CN113305644A - 一种基于零件测量数据的刀具状态监测及预警方法和系统 - Google Patents

Abstract

本发明公开了一种基于零件测量数据的刀具状态监测及预警方法和系统，根据刀具磨损或破损引起的加工误差向量具有明显规律的特点，本发明建立刀具使用率与零件加工误差向量的映射模型，即刀具使用率监测模型，通过刀具使用率表征刀具状态，通过该模型，可以实现依据零件加工误差向量，监测刀具状态，通过设定刀具更换预警阈值，即当刀具使用率大于或等于预警阈值时，刀具可能发生了较严重的磨损或破损，则发出预警，从而实现对刀具状态进行精确、高效的自动监测和预警。

Description

一种基于零件测量数据的刀具状态监测及预警方法和系统

技术领域

本发明属于机械加工领域，更具体地，涉及一种基于零件测量数据的刀具状态监测及预警方法和系统。

背景技术

金属切削过程主要发生于工件与刀具间，工件在刀具作用下移除切屑，以获得期望的零件表面。在这一过程中，刀具也不可避免的发生磨损，进而影响切削过程，并最终将影响零件加工质量。

刀具是影响零件加工效率、加工质量、加工成本的重要因素。实际加工过程中，工人可以根据同型号刀具的历史加工数据估计刀具寿命，在临近报废时更换刀具。但是实际刀具制造过程中，刀具个体间存在差异，寿命无法保证绝对一致，这种基于历史数据的刀具寿命估计方法，一方面可能会因为刀具的剧烈磨损造成产品报废，进而影响CPK(Processcapability index，过程能力指数)指数；另一方面，可能会造成过早更换尚好刀具的现象，未能充分发挥刀具潜力，造成浪费。

刀具失效既可能是因为刀具到达磨钝标准，也可能是因为刀具发生了破损。刀具磨损量是对于刀具磨损过程的量化评估，若能对于磨损量进行有效监测，工艺系统既能够根据刀具磨损量，修改加工参数与加工轨迹，也能在刀具临近报废时发出换刀预警。

对于刀具破损状态的检测可以分为直接检测和间接检测，直接检测典型的方法是ITV摄像法，间接检测有测力法、测热法、测振法和声发射法等。刀具磨损量的评估方法大概有以下几种：1)基于在位刀具磨损检测仪、便携式刀具磨损测量装置等，实现对于磨损量的测量；2)基于加工过程电流、振动、声音、功率等多传感器数据融合进行磨损量的监测；3)基于加工仿真模型监测刀具磨损量；4)基于切削工艺参数建立刀具磨损量监测模型。

对于上述方法1)，工厂需要额外添置新装置，并且在实际加工过程中，操作工需要频繁使用该装置测量，增加操作工的工作量，进而影响其工作效率；方法2)使用加工过程数据实现对于刀具磨损量的监测，但是该方法需要在机床上添置传感器，并且对于过程数据的实时采集与分析也需要强大的计算机硬件支持；方法3)，其本质是对于加工过程的模拟，以监测刀具磨损量，但是实际加工过程受到人、机、料、法、环多重因素的影响，仿真模型的精度难以保证；方法4)通过广泛实验，采集不同切削参数条件下、不同切削时长的刀具磨损量，进行实现对于某一特定加工工况下刀具磨损量的监测，这种方法与加工工况及刀具型号、品牌等要素密切相关，任一条件发生改变可能需要重新建立监测模型。

由此可见，如何低成本、高效、精确地对刀具状态进行监测和预警，是当前亟待解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于零件测量数据的刀具状态监测及预警方法和系统，由此解决现有的刀具监测方法成本高、效率低的技术问题。

为实现上述目的，按照本发明的第一方面，提供了一种基于零件测量数据的刀具状态监测及预警方法，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

S2，将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

优选地，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

优选地，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

优选地，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

按照本发明的第二方面，提供了一种基于零件测量数据的刀具状态监测及预警方法，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

S2，将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

优选地，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

优选地，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

优选地，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

按照本发明的第三方面，提供了一种基于零件测量数据的刀具状态监测及预警系统，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

按照本发明的第四方面，提供了一种基于零件测量数据的刀具状态监测及预警系统，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、根据刀具磨损或破损引起的加工误差向量具有明显规律的特点，本发明建立刀具使用率与零件加工误差向量的映射模型，即刀具使用率监测模型，通过刀具使用率表征刀具状态，通过该模型，可以实现依据零件加工误差向量，检测刀具状态，通过设定刀具更换预警阈值，即当刀具使用率大于或等于预警阈值时，刀具可能发生了较严重的磨损或破损，则发出预警，从而实现对刀具状态进行精确、高效的自动监测和预警。

2、通过现有的车间型坐标测量设备逐渐即可获取零件表面加工误差向量，不要额外添置新设备，且不影响加工效率，在车间测量设备与加工机床、机器人等系统的配合下，能够实现对刀具状态的全自动化监测和预警，进一步提升产线的自动化能力。

附图说明

图1是本发明提供的基于零件测量数据的刀具状态监测及预警方法流程示意图；

图2(a)为刀具状态正常时零件表面加工误差随弧长的变化情况示意图，图2(b)为刀具在加工过程中突然发生破损时零件表面加工误差随弧长的变化情况示意图，图2(c)为刀具破损后零件表面加工误差随弧长的变化情况示意图；

图3为本发明提供的基于零件测量数据的刀具状态监测及预警系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明实施例提供一种基于零件测量数据的刀具状态监测及预警方法，如图1所示，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型。

具体地，同一品牌、材料、规格的刀具寿命状态，即刀具的损坏一般具有一定规律性和重复性，尤其是在批量加工过程中，零件类型、工艺参数等条件基本不变，刀具状态变化的规律性更加明显。但是刀具实际切削时，由于毛坯的差异性、环境的变动性、操作人员的失误等原因，刀具磨损状态难以完全通过该规律进行监测。

刀具的失效形式主要包含刀具磨损和刀具破损，当非正常的磨损与破损发生时，零件加工质量急剧下降，影响整个产线的加工进度。当磨损量达到刀具磨钝标准时，就需要及时更换刀具以保障加工过程；而刀具破损时，则需要立即更换刀具来保证加工质量。因此，本发明中，刀具失效的判断依据f_失效＝[f_磨损OR f_破损]，当刀具的磨损量达到磨损阈值或刀具破损时，便判断刀具已经到达寿命终点，此时刀具使用率a＝100％，刀具的加工零件数n₀与刀具达到磨损阈值或发生破损时的累计加工零件总数n_total相等，已知刀具达到磨损阈值或发生破损时的累计加工零件总数n_total，即可求出刀具在各加工零件数n₀下的刀具使用率a：

其中，n₀≤n_total；在模型建立阶段，采集零件关键特征的加工误差向量E及其对应的刀具当前加工零件数n₀，并在MES系统中记录。一旦刀具发生损坏或刀具磨损量达到磨损阈值即刀具寿命耗尽，记录该刀具加工的零件总数n_total，并在MES系统中计算各零件在不同加工零件数n₀下对应的刀具使用率a的值。

可以理解的是，在刀具实际切削过程中，由于毛坯的差异性、环境的变动性、操作人员的失误等原因，各刀具达到磨损阈值或发生破损时的累计加工零件总数n_total存在一定差异。

其中，可采用现有技术中的任一种刀具磨损量测量方法判断刀具磨损量是否达到磨损阈值，例如：基于在位刀具磨损检测仪、便携式刀具磨损测量装置等对刀具磨损量进行测量；可采用现有技术中的任一种刀具破损状态的检测方法判断刀具是否发生破损，例如：ITV摄像法、测力法、测热法、测振法和声发射法等。

经研究发现，加工误差向量可有效反应零件表面各特征的加工效果，批量加工过程的零件加工误差向量，具有一定的规律性。例如，铣削加工刀具损坏时，零件表面误差数据分布如图2(a)、图2(b)和图2(c)所示。刀具的磨损、破损状态是影响零件实际加工质量的重要因素之一。刀具磨损、破损一定程度上可以反映在零件加工误差向量上，即零件加工误差向量与刀具磨损、破损状态有较强的关联性。以车床为例，刀具一旦到达了磨钝阶段，或者刀具发生破损，零件加工误差向量可能会因此发生改变，出现不可逆的加工尺寸突变；由于铣床的主运动是铣刀的旋转，刀具的磨损和破损的引起的零件加工误差向量，可能会发生突变或随着进给位置呈一定的周期规律。

刀具每完成一个零件的加工，对应一个零件表面的加工误差向量，即各n₀对应一个零件表面加工误差向量E。

以批量加工零件表面加工误差向量E作为模型输入，以刀具使用率a作为输出，基于多元回归模型或神经网络算法建立刀具状态监测模型。

a＝g(E)；

模型建立阶段，需采集多把刀具全生命周期内的加工误差向量E及加工零件数n₀，以及刀具发生损坏或刀具磨损达到磨损阈值即刀具寿命耗尽该刀具加工的零件总数n_total，具体采集的刀具数目与刀具类型、刀具材料等因素有关，需根据具体应用情况确定。

S2，将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

具体地，由于刀具磨损和破损引起的加工误差向量具有明显的规律性。本发明建立刀具使用率与零件加工误差分布的映射模型，即刀具使用率监测模型，通过该模型，可以实现依据零件加工误差向量，检测刀具状态，即刀具使用率，通过设定刀具更换预警阈值，即当刀具使用率大于或等于预警阈值时，刀具可能发生了较严重的磨损或破损，则发出预警。

对于批量加工零件，选取刀具损坏的标准即刀具寿命结束的判断标准；在建立刀具使用率监测模型时，采集刀具使用率及与其对应的零件加工误差向量，丰富刀具磨损状态下零件加工误差向量分布知识库；对于零件表面特征进行甄选，挑选与刀具状态相关性较高的关键特征的加工误差向量作为模型输入；依据回归模型或神经网络等算法，建立刀具状态检测模型；依据该模型监测刀具使用状态，一旦监测到刀具磨钝或破损，通过设定刀具更换预警阈值，即当刀具使用率大于或等于预警阈值时，刀具可能发生了较严重的磨损或破损，则发出换刀预警。

对相同加工工况下的同类型刀具，利用坐标测量设备获取其表面点位坐标，进而计算零件的加工误差向量E，输入刀具状态检测模型，预测当前刀具的使用率。

刀具失效时综合考虑了刀具磨钝量达到磨损阈值及刀具破损的情况，并定义刀具失效时其使用率为100％，当在刀具状态检测模型预测刀具使用率达到95％时，即在MES系统中发出换刀预警，从而实现对刀具状态的自动监测，进一步提升产线的自动化能力。

优选地，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

优选地，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

具体地，为进一步提高模型训练集的准确性，可以先进行零件表面误差向量的数据处理，以剔除随机性误差。采用EMD分解的方法进行误差数据处理，结合进给速度，剔除随机性误差。

优选地，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

其中，零件坐标测量主要是通过仪器获取零件表面各点的实际坐标，进而评估零件尺寸精度等参数。测量过程实际上是对于零件表面误差数据的一种采样。零件表面各点的实际坐标，是零件表面加工情况的反映，每个测量点均可以获取该点处的误差，即该点的实际坐标与理论模型中的坐标之间的误差，因此可输出所有测量点对应的误差，此处将其称为加工误差向量。

零件一般由多个特征组成，且各个特征都有精度要求，均需要进行测量、验证。本发明中的刀具使用率监测模型，需要选取其中具有代表性的特征，该特征加工效果应与刀具磨损或破损状态有明显相关关系，例如：平底刀加工XOY平面时，可以选取该平面上的圆弧特征作为监测模型建立依据。对于某个特征，该类坐标测量设备均通过采集零件特征表面的多个点位，评估零件特征的加工质量。测量结果可输出各点位的实际坐标，进而求出特征的加工误差向量。

随着车间自动化程度的不断提高，雷尼绍比对仪、海克斯康GlobalSF、蔡司DuraMax等车间型坐标测量设备逐渐被引入车间，作为质量检验的工具，这类设备测量速度快、精度高、自动化程度高、获取数据量更大，在车间环境内实现高精度、快速测量，如图3所示，进一步提升了车间应检尽检的能力，是本发明中优选的零件尺寸测量方案。

对于加工精度要求高的产品，车间现场往往需要每件都检测尺寸，并且为了保证检测精度，往往采用采样密度较高的扫描测量方式，因此本发明的实现只需增加少量的工作量。并且，在车间测量设备与加工机床、机器人等系统的配合下，能够实现车间的自动化加工，配合本发明提出的方法，可以进一步提升车间的自动化能力。

下面以一个具体的例子对本发明实施例提供的方法进行进一步说明。

以立式加工中心上平底刀批量加工过程为例，以XOY平面的圆弧为加工零件表面的关键特征：(1)选取10把全新的同类型刀具进行加工，以建立该刀具的状态监测模型；(2)刀具每加工完成一个工件，即对于每个n₀，采用车间型坐标测量设备获取零件XOY圆弧轮廓表面的点位坐标，并基于各点坐标计算各点处的加工误差数值，得到与各n₀对应的加工误差向量E，其中，扫描测量可以使用较高的采样频率(即采样点间的距离更小，采样点的数目更多)；(3)当该刀具失效时(刀具磨钝量达到磨损阈值或是发生破损)，记录当时的刀具的加工总数n_total，并在MES系统中计算该刀具加工各零件时所对应的刀具使用率a；(4)依次使用各刀具加工同类型工件，直到刀具发生失效；(5)将10把刀具加工的所有零件的加工误差向量E作为输入，以与其对应的刀具使用率a作为输出，利用多元回归模型建立刀具预测模型，以对刀具状态进行监测；(6)对刀具状态进行监测：刀具每加工完成一个零件，以当前圆弧特征的加工误差向量E作为输入，预测当前刀具的使用率，当刀具使用率大于等于95％时，在MES系统中发出换刀预警。

优选地，本发明实施例提供一种基于零件测量数据的刀具状态监测及预警方法，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

S2，将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

具体地，为进一步提高刀具使用率监测模型的精度，模型输入既需要表征加工误差整体情况的统计量，如：误差向量均方根E_RMS、误差向量中位数E_med、误差向量最值E_max和E_min；还需表征加工误差的变化情况，如：误差向量标准差E_S、误差向量极差E_R、误差向量最大变化量E_m-change(即误差向量中前后两个测量点处误差最大变化值的绝对值)。

优选地，本发明实施例使用上述加工误差向量的七个统计值表征零件加工质量情况，所述刀具使用率监测模型为：

a＝g(E_RMS,E_med,E_max,E_min,E_S,E_R,E_m-change)

其中，E_RMS为当前零件加工误差向量的均方根值，E_med为当前零件加工误差向量的中位数，E_max为当前零件加工误差向量的最大值，E_min为当前零件加工误差向量的最小值，E_S为当前零件加工误差向量的标准差，E_M为当前零件加工误差向量的极差，E_m-change为当前零件加工误差向量最大变化量。

优选地，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

优选地，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

优选地，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

下面对本发明提供的基于零件测量数据的刀具状态监测及预警系统进行描述，下文描述的基于零件测量数据的刀具状态监测及预警系统与上文描述的基于零件测量数据的刀具状态监测及预警方法可相互对应参照。

本发明实施例提供一种基于零件测量数据的刀具状态监测及预警系统，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

优选地，本发明实施例提供一种基于零件测量数据的刀具状态监测及预警系统，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于零件测量数据的刀具状态监测及预警方法，其特征在于，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

S2，将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

2.如权利要求1所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

3.如权利要求1所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

4.如权利要求1所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

5.一种基于零件测量数据的刀具状态监测及预警方法，其特征在于，包括：

S1，选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

S2，将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；

S3，当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

6.如权利要求5所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，基于多元回归模型算法或神经网络算法，建立刀具使用率监测模型。

7.如权利要求5所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，所述建立刀具使用率监测模型之前，还包括：

基于EMD分解法对零件表面的加工误差向量进行误差分解，剔除随机性误差。

8.如权利要求5所述的基于零件测量数据的刀具状态监测及预警方法，其特征在于，所述加工误差向量基于零件表面各点的实际坐标计算得到，基于坐标测量设备采集零件表面各点的实际坐标。

9.一种基于零件测量数据的刀具状态监测及预警系统，其特征在于，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

10.一种基于零件测量数据的刀具状态监测及预警系统，其特征在于，包括：

模型建立模块，用于选取多把测试刀具对同类型的零件进行批量加工，实时统计各测试刀具的加工零件数n₀及与n₀对应的零件表面的加工误差向量E，以n₀与测试刀具的磨损量达到磨损阈值或发生破损时的累计加工零件总数n_total的比值作为测试刀具的使用率a；

以各零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个为样本，以与其对应的测试刀具的使用率a为样本标签，建立刀具使用率监测模型；

预警模块，用于将当前刀具加工的零件表面的加工误差向量E的均方根值E_RMS、中位数E_med、最大值E_max或最小值E_min中的至少一个，以及E的标准差E_S、极差E_M、最大变化量E_m-change中的至少一个输入刀具使用率监测模型，监测当前刀具使用率；当所述当前刀具使用率大于或等于预警阈值时，发出换刀预警警报。

Images