CN113059402B - 一种数控铣床铣削颤振智能监测系统 - Google Patents

一种数控铣床铣削颤振智能监测系统 Download PDF

Info

Publication number
CN113059402B
CN113059402B CN202110348220.3A CN202110348220A CN113059402B CN 113059402 B CN113059402 B CN 113059402B CN 202110348220 A CN202110348220 A CN 202110348220A CN 113059402 B CN113059402 B CN 113059402B
Authority
CN
China
Prior art keywords
model
milling
data
wireless data
data acquisition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110348220.3A
Other languages
English (en)
Other versions
CN113059402A (zh
Inventor
张宇
徐熊
李鸣
夏凌风
蔡祎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN202110348220.3A priority Critical patent/CN113059402B/zh
Publication of CN113059402A publication Critical patent/CN113059402A/zh
Application granted granted Critical
Publication of CN113059402B publication Critical patent/CN113059402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

本发明提供了一种数控铣床铣削颤振智能监测系统：通过加速度传感器、声音传感器、电流传感器将采集到的数据通过信号线传输给无线数据采集前端的信号调理电路，信号调理电路对信号进行滤波、放大等处理给到无线数据采集前端的AD转换器，经过AD转换器后的数据通过SPI通信发送给无线数据采集前端主控芯片，经过处理后再次打包并通过USB发送至由RK3399Pro人工智能处理器构成的AI处理平台，通过TensorFlow对数据进行在线模拟训练，得到最优深度学习模型，并部署在RK3399Pro平台上对数控铣床的铣削颤振进行智能检测。本发明无线数据采集前端以多跳自组织组网的方式建立了一个无线传感网络，采集前端组建网络和加入网络迅速、且节点自适应组网，无线传输延时短，数据安全。

Description

一种数控铣床铣削颤振智能监测系统
技术领域
本发明属于机床切削颤振监测领域，具体涉及一种数控铣床铣削颤振智能监测系统。
背景技术
机床在生产产品过程中，由于刀具和工件的相互作用不可避免地会有振动产生，振动会对产品的表面质量产生影响。当振动超过一定限度，尤其是产生自激振动时，会严重影响产品质量。切削振动是金属切削过程中刀具与工件之间相互接触、相互作用的结果，其产生的原因以及发生、发展的规律与切削过程本身及金属切削机床动态特性都有着内在的本质联系。刀具相对于工件加工表面的振动会使加工表面产生振痕，不仅严重影响加工质量而且容易造成刀具磨损，严重时将产生崩刃，使切削加工无法继续进行。切削过程中发生的高频振动，造成噪声污染，危害操作者的身心健康。
在数控加工领域中，我国虽然实现了部分难加工材料在高速数控车床上的应用，但是由于切削颤振的影响，铣刀与工件的相对振动不仅会降低加工精度和生产效率，而且会加剧铣刀磨损，严重的甚至会损坏机床主轴，仍然无法提高生产效率，因此需要对切削颤振进行深入研究，解决加工领域所面对的问题。机床颤振监测技术是最近几十年来发展起来的，其目的就是代替人进行加工过程颤振状态的监测。在发现颤振预兆后对机床的状态进行调节，采取措施抑制颤振的进一步发展。
发明内容
针对现有技术中存在的问题，本发明提供了一种数控铣床铣削颤振智能监测系统，此系统可以与现有数控系统进行无缝衔接，将检测结果通过指定通讯协议发送给数控铣床，数控铣床可根据数控铣床铣削颤振智能监测系统的监测结果做出判断和处理，从而避免损失和危险发生。使用NPU可以实现离线智能识别、监测，数据无需上云，本地处理，本地出结果，实时性高，安全性高。
本发明是通过以下技术方案实现的：
一种数控铣床铣削颤振智能监测系统，包括：
加速度传感器(1)、声音传感器(2)、电流传感器(3)、无线数据采集前端(4)和AI处理平台(5)；
所述加速度传感器(1)通过连接件与无线数据采集前端(4)连接，通过信号线传输给无线数据采集前端(4)的信号调整电路；
所述声音传感器(2)通过连接件与无线数据采集前端(4)连接，通过信号线传输给无线数据采集前端(4)的信号调整电路；
所述电流传感器(3)通过连接件与无线数据采集前端(4)连接，通过信号线传输给无线数据采集前端(4)的信号调整电路。
进一步地，所述无线数据采集前端(4)为加速度传感器(1)、声音传感器(2)和电流传感器(3)提供激励电源，同时对传感器信号进行滤波、放大、防混叠滤波处理。
进一步地，所述无线数据采集前端(4)基于Cortex-M4单片机，搭载嵌入式实时操作系统FreeRTOS，由N个数据采集节点、一个数据接收基站组成。
进一步地，所述无线数据采集前端(4)的AD转换器对经过信号调理电路处理后的模拟信号信号数据进行AD转换，通过SPI通信协议传输给无线数据采集前端的主控芯片。
进一步地，所述AI处理平台(5)基于高性能的AI处理芯片RK3399Pro进行的设计开发，颤振智能监测系统的算法实现基于Linux操作系统进行开发，搭载Linux系统后智能监测系统在NPU下可以直接加载Caffe/Mxnet/Tensorflow模型，对数据处理进行硬件加速，效率更高。
进一步地，所述AI处理平台(5)基于RK3399Pro人工智能处理器设计开发，AI处理平台上的专用软件对数据进行时域分析、频域分析提取反映振动稳定性的特征参量，并对特征参数进行打标签、打包保存、生成数据集；再者AI处理平台通过TensorFlow对数据集进行在线模型训练，得到最优深度学习模型，通过学习自主优化模型和python编程实现模型，模型得到后将其部署在RK3399Pro平台上即可对机床铣削颤振进行智能识别。
与现有技术相比，本发明的有益效果是：
将深度学习算法应用于铣床铣削颤振监测中，利用RK3399Pro高性能嵌入式人工智能处理器对数据进行在线模型训练，得到最优深度学习模型，部署在RK3399Pro平台上，以此来代替人进行加工过程颤振状态的监测，能够精准识别道具的颤振状态，在发现颤振预兆后对机床的状态进行调节，采取措施抑制颤振的进一步发展。同时切削过程中发生的高频振动，造成噪声污染，会危害操作者的身心健康，该系统的使用可以降低人所受到的伤害。此系统可以与现有数控系统进行无缝衔接，将检测结果通过指定通讯协议发送给数据铣床，数控铣床可根据数控铣床铣削颤振智能监测系统的监测结果做出判断和处理，从而避免损失和危险发生。
本系统将ZigBee无传感网络技术应用到数控铣床的数据采集中，无线数据采集前端由N个数据采集节点、一个数据接收基站组成，无线数据采集前端选用cortex-M4系列微控制器为主控芯片，选用TI公司双核CPU高性能的通信芯片CC2630，设计出一套自适应组网数控铣床无线数据采集前端，该无线数据采集前端以多跳自组织组网的方式建立了一个无线传感网络，能够实时获取数控铣床的振动，声音、主轴电机的电流等信号。自适应组网数据采集前端组建网络和加入网络迅速、且节点自适应组网，无线传输延时短，数据安全。
附图说明
图1为本发明数控铣床铣削颤振智能监测系统的整体结构示意图。
图2为本发明数控铣床铣削颤振智能监测系统的整体方案示意图。
具体实施方式
下面结合具体实施例对本发明作进一步的说明，但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法，所述原材料如无特别说明均能从公开商业途径获得。
实施例
如图1所示，本发明提供了一种数控铣床铣削颤振智能监测系统：
包括加速度传感器(1)、声音传感器(2)、电流传感器(3)无线数据采集前端(4)、AI处理平台(5)；加速度传感器、声音传感器、电流传感器将采集到的数据通过信号线传输给无线数据采集前端，无线数据采集前端的数据基站对数据进行处理，经过处理后再次打包通过USB发送至由RK3399Pro人工智能处理器构成的AI处理平台，通过TensorFlow对数据进行在线模型训练，得到最优深度学习模型，并且部署在RK3399Pro平台上。
系统的硬件由加速度传感器(1)、声音传感器(2)、电流传感器(3)无线数据采集前端(4)、AI处理平台(5)构成。在铣床主轴和工作台的X、Y、Z三个方向安装好加速度传感器，用以采集机床的的振动信号，加速度传感器通过连接件与无线数据采集前端连接；在主轴电机的上安装电流传感器，电流传感器通过连接件与无线数据采集前端连接，以获取电流信号；铣床刀具附近安装声音传感器，声音传感器通过连接件与无线数据采集前端连接，以获取声音信号。无线数据采集前端为加速度传感器、声音传感器、电流传感器提供激励电源，同时对传感器信号进行增益、防混叠滤波处理，处理后的信号再由AD转换器将其转换为数字量，数字量数据通过SPI通讯协议传输给无线数据采集前端的主控芯片，主控芯片将得到数据经过再次处理打包后通过USB发送至由RK3399Pro人工智能处理器构成的AI处理平台。AI处理平台的专用软件对数据进行时域分析、频域分析提取反映振动稳定性的特征参量，并对特征参数进行打标签、打包保存、生成数据集。在AI处理平台通过TensorFlow对数据集进行在线模型训练，得到最优深度学习模型，并且能通过学习自主优化模型，通过python编程实现模型，模型得到后将其部署在RK3399Pro平台上，部署成功即可对机床的铣削颤振进行智能识别监测。(图2为本发明数控铣床铣削颤振智能系统的整体方案示意图)
与现有技术相比，本发明提供的数控铣床铣削颤振智能监测系统，利用深度学习算法对数据进行在线训练，得到铣削颤振状态识别模型，对机床刀具的颤振状态进行精准识别，实现刀具颤振状态的无人化识别，减少了工人的劳动量以及机床运行过程中对工人身体的损伤，提高了对刀具颤振状态的识别效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本领域技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为包含在本发明的保护范围内。

Claims (3)

1.一种数控铣床铣削颤振智能监测系统，其特征在于，包括：
加速度传感器（1）、声音传感器（2）、电流传感器（3）、无线数据采集前端（4）和AI处理平台（5）；
所有的传感器均通过信号线与无线数据采集前端（4）连接，通过信号线传输给无线数据采集前端（4）的信号调理电路，信号调理电路对传感器信号进行增益、防混叠滤波处理，处理后的信号再由AD转换器将其转换为数字量，数字量数据通过SPI通讯协议传输给无线数据采集前端的主控芯片，主控芯片将得到数据经过再次处理打包后通过USB发送至由RK3399Pro人工智能处理器构成的AI处理平台（5）；
AI处理平台（5）的专用软件对数据进行时域分析、频域分析提取反映振动稳定性的特征参量，并对特征参数进行打标签、打包保存、生成数据集；在AI处理平台（5）通过TensorFlow对数据集进行在线模型训练，得到最优深度学习模型，并且能通过学习自主优化模型，通过python编程实现模型，模型得到后将其部署在RK3399Pro平台上，部署成功即可对机床的铣削颤振进行智能识别监测；设计使用了声音传感器能够 监测到颤振产生的噪音，同时使用了电流传感器能够 监测到主电机的电流波动；
所述AI处理平台（5）基于高性能的AI处理芯片RK3399Pro进行的设计开发，颤振智能监测系统的算法实现基于Linux操作系统进行开发，搭载Linux系统后智能监测系统在NPU下能够 直接加载Caffe/Mxnet/Tensorflow模型，对数据处理进行硬件加速，效率更高。
2.根据权利要求1所述一种数控铣床铣削颤振智能监测系统，其特征在于，所述无线数据采集前端（4）基于Cortex-M4单片机，搭载嵌入式实时操作系统FreeRTOS，由N个数据采集节点、一个数据接收基站组成。
3.根据权利要求1所述一种数控铣床铣削颤振智能监测系统，其特征在于，所述AI处理平台（5）基于RK3399Pro人工智能处理器设计开发，AI处理平台上的专用软件对数据进行时域分析、频域分析提取反映振动稳定性的特征参量，并对特征参数进行打标签、打包保存、生成数据集；再者AI处理平台通过TensorFlow对数据集进行在线模型训练，得到最优深度学习模型，通过学习自主优化模型和python编程实现模型，模型得到后将其部署在RK3399Pro平台上即可对机床铣削颤振进行智能识别。
CN202110348220.3A 2021-03-31 2021-03-31 一种数控铣床铣削颤振智能监测系统 Active CN113059402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110348220.3A CN113059402B (zh) 2021-03-31 2021-03-31 一种数控铣床铣削颤振智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110348220.3A CN113059402B (zh) 2021-03-31 2021-03-31 一种数控铣床铣削颤振智能监测系统

Publications (2)

Publication Number Publication Date
CN113059402A CN113059402A (zh) 2021-07-02
CN113059402B true CN113059402B (zh) 2022-07-12

Family

ID=76564826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110348220.3A Active CN113059402B (zh) 2021-03-31 2021-03-31 一种数控铣床铣削颤振智能监测系统

Country Status (1)

Country Link
CN (1) CN113059402B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114346762B (zh) * 2022-02-22 2023-04-14 南京航空航天大学 一种高速铣削加工过程颤振监测方法、系统及可存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201465350U (zh) * 2009-06-11 2010-05-12 北京旌歌时代科技有限公司 无线数字教学实验系统
CN103760820A (zh) * 2014-02-15 2014-04-30 华中科技大学 数控铣床加工过程状态信息评价装置
CN106141815A (zh) * 2016-07-15 2016-11-23 西安交通大学 一种基于ar模型的高速铣削颤振在线辨识方法
CN109297974A (zh) * 2017-07-25 2019-02-01 发那科株式会社 信息处理装置
JP2020055052A (ja) * 2018-09-28 2020-04-09 シチズン時計株式会社 工作機械及びその作動方法
CN111069975A (zh) * 2019-12-13 2020-04-28 首都航天机械有限公司 数控铣床末端运行状态实时监测与自适应控制系统及方法
CN112405072A (zh) * 2020-11-11 2021-02-26 上海交通大学 一种机床切削颤振的在线监测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201465350U (zh) * 2009-06-11 2010-05-12 北京旌歌时代科技有限公司 无线数字教学实验系统
CN103760820A (zh) * 2014-02-15 2014-04-30 华中科技大学 数控铣床加工过程状态信息评价装置
CN106141815A (zh) * 2016-07-15 2016-11-23 西安交通大学 一种基于ar模型的高速铣削颤振在线辨识方法
CN109297974A (zh) * 2017-07-25 2019-02-01 发那科株式会社 信息处理装置
JP2020055052A (ja) * 2018-09-28 2020-04-09 シチズン時計株式会社 工作機械及びその作動方法
CN111069975A (zh) * 2019-12-13 2020-04-28 首都航天机械有限公司 数控铣床末端运行状态实时监测与自适应控制系统及方法
CN112405072A (zh) * 2020-11-11 2021-02-26 上海交通大学 一种机床切削颤振的在线监测方法及装置

Also Published As

Publication number Publication date
CN113059402A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN109396953B (zh) 基于信号融合的机床工作状态智能辨识系统
CN102950510B (zh) 检测装置、柔性生产系统、柔性生产线和检测方法
CN203894596U (zh) 数控机床加工状态多参数在线主动监控系统
CN104741638B (zh) 一种车削刀具磨损状态监测系统
CN113059402B (zh) 一种数控铣床铣削颤振智能监测系统
CN105058165A (zh) 基于振动信号的刀具磨损量监测系统
CN103823409A (zh) 数控机床加工状态多参数在线主动监控系统及其实现方法
CN110561195B (zh) 一种机械加工过程中颤振的监测方法
CN100480921C (zh) 多物理状态监测优化与远程综合诊断智能数控系统
CN108406443A (zh) 基于深度学习云平台的cnc机床刀柄切削力智能监测系统
CN203133563U (zh) 一种用于数控机床的远程在线检测装置
CN112275981A (zh) 一种自由锻造智能生产系统及方法
CN107866696A (zh) 管理系统和装置、主轴故障检测方法、计算机可读介质
CN105700477A (zh) 一种基于颤振频率的加工颤振智能抑制方法
CN205318211U (zh) 惯量匹配参数式数控机床优化及实时监控系统
CN108873813A (zh) 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法
CN111230159B (zh) 一种多传感器融合的车刀状态监测方法及系统
KR20210065581A (ko) 공작기계 이상상태 모니터링 시스템 및 방법
CN111300148A (zh) 一种电流信号监测刀具磨损的方法
CN104669114A (zh) 磨床颤振监测系统及其磨削故障信号的提取和诊断方法
CN108405696A (zh) 一种智能旋压系统及旋压加工方法
CN111774932B (zh) 一种刀具健康状况在线监测方法、装置及系统
KR101015058B1 (ko) 공작기계의 채터진동 보상장치
CN207682123U (zh) 基于plc控制的砂带磨削机床控制系统
Eckstein et al. Comparison of sensors signal quality when drilling Inconel 718

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant