CN113741377A - 一种基于切削特征遴选的加工过程智能监控系统及方法 - Google Patents
一种基于切削特征遴选的加工过程智能监控系统及方法 Download PDFInfo
- Publication number
- CN113741377A CN113741377A CN202111150911.9A CN202111150911A CN113741377A CN 113741377 A CN113741377 A CN 113741377A CN 202111150911 A CN202111150911 A CN 202111150911A CN 113741377 A CN113741377 A CN 113741377A
- Authority
- CN
- China
- Prior art keywords
- cutting
- monitoring
- signal
- signals
- machining
- 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.)
- Pending
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 233
- 238000012544 monitoring process Methods 0.000 title claims abstract description 169
- 238000003754 machining Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 32
- 238000000227 grinding Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003801 milling Methods 0.000 claims description 9
- 238000007514 turning Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31457—Factory remote control, monitoring through internet
-
- 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]
Abstract
本发明提供了一种基于切削特征遴选的加工过程智能监控系统，用于对机床进行智能监控，包括：传感器检测模块，设置在机床上，用于在机床对零件进行切削加工过程中实时采集切削信号，包括测力仪、加速度传感器以及声发射传感器；信号与特征计算模块，用于处理切削信号与提取特征，包括数据采集单元、信号处理与分析单元以及特征提取与选择单元；以及加工状态监控模块，包括用于构建加工过程智能监测模型的智能监测单元、用于存储切削工艺历史数据的切削工艺数据库以及用于基于加工状态指标和切削工艺历史数据为当前切削加工进行优化控制的控制决策单元。本发明还提供了一种基于切削特征遴选的加工过程智能监控系统的监控方法来对机床进行智能监控。
Description
技术领域
本发明属于机床加工监控领域，具体涉及一种基于切削特征遴选的加工过程智能监控系统及方法。
背景技术
切削加工作为一种常用的制造加工技术，根据不同的加工质量与加工效率需求可以零件获得高表面质量与使役性能的重要工序。然而切削加工是一个复杂动态和多变量耦合过程，加工时会受工艺参数、刀具特性、工件材料和工艺系统动态稳定性等多种因素影响，容易产生加工硬化、残余应力、表层变性及表面微裂痕等问题，制约了零件的表面性能及应用范围，由此突显出加快解决切削加工零件的表面质量监测与控制问题的迫切性。
在研究切削加工表面质量的过程中，通常采用零件的表面几何特征来评价加工质量，如通过表面粗糙度的大小判断零件的加工精度、抗腐蚀性和疲劳强度等。随着材料科学的不断发展，人们开始尝试从零件的机械、物理和化学性能等方面全面考察评价零件的质量，包括零件表面和亚表面的显微硬度、残余应力、表层致密性和金相组织等。由于零件的使用要求不同，影响加工质量的因素众多，一般需要根据具体加工对象采用多种不同指标对零件进行综合评价。
由于切削过程需要监测的加工状态与加工质量指标众多，因此加工过程中对机床运行状况、刀具使用寿命和工件材料去除行为的实时在线监控是实现零件优质高效加工的有效手段。随着传感器技术与人工智能技术的发展，加工过程自动监测与控制方法得到了越来越广泛的应用。切削时刀具与工件相互作用会产生力、热和振动等各种物理信息，利用传感器采集这些能够表征加工状态的信号，并通过信号处理技术与特征工程，从而提出准确可靠的加工表面质量监控方法，已成为目前切削加工过程监控理论研究与工程应用的重点。
现有的切削加工过程监控技术主要可以分为直接监控与间接监控两种。其中，直接监控技术采用测量仪器与设备直接对监控目标进行测量，如采用光学显微镜测量刀具的磨损量，利用粗糙度仪测量零件加工后的表面粗糙度等。然而直接测量方法无法在线或在位检测刀具或零件的状况，因此对加工效率有较大的影响，同时由于测量仪器无法与机床通讯，导致机床数控系统无法根据检测结果的好坏对加工工艺进行调整和控制，因此该类方法的应用十分有限，仅适合小批量零件的抽检。
间接监控技术利用传感器采集物理信号在加工过程中的变化，通过信号处理、特征融合与机器学习方法获得能够表征刀具磨损和零件加工表面质量的信号特征，根据这些特征的变化规律间接地了解切削加工的状态。和直接监控技术相比，间接监控技术可以在线实时地了解加工过程中机床运行与零件加工状况，无需停机检测，从而提高了加工效率；同时传感器信号的获取方式较为便捷，目前大部分数控系统中已配有基础的主轴功率与电流检测模块，可以通过功率与电流的变化掌握一定的加工情况，而外置的测力仪、加速度传感器和温度传感器也能提供加工过程中的多物理场信息，这些信息通过一定的反馈机制传输回机床，并结合专家系统与知识库提供工艺调整的决策。近年来机器学习越来越多地被用于制造领域，其强大的处理非线性复杂问题的能力提高了加工过程监控的准确性。然而，在获取的海量加工数据中存在大部分与加工状态不相关的信息，这些冗余的信息增加了加工过程监控系统的维度和复杂度，降低了监控结果的可靠性；同时，切削力和温度等对加工过程监控效果较好的物理特征在实际加工现场难以安装与放置；此外，车削、铣削和磨削等加工方式不同的特点使得监控过程中需要人为地选择适合当前加工工艺的。上述这些问题使得间接监控技术目前仍无法得到广泛的应用。
综上，现有技术的主要缺点为：(1)选择反映机床与零件加工状态的物理信号特征时常常依赖于先验知识，使得适用于某种工况的特征无法准确表征另一种工况下的加工状态；(2)特征遴选过程中忽略了实际加工现场对于传感器的安置需求，在实验条件下具有较好监测效果的切削力和切削温度等传感器因购置成本和安装方式的原因无法应用于现场；(3)加工过程智能监控系统的建立取决于信号处理、特征选择和机器学习等技术的协同融合，如何根据具体的加工目标选用合适的信号特征和算法模型进行监控目前仍缺乏一定的指导依据。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于切削特征遴选的加工过程智能监控系统及方法。
本发明提供了一种基于切削特征遴选的加工过程智能监控系统，用于对机床进行智能监控，具有这样的特征，包括：传感器检测模块，设置在机床上，用于在机床对零件进行切削加工过程中实时采集切削信号，包括用于检测零件所受的切削力并生成切削力信号的测力仪、用于检测零件的振动情况并生成切削振动信号的加速度传感器以及用于检测零件发生弹塑性变形所产生的能量强度并生成声发射信号的声发射传感器；信号与特征计算模块，包括用于接收切削信号的数据采集单元、用于对切削信号进行预处理和分解的信号处理与分析单元以及用于从分解后的切削信号中提取并遴选切削特征的特征提取与选择单元；以及加工状态监控模块，包括通过将切削特征作为输入、将加工状态指标作为输出，构建基于机器学习的加工过程智能监测模型的智能监测单元、用于存储切削工艺历史数据的切削工艺数据库以及用于基于加工状态指标和切削工艺历史数据为当前切削加工进行优化控制的控制决策单元。
在本发明提供的基于切削特征遴选的加工过程智能监控系统中，还可以具有这样的特征：其中，切削信号包括切削力信号、切削振动信号以及声发射信号，数据采集单元通过数据采集卡获取来自测力仪、加速度传感器和声发射传感器采集的切削信号，并对切削信号进行A/D转换，来将模拟电压信号转化为数字信号。
在本发明提供的基于切削特征遴选的加工过程智能监控系统中，还可以具有这样的特征：其中，信号与特征计算模块设置在计算机中，并且与传感器检测模块通信连接，加工状态监控模块设置在计算机中，切削工艺历史数据包括刀具的历史数据、工艺参数的的历史数据以及质量指标的历史数据。
本发明还提供了一种基于切削特征遴选的加工过程智能监控系统的监控方法，具有这样的特征，包括以下步骤：步骤1，在机床上安装传感器检测模块进行监控，并将传感器检测模块连接至信号处理与分析模块，在机床上设定切削加工工艺参数后，开始切削加工；
步骤2：切削加工过程中，传感器检测模块通过测力仪、加速度传感器以及声发射传感器来实时采集切削信号，信号与特征计算模块中的数据采集单元接收采集的切削信号并将切削信号进行A/D转换后传输至信号处理与分析单元；
步骤3，信号处理与分析单元对不同种类的切削信号进行预处理和分解，得到时域切削信号和频域切削信号，并将时域切削信号和频域切削信号传输至特征提取与遴选单元；
步骤4，特征提取与遴选单元提取时域切削信号和频域切削信号中的时域特征与频域特征，来获取反映加工过程的指标，并利用特征选择方法与权重决策方法遴选得到与监控目标相关、且应用成本低的切削特征，再将切削特征传输至加工状态监控模块；
步骤5，加工状态智能监测模块通过机器学习方法建立以切削特征为输入变量，以加工状态与质量指标为输出变量的加工过程智能监测模型，并通过加工过程智能监测模型实时监测刀具磨损量和零件表面质量的动态变化状况；
步骤6，通过加工过程智能监测模型对切削加工过程中的异常信号进行识别和判定，当识别到异常信号时，控制决策单元结合监测结果与切削工艺数据库单元中存储的切削工艺历史数据，为当前切削加工提供优化控制策略，来对机床的切削加工质量进行控制，
其中，在机床的切削加工过中重复步骤2-步骤5，若切削加工状态稳定，无需执行步骤6。
在本发明提供的基于切削特征遴选的加工过程智能监控系统的监控方法中，还可以具有这样的特征：其中，步骤3中，包括以下子步骤：步骤3-1，将切削力信号、切削振动信号和声发射信号按加工系统坐标方向进行识别和分类，并对信号进行频谱分析，根据信号的频率特性分别采用不同带宽的滤波器进行滤波与降噪预处理，消除工艺系统和数据采集系统中与加工过程无关的噪声信号；
步骤3-2，采用傅里叶变换、小波包变换和变分模态分解的方法，对经降噪预处理后的信号进行分解，得到切削时域信号与切削频域信号。
在本发明提供的基于切削特征遴选的加工过程智能监控系统的监控方法中，还可以具有这样的特征：其中，步骤4中，包括以下子步骤：
步骤4-1，采用统计学方法从切削时域信号提取时域特征，包括有效值、平均值、标准差、波峰因数和熵，采用功率谱密度估计方法从切削频域信号提取频域特征，包括偏度、峭度、峰值频率和质心频率；
步骤4-2，对时域特征和频域特征按不同的监测目标进行特征遴选，通过拉普拉斯分数或迹比准则计算切削特征与监控目标的相关系数；
步骤4-3，当相关系数小于阈值时，去除切削特征，当相关系数大于阈值时，保留切削特征，并采用层次分析法对切削特征对应的不同类型传感器的购置与安装成本进行权重分析，得到成本权值，结合切削特征的相关系数和成本权值获得与监控目标相关、且应用成本较低的切削特征。
在本发明提供的基于切削特征遴选的加工过程智能监控系统的监控方法中，还可以具有这样的特征：其中，步骤5中，根据输入变量和输出变量的历史数据建立加工过程智能监测模型并进行离线训练后获得最优模型，通过智能监测模型进行在线实时监测，来依据当前的切削特征的预测刀具磨损量和零件表面质量。
在本发明提供的基于切削特征遴选的加工过程智能监控系统的监控方法中，还可以具有这样的特征：其中，步骤6中，包括以下子步骤：
步骤6-1，对刀具磨损量和零件表面质量建立相应的评价准则，若监测过程中刀具磨损严重或零件表面质量监测结果超出设定范围，则判定为异常信号；
步骤6-2，当识别到异常信号时，控制决策单元结合监测结果与切削工艺数据库单元中保留的切削工艺历史数据，为当前切削加工提供优化控制策略，优化控制策略包括加工工序优化、工艺参数优化和刀具优化，其中，加工工序优化包括粗加工、半精加工、精加工工序的优化调整，工艺参数优化包括主轴转速、工件进给速度和切削厚度的优化调整，刀具优化在对于铣削和车削加工时，包括铣刀和车刀的磨损量报及更换提示，在对于磨削加工时，包括砂轮修整量、砂轮修整速度、砂轮修整进给速度的优化调整。
发明的作用与效果
根据本发明所涉及的一种基于切削特征遴选的加工过程智能监控系统及方法，因为采用了模块化的加工状态监控方法，传感器检测模块、信号与特征计算模块以及加工状态监控模块相互独立，切削信号的处理方法不依赖于特征遴选过程，而特征遴选的结果也仅取决于监控目标的不同，不影响智能监测模型的结构，因此，能够提高本发明在加工过程监控中的普适性；并且，本发明在切削特征遴选过程中考虑了传感器的购置成本与安装成本，不仅能够获得与加工状态或加工质量目标相关程度较高的物理监测变量，而且能够选用低廉、安装便捷且具有一定可靠性的传感器，有效降低了加工过程监控的成本，进一步增加了本发明的适用性和经济性；另外，本发明的信号与特征计算模块以及加工状态监控模块的处理过程均在计算机上完成，与机床装备和数控系统的交互较为简易，对加工设备、加工参数、传感器等软硬件的依赖程度较低，无论采用机床内部功率、电流信号或外置振动、声发射传感器均能够实现加工过程监控，并可根据监控目标与实际加工现场布局进行相应调整，可以广泛应用于不同的加工场合；并且本发明在用于铣削、车削和磨削等不用的切削加工过程时，能够准确快速地获得适用于不同加工监控目标的物理信号特征来进行智能监控，无需依据历史经验针对单一的目标人工选择相应的监控变量。
附图说明
图1是本发明的实施例中一种基于切削特征遴选的加工过程智能监控系统的系统框图；
图2是本发明的实施例中一种基于切削特征遴选的加工过程智能监控系统进行加工过程智能监控时的系统结构图；
图3是本发明的实施例中信号处理与分析单元对切削信号进行处理与分析流程图；
图4是本发明的实施例中特征提取与选择单元进行切削特征提取与遴选流程图；
图5是本发明的实施例中加工过程智能监测模型的构建流程图；
图6是本发明的实施例中进行加工过程智能控制决策流程图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
<实施例>
图1是本发明的实施例中一种基于切削特征遴选的加工过程智能监控系统的系统框图，图2是本发明的实施例中一种基于切削特征遴选的加工过程智能监控系统进行加工过程智能监控时的系统结构图。
如图1和图2所示，本实施例的一种基于切削特征遴选的加工过程智能监控系统100，用于对机床进行智能监控，包括传感器检测模块10、信号与特征计算模块20以及加工状态监控模块30。
传感器检测模块10，设置在机床上，用于在机床对零件进行切削加工过程中实时采集切削信号，包括用于检测零件所受的切削力并生成切削力信号的测力仪、用于检测零件的振动情况并生成切削振动信号的加速度传感器以及用于检测零件发生弹塑性变形所产生的能量强度并生成声发射信号的声发射传感器。
切削信号包括切削力信号、切削振动信号以及声发射信号，数据采集单元通过数据采集卡获取来自测力仪、加速度传感器和声发射传感器采集的切削信号，并对切削信号进行A/D转换，来将模拟电压信号转化为数字信号。
信号与特征计算模块20，包括用于接收切削信号的数据采集单元、用于对切削信号进行预处理和分解的信号处理与分析单元以及用于从分解后的切削信号中提取并遴选切削特征的特征提取与选择单元。
信号与特征计算模块20设置在计算机中，并且与传感器检测模块10通信连接。
加工状态监控模块30，包括通过将切削特征作为输入、将加工状态指标作为输出，构建基于机器学习的加工过程智能监测模型的智能监测单元、用于存储切削工艺历史数据的切削工艺数据库以及用于基于加工状态指标和切削工艺历史数据为当前切削加工进行优化控制的控制决策单元。
加工状态监控模块30设置在计算机中，切削工艺历史数据包括刀具的历史数据、工艺参数的的历史数据以及质量指标的历史数据。
本实施例中的一种基于切削特征遴选的加工过程智能监控系统的监控方法，包括以下步骤：
步骤1，在机床上安装传感器检测模块10进行监控，并将传感器检测模块10连接至信号处理与分析模块20，在机床上设定切削加工工艺参数后，开始切削加工。
切削加工工艺参数，包括：主轴转速、工件进给速度、切削厚度、冷却液流量等。
步骤2：切削加工过程中，传感器检测模块10通过测力仪、加速度传感器以及声发射传感器来实时采集切削信号，信号与特征计算模块20中的数据采集单元接收采集的切削信号并将切削信号进行A/D转换后传输至信号处理与分析单元；
步骤3，信号处理与分析单元对不同种类的切削信号进行预处理和分解，得到时域切削信号和频域切削信号，并将时域切削信号和频域切削信号传输至特征提取与遴选单元。
图3是本发明的实施例中信号处理与分析单元对切削信号进行处理与分析流程图。
如图3所示。步骤3中，包括以下子步骤：
步骤3-1，将切削力信号、切削振动信号和声发射信号按加工系统坐标方向进行识别和分类，并对信号进行频谱分析，根据信号的频率特性分别采用不同带宽的滤波器进行滤波与降噪预处理，消除工艺系统和数据采集系统中与加工过程无关的噪声信号；
步骤3-2，采用傅里叶变换、小波包变换和变分模态分解的方法，对经降噪预处理后的信号进行分解，得到切削时域信号与切削频域信号。
图4是本发明的实施例中特征提取与选择单元进行切削特征提取与遴选流程图。
如图4所示，步骤4，特征提取与遴选单元提取时域切削信号和频域切削信号中的时域特征与频域特征，来获取反映加工过程的指标，并利用特征选择方法与权重决策方法遴选得到与监控目标相关、且应用成本低的切削特征，再将切削特征传输至加工状态监控模块30。
步骤4中，包括以下子步骤：
步骤4-1，采用统计学方法从切削时域信号提取时域特征，包括有效值、平均值、标准差、波峰因数和熵，采用功率谱密度估计方法从切削频域信号提取频域特征，包括偏度、峭度、峰值频率和质心频率；
步骤4-2，对时域特征和频域特征按不同的监测目标进行特征遴选，通过拉普拉斯分数或迹比准则计算切削特征与监控目标的相关系数；
步骤4-3，当相关系数小于阈值时，去除切削特征，当相关系数大于阈值时，保留切削特征，并采用层次分析法对切削特征对应的不同类型传感器的购置与安装成本进行权重分析，得到成本权值，结合切削特征的相关系数和成本权值获得与监控目标相关、且应用成本较低的切削特征。
步骤5，加工状态智能监测模块通过机器学习方法建立以切削特征为输入变量，以加工状态与质量指标为输出变量的加工过程智能监测模型，并通过加工过程智能监测模型实时监测刀具磨损量和零件表面质量的动态变化状况。
图5是本发明的实施例中加工过程智能监测模型的构建流程图。
如图5所示，步骤5中，根据输入变量和输出变量的历史数据建立加工过程智能监测模型并进行离线训练后获得最优模型，通过智能监测模型进行在线实时监测，来依据当前的切削特征的预测刀具磨损量和零件表面质量。
步骤6，通过加工过程智能监测模型对切削加工过程中的异常信号进行识别和判定，当识别到异常信号时，控制决策单元结合监测结果与切削工艺数据库单元中存储的切削工艺历史数据，为当前切削加工提供优化控制策略，来对机床的切削加工质量进行控制。
在机床的切削加工过中重复步骤2-步骤5，若切削加工状态稳定，无需执行步骤6。
图6是本发明的实施例中进行加工过程智能控制决策流程图。
如图6所示，步骤6中，包括以下子步骤：
步骤6-1，对刀具磨损量和零件表面质量建立相应的评价准则，若监测过程中刀具磨损严重或零件表面质量监测结果超出设定范围，则判定为异常信号；
步骤6-2，当识别到异常信号时，控制决策单元结合监测结果与切削工艺数据库单元中保留的切削工艺历史数据，为当前切削加工提供优化控制策略，优化控制策略包括加工工序优化、工艺参数优化和刀具优化，
加工工序优化包括粗加工、半精加工、精加工工序的优化调整，
工艺参数优化包括主轴转速、工件进给速度和切削厚度的优化调整，
刀具优化在对于铣削和车削加工时，包括铣刀和车刀的磨损量报
及更换提示，在对于磨削加工时，包括砂轮修整量、砂轮修整速度、砂轮修整进给速度的优化调整。
实施例的作用与效果
根据本实施例所涉及的一种基于切削特征遴选的加工过程智能监控系统及方法，因为采用了模块化的加工状态监控方法，传感器检测模块、信号与特征计算模块以及加工状态监控模块相互独立，切削信号的处理方法不依赖于特征遴选过程，而特征遴选的结果也仅取决于监控目标的不同，不影响智能监测模型的结构，因此，能够提高本实施例在加工过程监控中的普适性；并且，本实施例在切削特征遴选过程中考虑了传感器的购置成本与安装成本，不仅能够获得与加工状态或加工质量目标相关程度较高的物理监测变量，而且能够选用低廉、安装便捷且具有一定可靠性的传感器，有效降低了加工过程监控的成本，进一步增加了本实施例的适用性和经济性；另外，本实施例的信号与特征计算模块以及加工状态监控模块的处理过程均在计算机上完成，与机床装备和数控系统的交互较为简易，对加工设备、加工参数、传感器等软硬件的依赖程度较低，无论采用机床内部功率、电流信号或外置振动、声发射传感器均能够实现加工过程监控，并可根据监控目标与实际加工现场布局进行相应调整，可以广泛应用于不同的加工场合；并且本实施例在用于铣削、车削和磨削等不用的切削加工过程时，能够准确快速地获得适用于不同加工监控目标的物理信号特征来进行智能监控，无需依据历史经验针对单一的目标人工选择相应的监控变量。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (8)
1.一种基于切削特征遴选的加工过程智能监控系统，用于对机床进行智能监控，其特征在于，包括：
传感器检测模块，设置在所述机床上，用于在所述机床对零件进行切削加工过程中实时采集切削信号，包括用于检测所述零件所受的切削力并生成切削力信号的测力仪、用于检测所述零件的振动情况并生成切削振动信号的加速度传感器以及用于检测所述零件发生弹塑性变形所产生的能量强度并生成声发射信号的声发射传感器；
信号与特征计算模块，包括用于接收所述切削信号的数据采集单元、用于对所述切削信号进行预处理和分解的信号处理与分析单元以及用于从分解后的所述切削信号中提取并遴选切削特征的特征提取与选择单元；以及
加工状态监控模块，包括通过将所述切削特征作为输入、将加工状态指标作为输出，构建基于机器学习的加工过程智能监测模型的智能监测单元、用于存储切削工艺历史数据的切削工艺数据库以及用于基于所述加工状态指标和所述切削工艺历史数据为当前切削加工进行优化控制的控制决策单元。
2.根据权利要求1所述的基于切削特征遴选的加工过程智能监控系统，其特征在于：
其中，所述切削信号包括所述切削力信号、所述切削振动信号以及所述声发射信号，所述数据采集单元通过数据采集卡获取来自所述测力仪、所述加速度传感器和所述声发射传感器采集的所述切削信号，并对所述切削信号进行A/D转换，来将模拟电压信号转化为数字信号。
3.根据权利要求1所述的基于切削特征遴选的加工过程智能监控系统，其特征在于：
其中，所述信号与特征计算模块设置在计算机中，并且与所述传感器检测模块通信连接，
所述加工状态监控模块设置在所述计算机中，
所述切削工艺历史数据包括刀具的历史数据、工艺参数的的历史数据以及质量指标的历史数据。
4.一种监控方法，采用权利要求1-3中任意一项所述的基于切削特征遴选的加工过程智能监控系统进行监控，其特征在于，包括以下步骤：
步骤1，在机床上安装传感器检测模块进行监控，并将所述传感器检测模块连接至信号处理与分析模块，在所述机床上设定切削加工工艺参数后，开始切削加工；
步骤2：切削加工过程中，所述传感器检测模块通过测力仪、加速度传感器以及声发射传感器来实时采集切削信号，信号与特征计算模块中的数据采集单元接收采集的所述切削信号并将所述切削信号进行A/D转换后传输至信号处理与分析单元；
步骤3，所述信号处理与分析单元对不同种类的所述切削信号进行预处理和分解，得到时域切削信号和频域切削信号，并将所述时域切削信号和所述频域切削信号传输至特征提取与遴选单元；
步骤4，所述特征提取与遴选单元提取所述时域切削信号和所述频域切削信号中的时域特征与频域特征，来获取反映加工过程的指标，并利用特征选择方法与权重决策方法遴选得到与监控目标相关、且应用成本低的所述切削特征，再将所述切削特征传输至加工状态监控模块；
步骤5，所述加工状态智能监测模块通过机器学习方法建立以所述切削特征为输入变量，以加工状态与质量指标为输出变量的加工过程智能监测模型，并通过所述加工过程智能监测模型实时监测刀具磨损量和零件表面质量的动态变化状况；
步骤6，通过所述加工过程智能监测模型对切削加工过程中的异常信号进行识别和判定，当识别到所述异常信号时，所述控制决策单元结合监测结果与所述切削工艺数据库单元中存储的所述切削工艺历史数据，为当前切削加工提供优化控制策略，来对所述机床的切削加工质量进行控制，
其中，在所述机床的切削加工过中重复步骤2-步骤5，若切削加工状态稳定，无需执行步骤6。
5.根据权利要求4所述的基于切削特征遴选的加工过程智能监控系统的监控方法，其特征在于：
其中，所述步骤3中，包括以下子步骤：
步骤3-1，将所述切削力信号、所述切削振动信号和所述声发射信号按加工系统坐标方向进行识别和分类，并对信号进行频谱分析，根据信号的频率特性分别采用不同带宽的滤波器进行滤波与降噪预处理，消除工艺系统和数据采集系统中与加工过程无关的噪声信号；
步骤3-2，采用傅里叶变换、小波包变换和变分模态分解的方法，对经降噪预处理后的信号进行分解，得到所述切削时域信号与所述切削频域信号。
6.根据权利要求4所述的基于切削特征遴选的加工过程智能监控系统的监控方法，其特征在于：
其中，所述步骤4中，包括以下子步骤：
步骤4-1，采用统计学方法从所述切削时域信号提取所述时域特征，包括有效值、平均值、标准差、波峰因数和熵，采用功率谱密度估计方法从所述切削频域信号提取所述频域特征，包括偏度、峭度、峰值频率和质心频率；
步骤4-2，对所述时域特征和所述频域特征按不同的监测目标进行特征遴选，通过拉普拉斯分数或迹比准则计算所述切削特征与监控目标的相关系数；
步骤4-3，当所述相关系数小于阈值时，去除所述切削特征，当所述相关系数大于阈值时，保留所述切削特征，并采用层次分析法对所述切削特征对应的不同类型传感器的购置与安装成本进行权重分析，得到所述成本权值，结合所述切削特征的所述相关系数和所述成本权值获得与监控目标相关、且应用成本较低的所述切削特征。
7.根据权利要求4所述的基于切削特征遴选的加工过程智能监控系统的监控方法，其特征在于：
其中，所述步骤5中，根据所述输入变量和所述输出变量的历史数据建立所述加工过程智能监测模型并进行离线训练后获得最优模型，通过所述智能监测模型进行在线实时监测，来依据当前的所述切削特征的预测刀具磨损量和零件表面质量。
8.根据权利要求4所述的基于切削特征遴选的加工过程智能监控系统的监控方法，其特征在于：
其中，所述步骤6中，包括以下子步骤：
步骤6-1，对刀具磨损量和零件表面质量建立相应的评价准则，若监测过程中刀具磨损严重或零件表面质量监测结果超出设定范围，则判定为异常信号；
步骤6-2，当识别到所述异常信号时，所述控制决策单元结合监测结果与所述切削工艺数据库单元中保留的所述切削工艺历史数据，为当前切削加工提供优化控制策略，所述优化控制策略包括加工工序优化、工艺参数优化和刀具优化，
其中，加工工序优化包括粗加工、半精加工、精加工工序的优化调整，
工艺参数优化包括主轴转速、工件进给速度和切削厚度的优化调整，
刀具优化在对于铣削和车削加工时，包括铣刀和车刀的磨损量报及更换提示，在对于磨削加工时，包括砂轮修整量、砂轮修整速度、砂轮修整进给速度的优化调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150911.9A CN113741377A (zh) | 2021-09-29 | 2021-09-29 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150911.9A CN113741377A (zh) | 2021-09-29 | 2021-09-29 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113741377A true CN113741377A (zh) | 2021-12-03 |
Family
ID=78741824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111150911.9A Pending CN113741377A (zh) | 2021-09-29 | 2021-09-29 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113741377A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200017A (zh) * | 2021-12-14 | 2022-03-18 | 北京理工大学 | 一种原位监测加工表面缺陷的方法、系统及存储介质 |
| CN114326580A (zh) * | 2021-12-15 | 2022-04-12 | 国营芜湖机械厂 | 一种基于工作台信息监控的薄壁零件加工方法及装置 |
| CN115202287A (zh) * | 2022-09-19 | 2022-10-18 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
| CN116009479A (zh) * | 2023-03-28 | 2023-04-25 | 东莞市扬牧数控科技有限公司 | 用于数控机床运行状态的智能监测系统 |
| CN114905334B (zh) * | 2022-05-17 | 2023-10-20 | 北京理工大学 | 一种智能实时清洁切削监控系统和方法 |
| CN117009790A (zh) * | 2023-09-28 | 2023-11-07 | 潍柴动力股份有限公司 | 一种铸件加工控制方法、装置、设备及存储介质 |
| CN117075537A (zh) * | 2023-10-16 | 2023-11-17 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
| CN117148741A (zh) * | 2023-11-01 | 2023-12-01 | 张家港Aaa精密制造股份有限公司 | 轴承加工参数智能调控方法及系统 |
| CN117170306A (zh) * | 2023-10-31 | 2023-12-05 | 成都飞机工业（集团）有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
| CN117260378A (zh) * | 2023-11-22 | 2023-12-22 | 上海航天壹亘智能科技有限公司 | 用于智能刀柄的数据处理方法及数控机床系统 |
| CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166373A (zh) * | 2014-08-06 | 2014-11-26 | 上海理工大学 | 数控机床加工误差在线检测方法及系统 |
| US20170212506A1 (en) * | 2016-01-23 | 2017-07-27 | John Bean Technologies Corporation | Optimization of blade portioner cutting speed |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
| US20200019153A1 (en) * | 2018-07-13 | 2020-01-16 | United States Of America, As Represented By The Secretary Of The Navy | Real-Time Automation for Monitor and Control of Electro-Mechanical System |
| CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
| CN112578732A (zh) * | 2020-12-15 | 2021-03-30 | 航天科工深圳（集团）有限公司 | 一种智能切削加工过程监控系统及其监控方法 |
| CN112818793A (zh) * | 2021-01-25 | 2021-05-18 | 常州大学 | 基于局部线性嵌入法的微铣削刀具磨损状态监测方法 |
-
2021
- 2021-09-29 CN CN202111150911.9A patent/CN113741377A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166373A (zh) * | 2014-08-06 | 2014-11-26 | 上海理工大学 | 数控机床加工误差在线检测方法及系统 |
| US20170212506A1 (en) * | 2016-01-23 | 2017-07-27 | John Bean Technologies Corporation | Optimization of blade portioner cutting speed |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| US20200019153A1 (en) * | 2018-07-13 | 2020-01-16 | United States Of America, As Represented By The Secretary Of The Navy | Real-Time Automation for Monitor and Control of Electro-Mechanical System |
| CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
| CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
| CN112578732A (zh) * | 2020-12-15 | 2021-03-30 | 航天科工深圳（集团）有限公司 | 一种智能切削加工过程监控系统及其监控方法 |
| CN112818793A (zh) * | 2021-01-25 | 2021-05-18 | 常州大学 | 基于局部线性嵌入法的微铣削刀具磨损状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郭维诚: ""影响表面质量的磨削特征辨识、工艺优化与监控方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 陈志同 等: ""面向单元切削过程的切削参数优化模型"", 《机械工程学报》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200017A (zh) * | 2021-12-14 | 2022-03-18 | 北京理工大学 | 一种原位监测加工表面缺陷的方法、系统及存储介质 |
| CN114200017B (zh) * | 2021-12-14 | 2023-09-26 | 北京理工大学 | 一种原位监测加工表面缺陷的方法、系统及存储介质 |
| CN114326580B (zh) * | 2021-12-15 | 2023-11-14 | 国营芜湖机械厂 | 一种基于工作台信息监控的薄壁零件加工方法及装置 |
| CN114326580A (zh) * | 2021-12-15 | 2022-04-12 | 国营芜湖机械厂 | 一种基于工作台信息监控的薄壁零件加工方法及装置 |
| CN114905334B (zh) * | 2022-05-17 | 2023-10-20 | 北京理工大学 | 一种智能实时清洁切削监控系统和方法 |
| CN115202287A (zh) * | 2022-09-19 | 2022-10-18 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
| CN115202287B (zh) * | 2022-09-19 | 2022-11-25 | 徐州凌风俊自动化设备有限公司 | 一种数控机床运行作业在线智能监测诊断分析系统 |
| CN116009479A (zh) * | 2023-03-28 | 2023-04-25 | 东莞市扬牧数控科技有限公司 | 用于数控机床运行状态的智能监测系统 |
| CN117009790A (zh) * | 2023-09-28 | 2023-11-07 | 潍柴动力股份有限公司 | 一种铸件加工控制方法、装置、设备及存储介质 |
| CN117075537A (zh) * | 2023-10-16 | 2023-11-17 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
| CN117075537B (zh) * | 2023-10-16 | 2024-02-13 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
| CN117170306A (zh) * | 2023-10-31 | 2023-12-05 | 成都飞机工业（集团）有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
| CN117170306B (zh) * | 2023-10-31 | 2024-03-15 | 成都飞机工业（集团）有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
| CN117148741A (zh) * | 2023-11-01 | 2023-12-01 | 张家港Aaa精密制造股份有限公司 | 轴承加工参数智能调控方法及系统 |
| CN117148741B (zh) * | 2023-11-01 | 2024-02-13 | 张家港Aaa精密制造股份有限公司 | 轴承加工参数智能调控方法及系统 |
| CN117260378A (zh) * | 2023-11-22 | 2023-12-22 | 上海航天壹亘智能科技有限公司 | 用于智能刀柄的数据处理方法及数控机床系统 |
| CN117260378B (zh) * | 2023-11-22 | 2024-03-15 | 上海航天壹亘智能科技有限公司 | 用于智能刀柄的数据处理方法及数控机床系统 |
| CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
| CN117555287B (zh) * | 2024-01-12 | 2024-04-09 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
| CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| CN101334656B (zh) | 一种数控机床加工性能监控系统 | |
| Khorasani et al. | Development of a dynamic surface roughness monitoring system based on artificial neural networks (ANN) in milling operation | |
| CN108620949B (zh) | 刀具磨耗监测与预测方法 | |
| Nakai et al. | Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics | |
| CN102073300B (zh) | 一种数控加工状态自学习的刀具磨损监控系统 | |
| US5407265A (en) | System and method for detecting cutting tool failure | |
| CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
| CN107186547A (zh) | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 | |
| CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
| CN108846581A (zh) | 一种机床刀具可靠性评估系统及方法 | |
| CN111694320B (zh) | 一种虑及颤振抑制的机床自适应控制方法 | |
| CN108614522B (zh) | 数控机床服役过程主轴系统能量效率在线监测方法 | |
| Jemielniak | Contemporary challenges in tool condition monitoring | |
| CN111774931A (zh) | 数控车削批量加工刀具磨损在线监测方法 | |
| Xie et al. | An energy-based modeling and prediction approach for surface roughness in turning | |
| CN111660141A (zh) | 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 | |
| CN113305644A (zh) | 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 | |
| CN114905336B (zh) | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 | |
| Luan et al. | Trade-off analysis of tool wear, machining quality and energy efficiency of alloy cast iron milling process | |
| CN114800040B (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
| CN114789364A (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
| Massol et al. | An exTS based neuro-fuzzy algorithm for prognostics and tool condition monitoring | |
| D’Addona et al. | Prediction of dressing in grinding operation via neural networks |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211203 |