与数据预处理模块连接，对经过预处理的数据进行统计特征、特征变换、特征选择、特征融合及特征量化处理。统计特征：对采集并预处理后的数据集合进行统计分析。特征变换：通过变换消除原特征之间的相关或减少冗余，得到新的降维特征。特征选择：从原始特征中挑选出分类性能最好的特征子集。特征融合：各特征之间进行各类运算，进行特征融合。特征量化处理：对特征量化映射。

模型生成模块与特征工程模块连接，对经过特征工程模块处理的数据进行生成对应的模型，模型包括撞机模型、断刀模型、缺刀模型、刀具磨损模型及质量预判模型。

应用模块与模型生成模块、数据采集模块连接，包括实时数据显示、边缘计算配置、实时控制以及边缘计算组态。实时数据显示：对机床、智能传感器数据采集、所属模型判断结果进行实时显示；边缘计算配置：针对具体的机床设备类型及应用场景进行边缘计算的数据采集、数据预处理、特征工程、模型训练及应用进行配置。实时控制：依据应用场景进行模型判断后的控制策略配置及反馈控制实施。边缘计算组态对同网络内的边缘计算模块进行组态化配置协同，各边缘计算模块的应用模块通过边缘计算组态与平台服务器连接。

本实施方式中以异常断刀识别为例，具体描述其监控系统的监控方法：

S1：首先将智能传感器安装于机床的主轴侧向平整面上，保证传感器能检测到，边缘计算模块安装于机床的控制柜。

S2：边缘计算模块与智能传感器485串行通信方式，且同时向智能传感器提供5VDC电源。边缘计算模块与FANUC机床采用工业以太网连接。

S3：数据采集：硬件连接完成后，启动监控系统，进行采集机床的配置，并且启动数据采集模块。边缘计算模块内的数据采集模块将与FANUC机床建立socket连接，从而实现通讯，持续主动从FANUC机床中获取设备运行状态，当前子程序号，刀具号，负载，进给速度，当前加工位置等信息，与此同时，数据采集模块将同步从485端口读取智能传感器回传的振动信号。由于受机床反馈速度变化及网络的影响，设备状态参数的采集呈不稳定状态，而传感器的数据将保持较稳定的频率回传，两类数据随时间对比如下表1：

表1：设备状态参数与传感器的数据随时间对比

S4：数据预处理：数据采集完成后，进入到数据预处理环节，显然，从上表数据可以知道，对于“负载”变量而言，T4时刻的“54212”是一个偏离了该变量范围的数值，属于异常值，需要剔除。而在T2、T3、T5、T8、T9、T10、T11时刻，没有成功读取到数值，负载是代表主轴受力情况的一个量，是连续变量，因此中间缺失值进行线性插值，保证其数值有效且不会产生高方差的插值点。“刀具号”在T2、T3、T5、、T7、T9、T10存在缺失值，但是由于刀具号是离散变量，同时，根据加工的特点，缺失刀具号采用前向填充的方式对缺失值进行填充。由于“子程序”参数为字符串类型，在大部分建模方法中无法使用，因此对其进行映射处理，“01001”替换为“1”，“01002”替换为“2”。遵循“异常值剔除，字符串型进行离散值映射，连续数值进行线性插值”的规则，对采集数据进行预处理，经过预处理后，该时间序列变为表2：

表2：经数据预处理的设备状态参数与传感器的数据随时间对比

S5：经过预处理后，程序将根据刀具号对数据进行分段，当刀具号发生变化时，将对数据进行打包，成为“一个样本”数据。

S6：统计特征、特征融合：得到“一个样本”后，将分别对“负载”、“x轴加速度”、“y轴加速度”、“z轴加速度”、“x轴速度”、“y轴速度”、“z轴速度”等进行统计特征提取，包括峰峰值计算，峰度值、偏度值、陡峭值、最大值，RMS等，产生各参数的特征量，同时，对不同参数的特征量进行相互的数学运算，以便产生更加丰富的特征，如将“负载的最大值”与“x轴加速度的最小值”相加，成为“融合变量1”，将“负载的最小值”与“y轴速度的平均值”相加，成为“融合变量2”。

S7：持续采集数据，直至所收集的“样本”数据达到N个后(N将根据不同项目进行微调，不小于100)，达到最小样本集的需求。

S8：特征选择：对原为特征维度为M的样本集利用进行特征筛选，具体地，1)利用PCA得分法(PCA Score)对每一位特征的方法进行计算，得到每维特征的排名rank_pca；2)利用拉普拉斯得分法(Laplace Score)对根据每维特征进行得分计算，且进行排名得到rank_lap；3)按照rank＝0.6*rank_pca+0.4*rank_lap计算各维特征的加权排序，得到特征的重要度排名，并且保留排名前K个的特征。

S9：特征变换：将特征选择后的训练样本通过线性变换函数Φ进行变换，在变换后的特征空间进行主成分分析，实现非线性降维，得到J维特征(M>K>J)。

S10：对特征变换后特征进行z-score标准化处理，保证其标准差1，均值为0。

S11：对特征标准化处理完成后的数据集进行模型学习。分别训练RobustCovariance、OneClassSVM、IsolationForest、LocalOutlierFactor模型作为断刀模型的基础模型，并保存为model_rc，model_1svm，model_isof,model_lof，此即为刀具异常监控模型。

S12：启用刀具异常监控功能后，对数据进行持续采集，直至刀具号发生变化后，对上一完整的“一个样本”数据进行S6-S10的处理，然后分别利用model_rc，model_1svm，model_isof，model_lof模型进行预测，得到结果score_rc，score_1svm，score_isof,score_lof，对其进行平均加权score＝(score_rc+score_1svm+score_isof+score_lof)/4，如果socre<0.1，则输出断刀报警。

S13：接收到断刀报警后，生成控制信号，通过机床I/O口控制机床相应(机床的控制相应方式包括但不限于程序停机、紧急停机、紧急抬轴等)，同时系统将结果上传至平台。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种智能切削加工过程监控系统，其特征在于，包括机床控制模块、智能传感器、边缘计算模块及显示配置模块，所述机床控制模块与所述边缘计算模块连接，所述机床控制模块将机床设备运行状态传输至所述边缘计算模块中；所述智能传感器安装于机床的主轴上，其与所述边缘计算模块连接，直接感应机床设备的振动加速度信号，并经过内部信号处理，转化为被采集机床的速度信息、加速度信息、重力信息及声音信息，并传输至所述边缘计算模块中；所述显示配置模块与所述边缘计算模块连接，用于显示所述边缘计算模块的监测结果。

2.根据权利要求1所述的智能切削加工过程监控系统，其特征在于，所述边缘计算模块包括数据采集模块、数据预处理模块、特征工程模块、模型生成模块及应用模块；

所述数据采集模块包括机床设备采集模块、传感器数据采集模块，其分别与所述机床控制模块、智能传感器连接，分别用于采集机床设备运行状态和机床的速度信息、加速度信息、重力信息及声音信息，所述机床设备运行状态包括机床控制信息和机床工艺信息；

所述数据预处理模块与所述数据采集模块连接，用于对所述数据采集模块采集的数据进行数据规整、异常数据清洗、重采样、异构数据统一、量化处理；

所述特征工程模块与所述数据预处理模块连接，对经过预处理的数据进行统计特征、特征变换、特征选择、特征融合及特征量化处理；

所述模型生成模块与所述特征工程模块连接，对经过特征工程模块处理的数据进行生成对应的模型，所述模型包括撞机模型、断刀模型、缺刀模型、刀具磨损模型及质量预判模型；

所述应用模块与所述模型生成模块、数据采集模块连接，包括实时数据显示、边缘计算配置、实时控制。

3.根据权利要求2所述的智能切削加工过程监控系统，其特征在于，所述数据规整：对数据的格式、长度、精度、类型进行统一的规范处理；所述异常数据清洗：对采集到的异常数据进行对齐、缺失值填充、离群数据清理、重复数据剔除；所述重采样：对采集过程中由于网络延迟、目标系统反馈时间不一致等导致的数据间隔不一，对其进行时间等间隔处理；所述异构数据统一：对异构数据源进行并行同步格式转换、获取方式进行一致性处理；所述量化处理：对数据进行量化映射。

4.根据权利要求2所述的智能切削加工过程监控系统，其特征在于，所述统计特征：对采集并预处理后的数据集合进行统计分析；所述特征变换：通过变换消除原特征之间的相关或减少冗余，得到新的降维特征；所述特征选择：从原始特征中挑选出分类性能最好的特征子集；所述特征融合：各特征之间进行各类运算，进行特征融合；所述特征量化处理：对特征量化映射。

5.根据权利要求2所述的智能切削加工过程监控系统，其特征在于，所述实时数据显示：对机床、智能传感器数据采集、所属模型判断结果进行实时显示；所述边缘计算配置：针对具体的机床设备类型及应用场景进行边缘计算的数据采集、数据预处理、特征工程、模型训练及应用进行配置；实时控制：依据应用场景进行模型判断后的控制策略配置及反馈控制实施。

6.根据权利要求1所述的智能切削加工过程监控系统，其特征在于，所述智能传感器为MEMS型加速度传感器。

7.根据权利要求2所述的智能切削加工过程监控系统，其特征在于，所述应用模块还包括边缘计算组态，所述边缘计算组态对同网络内的边缘计算模块进行组态化配置协同，各所述边缘计算模块的应用模块通过边缘计算组态与平台服务器连接。

8.一种基于权利要求1至7任一所述智能切削加工过程监控系统的监控方法，其特征在于，包括如下步骤：

步骤1：将智能传感器安装于机床的主轴上，将机床控制模块、智能传感器与边缘计算模块连接；

步骤2：获取机床设备运行状态以及智能传感器监测的速度信息、加速度信息、重力信息及声音信息；

步骤3：对步骤2中获取到的数据进行预处理，分别进行数据规整、异常数据清洗、重采样、异构数据统一、量化处理；

步骤4：对步骤3经过预处理的数据进行统计特征、特征变换、特征选择、特征融合及特征量化处理；

步骤5：对步骤4中经过特征工程处理的数据进行生成对应的模型并对模型进行训练；

步骤6：实时获取的机床设备运行状态以及速度信息、加速度信息、重力信息及声音信息通过步骤3与步骤4进行数据处理，并根据步骤5所述模型判断当前机床是否发生异常加工；

步骤7：根据步骤6的异常加工报警情况，生成控制信号，通过机床I/O口控制机床相应动作。

9.根据权利要求8所述的智能切削加工过程监控系统的监控方法，其特征在于，所述机床的控制相应动作方式包括但不限于程序停机、紧急停机、紧急抬轴。

Images