CN113997122A - 一种刀具磨损监测方法及系统 - Google Patents
一种刀具磨损监测方法及系统 Download PDFInfo
- Publication number
- CN113997122A CN113997122A CN202111364176.1A CN202111364176A CN113997122A CN 113997122 A CN113997122 A CN 113997122A CN 202111364176 A CN202111364176 A CN 202111364176A CN 113997122 A CN113997122 A CN 113997122A
- Authority
- CN
- China
- Prior art keywords
- wear
- data
- cutter
- historical
- tool
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 90
- 238000005520 cutting process Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003754 machining Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims description 135
- 238000005299 abrasion Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000517645 Abra Species 0.000 description 1
- 239000006061 abrasive grain Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及一种刀具磨损监测方法及系统，其方法包括构建目标刀具系统对应的初始刀具虚拟模型；通过目标刀具系统的切削加工试验获取试验数据；基于试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正初始刀具虚拟模型，得到目标刀具虚拟模型；基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，确定当前刀具的实际磨损情况。本申请能够提高刀具磨损监测的准确度和效率。
Description
技术领域
本申请涉及数控机床自动化监测技术领域，尤其是涉及一种刀具磨损监测方法及系统。
背景技术
在制造加工领域中，刀具作为计算机数控机床(CNCMT)的关键部件，因此，刀具对加工产品的质量和CNCMT的安全性有很大的影响，而刀具磨损主要影响其切削性能，因此刀具磨损的准确监测和预测不仅可以提高工件的加工精度，而且降低生产成本。然而，由于切削加工的复杂性和时变性，传统的方法仍难以实现准确的实时监督。
随着材料科学的发展，难加工的合金逐渐应用于制造业(特别是航空航天工业)，这对工件的加工质量有很高的要求。在加工过程中，刀具和工件的温升加剧，刀具表面出现粘附层和硬磨粒，导致刀具在短时间内迅速磨损甚至断裂。刀具磨损带来的表面质量较差，对工件的性能有重大影响，破坏了结构强度、疲劳寿命、可靠性、化学稳定性等。为了提高工件的性能，必须定期更换刀具，此外，还要降低切削成本。主要目标是在最短的时间内以最低成本制造高性能的部件。
在现有的技术中，通常采用直接测量或间接测量的方法监测和预测刀具磨损。直接测量方法主要基于刀具边缘捕获磨损图像的计算机视觉方法，并利用小波神经网络(WNN)或支撑向量机(SVM)，实现对刀具磨损的监测和预测。考虑到芯片和工件隐藏在侧翼和刀具边缘，需要暂停切削加工，对刀具进行拍照，这增加了CNCMT的停机时间，降低了加工效率。另一种间接测量方法，通过在切削加工中利用传感设备提取切削力、振动、声发射信号等一系列信号，并通过时域和频域分析对信号的物理特性进行分析，实现对刀具磨损的监测和预测。在机械加工过程中，刀具系统的状态和环境条件正在动态变化。虽然间接方法具有实时监测的优点，但由于状态的变化，测量精度通常低于直接方法的精度。
综上所述，现有的直接和间接测量方法存在各种缺点，无法满足刀具磨损监测和预测的实时性和高精度的需求。鉴于上述情况，迫切需要一种能够实时反映刀具实际情况的方法。
发明内容
有鉴于此，本申请提供一种刀具磨损监测方法及系统，用以解决现有刀具磨损监测方法的时效性或精准度不够高的技术问题。
为了解决上述问题，第一方面，本申请提供一种刀具磨损监测方法，所述方法包括：
构建目标刀具系统对应的初始刀具虚拟模型；
通过目标刀具系统的切削加工试验获取试验数据；
基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，得到目标刀具虚拟模型；
基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
可选的，所述初始刀具虚拟模型包括工件/刀具的几何特征、材料特征、加工环境参数、机床切削参数、切削行为模型以及磨损模型。
可选的，所述当前/历史属性数据包括当前加工时/试验加工时对应的工件/刀具的几何数据、材料数据、机床数据；
所述当前/历史命令数据包括当前加工时/试验加工时对应的机床切削数据、加工环境数据；
所述历史状态数据包括试验加工时对应刀具的切削力值、温度值以及振动幅值；
所述历史磨损数据包括试验加工时对应刀具的历史实际磨损类别和历史实际磨损量；
所述当前状态数据包括当前刀具加工时的切削力信号、温度信号以及振动信号。
可选的，基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，包括：
将试验加工时对应刀具的几何数据与所述初始刀具虚拟模型中对应刀具的几何特征进行比较，并计算几何相对误差；
将试验加工时对应的加工环境数据与所述初始刀具虚拟模型中对应映射的加工环境参数进行比较，计算环境相对误差；
若几何相对误差和/或环境相对误差大于对应预设的几何/环境阈值，则对所述初始刀具虚拟模型中工件/刀具的几何特征和/或加工环境参数进行修正，直至迭代计算的几何相对误差和环境相对误差均满足对应的阈值条件，并将修正后的初始刀具虚拟模型作为第一刀具虚拟模型；
将试验加工时对应的切削力值、温度值、振动幅值以及历史实际磨损量和第一刀具虚拟模型仿真输出的力仿真值、温度仿真值、振动仿真值以及磨损量仿真值进行对应比较，分别计算力相对误差、温度相对误差、幅值相对误差以及磨损误差；
若计算力相对误差、温度相对误差、幅值相对误差和/或大于对应预设的力差/温度差/幅值差/磨损差阈值，则对所述第一刀具虚拟模型的仿真过程参数进行调整，以使力相对误差、温度相对误差和/或幅值相对误差满足对应的阈值条件，将调整后的第一刀具虚拟模型作为第二刀具虚拟模型。
可选的，基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，还包括：
将所述试验数据中时间序列的历史属性数据、历史命令数据分别与所述第二刀具虚拟模型中对应映射的属性仿真数据和命令仿真数据进行一一匹配；
将所述试验数据中时间序列的历史状态数据、历史磨损数据分别与所述第二刀具虚拟模型中对应映射的状态仿真数据和磨损仿真数据进行比较，计算每一对映射参数的相对误差，以得到误差均值和平方差；
若所述误差均值和/或平方差大于对应预设的均值阈值/方差阈值，则将第二刀具虚拟模型中不满足对应阈值条件的状态仿真数据和磨损仿真数据清理，并第二刀具虚拟模型中对应的属性仿真数据和命令仿真数据进行修改，直至迭代匹配计算后误差均值和/或平方差小于或等于对应预设的均值阈值/方差阈值，以得到目标刀具虚拟模型。
可选的，所述历史磨损数据包括历史磨损实际类别和历史实际磨损量；所述理论磨损结果包括磨损仿真类别和磨损量仿真结果；所述初始刀具虚拟模型包括初始磨损分类模型和初始磨损量预测模型；则基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型，包括：
获取与所述试验数据中历史状态数据对应映射的历史状态信号，所述历史状态信号包括切削力信号、温度信号以及振动信号；
将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据；
将所述关键特征数据作为初始磨损分类模型的输入数据，获取输出的分类结果并分别与所述历史磨损实际类别和/或所述磨损仿真类别进行比较，以优化所述初始磨损分类模型的网络参数，并通过迭代训练，直至获取输出的分类结果与所述历史磨损实际类别和/或所述磨损仿真类别满足一致性，得到训练完备的目标磨损分类模型；
将所述关键特征数据作为所述初始磨损量预测模型的输入数据，获取输出的磨损量预测结果，并分别与所述历史实际磨损量和/或所述磨损量仿真结果进行比较，以优化所述初始磨损量预测模型的网络参数，并通过迭代训练，直至获取输出的磨损量预测结果与所述历史实际磨损量和/或所述磨损量仿真结果之间的误差小于对应的预设阈值，得到训练完备的目标磨损量预测模型；
其中所述初始磨损分类模型采用KNN模型，所述初始磨损量预测模型采用SVM模型。
可选的，将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据，包括：
将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行小波去噪；
根据小波去噪处理后对应的切削力信号、温度信号以及振动信号，计算信号特征，所述信号特征包括均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值；
基于边界fisher分析法从所述均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值中，确定出当前的关键特征数据。
可选的，所述获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，包括：
基于所述目标加工场景的当前属性数据、当前命令数据，通过目标刀具虚拟模型仿真模拟确定当前刀具的磨损仿真类别和磨损量仿真结果；
基于所述目标加工场景的当前状态数据，并结合所述目标刀具磨损监测模型，确定当前刀具的磨损预测类别和磨损量预测结果；
将所述当前刀具的磨损仿真类别和磨损预测类别进行比较，若一致，则计算当前刀具的磨损量仿真结果和磨损量预测结果之间的磨损量误差；
若磨损量误差小于对应的预设误差阈值，则将当前刀具的磨损仿真类别和磨损量仿真结果确定为当前刀具的实时磨损类别和实时磨损量，或将当前刀具的磨损预测类别和磨损量预测结果确定为当前刀具的实时磨损类别和实时磨损量。
可选的，所述方法还包括：
若当前刀具的实时磨损类别处于预设的严重磨损阶段，且实时磨损量大于预设的严重磨损量，则确定更换当前刀具。
第二方面，本申请提供一种刀具磨损监测系统，所述系统包括：
构建虚拟模型模块，用于构建目标刀具系统对应的初始刀具虚拟模型；
获取试验数据模块，用于通过目标刀具系统的切削加工试验获取试验数据；
修正虚拟模型模块，用于基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，得到目标刀具虚拟模型；
构建监测模型模块，用于基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
磨损监测模块，用于获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
采用上述实施例的有益效果是：本实施例通过构建目标刀具系统对应的初始刀具虚拟模型，从而形成物理系统和虚拟模型交互的数字孪生结构；通过目标刀具系统的切削加工试验获取试验数据，从而来修正初始刀具虚拟模型，得到目标刀具虚拟模型，以提高后续模型仿真的精确度；基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；在目标刀具系统进行实际加工时，获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，从而实时监测刀具磨损情况，提高刀具磨损监测的准确度和效率。
附图说明
图1为本申请提供的刀具磨损监测方法一实施例的方法流程图；
图2为本申请提供的刀具磨损监测方法步骤S103一实施例的方法流程图；
图3为本实施例提供的刀具磨损后刀具表面变形结构示意图；
图4为本申请提供的刀具磨损监测方法步骤S103另一实施例的方法流程图；
图5为本申请提供的刀具磨损监测方法步骤S104另一实施例的方法流程图；
图6为本申请提供的刀具磨损监测方法步骤S502另一实施例的方法流程图；
图7为本申请提供的刀具磨损监测方法步骤S105另一实施例的方法流程图；
图8为本申请提供的刀具磨损监测系统一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例，其中，附图构成本申请一部分，并与本申请的实施例一起用于阐释本申请的原理，并非用于限定本申请的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参照图1，本申请提供的一种刀具磨损监测方法，该方法包括下述步骤：
S101、构建目标刀具系统对应的初始刀具虚拟模型；
S102、通过目标刀具系统的切削加工试验获取试验数据；
S103、基于试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正初始刀具虚拟模型，得到目标刀具虚拟模型；
S104、基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
S105、获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
在本实施例中，目标刀具系统包括切削加工中的所有物理实体，主要包括机床、切削刀具、传感装置和进行物理切削加工的周围环境。基于目标刀具系统，在有限元仿真平台上构建初始刀具虚拟模型，该有限元仿真平台可以是Anasys软件或GeoStudio软件等。
本实施例通过构建目标刀具系统对应的初始刀具虚拟模型，从而形成物理系统和虚拟模型交互的数字孪生结构；通过目标刀具系统的切削加工试验获取试验数据，从而来修正初始刀具虚拟模型，得到目标刀具虚拟模型，以提高后续模型仿真的精确度；基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；在目标刀具系统进行实际加工时，获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，从而实时监测刀具磨损情况，提高刀具磨损监测的准确度和效率。
在一实施例中，步骤S101中构建刀具场景所对应的初始刀具虚拟模型，该初始刀具虚拟模型包括工件/刀具的几何特征、材料特征、加工环境参数、机床切削参数、切削行为模型以及磨损模型，因此初始刀具虚拟模型可以表示为：
Virtual_Model＝{Geometry_Model，Material_Model，Environment_Model，Behavior_Model}。
在本实施例中，工件/刀具的几何特征包括初始几何和加工中动态几何，具体表示为：
Geometry_Model＝{Init_Geom，Inproc_Geom}
其中，Init_Geom表示刀具/工件的初始几何，Rank_ang、Cle_ang、Tool_edge分别表示刀具Tool的前角、后角和边缘几何尺寸，Diameter、Length分别表示工件Workpiece的直径和长度。InProc Geom表示刀具/工件在加工中动态几何，Initial_tool表示刀具的初始几何，dw/dt表示磨损率，Δt是切削时间，Initial_workpiece表示工件的初始几何，feed、depth分别表示工件的进给率、切削深度。需要说明的是，加工中的几何形状反映了不断变化的几何形状。
在本实施例中，材料特征是对刀具和工件的材料特性的集成即材料数据，可以表示如下：
Material_Model＝{Ds，Ym，Pr，Ep，Tc，Sh，Cc，Dc}
其中，Ds、Ym、Pr、Ep、Tc、Sh、Cc、Dc分别为密度、杨氏模量、泊松比、膨胀、导热率、比热、本构常数和损伤常数，属于刀具和工件的静态特性。
在本实施例中，加工环境参数包括刀具加工时的空气湿度、室温和电源电压，因此，加工环境参数和机床切削参数可以通过环境模型表示：
Environment_Model＝{Process_parameters，Air_humidity，Room_temperature，power_voltage，…}
其中，Process_parameters、Air_humidity、Room_temperature、power_voltage分别表示切削参数、空气湿度、室温、电源电压。在本实施例中，切削参数包括切削速度、进给速率以及切削深度。
在本实施例中，切削行为模型描述切削加工的行为和机理，本质上是工件的变形和损伤过程，涉及到本构函数(本构模型)、损伤函数(损伤模型)和刀具状态函数(刀具状态模型)，可以表示如下：
Behavior_Model＝{Cm，Dm，F，T，V}
其中，Cm表示本构函数，用来阐明工件变形过程；Dm表示损伤函数，用来描述损伤的演化；F,T,V表示刀具状态函数中的切削力、温度和振动。
具体地，Cm＝constitutive(ma，te，gm)、Dm＝damage(ma，te，gm)其中，constitutive是本构函数，damage代表损伤(标准)函数，ma代表所有的材料特征数据，te是相对温度参数，gm表示刀具的几何形状数据以及加工中动态几何。
进一步地，刀具状态函数是描述刀具的切削力、温度和振动的函数，反映了利用本构函数和损伤函数的计算是目标刀具系统运行条件。刀具状态函数可以表示如下：
{Forc，Temp，Vibr}＝condition(mc，Cm，Dm)
s.t.
F≤FMachine_max
mc∈[mcmin，mcmax]
其中，condition代表函数，mc表示切削参数中的切削速度、进给速率和切削深度，s.t.表示约束条件，FMachine_max最大切削力；mcmin、mcmax分别表示对切削速度/进给速率/切削深度设置的最小值和最大值。通过约束条件保证了切削力在机床最大切削力范围内，切削参数在设计参数范围内。
由于切削加工中会发生不同的磨损机制，主要包括磨料磨损、粘着力磨损、扩散性磨损、疲劳磨损和化学物质磨损。磨损区的外观和尺寸相互不同。对于疲劳磨损和化学磨损，磨损区的特征尺寸难以获得。本实施例中磨损模型包括刀具的磨料磨损、粘着力磨损和扩散磨损三种磨损，具体表示如下：
TW＝Abra_Wear+Adhe_Wear+Diff_Wear
Abra_Wear＝∫Gvdt
其中，TW表示刀具的磨损总量；Abra_Wear、Adhe_Wear、Diff_Wear分别表示刀具的磨料磨损函数、粘着力磨损函数以及扩散磨损函数，G为常数，A、B为材料常数，R为理想气体常数，σ为正应力，v和vs分别是切削速度和相对滑动速度，E表示活化能。需要说明的是，通过本实施例的磨损模型可以计算出刀具的理论磨损量。
需要说明的是，在初始虚拟模型的构建过程中，还需考虑机床数据，因此将机床数据以及上述的几何特征、材料特征、加工环境参数、机床切削参数、切削行为模型以及磨损模型对应的数据全部可以分为四个类别：属性数据、命令数据、动态状态数据、磨损数据。属性数据描述了刀具和工件的自然属性。命令数据主要包括机床的运行信息和环境信息。动态状态数据由通过传感器动态在线获得的实时状态信号组成。磨损数据记录了刀具磨损的详细信息。刀具系统数字孪生数据的定义如表1所示。
表1
在一实施例中，步骤S102中通过目标刀具系统的切削加工试验获取试验数据，试验数据包括目标刀具系统的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，具体地，历史属性数据包括试验加工时对应的工件/刀具的几何数据、材料数据、机床数据；历史命令数据包括机床切削数据和加工环境数据；历史状态数据包括试验加工时对应刀具的切削力值、温度值以及振动幅值；历史磨损数据包括试验加工时对应刀具的历史实际磨损类别和历史实际磨损量。需要说明的是，试验数据是时间序列的数据。此外，刀具的历史实际磨损量可以通过显微镜测量出来。
在一实施例中，参照图2，步骤S103中即基于试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正初始刀具虚拟模型，包括下述步骤：
S201、将试验加工时对应刀具的几何数据与初始刀具虚拟模型中对应刀具的几何特征进行比较，并计算几何相对误差。
在本实施例中，通过有限元仿真平台开始初始刀具虚拟模型的仿真模拟，在本实施例中，一些数字孪生数据是离线数据，在切削加工中无法更改，不需要实时修改。其他一些动态数据反映了刀具的磨损状况信息，如刀具的几何数据和加工环境数据。
需要说明的是，工件/刀具的几何数据包括多种几何子参数，因此，将试验数据中几何数据的各个几何子参数与初始刀具虚拟模型对应映射的几何子参数进行比较，并计算每一对几何子参数的相对误差。
S202、将试验加工时对应的加工环境数据与初始刀具虚拟模型中对应映射的加工环境参数进行比较，计算环境相对误差。
需要说明的是，加工环境数据包括空气湿度、室温和电压三种环境子参数；因此将试验数据中加工环境参数的各个环境子参数与初始刀具虚拟模型对应映射的环境子参数进行比较，并计算每一对环境子参数的相对误差。
在本实施例中，步骤S201和步骤S202可以采用下式计算每一对几何子参数的相对误差、计算每一对环境子参数的相对误差：
其中，dip表示试验数据中第i个几何子参数/环境子参数；div分别表示初始刀具虚拟模型对应映射的第i个几何子参数/环境子参数。
S203、若几何相对误差和/或环境相对误差大于对应预设的几何/环境阈值，则对初始刀具虚拟模型中工件/刀具的几何特征和/或加工环境参数进行修正，直至迭代计算的几何相对误差和环境相对误差均满足对应的阈值条件，并将修正后的初始刀具虚拟模型作为第一刀具虚拟模型。
在一个具体的实施例中，如图3所示，刀具磨损后，原始刀具表面变形，原始表面上的节点也发生位移。如果刀具几何尺寸的相对误差达到预定义的阈值，则将更新刀具曲面的节点以修改初始刀具虚拟模型中的几何特征数据，直到相对误差足够小，节点的更新方案如图3所示。在一个具体的实施例中，针对加工环境，若任一一对环境子参数的相对误差达到预设的阈值，则调整初始刀具虚拟模型中对应的加工环境参数，以减少误差。
S204、将试验加工时对应的切削力值、温度值、振动幅值以及历史实际磨损量和第一刀具虚拟模型仿真输出的力仿真值、温度仿真值、振动仿真值以及磨损量仿真值进行对应比较，分别计算力相对误差、温度相对误差、幅值相对误差以及磨损相对误差。
在一具体的实施例中，采用下式计算力相对误差/温度相对误差/幅值相对误差/磨损相对误差：
其中，rip表示试验数据中第i个动态状态参数或磨损参数，比如r1p、r2p、r3p、r4p分别可以为试验加工时对应的切削力值、温度值、振动幅值以及历史实际磨损量；riv表示第一刀具虚拟模型仿真输出的动态仿真参数或磨损仿真参数，比如r1v、r2v、r3v、r4v分别可以表示第一刀具虚拟模型仿真输出的力仿真值、温度仿真值、振动仿真值以及磨损仿真值。
S205、若计算力相对误差、温度相对误差、幅值相对误差和/或大于对应预设的力差/温度差/幅值差/磨损差阈值，则对第一刀具虚拟模型的仿真过程参数进行调整，以使力相对误差、温度相对误差和/或幅值相对误差满足对应的阈值条件，将调整后的第一刀具虚拟模型作为第二刀具虚拟模型。
需要说明的是，若计算力相对误差、温度相对误差、幅值相对误差和/或超出了对应预设的力差/温度差/幅值差/磨损差阈值，则说明目标刀具系统和刀具虚拟模型不一致，则按照现有方法在仿真平台上调整第一刀具虚拟模型的结构或修改仿真加工的步骤、网格和交互参数，然后再次进行仿真。
在一实施例中，参照图4，步骤S103即基于试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正初始刀具虚拟模型，还包括：
S401、将试验数据中时间序列的历史属性数据、历史命令数据分别与第二刀具虚拟模型中对应映射的属性仿真数据和命令仿真数据进行一一匹配；
S402、将试验数据中时间序列的历史状态数据、历史磨损数据分别与第二刀具虚拟模型中对应映射的状态仿真数据和磨损仿真数据进行比较，计算每一对映射参数的相对误差，以得到误差均值和平方差；
S403、若误差均值和/或平方差大于对应预设的均值阈值/方差阈值，则将第二刀具虚拟模型中不满足对应阈值条件的状态仿真数据和磨损仿真数据清理，并第二刀具虚拟模型中对应的属性仿真数据和命令仿真数据进行修改，直至迭代匹配计算后误差均值和/或平方差小于或等于对应预设的均值阈值/方差阈值，以得到目标刀具虚拟模型。
在本实施例中，随着初始刀具虚拟模型的迭代修改，需要进行大量多源异构数据的融合。比如，通过切削加工试验，来自目标刀具系统的历史属性数据和历史命令数据与修改后第二刀具虚拟模型对应的映射数据在t时刻相匹配。进一步地，将试验数据中时间序列的历史状态数据、历史磨损数据分别与第二刀具虚拟模型中对应映射的状态仿真数据和磨损仿真数据进行比较，计算每一对映射参数的相对误差，具体用下式表示：
其中，PD＝{PDi|1≤i≤n}表示目标刀具系统的历史状态数据、历史磨损数据，其中PDi是第i个参数，n是参数的个数。同样地，让VD＝{VDi|1≤i≤n}表示第二刀具虚拟模型对应映射的状态仿真数据和磨损仿真数据，其中VDi是在第二刀具虚拟模型中PDi相应的仿真值。PDi和VDi之间每一对映射参数的相对误差可以计算为：
进一步地，综合每一对映射参数的相对误差。通过计算其中的相对误差的均值和平方差，来验证数字孪生数据的有效性，具体计算公式如下：
需要说明的是，如果均值和平方差超过对应的预设阈值，则将清理第二刀具虚拟模组中的相应仿真数据，并在时间t+1时通过上述修改流程对第二刀具虚拟模型进行修改，如图5所示。相对的，在满足阈值条件时的合理均值误差和平方差表明当前第二刀具虚拟模型输出的状态仿真数据和磨损仿真数据是有效的，从而得到目标刀具虚拟模型；进一步地，在确定目标刀具虚拟模型后，将来自目标刀具系统和目标刀具虚拟模型之间的孪生数据存储在数字孪生数据集中，为以后的加工执行提供加工信息的参考。在下一次t+2时，将进行相同的加工。这样，就可以在整个切削加工中实现数据融合。
在一实施例中，参照图5，在步骤S104中历史磨损数据包括历史磨损实际类别和历史实际磨损量；理论磨损结果包括磨损仿真类别和磨损量仿真结果；初始刀具虚拟模型包括初始磨损分类模型和初始磨损量预测模型；则基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型，包括：
S501、获取与试验数据中历史状态数据对应映射的历史状态信号，历史状态信号包括切削力信号、温度信号以及振动信号。
需要说明的是，目标刀具系统处于复杂的外部环境中，从传感装置中提取的历史状态信号不可避免地存在噪声干扰。
S502、将历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据。
在本实施例中，减少噪声信号的干扰，需要对历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理，然后再分别进行特征提取，得到关键特征数据。需要说明的是，不同的切削加工场景，由于切削加工的设置参数或条件不同，则特征提取之后的关键特征数据一般不同。
S503、将关键特征数据作为初始磨损分类模型的输入数据，获取输出的分类结果并分别与历史磨损实际类别和/或磨损仿真类别进行比较，以优化初始磨损分类模型的网络参数，并通过迭代训练，直至获取输出的分类结果与历史磨损实际类别和/或磨损仿真类别满足一致性，得到训练完备的目标磨损分类模型；其中初始磨损分类模型采用KNN模型。
S504、将关键特征数据作为初始磨损量预测模型的输入数据，获取输出的磨损量预测结果，并分别与历史实际磨损量和/或磨损量仿真结果进行比较，以优化初始磨损量预测模型的网络参数，并通过迭代训练，直至获取输出的磨损量预测结果与历史实际磨损量和/或磨损量仿真结果之间的误差小于对应的预设阈值，得到训练完备的目标磨损量预测模型；其中初始磨损量预测模型采用SVM模型。
本实施例中，在切削加工中会出现不同的磨损类型，其外观和关键尺寸彼此不同。本实施例开发了基于KNN模型的分类算法，利用所选的关键特征对刀具磨损进行分类。在一个具体的实施例中，KNN模型输出的结果是1、2或3；每种数字代表一种磨损类别。
同时，通过SVM模型预测刀具磨损值，选择RBF核，通过PSO(粒子群算法)对超参数进行优化，训练SVM模型。将预测结果与目标刀具系统的历史实际磨损情况和目标刀具虚拟模型输出的磨损仿真情况进行比较，验证刀具磨损的分类和预测。通过高精度的计算后，结果反馈给目标刀具系统和目标刀具虚拟模型，可以避免或减缓刀具磨损。
在一实施例中，参照图6，步骤S502即将历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据，包括：
S601、将历史状态信号中的切削力信号、温度信号以及振动信号分别进行小波去噪；
S602、根据小波去噪处理后对应的切削力信号、温度信号以及振动信号，计算信号特征，信号特征包括均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值；
S603、基于边界fisher分析法从均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值中，确定出当前的关键特征数据。
在本实施例中，为减少噪声信号的干扰，采用小波去噪法对历史状态信号进行处理，能够起到显著作用；本实施例还可以对降噪后的历史状态信号进行数据预处理，将提取的历史状态信号转换为无量纲量，以提高监测精度。
由于历史状态信号的原始信号包含大量的信息，难以直接管理。因此，应该进行特征识别来识别历史状态信号在时间、频率和时频域内的特征。信号特征可以通过表2中的方程式直接计算出来。过多特征之间的冗余可能会在诊断和预测上浪费时间，降低模型的效率。若没有足够的信号特征，则一些重要信息会丢失。通过边界fisher分析法即MFA模型，在计算出来的所有信号特征中选择对目标刀具系统的健康状况有足够影响的特征。可选的，本实施例中将计算出来的所有信号特征分为训练集和测试集。利用训练集，建立边界fisher函数，并获得低维空间的映射方向即MFA模型网络结构，然后再利用测试集验证MFA模型的有效性，并进行反复修正，以得到训练完备的MFA模型。
表2
在表2中，Ti表示第i个信号特征；x(n)表示第n个切削力信号/温度信号/振动信号；M表示切削力信号/温度信号/振动信号的数量；Cmj表示小波去噪时第j层的第m段的小波包系数。需要说明的是，针对切削力信号、温度信号和振动信号，均可以通过表2的计算公式得到对应的信号特征。
在一实施例中，参照图7，步骤S105即获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，包括：
S701、基于目标加工场景的当前属性数据、当前命令数据，通过目标刀具虚拟模型仿真模拟确定当前刀具的磨损仿真类别和磨损量仿真结果；
S702、基于目标加工场景的当前状态数据，并结合目标刀具磨损监测模型，确定当前刀具的磨损预测类别和磨损量预测结果；
S703、将当前刀具的磨损仿真类别和磨损预测类别进行比较，若一致，则计算当前刀具的磨损量仿真结果和磨损量预测结果之间的磨损量误差；
S704、若磨损量误差小于对应的预设误差阈值，则将当前刀具的磨损仿真类别和磨损量仿真结果确定为当前刀具的实时磨损类别和实时磨损量，或将当前刀具的磨损预测类别和磨损量预测结果确定为当前刀具的实时磨损类别和实时磨损量。
需要说明的是，目标加工场景是指目标刀具系统的实际切削作业时，通过目标刀具磨损监测模型和目标刀具虚拟模型共同对目标加工场景进行监测，将当前刀具的磨损仿真类别和磨损预测类别进行比较，若一致，则计算当前刀具的磨损量仿真结果和磨损量预测结果之间的磨损量误差，若磨损量误差大于或等于对应的预设误差阈值，说明目标刀具磨损监测模型的磨损量预测结果偏离磨损量仿真结果，则对目标刀具磨损监测模型进行修正；若磨损量误差小于对应的预设误差阈值，说明目标刀具磨损监测模型的磨损量预测结果未偏离磨损量仿真结果。
可选的，本实施例的刀具磨损监测方法还包括：若当前刀具的实时磨损类别处于预设的严重磨损阶段，且实时磨损量大于预设的严重磨损量，则确定更换当前刀具。
本实施例还可以将刀具磨损监测结果进行终端显示，供刀具用户实时检查刀具状态，并做出实时决策。数字孪生驱动多视图同步刀具磨损实时监控界面以一个用户显示器呈现，界面上显示实时刀具磨损状态数据和切削过程数据。对于刀具故障，将提供维护警告，允许用户或制造商进行相应的维护，如刀具更换、刀具磨削等策略。
本实施例通过构建目标刀具系统对应的初始刀具虚拟模型，从而形成物理系统和虚拟模型交互的数字孪生结构；通过目标刀具系统的切削加工试验获取试验数据，从而来修正初始刀具虚拟模型，得到目标刀具虚拟模型，以提高后续模型仿真的精确度；基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；在目标刀具系统进行实际加工时，获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，从而实时监测刀具磨损情况，提高刀具磨损监测的准确度和效率，有助于及时更换刀具，提高加工品质。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种刀具磨损监测系统，该刀具磨损监测系统与上述实施例中刀具磨损监测方法一一对应。如图8所示，该刀具磨损监测系统包括构建虚拟模型模块801、获取试验数据模块802、修正虚拟模型模块803、构建监测模型模块804和磨损监测模块805。各功能模块详细说明如下：
构建虚拟模型模块801，用于构建目标刀具系统对应的初始刀具虚拟模型；
获取试验数据模块802，用于通过目标刀具系统的切削加工试验获取试验数据；
修正虚拟模型模块803，用于基于试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正初始刀具虚拟模型，得到目标刀具虚拟模型；
构建监测模型模块804，用于基于试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
磨损监测模块805，用于获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
关于刀具磨损监测系统各个模块的具体限定可以参见上文中对于刀具磨损监测方法的限定，在此不再赘述。上述刀具磨损监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种刀具磨损监测方法，其特征在于，所述方法包括：
构建目标刀具系统对应的初始刀具虚拟模型；
通过目标刀具系统的切削加工试验获取试验数据；
基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，得到目标刀具虚拟模型；
基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
2.根据权利要求1所述的刀具磨损监测方法，其特征在于，所述初始刀具虚拟模型包括工件/刀具的几何特征、材料特征、加工环境参数、机床切削参数、切削行为模型以及磨损模型。
3.根据权利要求1所述的刀具磨损监测方法，其特征在于，
所述当前/历史属性数据包括当前加工时/试验加工时对应的工件/刀具的几何数据、材料数据、机床数据；
所述当前/历史命令数据包括当前加工时/试验加工时对应的机床切削数据、加工环境数据；
所述历史状态数据包括试验加工时对应刀具的切削力值、温度值以及振动幅值；
所述历史磨损数据包括试验加工时对应刀具的历史实际磨损类别和历史实际磨损量；
所述当前状态数据包括当前刀具加工时的切削力信号、温度信号以及振动信号。
4.根据权利要求3所述的刀具磨损监测方法，其特征在于，基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，包括：
将试验加工时对应刀具的几何数据与所述初始刀具虚拟模型中对应刀具的几何特征进行比较，并计算几何相对误差；
将试验加工时对应的加工环境数据与所述初始刀具虚拟模型中对应映射的加工环境参数进行比较，计算环境相对误差；
若几何相对误差和/或环境相对误差大于对应预设的几何/环境阈值，则对所述初始刀具虚拟模型中工件/刀具的几何特征和/或加工环境参数进行修正，直至迭代计算的几何相对误差和环境相对误差均满足对应的阈值条件，并将修正后的初始刀具虚拟模型作为第一刀具虚拟模型；
将试验加工时对应的切削力值、温度值、振动幅值以及历史实际磨损量和第一刀具虚拟模型仿真输出的力仿真值、温度仿真值、振动仿真值以及磨损量仿真值进行对应比较，分别计算力相对误差、温度相对误差、幅值相对误差以及磨损误差；
若计算力相对误差、温度相对误差、幅值相对误差和/或大于对应预设的力差/温度差/幅值差/磨损差阈值，则对所述第一刀具虚拟模型的仿真过程参数进行调整，以使力相对误差、温度相对误差和/或幅值相对误差满足对应的阈值条件，将调整后的第一刀具虚拟模型作为第二刀具虚拟模型。
5.根据权利要求4所述的刀具磨损监测方法，其特征在于，基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，还包括：
将所述试验数据中时间序列的历史属性数据、历史命令数据分别与所述第二刀具虚拟模型中对应映射的属性仿真数据和命令仿真数据进行一一匹配；
将所述试验数据中时间序列的历史状态数据、历史磨损数据分别与所述第二刀具虚拟模型中对应映射的状态仿真数据和磨损仿真数据进行比较，计算每一对映射参数的相对误差，以得到误差均值和平方差；
若所述误差均值和/或平方差大于对应预设的均值阈值/方差阈值，则将第二刀具虚拟模型中不满足对应阈值条件的状态仿真数据和磨损仿真数据清理，并第二刀具虚拟模型中对应的属性仿真数据和命令仿真数据进行修改，直至迭代匹配计算后误差均值和/或平方差小于或等于对应预设的均值阈值/方差阈值，以得到目标刀具虚拟模型。
6.根据权利要求1所述的刀具磨损监测方法，其特征在于，所述历史磨损数据包括历史磨损实际类别和历史实际磨损量；所述理论磨损结果包括磨损仿真类别和磨损量仿真结果；所述初始刀具虚拟模型包括初始磨损分类模型和初始磨损量预测模型；则基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型，包括：
获取与所述试验数据中历史状态数据对应映射的历史状态信号，所述历史状态信号包括切削力信号、温度信号以及振动信号；
将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据；
将所述关键特征数据作为初始磨损分类模型的输入数据，获取输出的分类结果并分别与所述历史磨损实际类别和/或所述磨损仿真类别进行比较，以优化所述初始磨损分类模型的网络参数，并通过迭代训练，直至获取输出的分类结果与所述历史磨损实际类别和/或所述磨损仿真类别满足一致性，得到训练完备的目标磨损分类模型；
将所述关键特征数据作为所述初始磨损量预测模型的输入数据，获取输出的磨损量预测结果，并分别与所述历史实际磨损量和/或所述磨损量仿真结果进行比较，以优化所述初始磨损量预测模型的网络参数，并通过迭代训练，直至获取输出的磨损量预测结果与所述历史实际磨损量和/或所述磨损量仿真结果之间的误差小于对应的预设阈值，得到训练完备的目标磨损量预测模型；
其中所述初始磨损分类模型采用KNN模型，所述初始磨损量预测模型采用SVM模型。
7.根据权利要求6所述的刀具磨损监测方法，其特征在于，将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行去噪处理和特征提取，得到关键特征数据，包括：
将所述历史状态信号中的切削力信号、温度信号以及振动信号分别进行小波去噪；
根据小波去噪处理后对应的切削力信号、温度信号以及振动信号，计算信号特征，所述信号特征包括均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值；
基于边界fisher分析法从所述均值、标准差、均方根、偏度指数、功率谱密度以及小波包功率值中，确定出当前的关键特征数据。
8.根据权利要求1所述的刀具磨损监测方法，其特征在于，所述获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况，包括：
基于所述目标加工场景的当前属性数据、当前命令数据，通过目标刀具虚拟模型仿真模拟确定当前刀具的磨损仿真类别和磨损量仿真结果；
基于所述目标加工场景的当前状态数据，并结合所述目标刀具磨损监测模型，确定当前刀具的磨损预测类别和磨损量预测结果；
将所述当前刀具的磨损仿真类别和磨损预测类别进行比较，若一致，则计算当前刀具的磨损量仿真结果和磨损量预测结果之间的磨损量误差；
若磨损量误差小于对应的预设误差阈值，则将当前刀具的磨损仿真类别和磨损量仿真结果确定为当前刀具的实时磨损类别和实时磨损量，或将当前刀具的磨损预测类别和磨损量预测结果确定为当前刀具的实时磨损类别和实时磨损量。
9.根据权利要求8所述的刀具磨损监测方法，其特征在于，所述方法还包括：
若当前刀具的实时磨损类别处于预设的严重磨损阶段，且实时磨损量大于预设的严重磨损量，则确定更换当前刀具。
10.一种刀具磨损监测系统，其特征在于，所述系统包括：
构建虚拟模型模块，用于构建目标刀具系统对应的初始刀具虚拟模型；
获取试验数据模块，用于通过目标刀具系统的切削加工试验获取试验数据；
修正虚拟模型模块，用于基于所述试验数据中的历史属性数据、历史命令数据、历史状态数据以及历史磨损数据，修正所述初始刀具虚拟模型，得到目标刀具虚拟模型；
构建监测模型模块，用于基于所述试验数据中的历史状态数据以及历史磨损数据，训练预设的初始刀具磨损监测模型，并结合所述目标刀具虚拟模型输出的理论磨损结果，迭代训练得到目标刀具磨损监测模型；
磨损监测模块，用于获取目标加工场景的当前属性数据、当前命令数据以及当前状态数据，并基于所述目标刀具虚拟模型和目标刀具磨损监测模型，输出当前刀具的磨损仿真结果和磨损预测结果并进行比较，根据比较结果，确定当前刀具的实际磨损情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111364176.1A CN113997122B (zh) | 2021-11-17 | 2021-11-17 | 一种刀具磨损监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111364176.1A CN113997122B (zh) | 2021-11-17 | 2021-11-17 | 一种刀具磨损监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113997122A true CN113997122A (zh) | 2022-02-01 |
| CN113997122B CN113997122B (zh) | 2024-03-26 |
Family
ID=79929422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111364176.1A Active CN113997122B (zh) | 2021-11-17 | 2021-11-17 | 一种刀具磨损监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113997122B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244976A (zh) * | 2023-05-12 | 2023-06-09 | 北京世冠金洋科技发展有限公司 | 一种实现模型磨损效果的仿真方法及装置 |
| CN116922159A (zh) * | 2023-09-19 | 2023-10-24 | 上海航天壹亘智能科技有限公司 | 智能刀柄的加工方法及系统 |
| CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0981920A (ja) * | 1995-09-13 | 1997-03-28 | Sony Corp | 非接触式磁気ヘッド摩耗量計測装置 |
| CN102103646A (zh) * | 2010-12-14 | 2011-06-22 | 武汉理工大学 | 基于有限元技术和人工神经网络的精冲模具磨损预测方法 |
| CN104573237A (zh) * | 2015-01-08 | 2015-04-29 | 湖南大学 | 一种基于摩擦磨损cae分析的模具优化方法 |
| CN106407526A (zh) * | 2016-09-05 | 2017-02-15 | 大连理工大学 | 一种微铣削过程刀具后刀面磨损预测方法 |
| JP2018086712A (ja) * | 2016-11-30 | 2018-06-07 | 株式会社日立製作所 | 工具摩耗予測装置およびその方法 |
| CN108595887A (zh) * | 2018-05-10 | 2018-09-28 | 南京航空航天大学 | 一种聚晶cbn磨粒磨损演变的仿真计算与预测方法 |
| CN110263476A (zh) * | 2019-06-28 | 2019-09-20 | 哈尔滨理工大学 | 一种基于有限元动态刻划仿真的金刚石磨粒磨损预测方法 |
| TWI695286B (zh) * | 2019-05-24 | 2020-06-01 | 國立虎尾科技大學 | 切削動態模擬方法 |
| CN113095577A (zh) * | 2021-04-13 | 2021-07-09 | 苏州科技大学 | 成形砂轮磨损预测方法 |
| CN113334144A (zh) * | 2021-05-20 | 2021-09-03 | 武汉理工大学 | 一种铣削刀具磨损状态检测系统及方法 |
| CN113408195A (zh) * | 2021-06-11 | 2021-09-17 | 北京理工大学 | 一种过程中刀具磨损状态预测方法 |
-
2021
- 2021-11-17 CN CN202111364176.1A patent/CN113997122B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0981920A (ja) * | 1995-09-13 | 1997-03-28 | Sony Corp | 非接触式磁気ヘッド摩耗量計測装置 |
| CN102103646A (zh) * | 2010-12-14 | 2011-06-22 | 武汉理工大学 | 基于有限元技术和人工神经网络的精冲模具磨损预测方法 |
| CN104573237A (zh) * | 2015-01-08 | 2015-04-29 | 湖南大学 | 一种基于摩擦磨损cae分析的模具优化方法 |
| CN106407526A (zh) * | 2016-09-05 | 2017-02-15 | 大连理工大学 | 一种微铣削过程刀具后刀面磨损预测方法 |
| JP2018086712A (ja) * | 2016-11-30 | 2018-06-07 | 株式会社日立製作所 | 工具摩耗予測装置およびその方法 |
| CN108595887A (zh) * | 2018-05-10 | 2018-09-28 | 南京航空航天大学 | 一种聚晶cbn磨粒磨损演变的仿真计算与预测方法 |
| TWI695286B (zh) * | 2019-05-24 | 2020-06-01 | 國立虎尾科技大學 | 切削動態模擬方法 |
| CN110263476A (zh) * | 2019-06-28 | 2019-09-20 | 哈尔滨理工大学 | 一种基于有限元动态刻划仿真的金刚石磨粒磨损预测方法 |
| CN113095577A (zh) * | 2021-04-13 | 2021-07-09 | 苏州科技大学 | 成形砂轮磨损预测方法 |
| CN113334144A (zh) * | 2021-05-20 | 2021-09-03 | 武汉理工大学 | 一种铣削刀具磨损状态检测系统及方法 |
| CN113408195A (zh) * | 2021-06-11 | 2021-09-17 | 北京理工大学 | 一种过程中刀具磨损状态预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244976A (zh) * | 2023-05-12 | 2023-06-09 | 北京世冠金洋科技发展有限公司 | 一种实现模型磨损效果的仿真方法及装置 |
| CN116922159A (zh) * | 2023-09-19 | 2023-10-24 | 上海航天壹亘智能科技有限公司 | 智能刀柄的加工方法及系统 |
| CN116922159B (zh) * | 2023-09-19 | 2023-12-01 | 上海航天壹亘智能科技有限公司 | 智能刀柄的加工方法及系统 |
| CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
| CN117086698B (zh) * | 2023-10-19 | 2024-02-06 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113997122B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113997122A (zh) | 一种刀具磨损监测方法及系统 | |
| CN110153802B (zh) | 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 | |
| Zainal et al. | Glowworm swarm optimization (GSO) for optimization of machining parameters | |
| Shi et al. | Tool wear prediction via multidimensional stacked sparse autoencoders with feature fusion | |
| CN109636026B (zh) | 一种基于深度学习模型的晶圆良率预测方法 | |
| Zhang et al. | A statistical method for build orientation determination in additive manufacturing | |
| US7933679B1 (en) | Method for analyzing and optimizing a machining process | |
| CN110609531A (zh) | 一种基于数字孪生的车间调度方法 | |
| CN110647943A (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| KR102373655B1 (ko) | 공작기계의 고장 진단 장치 및 진단 방법 | |
| Chang et al. | Investigated iterative convergences of neural network for prediction turning tool wear | |
| CN111558849B (zh) | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 | |
| CN113408195B (zh) | 一种过程中刀具磨损状态预测方法 | |
| CN115039040A (zh) | 制造过程的系统、方法和介质 | |
| Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
| CN115989463A (zh) | 用于机床的瞬时性能管理的系统和方法 | |
| Chakraborti et al. | Digital twin: multi-dimensional model reduction method for performance optimization of the virtual entity | |
| Babu et al. | Multi-sensor heterogeneous data-based online tool health monitoring in milling of IN718 superalloy using OGM (1, N) model and SVM | |
| CN116520770A (zh) | 五轴联动数控机床伺服动态特性匹配特征值评价方法 | |
| Brecher et al. | Evaluation of toolpath quality: User-assisted CAM for complex milling processes | |
| Fan et al. | Model and optimize the magnetic composite fluid (MCF) polishing process with machine learning modeling and intelligent optimization algorithm | |
| Yang et al. | Fuzzy-nets-based in-process surface roughness adaptive control system in end-milling operations | |
| Kakati et al. | Prediction of optimum cutting parameters to obtain desired surface in finish pass end milling of aluminium alloy with carbide tool using artificial neural network | |
| CN113158559A (zh) | 一种精密复杂刀具高效智能设计方法 | |
| Zhang et al. | A dual compensation strategy based on multi-model support vector regression for tool wear monitoring |
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 |