CN114102260B - 机理-数据融合驱动的变工况刀具磨损状态监测方法 - Google Patents

Abstract

本发明公开了机理‑数据融合驱动的变工况刀具磨损状态监测方法，属于机床状态监控领域。利用主轴加速度信号、主轴电机电流信号来重构切削力替代测力仪获取切削力，利用重构铣削力代替理论铣削力，将重构铣削力与工况信息作为模型输入到瞬时铣削力机理模型中，通过刀具名称、切削参数等低维数据将高维传感器数据进行裁剪、分割，实现变工况条件下刀具磨损状态的监测与剩余使用寿命预测，解决了现有刀具磨损状态监测系统只能适用于固定切削工况的问题。本发明充分发挥机理模型与数据驱动方法的优势监测铣刀的磨损退化状态，提出的刀具磨损状态监测能适应不同加工工况的要求，具有较强的工程应用价值。

Description

机理-数据融合驱动的变工况刀具磨损状态监测方法

技术领域

本发明属于数控切削加工领域，涉及一种机理-数据融合驱动的变工况刀具磨损状态监测方法。

背景技术

目前，数控机床切削加工过程中，刀具磨损失效状态判断及刀具更换主要依赖工人的经验，这种换刀策略阻碍了无人生产线的发展。刀具磨损退化过程中，更换不及时则会导致零件尺寸超差，甚至零件废品，成本增加；频繁更换刀具会导致停机时间过长而影响生产效率，刀具寿命不能充分利用，增加生产成本。随着无人值守智能生产线的不断发展，基于状态监测刀具自动更换策略成为迫切的现实需求。刀具磨损状态智能监测，实际上是将多传感器高维信号特征提取与降维后的低维数据与刀具磨损值之间建立一种非线性的数学映射模型，进而将新的特征数据输入该人工智能模型，输出刀具磨损值及剩余使用寿命，实现刀具磨损状态的在线感知。刀具磨损后，后刀面的切削刃由原来的线接触变成面接触导致摩擦力增大。尽管铣削物理信号中包含大量刀具磨损信息，但同样也包含与刀具磨损无关的大量干扰信息。在实际加工过程中，切削参数、刀具参数、刀具材料等工况因素复杂多变，工况信息和刀具磨损对监测信号的耦合作用为刀具磨损的精确预测带来了很大干扰，很难从中提取有效反映刀具磨损的信息。

现有技术中，基于机理模型方法主要是依据失效机理构建描述刀具退化过程的数学模型，刀具磨损机理模型主要是结合铣削力、铣削参数等建立经验公式。虽然机理模型解释性比较强，但机理模型通常存在普适性差，切削条件过于理想化，无法应用于复杂工况，且对应模型参数的标定较为困难。数据驱动的方法直接通过传感器信息与磨损值借助人工智能方法训练相互映射模型，可操作强，诊断准确率比较高。但该方法强依赖于人工智能模型，可解释性差，泛化能力不足。机理模型与加工数据融合驱动方法可实现刀具磨损状态监测与剩余寿命的精确预测，既包含了机理模型的可解释性，同时还兼顾了数据模型预测准确的优点。

铣削力系数是通过辨识得到用于修正铣削力，其大小取决于铣削条件及材料特性，具有明确的物理意义。根据铣削力系数中刃口力系数对铣削参数不敏感特性，Nouri等学者提出通过在线辨识铣削力系数方法来跟踪刀具磨损状态变化。该方法在刀具破损及严重磨损方面监测效果显著。机床稳定加工零件特征时，工件材料、刀具尺寸、材料基本不会变，而且冷却条件也基本不发生变化。因此，可提取与刀具磨损强相关、与工况弱相关的铣削力系数，在加工过程中跟踪该系数，可实现不同铣削参数和不同工件材料下的刀具磨损阶段识别。然而，铣削力系数的准确获取依赖于测力仪采集铣削力信号，不仅昂贵而且存在干扰加工的问题，难以应用于实际加工。

直接通过机床数控系统获取的主轴扭矩等信号，由于信号采样频率较低，难以满足要求。通过在机床主轴额外加装传感器，可采集满足要求的高频信号，获取方式灵活，但需要考虑布线等问题。通过安装于机床主轴箱端部的加速度传感器或主轴电机电流传感器重构铣削力，可实现刀具磨损状态监测、颤振监测等。通过电流传感器采集主轴电流信号，对机床加工区域不会造成影响。利用电流环或电流钳在机床主轴电机变频器输出侧采集三相电流信号。电流信号实质上可归入对铣削力的监测范畴，刀具磨损后，铣削力增大，造成铣削功率和扭矩增加，使得机床电机电流增大，负载功率也随之增大。相当于把铣削力的监测部位从铣削区域转移到主轴电机端。这种信号采集方式方便，无需改动机床结构，同时不干扰机床正常铣削加工。通过非测力仪重构铣削力来实现刀具状态在线监测具有一定的可行性。

刀具磨损退化过程复杂，同时受切削参数和刀具磨损状态的耦合影响。现有商业软件如ARTIS刀具监控系统、ToolScope加工过程监控系统等只能用于批量加工，难以满足航空结构件多品种、小批量、个性化定制生产需求。

面对变铣削工况条件下刀具磨损状态在线监测的问题，国内发明专利CN111660141A公开了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。基于刀具磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果，利用傅里叶级数拟合将主轴驱动电流波形分解为反映电流有效值准静态变化的谐波成分和反映铣刀刃口和后刀面磨损状态以及振动异常的电流杂波信号，然后将电流杂波信号进行铣刀磨损状态监测。该方法具有一定的局限性，难以准确分离出电流杂波信号。

国内发明专利CN110900307A公开了一种数字孪生驱动的数控机床刀具监控系统，包括：刀具数字孪生模型构建模块，针对数据机床刀具进行虚拟模型构建；刀具应力仿真模块，能够对刀具切削过程中，刀具内部所受应力进行仿真；刀具实时状态数据采集和分析模块，能够通过配置数据源实时采集环境数据、加工数据，并对历史数据进行多个维度分析；数据预处理模块，主要针对采集数据，进行数据清洗、去重、降维，时域特征提取，频域特征提取。剩余寿命预测模块，基于信息物理的融合数据，对刀具的磨损状态进行预测、预警。该方法基于数字孪生实现刀具磨损状态监测，建立了刀具磨损退化的行为模型。但能否适用于变切削工况需要进一步验证。

综上所述，现有技术中变铣削工况条件下刀具磨损状态在线监测方法存在如下问题：零件加工过程中因刀具更换导致数据难以区分；测力仪安装困难、监测精度不高、有局限性且成本较高。亟需发展新的刀具磨损状态监测方法以解决这些问题。

发明内容

本发明的目的在于克服上述现有技术中的缺点，提供一种机理模型与加工数据融合的刀具磨损状态监测方法和系统。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种机理模型与加工数据融合的刀具磨损状态监测方法，包括如下步骤：

步骤1)同步采集主轴振动信号、电流信号和NC指令数据，NC指令数据包括刀具名称和铣削参数；

步骤2)以刀具名称、铣削参数作为标签，分别为刀具不同铣削时刻的主轴振动信号和电流信号贴上刀具名称标签；

步骤3)获取主轴加速度和主轴电机电流信号，基于主轴加速度和主轴电机电流信号重构铣削力，进一步计算得到铣削力系数；

步骤4)基于铣削力系数，通过深度学习建立回归模型，基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测；

步骤5)通过生产现场获取不同加工模式下刀具失效的磨损阈值，建立刀具磨损阈值数据库；

步骤6)当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息。

优选地，NC指令数据还包括主轴转速、进给速度、X/Y/Z轴坐标和刀具齿数。

优选地，通过开放数控系统，结合OPC UA协议提取对应变量即可得到如切削参数、刀具名称、主轴功率等数据；

优选地，铣削力重构包括振动信号重构铣削力和电机电流信号重构铣削力；

基于主轴加速度的振动信号重构铣削力，具体操作为：

数控机床铣削加工过程的动力学方程为：

通过频域变换，得到：

(-ω²M+jωC+K)·X(ω)＝F(ω) (2)

通过变换后，铣削力为：

F(ω)＝H^-1(ω)·X(ω) (3)

其中，X(t)＝[x(t)，y(t)]表示刀尖点位移向量，F(t)＝[F_x(t)，F_y(t)]表示铣削力向量，系数M，C，K分别为模态质量、模态阻尼与模态刚度矩阵；机床频响函数矩阵(-ω²M+jωC+K)，用H(ω)表示，通过机床锤击实验测量得到；X(ω)为频域加速度时，H(ω)为加速度频响函数矩阵，F(ω)为刀尖所受频域铣削力；

主轴电机电流信号重构铣削力的具体操作为：

作用在刀具上的切向铣削力与主轴电机电流的关系通过下式计算得到：

当主轴稳定旋转时，角加速度为零，变换后得到切向铣削力与主轴电机电流之间的关系：

K_t·I_rms＝T_f+F_t·R (5)

ΔI＝F_t·R/K_t (6)

F_t＝[K_t·(I_rms-I_rms0)]/R＝K_t·ΔI/R (7)

F_t(φ)＝[K_tch(φ)+K_te]a_p (8)

F_t(φ)＝[K_tc·f_t·sin(φ)+K_te]a_p

其中，I_rms表示主轴电机电流有效值，

三相电流通过电流传感器测量获得；K_t表示通过实验标定获得的电机扭矩常数，；I_rms0为某转速下主轴空转电流；ΔI为主轴电流增量；T_m表示主轴电机扭矩输出值，J表示是主轴传动系统转动惯量，ω表示主轴电机角速度，T_f表示电机轴克服的摩擦扭矩为常数，F_t表示平均切向铣削力，R表示铣刀半径；h(φ)＝f_t·sin(φ)；f_t为刀具每齿进给量；K_tc为切向切削力系数；K_te为切向刃口力系数；a_p为切削深度；φ为刀具转角。

优选地，步骤4)中，刀具磨损状态辨识具体为：基于重构铣削力等于理论平均铣削力来辨识铣削力系数；

根据瞬时刚性力模型基本公式，作用在刀齿j上厚度为dz的第l个铣削刃微元上的切向、径向和轴向铣削力微元表示为：

dF_t＝K_tc·h·dz+K_te·ds

dF_r＝K_rc·h·dz+K_re·ds (9)

dF_a＝K_ac·h·dz+K_ae·ds

其中，h(φ)＝f_t·sin(φ)；ds，dz，h分别为铣削刃长度微元、轴向切深微元、铣削厚度；K_tc，K_rc，K_ac分别为切向、径向、轴向的切削力系数；K_te，K_re，k_ae分别为切向、径向、轴向的刃口力系数。

优选地，步骤4)中，基于回归模型进行剩余使用寿命预测，具体为：引入机器学习方法，建立刀具磨损值与信号特征之间的规则，通过历史数据训练信号特征与磨损值之间映射关系，给定特征值即可得到磨损值序列；

根据磨损值序列，基于LSTM网络，预测未来磨损值的变化，未来磨损值与失效阈值之间的距离程度转化为剩余寿命百分比。

优选地，步骤5)中，刀具磨损阈值的具体获取过程为：

设定状态监测阈值量为刀具后刀面磨损值，

刀具后刀面磨损值的获取通过显微镜测量日常失效的刀具后刀面磨损值，通过数据统计得到不同加工模式下的刀具磨损阈值；

加工模式包括粗加工、半精加工和精加工。

优选地，步骤4)中，深度学习为CNN或RNN网络结构。

一种机理模型与加工数据融合的刀具磨损状态监测系统，包括：

数据采集单元，用于同步采集主轴振动信号、主轴电机电流信号和NC指令数据；

时间序列对应单元，与数据采集单元相交互，用于以刀具名称、铣削参数作为标签，分别为刀具不同铣削时刻的主轴振动信号和主轴电机电流信号贴上刀具标签；

铣削力重构单元，与时间序列对应单元相交互，用于获取主轴加速度和主轴电机电流信号，基于主轴加速度和主轴电机电流信号重构铣削力，进一步计算得到铣削力系数，并对铣削力系数进行辨识。

磨损状态辨识单元，与铣削力重构单元相交互，用于基于铣削力系数，通过深度学习建立回归模型，基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测；

刀具磨损阈值设定单元，用于获取不同加工模型下的刀具磨损阈值，建立刀具磨损阈值数据库；

监测报警单元，分别与磨损状态辨识单元和刀具磨损阈值设定单元相交互，用于当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息。

优选地，铣削力重构单元包括振动信号重构模块、电机电流信号重构模块和铣削力系数辨识模块；

振动信号重构模块用于基于主轴振动信号重构铣削力；

电机电流信号重构模块用于基于电流信号重构铣削力；

铣削力系数辨识模块用于基于重构铣削力等于理论平均铣削力辨识铣削力系数。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种机理模型与加工数据融合的刀具磨损状态监测方法，利用主轴加速度信号、主轴电机电流信号来重构切削力替代测力仪获取切削力，避免了只有通过测力仪获取切削力的问题。利用重构铣削力代替理论铣削力，将重构铣削力与工况信息作为模型输入，输入到瞬时铣削力机理模型中，工况参数包括主轴转速、进给速度、切削宽度、切削深度等，以及机床各个轴位置数据，通过OPC UA开放协议从机床数控系统中读取。外置传感器数据采集系统采集到的数据属于时间序列数据，仅通过曲线幅值变化难以判断加工状态，可通过刀具名称、切削参数等低维数据将高维传感器数据进行裁剪、分割。传感器数据属于海量的时间维度数据，需要将机床换用不同刀具的对应数据区分，以及通过这些标签辅助理解造成数据波动变化的原因。实际加工过程中经常通过动态调节进给倍率保持切削负载恒定，通过刀具不同每齿进给量采用线性回归辨识得到铣削力系数。利用铣削力系数对铣削参数不敏感且对刀具磨损状态十分敏感的特点，实现变工况条件下刀具磨损状态的监测与剩余使用寿命预测，解决了现有刀具磨损状态监测系统只能适用于固定切削工况的问题。通过统计日常失效刀具后刀面磨损数值建立起铣刀监测阈值数据库，将刀具后刀面磨损带宽度作为设定阈值。本发明充分发挥机理模型与数据驱动方法的优势监测铣刀的磨损退化状态，提出的刀具磨损状态监测能适应不同加工工况的要求，具有较强的工程应用价值。

通过机理模型-加工数据融合驱动实现刀具磨损状态在线辨别，充分利用机理模型与数据驱动模型优势，得到具有工况不敏感的铣削力系数特征用到刀具磨损状态判别。通过与现有数据驱动刀具磨损状态监测方法、模型驱动刀具磨损状态监测方法相比较，本发明具有以下显著优势：兼顾机理模型模型与数据驱动模型的优势在线辨识铣削力系数，得到工况不敏感的铣削力系数特征用于跟踪刀具磨损状态变化，具有明确物理意义。考虑到用测力仪测量铣削力的方法的局限性，提出利用加速度信号、电机电流信号重构估计铣削力的方法。在机理-数据融合驱动得到工况不敏感的铣削力系数，实现变切削参数下刀具磨损状态的精确感知，可用于多工况、跨设备实用场合。该方法在较低成本条件下，即可有效实现变切削参数刀具磨损监测，具有很强的实用性。

附图说明

图1为本发明技术架构图；

图2为本发明实施路线图；

图3为本发明提出刀具全寿命数据铣削力系数与传统均方根值在变切削参数下的对比图；(a)为X方向变进给参数下的切削力；(b)为Y方向变进给参数下的切削力；(c)为Z方向变进给参数下的切削力；(d)为X方向变进给参数下的切削力均方根值指标变化曲线；(e)为Y方向变进给参数下的切削力均方根值指标变化曲线；(f)为Z方向变进给参数下的切削力均方根值指标变化曲线；(g)为X方向变进给参数下的切削力刃口力系数指标变化曲线；(h)为Y方向变进给参数下的切削力刃口力系数指标变化曲线；(i)为Z方向变进给参数下的切削力刃口力系数指标变化曲线为；

其中：1-5轴数控机床；2-立铣刀。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种机理模型与加工数据融合的刀具磨损状态监测方法，如图2所示，包括如下步骤：

步骤1)同步采集主轴振动信号、电流信号和NC指令数据，NC指令数据包括刀具名称和铣削参数；

步骤2)以刀具名称、铣削参数作为标签，分别为刀具不同铣削时刻的主轴振动信号和主轴电机电流信号贴上刀具标签；

步骤3)获取主轴加速度和主轴电机电流信号，基于主轴加速度和主轴电机电流信号重构铣削力，进一步计算得到铣削力系数；

步骤4)基于铣削力系数，通过深度学习建立回归模型，基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测；

步骤5)获取不同加工模型下的刀具磨损阈值，建立刀具磨损阈值数据库；

步骤6)当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息。

实施例2

结合图1和图2，通过安装于主轴靠近刀柄位置的加速度传感器与安装于机床主轴电机电流输出侧电流钳，分别采集主轴振动信号、主轴电机电流信号(对电主轴效果明显)经过低通滤波处理重构铣削力。通过重构的平均铣削力辨识铣削力系数用到刀具磨损状态辨识，其关键步骤如下：

步骤(1)：数据同步采集：通过加速度信号、电流信号来重构铣削力，进而线性回归来得到铣削力系数。需要实现机床外置传感器数据与NC指令数据同步采集，传感器数据包括主轴振动信号、电流信号，NC指令数据是指主轴转速、进给速度、X/Y/Z轴坐标、刀具齿数、刀具名称等信息。外置传感器数据通过数据采集系统收集，而NC指令数据通过OPC UA开放协议从西门子数控系统中读取，二者采样频率不一致，需要先将高维数据进行降维处理。

步骤(2)：时间序列数据贴标签：外置传感器数据采集系统得到的高频主轴振动信号、主轴电流信号属于时间维度信息，而机床铣削加工过程属于空间位置维度。以刀具名称、铣削参数等为标签，为刀具不同铣削时刻反映的传感器信号贴上刀具标签，用于准确传感器数据的归属刀具，加工参数情况等。

步骤(3)：加速度信号、主轴电机电流信号重构铣削力：考虑到测力仪的成本、安装复杂性和局限性，提出了利用主轴加速度与电机电流等信号重构铣削力作为铣削力测量的替代方法。需先将传感器原始数据进行小波包降噪、低通滤波等。

1)振动信号重构铣削力

数控机床铣削加工过程动力学方程可表示为：

其中，X(t)＝[x(t)，y(t)]表示刀尖点位移向量，F(t)＝[F_x(t)，F_y(t)]表示铣削力向量，系数M，C，K分别为模态质量、模态阻尼与模态刚度矩阵。通过频域变换，上式(1)可表示：

(-ω²M+jωC+K)·X(ω)＝F(ω) (2)

其中机床频响函数矩阵(-ω²M+jωC+K)，用H(ω)表示，通过机床锤击实验测量得到。X(ω)为频域加速度时，H(ω)为加速度频响函数矩阵，F(ω)为刀尖所受频域铣削力。

通过变换，铣削力可表示为：

F(ω)＝H^-1(ω)·X(ω) (3)

加速度传感器采集到的主轴振动信号是实际振动信号和噪声组合，需要通过设计滤波器对信号进行去噪等处理，如Kalman滤波器、陷波器等。在铣削过程中，使用进给方向和垂直刀具轴线平面内与进给方向垂直方向的两个加速度传感器获取加速度信号，进行铣削力信号的动态重构。进而通过傅里叶逆变换，可以将频域铣削力F(ω)在进行变换得到时域铣削力F(t)。

2)电机电流信号重构铣削力

由于轴向铣削力和径向铣削力穿过刀具中心，故对刀具不产生扭矩。作用在刀具上的切向铣削力与主轴电机电流存在如下关系模型：

I_rms表示主轴电机电流有效值，K_t表示电机扭矩常数。T_m表示主轴电机扭矩输出值，J表示是主轴传动系统转动惯量，ω表示主轴电机角速度，T_f表示电机轴克服的摩擦扭矩为常数，F_t表示平均切向铣削力，R表示铣刀半径。

实际加工时，主轴转速一般保持恒定，即dω/dt为零，故不需考虑等效转动惯量。因此，切向铣削力与主轴电机电流之间关系可进一步简化为：

K_t·I_rms＝T_f+F_t·R (5)

上式(5)可知，电流增量和切向铣削力增量可表示为：K_t·ΔI_rms＝ΔF_t·R，铣削电流增量与切向铣削力增量成正比，可使用主轴铣削电流代替切向铣削力监测刀具磨损状态。需要标定主轴不同转速下空切时电机电流的初始值，即可获得电流增量。

通过机床主轴电机电流信号可重构得到切向铣削力，其中h(φ)＝f_t·sin(φ)：

ΔI＝F_t·R/K_t (6)

F_t＝[K_t·(I_rms-I_rms0)]/R＝K_t·ΔI/R (7)

F_t(φ)＝[K_tch(φ)+K_te]a_p (8)

F_t(φ)＝[K_tc·f_t·sin(φ)+K_te]a_p

步骤(4)：铣削力系数辨识：基于步骤(3)重构铣削力等于理论平均铣削力来辨识铣削力系数。根据瞬时刚性力模型基本公式，作用在刀齿j上厚度为dz的第l个铣削刃微元上的切向、径向和轴向铣削力微元可表示为：

dF_t＝K_tc·h·dz+K_te·ds

dF_r＝K_rc·h·dz+K_re·ds (9)

dF_a＝K_ac·h·dz+K_ae·ds

其中，ds，dz，h分别为铣削刃长度微元、轴向切深微元、铣削厚度。

K_tc，K_rc，K_ac分别为切向、径向、轴向切削力系数；K_te，K_re，K_ae分别为切向、径向、轴向刃口力系数。

上述6个铣削力系数的确定取决于刀具材料、零件材料、润滑条件等诸多因素，其具体数值通过铣削力系数辨识实验得到，每齿周期平均切削力可表示为：

其中，

为平均铣削力，N为刀具齿数，a_p为切削深度，f_t为刀具每齿进给量，φ_ex，φ_st为刀具切入、切出角。

上述方程整理可变形为下式(5)：

基于最小二乘估计可计算得到6个切削力系数：

[K]＝(M^TM)^-1M^TF (12)

其中，矩阵中元素M值对应如下所示：

步骤(5)：铣刀磨损状态辨识：机理模型-加工数据融合驱动辨识得到用于监测刀具磨损状态变化的切削力系数特征，通过深度学习建立回归模型实现刀具磨损状态辨识与剩余使用寿命预测，所述深度学习模型包括CNN，RNN等网络结构。

步骤(6)：刀具磨损阈值设定：设定状态监测阈值量为刀具后刀面磨损值VB，该数据的获取通过建立日常失效的刀具后刀面磨损值，通过数据统计得到不同加工模型下的磨损阈值，如粗加工、半精加工与精加工，建立刀具磨损阈值数据库。刀具能够动态匹配不同加工模式下对应的磨损阈值。

步骤(7)：系统监测报警：当刀具磨损监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息。操作工人根据刀具状态监测系统发出的提示信息，执行刀具备用刀具更换。

对本发明的刀具全寿命数据铣削力系数与传统均方根值在变切削参数进行对比，结果如图3所示，图3(a)、图3(b)、图3(c)分别为X、Y、Z方向不同切削参数下铣刀全寿命磨损退化切削力数据，图3(d)、图3(e)、图3(f)分别为X、Y、Z方向切削力数据的时域均方根值指标，图3(g)、图3(h)、图3(i)分别为X、Y、Z方向切削力基于本发明提出的刃口力系数指标，随着刀具磨损程度的增加，本发明提出的监测指标变切削参数条件下幅值波动小，而时域均方根值指标在变切削参数条件下幅值波动较大。结果表明：本发明提出的刀具磨损状态监测方法对企鹅学参数不敏感，而与刀具磨损退化强相关。

实施例3

一种机理模型与加工数据融合的刀具磨损状态监测系统，包括：

数据采集单元，用于同步采集主轴振动信号、电流信号和NC指令数据；

时间序列对应单元，与数据采集单元相交互，用于以刀具名称、铣削参数作为标签，分别为刀具不同铣削时刻的主轴振动信号和电流信号贴上刀具标签；

铣削力重构单元，与时间序列对应单元相交互，用于获取主轴加速度和主轴电机电流信号，基于主轴加速度和主轴电机电流信号重构铣削力，进一步计算得到铣削力系数，并对铣削力系数进行辨识。

磨损状态辨识单元，与铣削力重构单元相交互，用于基于铣削力系数，通过深度学习建立回归模型，基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测；

刀具磨损阈值设定单元，用于获取不同加工模型下的刀具磨损阈值，建立刀具磨损阈值数据库；

监测报警单元，分别与磨损状态辨识单元和刀具磨损阈值设定单元相交互，用于当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息。

铣削力重构单元包括振动信号重构模块、电机电流信号重构模块和铣削力系数辨识模块；

振动信号重构模块用于基于主轴振动信号重构铣削力；

电机电流信号重构模块用于基于电流信号重构铣削力；

铣削力系数辨识模块用于基于重构铣削力等于理论平均铣削力辨识铣削力系数。

综上所述，机理模型主要是指瞬时铣削力模型，加工数据是指机床铣削反映的物理信号。通过给机理模型输入加工数据从而得到有效反映刀具磨损的物理特征，实现机理模型与加工数据融合驱动辨识刀具磨损状态。铣削力获取通过加速度传感器、电流传感器间接获得。主轴振动信号、电流信号重构铣削力，可代替测力仪测量铣削力，安装简单方便，成本低。基于铣削力系数跟踪刀具磨损变化，可实现变切削参数刀具磨损状态精确监测。基于状态监测的刀具更换策略，对于实现无人干预智能生产线具有重要的工程价值。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，包括如下步骤：

步骤1)同步采集主轴振动信号、电流信号和NC指令数据，NC指令数据包括刀具名称和铣削参数；

步骤2)以刀具名称、铣削参数作为标签，分别为刀具不同铣削时刻的主轴振动信号和电流信号贴上刀具名称标签；

步骤3)获取主轴加速度和主轴电机电流信号，基于主轴加速度和主轴电机电流信号重构铣削力，进一步计算得到铣削力系数；

步骤4)基于铣削力系数，通过深度学习建立回归模型，基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测；

步骤5)通过生产现场获取不同加工模式下刀具失效的磨损阈值，建立刀具磨损阈值数据库；

步骤6)当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时，机床发出预警信号，提醒操作工人查看报警信息；

重构铣削力包括振动信号重构铣削力和电机电流信号重构铣削力；

基于主轴加速度的振动信号重构铣削力，具体操作为：

数控机床铣削加工过程的动力学方程为：

通过频域变换，得到：

(-ω²M+jωC+K)·X(ω)＝F(ω) (2)

通过变换后，铣削力为：

F(ω)＝H^-1(ω)·X(ω) (3)

其中，X(t)＝[x(t)，y(t)]表示刀尖点位移向量，F(t)＝[F_x(t)，F_y(t)]表示铣削力向量，系数M，C，K分别为模态质量、模态阻尼与模态刚度矩阵；机床频响函数矩阵(-ω²M+jωC+K)，用H(ω)表示，通过机床锤击实验测量得到；X(ω)为频域加速度时，H(ω)为加速度频响函数矩阵，F(ω)为刀尖所受频域铣削力；

主轴电机电流信号重构铣削力的具体操作为：

作用在刀具上的切向铣削力与主轴电机电流的关系通过下式计算得到：

当主轴稳定旋转时，角加速度为零，变换后得到切向铣削力与主轴电机电流之间的关系：

K_t·I_rms＝T_f+F_t·R (5)

ΔI＝F_t·R/K_t (6)

F_t＝[K_t·(I_rms-I_rms0)]/R＝K_t·Δi/R (7)

F_t(φ)＝[K_tch(φ)+K_te]a_p (8)

F_t(φ)＝[K_tc·f_t·sin(φ)+K_te]a_p

其中，I_rms表示主轴电机电流有效值，

三相电流通过电流传感器测量获得；K_t表示通过实验标定获得的电机扭矩常数；I_rms0为某转速下主轴空转电流；ΔI为主轴电流增量；T_m表示主轴电机扭矩输出值，J表示是主轴传动系统转动惯量，ω表示主轴电机角速度，T_f表示电机轴克服的摩擦扭矩为常数，F_t表示平均切向铣削力，R表示铣刀半径；h(φ)＝f_t·sin(φ)；f_t为刀具每齿进给量；K_tc为切向切削力系数；K_te为切向刃口力系数；a_p为切削深度；φ为刀具转角。

2.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，NC指令数据还包括主轴转速、进给速度、X/Y/Z轴坐标和刀具齿数。

3.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，通过开放数控系统，结合OPC UA协议提取对应变量即可得到切削参数、刀具名称、主轴功率。

4.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，步骤4)中，刀具磨损状态辨识具体为：基于重构铣削力等于理论平均铣削力来辨识铣削力系数；

根据瞬时刚性力模型基本公式，作用在刀齿j上厚度为dz的第l个铣削刃微元上的切向、径向和轴向铣削力微元表示为：

其中，h(φ)＝f_t·sin(φ)；ds，dz，h分别为铣削刃长度微元、轴向切深微元、铣削厚度；K_tc，K_rc，K_ac分别为切向、径向、轴向的切削力系数；K_te，K_re，K_ae分别为切向、径向、轴向的刃口力系数。

5.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，步骤4)中，基于回归模型进行剩余使用寿命预测，具体为：引入机器学习方法，建立刀具磨损值与信号特征之间的规则，通过历史数据训练信号特征与磨损值之间映射关系，给定特征值即可得到磨损值序列；

根据历史磨损值序列，基于LSTM网络，预测未来磨损值的变化，未来磨损值与失效阈值之间的距离程度转化为剩余寿命百分比。

6.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，步骤5)中，刀具磨损阈值的具体获取过程为：

设定状态监测阈值量为刀具后刀面磨损值，

刀具后刀面磨损值的获取通过显微镜测量日常失效的刀具后刀面磨损值，通过数据统计得到不同加工模式下的刀具磨损阈值；

加工模式包括粗加工、半精加工和精加工。

7.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法，其特征在于，步骤4)中，深度学习为CNN或RNN网络结构。

Images