CN113927370A - 一种基于多源信号的产线用刀具剩余寿命实时云监测系统及方法 - Google Patents

Abstract

本发明公开了一种基于多源信号的刀具剩余寿命实时云监测系统及方法，系统包括多源信号采集子系统，云处理子系统，刀库，数控系统；云处理子系统为产线内各个机床及其刀库内刀具进行编号，并通过局域网实时接收多源信号采集子系统采集的各机床外加传感器信号，基于核主成分分析法进行多源数据融合，基于最小二乘支持向量机实时计算各刀具剩余寿命预测结果，当剩余寿命预测结果超出阈值范围，云处理子系统向对应机床数控系统发送换刀指令，并记录该刀具编号，以便及时从刀库内撤出该刀具。通过本发明能够实时准确的监测产线内各刀具剩余寿命，避免了因刀具损伤造成的加工质量恶化与刀具冗余设置造成的刀具浪费，提升了产线智能化水平。

Description

一种基于多源信号的产线用刀具剩余寿命实时云监测系统及 方法

技术领域

本发明属于刀具剩余寿命预测领域，具体为一种基于多源信号的产线用刀具剩余寿 命实时云监测系统及方法。

背景技术

刀具是加工系统中最核心的加工要素，它对产品质量有直接影响，生产过程中不可 避免的要用到各种数量庞大、品种复杂、精度要求高的标准或者非标准的刀具，目前刀具成本大约占到企业各种制造成本的25％-30％。一旦刀具发生故障而没有及时发现，轻则直接影响产品加工质量和生产效率，严重甚至导致机器损坏以及危害人员的安全。据 统计生产工程中，75％以上的设备故障是由于刀具失效引起的。如果不能合理判定刀 具是否失效，就很容易造成以下问题：过低估计刀具寿命，刀具还没有达到其使用寿命 就被判定为失效，频繁更换刀具导致机器停机时间过长，影响企业的生产效率，增加了 企业刀具采购成本；过高估计刀具寿命，刀具已经处于失效状态仍在工作，容易造成工 件表面精度不够或者造成工件报废，甚至会造成机床损坏，特别是在航空航天领域，发 生这种情况代价会非常大，严重影响企业的生产效率和经济效益。

因此，精准预测刀具寿命，对制造企业具有重要意义。有统计研究表明，如果能精确预测刀具寿命，合理地选择换刀时间和策略，可以有效地减少75％的停机时间，将 生产效率提高10％-40％，并将生产成本降低10％-30％。

为保障产品加工质量，同时提高刀具利用率、降低生产成本，对刀具状态进行在线识别与剩余使用寿命预测，以实时把握刀具磨损及潜在故障情况，对保障安全、稳定加 工生产有重要意义。随着机械加工向集成化、复杂化、智能化方向发展，传统刀具状态 监测技术无法实现刀具在更深层次的状态监测与预测需求。

近年来，智能传感、互联网技术的发展使得机械加工可以保留下大量加工参数、加工质量结果等过程数据，及外加多类型传感器获取的多物理场数据，海量的加工状态数 据推动刀具状态监测技术进入到大数据时代。借助大数据分析相关方法如数据挖掘、机 器学习等，为刀具智能状态监测中状态在线识别与预测提供了新的机遇与挑战。

中国专利公开号CN104097115A公开了一种数控机床刀具寿命监控方法，该发明仅通过监测加工工件的数量来对刀具剩余寿命进行预测，对加工过程、生产环境等因素均 未考虑，因此其可靠性无法保证，不能在现代化生产方式中推广；中国专利公开号CN108536938A公开了一种机床刀具寿命预测系统及预测方法，该发明依靠单一的主轴 电流信号建立了刀具剩余寿命预测模型，虽然省去了外接传感器的麻烦，但仅依靠单一 传感器信号无法全面的感知刀具当前运行状态信息，且易受加工环境下大量噪声信号干 扰，预测可靠性不足；中国专利公开号CN109724785A公开了一种基于多源信号融合的 刀具状态监测及寿命预测系统，该发明基于力、转速等多源信号建立了刀具剩余寿命预 测模型，较全面的考虑了加工过程中的众多因素，但是该发明未给出针对产线的刀具剩 余寿命预测方案，因此该方法仅适用于单台机床。综上所述，目前的刀具剩余寿命预测 方法均存在一定局限性，亟需一套能够适用于产线的可靠性刀具剩余寿命预测系统及方 法。

发明内容

本发明的目的在于为产线内的数控机床提供一种基于多源信号的产线用刀具剩余 寿命实时云监测系统及方法，实现刀具剩余寿命的准确检测，避免因刀具损伤造成的加工质量恶化与刀具冗余设置造成的刀具浪费，效提高生产效率、降低成本、保证产品质 量，提升产线智能化水平。

实现本发明目的技术解决方案为：

一种基于多源信号的产线用刀具剩余寿命实时云监测系统，包括多源信号采集子系 统，云处理子系统，刀库，数控系统；

所述多源信号采集子系统包括数据采集模块、无线传输模块，针对产线内N台机床， 设有N个多源信号采集子系统，分别服务于每台机床；所述数据采集模块包括振动传感器、功率传感器、力传感器，声发射传感器，数据采集卡，无线传输模块；振动传感器、 功率传感器、力传感器、声发射传感器分别用于实时采集机床主轴振动、功率、切削力、 声发射信号；振动信号、功率信号、切削力信号、声发射信号共同构成多源信号；数据 采集卡将多源信号通过无线传输模块实时传输至云处理子系统；

所述云处理子系统与N台机床的数控系统、N各无线传输模块连接在同一局域网内，互联互通；云处理子系统内设有产线编号单元，信号接收单元，数据处理单元，信 息反馈单元；产线编号单元为产线内N个机床及其刀库内刀具进行编号；信号接收单元 通过局域网实时接收N个无线传输模块发送的N台机床多源信号；数据处理单元用于 对N台机床的多源信号分别进行融合分析，建立适用于每台机床的刀具剩余寿命预测模 型，实时计算N台机床内正用于加工的刀具的剩余寿命，同时将剩余寿命与预设阈值进 行比较，当剩余寿命预测结果超出预设阈值范围时，输出对应机床及刀具编号；信息反 馈单元用于根据数据处理单元输出的机床及刀具编号向对应机床的数控系统发送换刀 指令，将对应刀具退回至刀库内对应位置，以便操作人员及时从刀库内撤出该刀具。

基于上述产线用刀具剩余寿命实时云监测系统的监测方法，其步骤如下：

S1：为产线内N台机床及其刀库内刀具编号，每台机床、每个刀具的编号唯一，并将此编号存储在云处理子系统内；

S2：将云处理子系统、N台机床数控系统、N个多源信号采集子系统部署在同一局域网下，实现互联互通；

S3：N个多源信号采集模块实时传输传感器采集到的N台机床的多源信号；

S4：云处理子系统实时接收N个多源信号发送的多源信息；

S5：云处理子系统实现对刀具剩余寿命的预测：对多源信号进行融合分析，建立适用于每台机床的刀具剩余寿命预测模型，实时计算N台机床内正用于加工的刀具的剩余 寿命；

S6：同时将剩余寿命与预设阈值进行比较，当剩余寿命预测结果超出预设阈值范围 时，输出对应机床及刀具编号；

S7：云处理子系统根据数据处理单元输出的机床及刀具编号向对应机床的数控系统 发送换刀指令，将对应刀具退回至刀库内对应位置。

本发明与现有技术相比，其显著优点是：

(1)本发明基于振动信号、功率信号、切削力信号和声发射信号建立了刀具剩余寿命预测模型，基于多源信号建立的刀具剩余寿命预测模型能够较全面的考虑到实际机加过程中的刀具各项状态信息，因此本发明的刀具寿命预测模型鲁棒性较强，可靠性较好。

(2)本发明不仅是针对单台机床能够对刀具剩余寿命进行预测，更重要的是能够对整条产线内的所有刀具剩余寿命进行管控，能够有效的提升产线的生产效率，保证产 线内产品的加工质量。

(3)本发明将剩余寿命部署在一个云处理子系统上，不需要为每台机床加装单独的计算机，能够有效降低产线部署剩余寿命预测系统的成本。

(4)本发明能够根据剩余寿命预测结果，自动的向机床反馈信息，并控制机床进行相应的换刀动作，具有较高的自动化水平。

附图说明

图1为基于多源信号的产线用刀具剩余寿命实时云监测方法总体示意图。

图2为刀具剩余寿命预测方法流程示意图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的介绍。

一种基于多源信号的产线用刀具剩余寿命实时云监测系统，包括多源信号采集子系 统，云处理子系统，刀库，数控系统；

所述多源信号采集子系统包括数据采集模块、无线传输模块，针对产线内N台机床， 设有N个多源信号采集子系统，分别服务于每台机床；所述数据采集模块包括振动传感器、功率传感器、力传感器，声发射传感器，数据采集卡，无线传输模块；振动传感器、 功率传感器、力传感器、声发射传感器分别用于实时采集机床主轴振动、功率、切削力、 声发射信号；振动信号、功率信号、切削力信号、声发射信号共同构成多源信号；数据 采集卡将多源信号通过无线传输模块实时传输至云处理子系统；

所述云处理子系统与N台机床的数控系统、N各无线传输模块连接在同一局域网内，互联互通；云处理子系统内设有产线编号单元，信号接收单元，数据处理单元，信 息反馈单元；产线编号单元为产线内N个机床及其刀库内刀具进行编号；信号接收单元 通过局域网实时接收N个无线传输模块发送的N台机床多源信号；数据处理单元用于 对N台机床的多源信号分别进行融合分析，建立适用于每台机床的刀具剩余寿命预测模 型，实时计算N台机床内正用于加工的刀具的剩余寿命，同时将剩余寿命与预设阈值进 行比较，当剩余寿命预测结果超出预设阈值范围时，输出对应机床及刀具编号；信息反 馈单元用于根据数据处理单元输出的机床及刀具编号向对应机床的数控系统发送换刀 指令，将对应刀具退回至刀库内对应位置，以便操作人员及时从刀库内撤出该刀具。

基于上述产线用刀具剩余寿命实时云监测系统的监测方法，其步骤如下：

S1：为产线内N台机床及其刀库内刀具编号，每台机床、每个刀具的编号唯一，并将此编号存储在云处理子系统内；

S2：将云处理子系统、N台机床数控系统、N个多源信号采集子系统部署在同一局域网下，实现互联互通；

S3：N个多源信号采集模块实时传输传感器采集到的N台机床的多源信号；

S4：云处理子系统实时接收N个多源信号发送的多源信息；

S5：云处理子系统实现对刀具剩余寿命的预测：对多源信号进行融合分析，建立适用于每台机床的刀具剩余寿命预测模型，实时计算N台机床内正用于加工的刀具的剩余 寿命；

S6：同时将剩余寿命与预设阈值进行比较，当剩余寿命预测结果超出预设阈值范围 时，输出对应机床及刀具编号；

S7：云处理子系统根据数据处理单元输出的机床及刀具编号向对应机床的数控系统 发送换刀指令，将对应刀具退回至刀库内对应位置。

具体的，步骤S5中关于刀具剩余寿命预测方法，预测的步骤如下：

S51：用奇异谱分析方法对原始信号进行降噪处理

S52：特征提取：针对每台机床的多源信号提取出时域和频率特征，具体包括均值、最大值等16个时域特征和13个频域特征，时频域特征提取结束后，需要对特进值行初 选，剔除无法表征性能退化趋势的特征。

S53：基于核主成分分析法进行数据融合以此来降低数据维度，便于预测模型构建。

S54：利用最小二乘支持向量机(LSSVM)模型进行剩余寿命的预测

更具体的，步骤S51基于奇异谱分析的信号降噪方法步骤如下

1)构造轨迹矩阵

构造轨迹矩阵的实质就是将一维时间序列X＝(x₁，x₂，x₃，...，x_N)变化为多维时间序 列。轨迹矩阵具体构造形式为：

上式中X_i＝(x_i,...,x_i+L-1)^T(1＜i＜K)，L为窗口长度，L为整数且(1＜L＜N/2)，K＝N-L+1， X即为L×K阶的轨迹矩阵。观察轨迹矩阵发现，副对角线元素对应相等，即x_ij＝x_i+j-1。轨 迹矩阵中的任意行与列被称为原始序列中的子时间序列；

2)奇异值分解

定义矩阵Z，Z＝XX^T，其中X^T为轨迹矩阵的转置。矩阵Z的一系列特征值记为 λ₁，λ₂，...，λ_L，特征向量记为U₁，U₂，...，U_L，特征向量按照降序进行排序(λ₁＞λ₂＞...＞λ_L)。 U_i称为左特征向量，假设d＝max(i，λ_i＞0)＝rank(X)，定义

为 右特征向量。于是，轨迹矩阵X为：

X＝X₁+X₂+...+X_d

其中

rank(X_i)＝1，即X_i为初等矩阵，此时轨迹矩阵X的特征值为

就被称为轨迹矩阵X的奇异谱。较大的

与较大的特征向量相对应， 反映信号有用成分，而较小的特征向量被认为是无用噪声信号；

3)重构

X_i用m个子集I₁，I₂，...，I_m进行表示，这一过程即为分组，其中I_i＝{i₁，i₂，...，i_p}，合 成矩阵定义为

于是轨迹矩阵X为：

对角平均化是将合成矩阵转化为长度为N(N＝L+k-1)的序列，定义L×k矩阵

设L^*＝min(L，K)，K^*＝max(L，K)，y_i(1≤i≤N)为Y对角平均化得到的序列。对角平均化公式为：

当L＜K时，

否则，

y₁，...，y_N即为重构序列。根据上述SSA降噪 的步骤可以知道，SSA降噪的本质和大多信号降噪方法一致，即分离有用特征值与无用 噪声信号，然后根据特征值大小对信号进行重新排列得到重构时间序列y₁，...，y_N，此序 列即为降噪后的信号。

更具体的，基于核主成分分析的数据融合步骤如下：

首先，将原始数据样本映射到高维空间F上，并计算协方差矩阵C：

φ(·)-非线性函数，φ(x_j)-高维空间F中的数据样本点，m-原始数据样本个数；

协方差矩阵C的特征值与特征向量关系为：

λV-CV＝0

V-C的特征向量，λ-C的特征值(λ≥0)，上式变换得：

λφ(x_j)V-φ(x_j)CV＝0

式中V可由φ(·)进行线性表示，有：

引入核函数K_ij＝K(x_i，x_j)＝φ(x_i)φ(x_j)，得：

mλα-Kα＝0

α-核矩阵K的特征向量，K-核矩阵。

于是，任一样本在空间F中φ(x)上的投影为：

经过上述核主成分分析法对时域、频域信号融合处理后就可以得到能够更加全面表征滚 动轴承退化趋势的性能指标，从而避免了单一特征值表征不准确、不全面的问题，同时还解 决了多维特征值数据量过于庞大、难以运用的问题。

Claims (3)

1.一种基于多源信号的产线用刀具剩余寿命实时云监测系统，其特征在于，包括多源信号采集子系统，云处理子系统，刀库，数控系统；

所述多源信号采集子系统包括数据采集模块、无线传输模块，针对产线内N台机床，设有N个多源信号采集子系统，分别服务于每台机床；所述数据采集模块包括振动传感器、功率传感器、力传感器，声发射传感器，数据采集卡，无线传输模块；振动传感器、功率传感器、力传感器、声发射传感器分别用于实时采集机床主轴振动、功率、切削力、声发射信号；振动信号、功率信号、切削力信号、声发射信号共同构成多源信号；数据采集卡将多源信号通过无线传输模块实时传输至云处理子系统；

所述云处理子系统与N台机床的数控系统、N各无线传输模块连接在同一局域网内，互联互通；云处理子系统内设有产线编号单元，信号接收单元，数据处理单元，信息反馈单元；产线编号单元为产线内N个机床及其刀库内刀具进行编号；信号接收单元通过局域网实时接收N个无线传输模块发送的N台机床多源信号；数据处理单元用于对N台机床的多源信号分别进行融合分析，建立适用于每台机床的刀具剩余寿命预测模型，实时计算N台机床内正用于加工的刀具的剩余寿命，同时将剩余寿命与预设阈值进行比较，当剩余寿命预测结果超出预设阈值范围时，输出对应机床及刀具编号；信息反馈单元用于根据数据处理单元输出的机床及刀具编号向对应机床的数控系统发送换刀指令，将对应刀具退回至刀库内对应位置，以便操作人员及时从刀库内撤出该刀具。

2.根据权利要求1所属的一种基于多源信号的产线用刀具剩余寿命实时云监测系统，对应的基于多源信号的产线用刀具剩余寿命实时云监测系统监测方法，其特征在于，包括以下步骤：

S1：为产线内N台机床及其刀库内刀具编号，每台机床、每个刀具的编号唯一，并将此编号存储在云处理子系统内；

S2：将云处理子系统、N台机床数控系统、N个多源信号采集子系统部署在同一局域网下，实现互联互通；

S3：N个多源信号采集模块实时传输传感器采集到的N台机床的多源信号；

S4：云处理子系统实时接收N个多源信号发送的多源信息；

S5：云处理子系统实现对刀具剩余寿命的预测：对多源信号进行融合分析，建立适用于每台机床的刀具剩余寿命预测模型，实时计算N台机床内正用于加工的刀具的剩余寿命；

S6：同时将剩余寿命与预设阈值进行比较，当剩余寿命预测结果超出预设阈值范围时，输出对应机床及刀具编号；

S7：云处理子系统根据数据处理单元输出的机床及刀具编号向对应机床的数控系统发送换刀指令，将对应刀具退回至刀库内对应位置。

3.根据权利要求2所述的一种基于多源信号的产线用刀具剩余寿命实时云监测系统，其特征在于，步骤S5包括以下步骤：

S51：用奇异谱分析方法对原始信号进行降噪处理；

S52：特征提取：针对每台机床的多源信号提取出时域和频率特征，具体包括均值、最大值等16个时域特征和13个频域特征，时频域特征提取结束后，需要对特进值行初选，剔除无法表征性能退化趋势的特征；

S53：基于核主成分分析法进行数据融合以此来降低数据维度，便于预测模型的构建；

S54：利用最小二乘支持向量机(LSSVM)模型进行剩余寿命的预测。

Images