CN113199304B - 一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法 - Google Patents

Abstract

本发明公开了一种基于扩展卡尔曼滤波与切削力模型的刀具诊断与预测方法，可在数控机床工作中对加工刀具进行实时在线监测，对刀具磨损状态进行精准诊断与预测，并对加工系统及时做出更换刀具提示；本发明利用切削力作为监测信号，有直观、方便部署、受其他因素影响小的特点；利用扩展卡尔曼滤波处理原始信号，相比人工智能方法，无需时间训练模型，可改变参数适应其他加工材料；利用剩余有效生命模型结合扩展卡尔曼滤波算法对刀具剩余寿命进行精准预测。本发明解决传统刀具模型训练时间长、适应性差的问题，并能提高诊断与预测的精度，降低生产中过早废弃刀具或使用过磨损刀具造成工件精度不满足要求带来的损失。

Description

一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法

技术领域

本发明涉及刀具磨损诊断与预测领域，具体是涉及一种基于扩展卡尔曼滤波与切削力模型的刀具诊断与预测方法。

背景技术

在切削加工过程中，由于刀具受到持续的冲击、巨大的压力和极高的温度的影响，造成了刀具磨损。刀具磨损的持续增加甚至断裂，将造成被加工工件精度降低，加工工件报废，刀具寿命持续减少，甚至对机床造成损伤。原始的刀具状况判断依赖技术工人，他们通过观察切屑、判断加工噪声、计算加工时间长短等方法主观判断道具状况。这种方法依赖经验，造成估计误差大，若过早更换刀具将造成刀具浪费，提高了生产成本；若过晚更换刀具将造成工件表面精度大幅降低，甚至道具断裂损害机床，造成巨大损失。

为解决这一难题，对于刀具监控主要提出了直接监测法与间接监测法。直接检测法是通过仪器测量刀具后刀面磨损带中间部分平均磨损量。由于直接检测法需要停机离线测量，造成生产效率低下。间接法是通过在线测量由于刀具磨损会持续规律变化的物理量，通过这些持续规律变化的物理量，推断出此时的磨损状态。在研究中，通常采用切削力，声发射信号，主轴功率等信号作为间接观测信号。在建立观测信号与磨损量联系方面，通常采用物理模型法与人工智能法。物理模型法是指建立观测数据与磨损量的模型，将观测数据作为输入得到磨损量作为输出。然而观测数据受噪音影响大，造成磨损量诊断误差大。人工智能法指通过实验记录观测物理量与实际磨损量，建立机器学习算法，拟合出观测物理量与磨损量的模型，在生产过程中将实时测得的观测物理量输出模型，获得实时磨损量。该方法需要大量实验数据进行模型拟合，因此需要消耗大量材料与刀具，造成成本过高；同时当刀具或工件变换材料或尺寸时，需要重新进行试验，拟合新的模型，造成适应性差。因此，迫切需要研究一种误差小、精度高、成本低、实时性好、容易部署的刀具磨损诊断与预测方法。

发明内容

本发明是为了解决间接检测法中物理模型法与人工智能法中存在的不足之处，提出了一种误差小、精度高、成本低、实时性好、容易部署的基于扩展卡尔曼滤波与切削力模型的换刀监测方法，以期能解决无法实时在线监控刀具磨损、需要大量时间与数据训练监控模型的问题，从而提高生产效率并降低因刀具过磨损带来的损失。

本发明为解决技术问题采用如下技术方案：

本发明一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法的特点在于，包括如下步骤：

步骤1、利用测力计测量刀具在当前时刻的切削过程中产生的三向切削力信号；

获取当前时刻的切削过程中的各个加工参数；

以切削力机理模型的输出作为扩展卡尔曼滤波算法的信号矢量，以三向切削力作为扩展卡尔曼滤波算法的观测矢量，从而利用扩展卡尔曼滤波算法获得当前时刻的三向切削力的三向滤波信号与三向预测信号；

步骤2、利用三向切削力的三向滤波信号作为所述切削力机理模型的输入，从而利用所述切削力机理模型获得每个刀刃的刀具三向磨损值，选取所述刀具三向磨损值中的最大值并与设定的阈值做比较，若超过阈值，则执步骤6；否则，执行步骤3；

步骤3、以所述三向预测信号作为有效生命预测模型的输入，从而利用有效生命预测模型获得每个刀刃的剩余有效生命时间值，选取所述剩余有效生命时间值中的最小值与一次加工时间进行比较，若最小值小于一次加工时间，则执行步骤4；若最小值大于一次加工时间，且小于两次加工时间，则执行步骤5；若最小值大于两次加工时间，则返回步骤1，继续对刀具进行下一时刻的监测；

步骤4、机床工作至最小值的失效时间后，执行步骤6；

步骤5、机床工作至完成正在进行的加工过程后，执行步骤6；

步骤6、停机换刀。

本发明所述的一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法的特点也在于，所述步骤1具体包括：

步骤1.1、利用式(1)建立k时刻三向切削力信号的切削力机理模型：

式(1)中，F[k]表示k时刻切削力机理模型输出的机理信号，N_t为刀刃数，j表示刀刃的序号，z_ju为加工时第j个刀刃与工件接触宽度的上限，z_jd为加工时第j个刀刃与工件接触宽度的下限，T为旋转矩阵，K为切削系数矩阵，h_j(k,z)为k时刻加工时，第j个刀刃在垂直工件表面的高度方向上未切削的工件厚度，db(z)为在垂直工件表面的高度方向上刀具切削部分的高度；

步骤1.2、利用式(2)和式(3)分别得到k时刻加工时测力计测得的三向切削力信号Z[k]与k+1时刻切削力机理模型输出的机理信号F[k+1]：

Z[k]＝H{F[k],k}+w[k] (2)

F[k+1]＝Φ{F[k],k}+Γ[F[k],k]n[k] (3)

式(2)和式(3)中，H为测量矩阵，w[k]为k时刻噪声矢量，Φ为状态转移矩阵，Γ为扰动矩阵，n[k]为k时刻扰动噪声；当k＝0时，初始化F[k]＝0；

步骤1.3、利用式(4)和式(5)分别获得k时刻加工时三向切削力的三向预测信号

与三向滤波信号

式(5)中，K[k]为k时刻卡尔曼滤波的增益。

所述步骤2中是利用式(6)获得刀具三向磨损值：

式(6)中，VB_j[k]为k时刻第j个刀刃的磨损量，A为平均磨损的固有幅度，v_E为平均磨损在早期阶段的成长速率，v_L为平均磨损在期阶段的成长速率。

所述步骤3中，是利用式(7)所示的有效生命预测模型获得剩余有效生命时间值

与现有技术相比，本发明的有益效果在于：

1、本发明通过间接监测法，在切削过程中对切削力进行在线实时监测，克服了现有技术中需要停机对刀具磨损量进行测量的问题，从而极大的提高了生产效率，减少了因频繁停机重启而造成的切削误差，减少了未达到切削精度工件的数量，降低了企业生产成本。

2、本发明通过结合扩展卡尔曼滤波与切削力，运用切削力模型与实时信号作为扩展卡尔曼滤波的输入，获得切削力信号的滤波值与预测值，解决了现有技术中直接使用切削力进行诊断时，噪声对信号影响大造成根据切削力对刀具磨损量诊断误差大的问题，提升了对刀具磨损量诊断的精度，减少了由于过磨损造成工件精度不达标的损失。

3、本发明通过结合扩展卡尔曼滤波与切削力获得预测值，运用预测切削力值作为剩余有效生命时间模型的输入，获得对刀具剩余有效生命时间值的估计，解决了传统方法中根据实时数据控制判断刀具磨损是否达到阈值从而停机造成的中断加工过程使加工精度降低的问题，系统提前预测刀具寿命，若刀具即将到达最大磨损值时，在下一个加工周期开始前系统将做出更换刀具的提示，提升了工艺质量，减少了因工件精度不合格带的损失。

附图说明

图1是本发明整体结构示意图；

图2是本发明结合扩展卡尔曼滤波与切削力模型的算法结构图；

图3是本发明换刀决策的算法结构图；

图4是本发明流程图。

具体实施方式

本实施例中，一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法是一种结合了机理模型与先进数据处理算法的高精度、实时刀具诊断与预测系统，如图1所示，包括：数控机床、测力计、工业计算机和智能算法：

本实施例中，数控机床采用Roder TEC立式铣床，其含有总线接口和传感器支架，测力计安装在传感器支架上，在铣床对工件进行加工时，实时获取切削力信号。通过总线接口，利用Modbus通信协议与工业计算机进行交互，工业计算机通过智能算法计算出当刀具磨损到达或即将到达磨损阈值时，控制数控机床进行停机换刀，从而保障了工件精度，减少了因刀具过磨损造成的损失。

本实施例中，测力计采用Kistler 9265B，该测力计测量的信号为三向力信号，为智能算法提供实时切削力数据，从而获得实时刀具磨损值的监测与刀具剩余有效生命值的估计，由智能算法判断是否需要停机换刀。测力计采集到三向力信号后，通过RS-485接口，利用Modbus通信协议与工业计算机进行交互。本实施例中的间接监控法为智能算法提供了切削力信号，从而使系统可以实时对切削刀具进行监控，提高了系统的工作效率，减少了频繁停机对工件加工精度的影响。

本实施例中，工业计算机采用SIMATIC IPC827C，工业计算机带有总线接口与RS-485接口，可以通过Modbus通信协议与测力计和数控机床进行通信。工业计算机从测力计获取实时三向切削力信号，通过智能算法计算出实时刀具磨损值与刀具剩余有效生命值，对停机换刀进行决策，再将停机换刀信号发布至数控机床。

本实施例中，智能算法包括结合扩展卡尔曼滤波与切削力模型的算法如图2所示和换刀决策的算法如图3所示；

结合扩展卡尔曼滤波与切削力模型的算法将信号模型与观测数据作为算法输入，获得切削力滤波值与切削力预测值，将切削力滤波值输入切削力磨损模型即可获得刀具实时磨损值；将切削力预测值输入剩余有效生命模型即可获得刀具剩余有效生命预测值。根据实时磨损值与剩余有效生命预测值，对刀具加工过程进行调整。

具体的说，该系统中测力计获得三向切削力信号后，将实时信号发送至工业计算机中，该算法利用切削力模型作为信号模型，利用实时切削力数据作为数据模型，同时将上述两模型作为扩展卡尔曼滤波算法的输入信号，经计算后得到切削力的滤波信号与切削力的预测信号，将切削力滤波信号作为切削力磨损模型的输入值，则可以获得刀具实时磨损值，作为决策算法的输入，对刀具进行实时监测与决策；将切削力预测信号作为剩余有效生命模型的输入值，则可获得刀具剩余寿命的预测值，作为决策算法的输入，对刀具寿命进行预测与决策。该算法利用机理模型处理原始数据并对道具状态进行预测，大幅提高了刀具磨损诊断与预测精度。

换刀决策的算法将实时磨损值与刀具剩余寿命的预测值作为算法输入，与设定的磨损阈值和加工过程时间进行比较，从而下达停机换刀指令。

具体地说，将各刀刃磨损值取最大值后，与设定的磨损阈值进行比较，若磨损值大于磨损阈值，则工业计算机发送停机换刀信号至数控机床；若磨损值小于磨损阈值，则将切削力预测值输入剩余有效生命值模型，获得各刀刃剩余有效生命值，将各刀刃剩余有效生命值取最小值后，与1个切削过程时间进行比较，若剩余有效生命值小于1个切削过程时间，则工作至预测失效时间后工业计算机发送停机换刀信号至数控机床；若剩余有效生命值大于1个切削过程时间，则将剩余有效生命值与2个切削过程时间进行比较，若剩余有效生命值大于2个切削过程时间，则继续监测实时切削力进行下一次循环；若剩余有效生命值小于2个切削过程时间，结束该切削过程后工业计算机发送停机换刀信号至数控机床。该算法利用高精度诊断与预测数据，最大程度在刀具即将失效前做出更换刀具的决策，减少了因加工过程中停机换刀造成的工件精度下降，同时避免了过早更换刀具带来的损失。

本实施例中，一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法是应用于由数控机床、测力计、工业计算机所组成的切削加工系统中，如图4所示，并按照如下步骤进行：

步骤1、利用测力计测量刀具在当前时刻的切削过程中产生的三向切削力信号；

获取当前时刻的切削过程中的各个加工参数；

以切削力机理模型的输出如式(1)作为扩展卡尔曼滤波算法的信号矢量如式(2)：

F[k+1]＝Φ{F[k],k}+Γ[F[k],k]n[k] (2)

式(1)中，F[k]表示k时刻切削力机理模型输出的机理信号，N_t为刀刃数，j表示刀刃的序号，z_ju为加工时第j个刀刃与工件接触宽度的上限，z_jd为加工时第j个刀刃与工件接触宽度的下限，T为旋转矩阵，K为切削系数矩阵，h_j(k,z)为k时刻加工时，第j个刀刃在垂直工件表面的高度方向上未切削的工件厚度，db(z)为在垂直工件表面的高度方向上刀具切削部分的高度；

式(2)中，Φ为状态转移矩阵，Γ为扰动矩阵，n[k]为k时刻扰动噪声，当k＝0时，初始化F[k]＝0；

以三向切削力作为扩展卡尔曼滤波算法的观测矢量如式(3)：

Z[k]＝H{F[k],k}+w[k] (3)

式(3)中，H为测量矩阵，w[k]为k时刻噪声矢量；

从而利用扩展卡尔曼滤波算法获得当前时刻的三向切削力的三向预测信号

与如式(4)与三向滤波信号

如式(5)：

步骤2、利用三向切削力的三向滤波信号作为切削力机理模型的输入，从而利用切削力机理模型获得每个刀刃的刀具三向磨损值：

式(6)中，VB_j[k]为第j个刀刃的磨损量，A为平均磨损的固有幅度，v_E为平均磨损早期阶段的成长速率，v_L为平均磨损中期阶段的成长速率；

选取刀具三向磨损值中的最大值并与设定的阈值做比较，若超过阈值，则执步骤6；否则，执行步骤3；

步骤3、以三向预测信号作为有效生命预测模型的输入，从而利用有效生命预测模型获得每个刀刃的剩余有效生命时间值

选取剩余有效生命时间值中的最小值与一次加工时间进行比较，若最小值小于一次加工时间，则执行步骤4；若最小值大于一次加工时间，且小于两次加工时间，则执行步骤5；若最小值大于两次加工时间，则返回步骤1，继续对刀具进行下一时刻的监测；

步骤4、机床工作至最小值的失效时间后，执行步骤6；

步骤5、机床工作至完成正在进行的加工过程后，执行步骤6；

步骤6、停机换刀。

综上所述，本发明解决了需停机对刀具进行监测的问题；解决了测量信号受干扰大的问题；解决了人工智能方法适应性差、需要大量时间与数据训练模型的问题；解决了过磨损刀具未及时更换造成工件精度下降的问题；解决了过早更换刀具造成的刀具浪费的问题。此方法具有诊断与预测精度高、实时性好、方便部署、适应性强等优点。

Claims (4)

1.一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法，其特征在于，包括如下步骤：

步骤1、利用测力计测量刀具在当前时刻的切削过程中产生的三向切削力信号；

获取当前时刻的切削过程中的各个加工参数；

以切削力机理模型的输出作为扩展卡尔曼滤波算法的信号矢量，以三向切削力作为扩展卡尔曼滤波算法的观测矢量，从而利用扩展卡尔曼滤波算法获得当前时刻的三向切削力的三向滤波信号与三向预测信号；

步骤2、利用三向切削力的三向滤波信号作为所述切削力机理模型的输入，从而利用所述切削力机理模型获得每个刀刃的刀具三向磨损值，选取所述刀具三向磨损值中的最大值并与设定的阈值做比较，若超过阈值，则执步骤6；否则，执行步骤3；

步骤3、以所述三向预测信号作为有效生命预测模型的输入，从而利用有效生命预测模型获得每个刀刃的剩余有效生命时间值，选取所述剩余有效生命时间值中的最小值与一次加工时间进行比较，若最小值小于一次加工时间，则执行步骤4；若最小值大于一次加工时间，且小于两次加工时间，则执行步骤5；若最小值大于两次加工时间，则返回步骤1，继续对刀具进行下一时刻的监测；

步骤4、机床工作至最小值的失效时间后，执行步骤6；

步骤5、机床工作至完成正在进行的加工过程后，执行步骤6；

步骤6、停机换刀。

2.根据权利要求1所述的一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法，其特征在于，所述步骤1具体包括：

步骤1.1、利用式(1)建立k时刻三向切削力信号的切削力机理模型：

式(1)中，F[k]表示k时刻切削力机理模型输出的机理信号，N_t为刀刃数，j表示刀刃的序号，z_ju为加工时第j个刀刃与工件接触宽度的上限，z_jd为加工时第j个刀刃与工件接触宽度的下限，T为旋转矩阵，K为切削系数矩阵，h_j(k,z)为k时刻加工时，第j个刀刃在垂直工件表面的高度方向上未切削的工件厚度，db(z)为在垂直工件表面的高度方向上刀具切削部分的高度；

步骤1.2、利用式(2)和式(3)分别得到k时刻加工时测力计测得的三向切削力信号Z[k]与k+1时刻切削力机理模型输出的机理信号F[k+1]：

Z[k]＝H{F[k],k}+w[k] (2)

F[k+1]＝Φ{F[k],k}+Γ[F[k],k]n[k] (3)

式(2)和式(3)中，H为测量矩阵，w[k]为k时刻噪声矢量，Φ为状态转移矩阵，Γ为扰动矩阵，n[k]为k时刻扰动噪声；当k＝0时，初始化F[k]＝0；

步骤1.3、利用式(4)和式(5)分别获得k时刻加工时三向切削力的三向预测信号

与三向滤波信号

式(5)中，K[k]为k时刻卡尔曼滤波的增益。

3.根据权利要求2所述的一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法，其特征在于，所述步骤2中是利用式(6)获得刀具三向磨损值：

式(6)中，VB_j[k]为k时刻第j个刀刃的磨损量，A为平均磨损的固有幅度，v_E为平均磨损在早期阶段的成长速率，v_L为平均磨损在期阶段的成长速率。

4.根据权利要求3所述的一种基于扩展卡尔曼滤波与切削力模型的换刀监测方法，其特征在于，步骤3中，是利用式(7)所示的有效生命预测模型获得剩余有效生命时间值

Images