CN113352149A - 一种刀具工况参数监控方法和装置 - Google Patents
一种刀具工况参数监控方法和装置 Download PDFInfo
- Publication number
- CN113352149A CN113352149A CN202110916665.7A CN202110916665A CN113352149A CN 113352149 A CN113352149 A CN 113352149A CN 202110916665 A CN202110916665 A CN 202110916665A CN 113352149 A CN113352149 A CN 113352149A
- Authority
- CN
- China
- Prior art keywords
- information
- tool
- obtaining
- cutter
- evaluation result
- 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.)
- Granted
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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
-
- 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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0966—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring a force on parts of the machine other than a motor
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种刀具工况参数监控方法和装置,其中,所述方法包括:通过所述振动传感器获得第一刀具的第一振幅信息;将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。解决了现有技术刀具工艺参数调整过程,大多是以过往经验或间接采集的信息分析为优化依据,可靠性、可信度差,缺乏定量的判断,不能灵活匹配不同类型的刀柄,局限性较大,应用范围受限,且未实现实时采集刀具加工参数的技术问题。
Description
技术领域
本发明涉及智能制造领域,尤其涉及一种刀具工况参数监控方法和装置。
背景技术
随着航空、航天、军事、医疗等行业的发展,对精密、复杂零件的加工精度和加工质量稳定性提出了更高的要求。由于切削力的变化是反应切削状态的最直接参数,因而对切削力进行实时监测和控制对提高零件的加工精度、表面质量等有重要作用。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术刀具工艺参数调整过程,大多是以过往经验或间接采集的信息分析为优化依据,可靠性、可信度差,缺乏定量的判断,不能灵活匹配不同类型的刀柄,局限性较大,应用范围受限,且未实现实时采集刀具加工参数的技术问题。
发明内容
本申请实施例通过提供一种刀具工况参数监控方法和装置,解决了现有技术刀具工艺参数调整过程,大多是以过往经验或间接采集的信息分析为优化依据,可靠性、可信度差,缺乏定量的判断,不能灵活匹配不同类型的刀柄,局限性较大,应用范围受限,且未实现实时采集刀具加工参数的技术问题,达到通过相关传感器采集刀具加工参数,实现实时加工状态在线检测的目的,从而实现对加工过程进行监测、诊断,且对刀具工艺参数调整过程可视化程度高,优化数据目标明确,可操作性强,可以灵活匹配不同类型的刀柄,结构灵活,适用范围广,为优化金属切削参数、提高零件加工质量、合理使用刀具及合理使用设备能力提供决策用数据支撑依据的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
第一方面,本申请实施例提供了一种刀具工况参数监控方法,所述方法包括:通过振动传感器获得第一刀具的第一振幅信息;通过第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;通过第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;对所述第一评估结果进行特征分类,获得第一分类信息;根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
另一方面,本申请还提供了一种刀具工况参数监控装置,所述装置包括:第一获得单元,所述第一获得单元用于通过振动传感器获得第一刀具的第一振幅信息;第二获得单元,所述第二获得单元用于通过第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;第三获得单元,所述第三获得单元用于通过第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;第四获得单元,所述第四获得单元用于将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;第五获得单元,所述第五获得单元用于对所述第一评估结果进行特征分类,获得第一分类信息;第六获得单元,所述第六获得单元用于根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过所述振动传感器获得第一刀具的第一振幅信息;通过所述第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;通过所述第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;对所述第一评估结果进行特征分类,获得第一分类信息;根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。进而达到通过相关传感器采集刀具加工参数,实现实时加工状态在线检测的目的,从而实现对加工过程进行监测、诊断,且对刀具工艺参数调整过程可视化程度高,优化数据目标明确,可操作性强,可以灵活匹配不同类型的刀柄,结构灵活,适用范围广,为优化金属切削参数、提高零件加工质量、合理使用刀具及合理使用设备能力提供决策用数据支撑依据的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种刀具工况参数监控方法的流程示意图;
图2为本申请实施例一种刀具工况参数监控方法中刀具参数优化的流程示意图;
图3为本申请实施例一种刀具工况参数监控方法中获得刀具图像特征的流程示意图;
图4为本申请实施例一种刀具工况参数监控方法中获得与参数类型相匹配的卷积核的流程示意图;
图5为本申请实施例一种刀具工况参数监控方法中提示刀具使用寿命的评估结果的流程示意图;
图6为本申请实施例一种刀具工况参数监控方法中获得刀具使用寿命的评估结果的流程示意图;
图7为本申请实施例一种刀具工况参数监控方法中获得刀具工况评估结果的流程示意图;
图8为本申请实施例一种刀具工况参数监控装置的结构示意图;
图9为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备和计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的装置、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行装置、装置、器件使用或与其结合使用。
申请概述
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以和流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
实施例一
如图1所示,本申请实施例提供了一种刀具工况参数监控方法,其中,所述方法包括:
步骤S100:通过所述振动传感器获得第一刀具的第一振幅信息;
步骤S200:通过所述第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;
步骤S300:通过所述第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;
具体而言,通过所述振动传感器采集刀具的震动振幅信息,增加振动传感器采集振幅信息的效果是提高刀具工况判断的准确性。通过所述第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息,通过所述第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息,即刀具的受力应变信息,进而将产生电信号的变化,进行必要的数据处理。
步骤S400:将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;
如图7所示,进一步而言,其中,所述将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果,本申请实施例步骤S400还包括:
步骤S410:将所述第一振幅信息、所述第一受力信息和所述第二受力信息作为输入信息输入刀具工况评估模型;
步骤S420:所述刀具工况评估模型通过多组作为训练数据的输入数据训练至收敛获得;
步骤S430:获得所述刀具工况评估模型的输出信息,所述输出信息包括所述第一评估结果。
具体而言,所述刀具工况评估模型为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks,ANN),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入神经网络模型,则输出所述第一评估结果。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一振幅信息、所述第一受力信息、所述第二受力信息和标识所述第一评估结果的标识信息,将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入到神经网络模型中,根据用来标识所述第一评估结果的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的第一输出信息与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的第一评估结果信息更加合理、准确,进而达到通过多因素结合判断刀具加工过程中的工况状态,实现对刀具加工的实时状态监控更为准确的技术效果。
步骤S500:对所述第一评估结果进行特征分类,获得第一分类信息;
步骤S600:根据所述第一评估结果的所述第一分类信息,获得第一提示信息 ,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
具体而言,对所述第一评估结果进行特征分类,即对刀具的工作状态进行分类,获得第一分类信息,如刀具工况状态为断刀、磨损、正常等不同类型的结果。所述第一提示信息包括语音提示、显示提示或其他提示方式等,根据所述第一提示信息提示所述第一刀具的所述第一评估结果属于所述第一分类信息,以用于后续使用刀具加工提供数据支撑。
如图2所示,进一步而言,其中,所述刀具工况参数监控装置还具有一图像采集装置,本申请实施例还包括:
步骤S710:通过所述图像采集装置获得第一图像信息,所述第一图像信息包括第一工件的图像信息,所述第一工件为所述第一刀具加工后的工件;
步骤S720:获得所述第一图像信息的第一图像特征、第二图像特征;
步骤S730:将所述第一图像特征、所述第二图像特征输入刀具参数优化模型,获得第一参数优化结果;
步骤S740:获得第一优化指令,所述第一优化指令用于根据所述第一参数优化结果对所述第一刀具的参数进行优化。
具体而言,通过所述图像采集装置对所述第一刀具加工后的工件进行图像采集,如工件大小、结构特征等,对所述第一图像信息进行特征分析,获得相对应的第一图像特征、第二图像特征。将所述第一图像特征、所述第二图像特征输入刀具参数优化模型,所述刀具参数优化模型为神经网络模型,获得所述模型输出结果即第一参数优化结 果,并根据所述第一优化指令,根据所述第一参数优化结果对所述第一刀具的参数进行优化。可优化参数包括刀具切深、速度、主轴转速等,以达到优化参数用于刀具加工优化,进而提高工件的加工质量的技术效果。
如图3所示,进一步而言,其中,所述获得所述第一图像信息的第一图像特征、第二图像特征,本申请实施例步骤S720还包括:
步骤S721:获得所述第一刀具的参数类型;
步骤S722:根据所述参数类型获得与所述参数类型相匹配的卷积核;
步骤S723:根据所述卷积核对所述第一图像信息进行网格划分,并对每个网格进行遍历特征比对,获得第一图像特征、第二图像特征。
具体而言,不同的刀具具有不同的参数类型,所述第一刀具的参数类型包括刀具的几何参数类型、切削性能参数、刀具硬度参数类型等。根据所述参数类型获得与所述参数类型相匹配的卷积核,卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核。按照所述卷积核对所述第一图像信息即加工后的所述第一工件的图像信息进行网格划分,并对每个网格进行遍历特征比对,获得比对分类后的图像特征结果,即特征提取后的卷积图像特征。达到通过卷积神经网络的方式对刀具加工工件的特征进行分析,以用于后续对刀具参数进行优化的技术效果。
如图4所示,进一步而言,其中,所述根据所述参数类型获得与所述参数类型相匹配的卷积核,本申请实施例步骤S722还包括:
步骤S7221:获得所述参数类型和所述第一图像信息的对应关系;
步骤S7222:根据所述参数类型和所述对应关系,获得与所述参数类型相匹配的所述卷积核。
具体而言,所述刀具的参数类型不同,加工工件的特征也不同,如刀具几何参数类型的选择对刀具切削力有显著影响,从而影响加工工件特征。获得所述参数类型和所述第一图像信息的对应关系,即获得刀具参数类型与加工工件的对应关系,并根据所述参数类型和所述对应关系,获得与所述参数类型相匹配的所述卷积核。达到通过刀具参数类型与加工工件的对应关系,确定加工卷积特征,从而使得对刀具加工参数的优化更加准确的技术效果。
如图5所示,进一步而言,本申请实施例步骤S740还包括:
步骤S741:通过所述图像采集装置获得第二图像信息,所述第二图像信息包括第二工件的图像信息,所述第二工件为所述第一刀具正在加工的工件;
步骤S742:将所述第二图像信息输入工件加工质量评估模型,获得所述第二工件的工件加工质量评估结果;
步骤S743:根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果;
步骤S744:获得第二提示信息,所述第二提示信息用于提示所述第一刀具的使用寿命评估结果。
具体而言,通过所述图像采集装置对所述第一刀具正在加工的工件图像信息进行采集,将所述第二图像信息输入工件加工质量评估模型。所述工件加工质量评估模型为神经网络模型,获得所述模型的输出结果即所述第二工件的工件加工质量评估结果。根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果,刀具使用寿命是指一把新刀具从投入切削起,直到刀具报废为止的切削时间总和。并根据所述第二提示信息用于提示所述第一刀具的使用寿命评估结果,对刀具寿命进行实时监测,从而更好的对刀具使用情况进行把控的技术效果。
如图6所示,进一步而言,其中,所述根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果,本申请实施例步骤S743还包括:
步骤S7431:通过大数据获得历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息;
步骤S7432:根据所述历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息,获得第一函数关系;
步骤S7433:基于所述第一函数关系和所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果。
具体而言,通过大数据的方式获得历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息,是具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。根据所述历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息,构建数据之间的函数关系,并基于所述第一函数关系和所述工件加工质量评估结果,计算获得所述第一刀具的使用寿命评估结果,使得刀具的使用寿命结果更加准确,从而更好的对刀具使用情况进行把控的技术效果。
综上所述,本申请实施例所提供的一种刀具工况参数监控方法和装置具有如下技术效果:
由于采用了通过所述振动传感器获得第一刀具的第一振幅信息;通过所述第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;通过所述第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;对所述第一评估结果进行特征分类,获得第一分类信息;根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。进而达到通过相关传感器采集刀具加工参数,实现实时加工状态在线检测的目的,从而实现对加工过程进行监测、诊断,且对刀具工艺参数调整过程可视化程度高,优化数据目标明确,可操作性强,可以灵活匹配不同类型的刀柄,结构灵活,适用范围广,为优化金属切削参数、提高零件加工质量、合理使用刀具及合理使用设备能力提供决策用数据支撑依据的技术效果。
实施例二
基于与前述实施例中一种刀具工况参数监控方法同样发明构思,本发明还提供了一种刀具工况参数监控装置,如图8所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于通过振动传感器获得第一刀具的第一振幅信息;
第二获得单元12,所述第二获得单元12用于通过第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;
第三获得单元13,所述第三获得单元13用于通过第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;
第四获得单元14,所述第四获得单元14用于将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;
第五获得单元15,所述第五获得单元15用于对所述第一评估结果进行特征分类,获得第一分类信息;
第六获得单元16,所述第六获得单元16用于根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
进一步的,所述装置还包括:
第七获得单元,所述第七获得单元用于通过图像采集装置获得第一图像信息,所述第一图像信息包括第一工件的图像信息,所述第一工件为所述第一刀具加工后的工件;
第八获得单元,所述第八获得单元用于获得所述第一图像信息的第一图像特征、第二图像特征;
第九获得单元,所述第九获得单元用于将所述第一图像特征、所述第二图像特征输入刀具参数优化模型,获得第一参数优化结果;
第十获得单元,所述第十获得单元用于获得第一优化指令,所述第一优化指令用于根据所述第一参数优化结果对所述第一刀具的参数进行优化。
进一步的,所述装置还包括:
第十一获得单元,所述第十一获得单元用于获得所述第一刀具的参数类型;
第十二获得单元,所述第十二获得单元用于根据所述参数类型获得与所述参数类型相匹配的卷积核;
第十三获得单元,所述第十三获得单元用于根据所述卷积核对所述第一图像信息进行网格划分,并对每个网格进行遍历特征比对,获得第一图像特征、第二图像特征。
进一步的,所述装置还包括:
第十四获得单元,所述第十四获得单元用于获得所述参数类型和所述第一图像信息的对应关系;
第十五获得单元,所述第十五获得单元用于根据所述参数类型和所述对应关系,获得与所述参数类型相匹配的所述卷积核。
进一步的,所述装置还包括:
第十六获得单元,所述第十六获得单元用于通过所述图像采集装置获得第二图像信息,所述第二图像信息包括第二工件的图像信息,所述第二工件为所述第一刀具正在加工的工件;
第十七获得单元,所述第十七获得单元用于将所述第二图像信息输入工件加工质量评估模型,获得所述第二工件的工件加工质量评估结果;
第十八获得单元,所述第十八获得单元用于根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果;
第十九获得单元,所述第十九获得单元用于获得第二提示信息,所述第二提示信息用于提示所述第一刀具的使用寿命评估结果。
进一步的,所述装置还包括:
第二十获得单元,所述第二十获得单元用于通过大数据获得历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息;
第二十一获得单元,所述第二十一获得单元用于根据所述历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息,获得第一函数关系;
第二十二获得单元,所述第二十二获得单元用于基于所述第一函数关系和所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果。
进一步的,所述装置还包括:
第一输入单元,所述第一输入单元用于将所述第一振幅信息、所述第一受力信息和所述第二受力信息作为输入信息输入刀具工况评估模型;
第二十三获得单元,所述第二十三获得单元用于所述刀具工况评估模型通过多组作为训练数据的输入数据训练至收敛获得;
第二十四获得单元,所述第二十四获得单元用于获得所述刀具工况评估模型的输出信息,所述输出信息包括所述第一评估结果 。
前述图1实施例一中的一种刀具工况参数监控方法的各种变化方式和具体实例同样适用于本实施例的一种刀具工况参数监控装置,通过前述对一种刀具工况参数监控方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种刀具工况参数监控装置的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图9所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种刀具工况参数监控方法,其特征在于,所述方法应用于一刀具工况参数监控装置,所述装置与振动传感器、第一力传感器、第二力传感器通讯连接,所述方法包括:
通过所述振动传感器获得第一刀具的第一振幅信息;
通过所述第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;
通过所述第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;
将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;
对所述第一评估结果进行特征分类,获得第一分类信息;
根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
2.如权利要求1所述的方法,其特征在于,所述刀具工况参数监控装置还具有一图像采集装置,所述方法包括:
通过所述图像采集装置获得第一图像信息,所述第一图像信息包括第一工件的图像信息,所述第一工件为所述第一刀具加工后的工件;
获得所述第一图像信息的第一图像特征、第二图像特征;
将所述第一图像特征、所述第二图像特征输入刀具参数优化模型,获得第一参数优化结果;
获得第一优化指令,所述第一优化指令用于根据所述第一参数优化结果对所述第一刀具的参数进行优化。
3.如权利要求2所述的方法,其特征在于,所述获得所述第一图像信息的第一图像特征、第二图像特征,包括:
获得所述第一刀具的参数类型;
根据所述参数类型获得与所述参数类型相匹配的卷积核;
根据所述卷积核对所述第一图像信息进行网格划分,并对每个网格进行遍历特征比对,获得第一图像特征、第二图像特征。
4.如权利要求3所述的方法,其特征在于,所述根据所述参数类型获得与所述参数类型相匹配的卷积核,包括:
获得所述参数类型和所述第一图像信息的对应关系;
根据所述参数类型和所述对应关系,获得与所述参数类型相匹配的所述卷积核。
5.如权利要求2所述的方法,其特征在于,所述方法包括:
通过所述图像采集装置获得第二图像信息,所述第二图像信息包括第二工件的图像信息,所述第二工件为所述第一刀具正在加工的工件;
将所述第二图像信息输入工件加工质量评估模型,获得所述第二工件的工件加工质量评估结果;
根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果;
获得第二提示信息,所述第二提示信息用于提示所述第一刀具的使用寿命评估结果。
6.如权利要求5所述的方法,其特征在于,所述根据所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果,包括:
通过大数据获得历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息;
根据所述历史工件加工质量的数据信息和所述第一刀具的使用寿命的数据信息,获得第一函数关系;
基于所述第一函数关系和所述工件加工质量评估结果,获得所述第一刀具的使用寿命评估结果。
7.如权利要求1所述的方法,其特征在于,所述将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果,包括:
将所述第一振幅信息、所述第一受力信息和所述第二受力信息作为输入信息输入刀具工况评估模型;
所述刀具工况评估模型通过多组作为训练数据的输入数据训练至收敛获得;
获得所述刀具工况评估模型的输出信息,所述输出信息包括所述第一评估结果。
8.一种刀具工况参数监控装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于通过振动传感器获得第一刀具的第一振幅信息;
第二获得单元,所述第二获得单元用于通过第一力传感器获得所述第一刀具的第一受力信息,其中,所述第一受力信息为所述第一刀具在x、y方向的受力信息;
第三获得单元,所述第三获得单元用于通过第二力传感器获得所述第一刀具的第二受力信息,其中,所述第二受力信息为所述第一刀具在z方向的受力信息;
第四获得单元,所述第四获得单元用于将所述第一振幅信息、所述第一受力信息和所述第二受力信息输入刀具工况评估模型,获得第一评估结果;
第五获得单元,所述第五获得单元用于对所述第一评估结果进行特征分类,获得第一分类信息;
第六获得单元,所述第六获得单元用于根据所述第一评估结果的所述第一分类信息,获得第一提示信息,所述第一提示信息用于提示所述第一刀具的所述第一评估结果属于所述第一分类信息。
9.一种刀具工况参数监控装置,包括总线、收发器、存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的控制输出数据的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916665.7A CN113352149B (zh) | 2021-08-11 | 2021-08-11 | 一种刀具工况参数监控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916665.7A CN113352149B (zh) | 2021-08-11 | 2021-08-11 | 一种刀具工况参数监控方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113352149A true CN113352149A (zh) | 2021-09-07 |
CN113352149B CN113352149B (zh) | 2021-11-02 |
Family
ID=77522909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110916665.7A Active CN113352149B (zh) | 2021-08-11 | 2021-08-11 | 一种刀具工况参数监控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113352149B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968344A (zh) * | 2009-09-22 | 2011-02-09 | 大连海事大学 | 数控加工中心在机三维形面检测系统 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
CN108356606A (zh) * | 2018-03-19 | 2018-08-03 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
US20190152011A1 (en) * | 2017-11-21 | 2019-05-23 | General Electric Company | Predictive cutting tool failure determination |
CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
CN111660141A (zh) * | 2020-05-14 | 2020-09-15 | 北京工业大学 | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 |
CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
WO2021084487A1 (en) * | 2019-10-31 | 2021-05-06 | Silca S.P.A. | Method for detecting the wear of a milling cutter of a key- duplicating machine. |
-
2021
- 2021-08-11 CN CN202110916665.7A patent/CN113352149B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968344A (zh) * | 2009-09-22 | 2011-02-09 | 大连海事大学 | 数控加工中心在机三维形面检测系统 |
CN107717631A (zh) * | 2017-10-31 | 2018-02-23 | 中国科学院合肥物质科学研究院 | 一种高速铣削刀具磨损自动监测方法 |
US20190152011A1 (en) * | 2017-11-21 | 2019-05-23 | General Electric Company | Predictive cutting tool failure determination |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
CN108356606A (zh) * | 2018-03-19 | 2018-08-03 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
CN110153802A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
WO2021084487A1 (en) * | 2019-10-31 | 2021-05-06 | Silca S.P.A. | Method for detecting the wear of a milling cutter of a key- duplicating machine. |
CN111136509A (zh) * | 2020-01-10 | 2020-05-12 | 大连理工大学 | 一种基于elm-sdae算法的刀具状态监测方法 |
CN111660141A (zh) * | 2020-05-14 | 2020-09-15 | 北京工业大学 | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 |
CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
Non-Patent Citations (2)
Title |
---|
何康等: "面向机械加工过程的状态监测技术研究现状分析", 《北京印刷学院学报》 * |
刘晓杰等: "基于多视觉特征融合技术的高速机床刀具状态视诊方法研究", 《现代电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113352149B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
CN107838917A (zh) | 机器人模拟装置 | |
CN116992740B (zh) | 一种通讯基站精密部件生产设备的智能调控方法及系统 | |
CN111026063A (zh) | 数字孪生体构建方法、装置、计算机设备及存储介质 | |
CN114239840A (zh) | 量子信道噪声系数估计方法及装置、电子设备和介质 | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
CN112906282A (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
CN113626297A (zh) | 一种服务器能效评估方法及相关装置 | |
KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
Wang et al. | Self-adaptive fusion of local-temporal features for tool condition monitoring: A human experience free model | |
CN113569432B (zh) | 一种液气密元件的模拟检测方法及系统 | |
CN113011055B (zh) | 一种基于有限元技术的电机高温故障模拟方法及系统 | |
CN113352149B (zh) | 一种刀具工况参数监控方法和装置 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116610745B (zh) | 应用数字孪生技术的ai场景信息推送处理方法及系统 | |
CN113421174A (zh) | 一种基于大数据的知识产权价值评估参考方法及系统 | |
KR20220081880A (ko) | 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치 | |
CN116088333A (zh) | 工业设备控制方法、装置、计算机设备、存储介质和产品 | |
CN114818813A (zh) | 一种基于自注意力卷积神经网络的刀具磨损值预测算法 | |
CN114595627A (zh) | 模型量化方法、装置、设备及存储介质 | |
CN113238911A (zh) | 告警处理方法及装置 | |
WO2020056764A1 (zh) | 一种浮点精度检测方法与装置 | |
CN110286583B (zh) | 一种基于相关分析的前馈控制动态调整方法及相关装置 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 |
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 |