CN113909997B - 一种基于数控机床主轴负载信号的刀具损伤监测方法 - Google Patents

Abstract

本发明公开了一种基于数控机床主轴负载信号的刀具损伤监测方法，包括下述步骤：步骤S1：于机床数控系统中读取主轴负载信号，构建主轴负载信号的时间序列；步骤S2：根据主轴负载信号的采集频率，将主轴负载信号等分为长度相同的主轴负载信号段；步骤S3：设置主轴负载信号样本熵指标计算的模式维数m和相似容限r，分别计算每段主轴负载信号段的样本熵指标，形成样本熵指标时间序列；计算每个样本熵指标子序列的峭度和偏斜度，利用峭度和偏斜度构造损伤监测指标；设置损伤指标报警阈值，当计算得到的损伤监测指标大于损伤指标报警阈值时，输出该结果并进行提示；否则继续监测。本发明能够在不增加外置传感器的情况下高效准确的识别出刀具损伤。

Description

一种基于数控机床主轴负载信号的刀具损伤监测方法

技术领域

本发明属于数据机床监测领域，具体为一种基于数控机床主轴负载信号的刀具损伤监测方法。

背景技术

机床刀具一旦发生损伤，会造成加工件的难以修复的损伤。在自动化生产线上，受限于人员配置和人工经验，如果不能及时发现刀具损伤，导致刀具损坏，可极易造成批量的加工废品。因此，及时准确的识别加工中心刀具损伤对于自动化产线的生产加工有着重要的指导意义。目前，一些智能化的加工中心具有自诊断功能，但大多局限于电气装置和控制系统的故障，不能很好的指示关键零部件不可逆的故障，例如刀具破损、丝杠磨损、轴承损坏等，严重影响机床加工精度和产品质量。同时，考虑到对一定使用年限的机床中外加新的传感器及相应的数据采集存储设备存在实际困难，利用机床自身的负载信号对设备的关键零部件的使用状态进行故障监测与诊断具有明显的实际意义。

发明内容

本发明的目的在于提供一种基于数控机床主轴负载信号的刀具损伤监测方法，该方法使用机床数控系统记录的主轴负载信号为输入，通过计算主轴负载信号的样本熵指标序列，构造了基于峭度和偏斜度的刀具损伤指标，用以监测机床刀具损伤状态。

为实现上述目的，本发明采用以下技术方案：

一种基于数控机床主轴负载信号的刀具损伤监测方法，包括下述步骤：步骤S1：于机床数控系统中读取主轴负载信号，构建主轴负载信号的时间序列；步骤S2：根据主轴负载信号的采集频率，将主轴负载信号等分为长度相同的主轴负载信号段；步骤S3：设置主轴负载信号样本熵指标计算的模式维数m和相似容限r，分别计算每段主轴负载信号段的样本熵指标，然后将所有的样本熵指标按时间序列排列，形成样本熵指标时间序列；步骤S4：根据主轴负载信号的监测时间尺度，将样本熵指标时间序列等分为长度相同的样本熵指标子序列；步骤S5：计算每个样本熵指标子序列的峭度和偏斜度，利用峭度和偏斜度构造损伤监测指标；步骤S6：设置损伤指标报警阈值，当计算得到的损伤监测指标大于损伤指标报警阈值时，输出该结果并进行提示；否则继续监测。

可选的，在机床主轴负载数据读取的过程中，将机床数控系统记录的主轴负载信号上传到数据监测中心，以监测时间尺度为单位，进行主轴负载信号的监测。

可选的，所述的主轴负载信号的采集频率为1Hz，所述的监测时间尺度选择60的倍数。

可选的，主轴负载信号段的样本熵指标SampEn表示为：

式中：m为模式维数，r为相似容限，向量空间中的任一向量与其他所有向量的最大距离小于相似容限r的向量数目为p；N的取值为自然数，i表示第i个向量。

可选的，向量空间中的任一向量与其他所有向量的最大距离获取具体包括：

1)给定一维时间序列X＝{x(n),n＝1,2,…,N}，设置其中的模式维数m和相似容限r，取m＝2，r＝(0.1～0.2)×std，std表示标准差；

将一维时间序列按照时间顺序转换成维的向量空间：

X(n)＝[x(n),x(n+1),…,x(n+m-1)],其中n＝1,2,…,N-n+1；

2)将向量空间中的任一向量X(i)与其他所有向量X(j)中的最大距离记为，

D_ij＝max|x(i+k)-x(j+k)|,其中i≠j,k＝0,1,2,…,m-1。

可选的，样本熵指标时间序列S表示如下，

S＝[SampleEn₁,SampleEn₂,…,SampleEn_k]；

样本熵指标时间序列等分为长度相同的样本熵指标子序列，以重叠系数为80％构造样本熵指标子序列，则第i个样本熵指标子序列在样本熵指标时间序列S中的长度范围表示如下，

[(i-1)×par-(i-1)×par×0.8+1:i×par-i×par×0.8]；

par表示计算峭度和偏斜度的样本熵子序列的长度。

可选的，计算每个样本熵指标子序列的峭度和偏斜度，其中峭度和偏斜度的表达式分别表示如下：

构造损伤监测指标TBI，其表达式如下：

TBI＝Kur×Skw。

可选的，利用刀具正常时的损伤指标均值TBI_正常和刀具损伤时损伤指标峰值TBI_崩刃差额的一半设置损伤指标报警阈值TBI_阈值，其表达式如下：

TBI_阈值＝0.5×(TBI_崩刃-TBI_正常)。

一种存储介质，所述的存储介质中写入本发明所述的基于数控机床主轴负载信号的刀具损伤监测方法。

一种基于数控机床主轴负载信号的刀具损伤监测系统，所述的系统运行本发明所述的基于数控机床主轴负载信号的刀具损伤监测方法。

本发明能够在不增加外置传感器的情况下高效准确的识别出刀具损伤。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1为本发明一种基于数控机床主轴负载信号的样本熵分布特征的刀具损伤监测方法的流程图；

图2为机床刀具损伤前后主轴负载信号；

图3为主轴负载信号的样本熵序列；

图4为时间尺度在24小时下刀具损伤指标的变化情况，尺度为24小时的监测指标；

图5为时间尺度在12小时下刀具损伤指标的变化情况，尺度为12小时的监测指标；

图6为时间尺度在6小时下刀具损伤指标的变化情况，尺度为6小时的监测指标；

图7为时间尺度在70分钟下刀具损伤指标的变化情况，尺度为70分钟的监测指标；

图8为时间尺度在1小时下刀具损伤指标的变化情况，尺度为1小时的监测指标；

图9为时间尺度在30分钟下刀具损伤指标的变化情况，尺度为30分钟的监测指标.

具体实施方式

为使本发明的目的、技术方案和优点更加清晰，以下结合具体实施案例，并参照附图，对本发明进一步详细说明。

本发明中提到的“主轴负载信号”指的是主轴电机的负荷百分比。

本发明中提到的“主轴负载信号的采集频率”指的是数据监测中心从机床加工中心数控系统获取主轴负载信号的频率。

本发明中提到的“监测时间尺度”指的是一定长度范围内的观测时间，本发明中具体代表相邻两个损伤指标数值的时间间隔。

本发明中提到的“采集频率”与主轴负载信号的采集频率一致。

以某壳体生产线加工中心铣刀的主轴负载信号为例进行说明。该信号记录了刀具损伤前后的主轴负载变化情况。

如图1所示，本发明包括以下步骤：

步骤S1：在机床加工工件的过程中，从机床的数控系统读取主轴负载信号到从数据监测中心；从数据监测中心下载主轴负载信号，构建主轴负载信号的时间序列(一般以秒为单位)；

步骤S2：根据主轴负载信号采集频率，将主轴负载信号等分为长度相同的信号段；

选择最大1Hz的主轴负载信号采样频率，为便于从时间尺度解释分析，将主轴信号等分为长度60(1分钟)的倍数，本发明中选择以120个样本点为一组数据。

步骤S3：设置主轴负载信号样本熵指标计算的相空间重构维数和阈值，分别计算每段负载信号的样本熵指标，然后将所有的样本熵指标按时间顺序排列，形成样本熵指标序列；

计算主轴负载分段信号的样本熵指标时，包含以下步骤：

1)给定一维时间序列X＝{x(n),n＝1,2,…,N}，设置其中的模式维数m和相似容限r，一般取m＝2，r＝(0.1～0.2)×std，std表示标准差。将一维时间序列按照时间顺序转换成维的向量空间：

X(n)＝[x(n),x(n+1),…,x(n+m-1)],其中n＝1,2,…,N-n+1；

2)将向量空间中的任一向量X(i)与其他所有向量X(j)中的最大距离记为，

D_ij＝max|x(i+k)-x(j+k)|,其中i≠j,k＝0,1,2,…,m-1；

N的取值为自然数，i表示第i个向量，j表示第j个向量；

记距离小于相似容限r的向量数目为p，在计算小于相似容限的距离与矢量总和的比值时，不包含自身矢量，记

3)同样计算在增加维数到时候的,则样本熵指标可表示如下，

4)将每段主轴负载信号的样本熵指标按时间顺序构造样本熵指标序列，表示如下，

S＝[SampleEn₁,SampleEn₂,…,SampleEn_k]；

步骤S4：根据主轴数据的监测时间尺度，将样本熵等分为长度相同的样本熵指标子序列；

将样本熵序列等时间分割过程为长度为175的数据点，为增加时间尺度的分辨率，以重叠系数为80％构造样本熵指标子序列，那么样本熵子序列的实际时间尺度分辨长度为175×(1-80％)＝35，则第i个子序列的在样本熵指标序列S中的长度范围表示如下，

[(i-1)×par-(i-1)×par×0.8+1:i×par-i×par×0.8]；

par表示计算峭度和偏斜度的样本熵子序列的长度，上述175即为本发明中的par值。

步骤S5：计算每个样本熵指标子序列的峭度和偏斜度，利用峭度和偏斜度构造损伤监测指标；

计算每段样本熵指标子序列的峭度和偏斜度指标，其中峭度和偏斜度的表达式分别表示如下，

基于样本熵子序列的偏斜度指标和峭度指标的乘积构造的刀具损伤指标，其表达式如下，

TBI＝Kur×Skw；

步骤S6：通过长时间的观测设置报警阈值，当计算得到的损伤监测指标的超过报警阈值时，输出该结果并进行提示。

利用刀具正常时的损伤指标均值TBI_正常和刀具损伤时损伤指标峰值TBI_崩刃差额的一半设置损伤指标报警阈值TBI_阈值，其表达式如下：

TBI_阈值＝0.5×(TBI_崩刃-TBI_正常)。

实施例一：

以某型变速箱壳体生产线的加工中心在执行钻孔工艺时主轴负载信号的计算分析过程为例进行说明。加工中心数控系统为SIEMENS840DSL，数据监测中心通过从数控系统中读取主轴负载信号并上传到数据中心后台服务器。用于说明本方法的数据记录了非连续监测20天的刀具主轴负载变化情况，主轴负载信号的采集频率为1Hz，其中整个过程共发生两次刀具崩刃，在整个监测过程中机床主轴倍率为100，主轴转速在8000rpm-10000rpm。

如图1所示，本发明包括以下步骤：

步骤S1：在机床加工工件的过程中，从机床的数控系统读取主轴负载信号到从数据监测中心；从数据监测中心下载主轴负载信号，构建主轴负载信号的时间序列，如图2所示；

步骤S2：根据主轴负载信号的采集频率，将主轴负载信号等分为长度相同的信号段；

选择最大1Hz的主轴负载信号采样频率，为便于从时间尺度解释分析，将主轴信号等分为长度60(1分钟)的倍数，本发明中选择以120个样本点为一组数据。

步骤S3：设置主轴负载信号样本熵指标计算的相空间重构维数和阈值，分别计算每段负载信号的样本熵指标，然后将所有的样本熵指标按时间顺序排列，形成样本熵指标序列，如图3所示；

计算主轴负载分段信号的样本熵指标时，包含以下步骤：

1)给定一维时间序列X＝{x(n),n＝1,2,…,N}，设置其中的模式维数m和相似容限r，一般取m＝2，r＝(0.1～0.2)×std。将一维时间序列按照时间顺序转换成维的向量空间：

X(n)＝[x(n),x(n+1),…,x(n+m-1)],其中n＝1,2,…,N-n+1；

2)将向量空间中的任一向量X(i)与其他所有向量X(j)中的最大距离记为

D_ij＝max|x(i+k)-x(j+k)|,其中i≠j,k＝0,1,2,…,m-1；

记距离小于相似容限r的向量数目为p，在计算小于相似容限的距离与矢量总和的比值时，不包含自身矢量，记

3)同样计算在增加维数到时候的,则样本熵指标可表示如下

将每段主轴负载信号的样本熵指标按时间顺序构造样本熵指标序列，如下

S＝[SampleEn₁,SampleEn₂,…,SampleEn_k]；

步骤S4：根据主轴数据的监测时间尺度，将样本熵等分为长度相同的样本熵指标子序列；

将样本熵序列等时间分割过程为长度为175的数据点，为增加时间尺度的分辨率，以重叠系数为80％构造样本熵指标子序列，那么样本熵子序列的实际时间尺度分辨长度为175×(1-80％)＝35，则第i个子序列的在样本熵指标序列S中的长度范围表示如下

[(i-1)×par-(i-1)×par×0.8+1:i×par-i×par×0.8]；

par表示计算峭度和偏斜度的样本熵子序列的长度，上述175即为本发明中的par值。

步骤S5：计算每个样本熵指标子序列的峭度和偏斜度，利用峭度和偏斜度构造损伤监测指标；

计算每段样本熵指标子序列的峭度和偏斜度指标，其中峭度和偏斜度的表达式分别表示如下，

基于样本熵子序列的偏斜度指标和峭度指标的乘积构造的刀具损伤指标，其表达式如下，

TBI＝Kur×Skw；

步骤S6：通过长时间的观测设置报警阈值，当计算得到的损伤监测指标的超过报警阈值时，输出该结果并进行提示。

利用刀具正常时的损伤指标均值和刀具损伤时损伤指标峰值差额的一半设置报警阈值，其表达式如下，

TBI_阈值＝0.5×(TBI_崩刃-TBI_正常)；

根据图4可知，刀具损伤指标TBI在判断刀具崩刃时尽管不受工艺参数的影响，但与时间监测尺度密切相关。从图4可知，在本方法提供的实施案例中，适用于刀具损伤监测的时间尺度为大于70分钟。同时在设置报警阈值时，根据步骤S6，在图4中监测尺度在24小时，崩刃指标TBI可达到40左右，正常刀具TBI为0，即可设置报警阈值为20；在图7中监测尺度在70分钟时，崩刃指标TBI可达到440左右，正常刀具TBI为0，即可设置报警阈值为220；

根据图5可知，监测尺度在12小时，设置崩刃指标报警阈值为35左右，可监测到两次崩刃；根据图6可知，监测尺度在6小时，设置崩刃指标报警阈值为20，可监测到两次崩刃；根据图8可知，监测尺度在1小时，设置崩刃指标报警阈值为80，可监测到两次崩刃，及接近报警阈值两次，说明在监测时间尺度内可能存在误报；根据图9可知，监测尺度在半小时，设置崩刃指标报警阈值为220，可监测到多次崩刃，说明在监测时间尺度内存在误报情况。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (5)

1.一种基于数控机床主轴负载信号的刀具损伤监测方法，其特征在于，包括下述步骤：

步骤S1：于机床数控系统中读取主轴负载信号，构建主轴负载信号的时间序列；

步骤S2：根据主轴负载信号的采集频率，将主轴负载信号等分为长度相同的主轴负载信号段；

步骤S3：设置主轴负载信号样本熵指标计算的模式维数m和相似容限r，分别计算每段主轴负载信号段的样本熵指标，然后将所有的样本熵指标按时间序列排列，形成样本熵指标时间序列；

步骤S4：根据主轴负载信号的监测时间尺度，将样本熵指标时间序列等分为长度相同的样本熵指标子序列；

步骤S5：计算每个样本熵指标子序列的峭度和偏斜度，利用峭度和偏斜度构造损伤监测指标；

步骤S6：设置损伤指标报警阈值，当计算得到的损伤监测指标大于损伤指标报警阈值时，输出该结果并进行提示；否则继续监测；

所述的主轴负载信号的采集频率为1Hz，所述的监测时间尺度选择60的倍数；

主轴负载信号段的样本熵指标SampEn表示为：

式中：m为模式维数，r为相似容限，向量空间中的任一向量与其他所有向量的最大距离小于相似容限r的向量数目为p；N的取值为自然数，i表示第i个向量；

计算每个样本熵指标子序列的峭度和偏斜度，其中峭度和偏斜度的表达式分别表示如下：

构造损伤监测指标TBI，其表达式如下：

TBI＝Kur×Skw；

向量空间中的任一向量与其他所有向量的最大距离获取具体包括：

1)给定一维时间序列X＝{x(n),n＝1,2,…,N}，设置其中的模式维数m和相似容限r，取m＝2，r＝(0.1～0.2)×std，std表示标准差；

将一维时间序列按照时间顺序转换成维的向量空间：

X(n)＝[x(n),x(n+1),…,x(n+m-1)],其中n＝1,2,…,N-n+1；

2)将向量空间中的任一向量X(i)与其他所有向量X(j)中的最大距离记为，

D_ij＝max|x(i+k)-x(j+k)|,其中i≠j,k＝0,1,2,…,m-1；

利用刀具正常时的损伤指标均值TBI_正常和刀具损伤时损伤指标峰值TBI_崩刃差额的一半设置损伤指标报警阈值TBI_阈值，其表达式如下：

TBI_阈值＝0.5×(TBI_崩刃-TBI_正常)。

2.根据权利要求1所述的基于数控机床主轴负载信号的刀具损伤监测方法，其特征在于，在机床主轴负载数据读取的过程中，将机床数控系统记录的主轴负载信号上传到数据监测中心，以监测时间尺度为单位，进行主轴负载信号的监测。

3.根据权利要求1或2所述的基于数控机床主轴负载信号的刀具损伤监测方法，其特征在于，样本熵指标时间序列S表示如下，

S＝[SampleEn₁,SampleEn₂,…,SampleEn_k]；

样本熵指标时间序列等分为长度相同的样本熵指标子序列，以重叠系数为80％构造样本熵指标子序列，则第i个样本熵指标子序列在样本熵指标时间序列S中的长度范围表示如下，

[(i-1)×par2-(i-1)×par2×0.8+1:i×par2-i×par2×0.8]；

par表示计算峭度和偏斜度的样本熵子序列的长度。

4.一种存储介质，其特征在于，所述的存储介质中写入权利要求1-3任一所述的基于数控机床主轴负载信号的刀具损伤监测方法。

5.一种基于数控机床主轴负载信号的刀具损伤监测系统，其特征在于，所述的系统运行权利要求1-3任一所述的基于数控机床主轴负载信号的刀具损伤监测方法。

Images