CN114161227B - 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 - Google Patents
一种基于仿真特征和信号特征融合的刀具磨损量监控方法 Download PDFInfo
- Publication number
- CN114161227B CN114161227B CN202111628981.0A CN202111628981A CN114161227B CN 114161227 B CN114161227 B CN 114161227B CN 202111628981 A CN202111628981 A CN 202111628981A CN 114161227 B CN114161227 B CN 114161227B
- Authority
- CN
- China
- Prior art keywords
- signal
- feature
- cutter
- features
- simulation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005299 abrasion Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 239000000463 material Substances 0.000 claims abstract description 67
- 238000002474 experimental method Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000006835 compression Effects 0.000 claims abstract description 5
- 238000007906 compression Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000003801 milling Methods 0.000 claims description 7
- 238000011049 filling Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000005496 tempering Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003754 machining Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000000227 grinding Methods 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
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)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及一种基于仿真特征和信号特征融合的刀具磨损量监控方法，S1：获取原始振动信号，同时测量后刀面磨损量；S2：对原始振动信号进行信号预处理并提取信号特征;S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J‑C本构模型参数标定；S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J‑C本构模型修正；S5：获取同种材料不同状态的仿真特征；S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；S8：通过输入每次走刀得到的特征后得到后刀面的磨损量。本发明减少模型修正的工作量，避免了重复的实验，同时还能提高模型的精度。
Description
技术领域
本发明涉及刀具磨损监测技术领域，特别是一种基于仿真特征和信号特征融合的刀具磨损量监控方法。
背景技术
刀具在加工过程中将不可避免的会磨损，磨损的刀具会影响加工过程，造成加工表面质量的下降，严重时甚至会出现加工事故。所以当刀具到达磨钝标准时，应当及时的更换刀具，避免使用磨损后的刀具加工工件导致已加工表面质量的下降。但是，在加工过程中操作人员往往不知道刀具具体的磨损情况，只能通过经验或者将机床停下来判断刀具的磨损情况。目前，加工过程中停机检测刀具磨损情况的时间占整个加工过程中的20％，其中生产成本的3％～12％与刀具的成本有关。在现代化加工厂中，加工趋向一体化、自动化，停机意味着自动化性降低，工厂的运行效率降低，这对现代化加工来说是非常不可取的。因此，通过实现对刀具状态的监控，对降低加工成本，提高加工效率和加工质量具有重要的实际意义。
目前，对于刀具磨损状态的监测常分为直接法和间接法，直接测量法是基于光学相机、放射性、电阻式接近传感器对刀具磨损直接测量的方法。间接测量法不直接捕捉刀具的状态，而是基于切削过程中通过传感器测得的与磨损状态相关的参数来监测刀具的磨损状态。由于直接法难以在线监测，在实际加工过程中常用间接法进行在线监测。对于间接刀具状态监测，常对采集到的振动信号、力信号和功率信号等进行特征提取并分析刀具的磨损状态。
发明内容
有鉴于此，本发明的目的是提供一种基于仿真特征和信号特征融合的刀具磨损量监控方法，能够减少模型修正的工作量，避免了重复的实验，同时还能提高模型的精度。
本发明采用以下方案实现：一种基于仿真特征和信号特征融合的刀具磨损量监控方法，包括以下步骤：
步骤S1：设计铣削实验，并搭建刀具磨损量在位测量平台，获取原始振动信号，同时测量刀具的后刀面磨损量；
步骤S2：对原始振动信号进行信号预处理后提取振动信号的信号特征
步骤S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J-C本构模型参数标定；
步骤S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J-C本构模型修正；
步骤S5：获取同种材料不同状态退火、回火、正火态的仿真特征；
步骤S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；
步骤S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；
步骤S8：得到训练好的模型后，通过输入每次走刀得到的特征后得到后刀面的磨损量，达到刀具磨损量监控的目的。
进一步地，所述步骤S1的具体内容为：首先通过安装在机床主轴上的X轴和Y轴的加速度传感器获取每次走刀的加速度信号或通过信号采集卡或信号采集软件进行加速度信号采集，对得到的原始振动信号采用hampel滤波法进行异常值去除，采用均值补齐法进行缺失值补齐，采用小波去噪进行去除噪声操作后，对振动信号进行时域、频域、时频域的特征提取，提取时域特征包括最大值、最小值、绝对值的平均值、峰-峰值、均方根、波形因子、脉冲因子、偏度因子、峰值因子、裕度因子和峭度因子；频域特征是对信号进行快速傅里叶变换之后，得到加速度信号的频谱后，就能够得到加速度信号的频域信息，包括重心频率、频率方差、均方频率和均方根频率；最后再对信号以db10小波为基底进行3层小波包分解法，得到8个小波包的节点能量熵，从而得到振动信号的时频域特征。
进一步地，所述时域特征、频域特征和小波包的节点能量熵的具体内容为：
时域特征公式：均值-,.峰值Xpeak Xpeak＝Xmax
峰-峰值Xp-p Xp-p＝Xmax-Xmin均方根值xrms
波形因子Sf 脉冲因子If/>
峰值因子Cf 偏度因子CS/>
裕度因子Clf 峭度因子K/>
频域特征公式：设原信号经FFT变换后的频率域信号pi
重心频率fc 频率方差vf/>
均方频率msf 均方根频率rmsf/>
小波包能量熵公式：假设有一段长度为N的原始加速度信号经过m层小波包分解，那么总共可以分成2m个小波包节点，每一个小波包节点信号的长度为N/2m，每一个小波包节点对应一个频率区间，第m层第j个小波包节点的系数可以表示为其所对应的频率区间为[fs(j-1)/2m+1 fsj/2m+1]，其中,fs为采样频率,j＝1,2,…,2m，这里引入小波能量熵的概念：定义第m层第j个节点的小波包能量熵为：
其中，n＝0,1,2,…,N/2m，同理可以得到第m层的小波包总能量熵:
其中，M＝1,2,3,…,2m，为表示m层每个节点的小波包能量熵在小波包总能量熵的占比，定义第m层第j个节点的小波包能量熵比/>为：
进一步地，所述步骤S3的具体内容为：首先针对初始材料即第一状态材料，进行拉伸、压缩和霍普金森压杆实验来标定J-C本构参数，并得到第一状态材料的动态力学性能数据，进而得到第一状态材料的J-C本构模型；对于除第一状态材料外的其他不同状态的材料，只需通过硬度实验和第一状态材料的动态力学性能数据来修正本构模型，来得到其他不同状态材料的本构模型，此外还需得到仿真模型的边界条件、工艺参数、热物理属性参数以及刀具几何形状，在模型训练过程中，将上一时刻相机拍摄到的磨损量考虑到刀具几何形状变化中，来得到更新后的刀具几何形状；而在磨损预测过程中，将上一时刻预测到的刀具磨损量作为变化因素来得到更新后的刀具几何形状；将上述参数作为二维切削仿真的输入量，最后得到后刀面和应力和温度，即仿真特征。
进一步地，所述步骤S3中所述刀具磨损量在位测量平台包括PC、工件、铣刀头和工业显微镜；
进一步地，对每次走刀的振动信号得到的信号特征量以及仿真得到的仿真特征量进行特征选择和特征降维处理；特征选择是通过方差筛选，去掉方差为0或小于预设阈值的特征，然后基于皮尔森系数做单调性排序后，提取出相关性强的特征，去掉不重要的特征；接着对选择后的特征进行基于PCA的特征降维处理，用以减少特征的维度，降低后续的计算量；将经过特征工程的数据进行划分，总数据集的80％为训练集，总数据集的20％为测试集；训练集数据和在位测量到的后刀面磨损量作为模型的输入来得到后刀面磨损量的预测模型，最后将测试集数据输入，就能够得到刀具磨损量的预测值。
与现有技术相比，本发明具有以下有益效果：
(1)本发明增加了可提取的特征的维度，能够有效的提高刀具磨损监测的准确性。尤其针对加工同一种材料的不同状态(如退火、正火)时的刀具磨损监测，只需对其中一种状态的材料进行本构参数标定，然后对其他状态的材料采用基于硬度实验的方法对本构参数进行修正，来得到不同状态材料的本构模型，通过本构模型得到仿真特征，最后结合信号特征来监测刀具的磨损量。通过本发明方法能够减少模型修正的工作量，避免了重复的实验，同时还能提高模型的精度。
(2)本发明通过将仿真特征与信号特征相结合的方法，实现对刀具磨损状态进行在线的监测，提取了振动信号中时域、频域和时频域的多个特征量，并且结合仿真特征中的后刀面应力和后刀面温度，比单一的采用信号特征更能提高模型的准确性。
(3)本发明考虑到了刀具的几何形状在加工过程中会由于磨损而不断的变化，在模型训练和磨损预测过程中，均将上一时刻的后刀面磨损量作为变化因数来不断的更新后刀面的几何形状，使得仿真的结果更加的准确。
(4)本发明设计了刀具磨损量在位测量平台，使得相机可以在位的测量刀具的磨损量，而不用频繁得将刀具拆下来观察而造成安装误差。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例的在位磨损量测量平台结构框图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种基于仿真特征和信号特征融合的刀具磨损量监控方法，包括以下步骤：
步骤S1：设计铣削实验，并搭建刀具磨损量在位测量平台，获取原始振动信号，同时测量刀具的后刀面磨损量；
步骤S2：对原始振动信号进行信号预处理后提取振动信号的信号特征；
步骤S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J-C本构模型参数标定；
步骤S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J-C本构模型修正；
其中，其它状态材料是同一材料，只是同一种材料有不同的材料状态，包括，退火、回火、正火状态，第一状态是其中的一种状态，通过其中一种来预测其他状态；
具体为：首先通过J-C本构方程修正方法，得到对其中一种材料状态的J-C本构(如正火状态，后续将把正火状态作为第一状态材料)，再通过硬度实验的到正火状态的硬度a，其他状态(退火、回火)材料的硬度为b,c，则可以得到系数K1＝a/b,K2＝a/c,再将K1，K2作为其他状态(退火、回火)J-C本构方程的修订系数，如：退火状态的JC本构方程＝正火状态的JC本构方程*K1。
步骤S5：获取同种材料不同状态退火、回火、正火态的仿真特征；
步骤S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；
步骤S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；
后刀面磨损量的获得过程为：在第一步获取原始振动信号时，指的是获得刀具铣削时的振动信号，每铣一刀，就可以采集该次走刀的原始振动信号，相应的刀具会发生磨损，、
步骤S8：得到训练好的模型后，通过输入每次走刀得到的特征后得到后刀面的磨损量，达到刀具磨损量监控的目的。
在本实施例中，所述步骤S1的具体内容为：所述步骤S1的具体内容为：首先通过安装在机床主轴上的X轴和Y轴的加速度传感器获取每次走刀的加速度信号或通过信号采集卡或信号采集软件进行加速度信号采集，对得到的原始振动信号采用hampel滤波法进行异常值去除，采用均值补齐法进行缺失值补齐，采用小波去噪进行去除噪声操作后，对振动信号进行时域、频域、时频域的特征提取，提取时域特征包括最大值、最小值、绝对值的平均值、峰-峰值、均方根、波形因子、脉冲因子、偏度因子、峰值因子、裕度因子和峭度因子；频域特征是对信号进行快速傅里叶变换之后，得到加速度信号的频谱后，就能够得到加速度信号的频域信息，包括重心频率、频率方差、均方频率和均方根频率；最后再对信号以db10小波为基底进行3层小波包分解法，得到8个小波包的节点能量熵，从而得到振动信号的时频域特征。
较佳的，在本实施例中，信号采集过程为：加速度传感器需要连接信号采集卡，采集卡在主机中，通过主机中的信号采集软件就可以测得加速度信号。
较佳的，在本实施例中，本实验采用的信号采集软件是基于Labview搭建的振动信号采集框架。
所述时域特征、频域特征和小波包的节点能量熵的具体内容为：
时域特征公式：均值-,.峰值Xpeak Xpeak＝Xmax
峰-峰值Xp-p Xp-p＝Xmax-Xmin均方根值xrms
波形因子Sf 脉冲因子If/>
峰值因子Cf 偏度因子CS/>
裕度因子Clf 峭度因子K/>
频域特征公式：设原信号经FFT变换后的频率域信号pi
重心频率fc 频率方差vf/>
均方频率msf 均方根频率rmsf/>
小波包能量熵公式：假设有一段长度为N的原始加速度信号经过m层小波包分解，那么总共可以分成2m个小波包节点，每一个小波包节点信号的长度为N/2m，每一个小波包节点对应一个频率区间，第m层第j个小波包节点的系数可以表示为其所对应的频率区间为[fs(j-1)/2m+1 fsj/2m+1]，其中,fs为采样频率,j＝1,2,…,2m，这里引入小波能量熵的概念：定义第m层第j个节点的小波包能量熵/>为：
其中，n＝0,1,2,…,N/2m，同理可以得到第m层的小波包总能量熵:
其中，M＝1,2,3,…,2m，为表示m层每个节点的小波包能量熵在小波包总能量熵的占比，定义第m层第j个节点的小波包能量熵比/>为：
在本实施例中，通过对原始信号进行小波包转换，把信号转化到了时频域，取小波包能量熵作为随刀具磨损时时频域的特征。
在本实施例中，所述步骤S3的具体内容为：首先针对初始材料即第一状态材料，进行拉伸、压缩和霍普金森压杆实验来标定J-C本构参数，并得到第一状态材料的动态力学性能数据，进而得到第一状态材料的J-C本构模型；对于除第一状态材料外的其他不同状态的材料，只需通过硬度实验和第一状态材料的动态力学性能数据来修正本构模型，来得到其他不同状态材料的本构模型，由于硬度实验比拉伸、压缩和霍普金森压杆等实验简单方便，所以能够减少模型修正的工作量，避免了重复的实验。此外还需得到仿真模型的边界条件、工艺参数、热物理属性参数以及刀具几何形状等，其中由于刀具的几何形状在加工过程中由于磨损会不断的变化，所以刀具几何形状是一个不断变化的参数。
以下参数是实验参数或者材料、工件、刀具自身属性，通过测量可得：
工艺参数：切削速度、切削深度、进给速度。
刀具几何参数：指包含刀具前角、后角、刃口半径的几何轮廓。
热物理属性：采用激光热导仪测量得到的材料比热容、热导率。
边界条件：工件、刀具几何模型的在x,y,z方向的几何约束，工件-刀具之间的摩擦系数。
因此，在模型训练过程中，将上一时刻相机拍摄到的磨损量考虑到刀具几何形状变化中，来得到更新后的刀具几何形状；(刀具磨损或破损的时候会导致刀具几何形状的改变记录磨损量的同时记录刀具几何形状变化量从而不断的更新刀具的几何形状)而在磨损预测过程中，将上一时刻预测到的刀具磨损量作为变化因素来得到更新后的刀具几何形状；将上述参数作为二维切削仿真的输入量，最后得到后刀面和应力和温度，即仿真特征。
较佳的，在本实施例中，刀具磨损量在位测量平台的具体工作过程及是如何进行刀具的后刀面磨损量的过程如下：事先调整好相机的焦距、倍数以及光源的亮度，将相机固定在机床某一个位置上。第一次走刀结束后主轴停转，移动机床主轴使得后刀面能够在相机清晰成像，记录下此时机床的坐标，之后每次走刀结束后，将主轴移动到该坐标即可。
较佳的，在本实施例中，在得到第一状态材料的本构模型后，通过硬度实验得到第一状态材料和其他状态材料的硬度，就可以得到第一状态材料和其他状态材料的硬度比值(k1,k2…kn),然后用k乘以第一状态材料的JC模型，就得到其他状态材料的JC模型.
J-C模型的参数求解过程：
通过拉伸实验获得应变率为0.001-0.01s-1的应力-应变曲线，通过压缩实验获得应变率为0.1-100s-1的应力-应变曲线，通过霍普金森压杆实验获得应变率为1000-10000s-1的应力-应变曲线。
其中J-C模型的数学表达式如下：
其中J-C本构模型中参数A，B，C，m，n需要通过实验获得的应力-应变曲线反求得到。而σ、ε、0、T、Tm、Tr分别为应力、应变、应变率、参考应变率、变形温度、材料熔点、参考温度。其中、应变、应变率、变形温度为变量，参考应变率/>0设置为0.001s-1，材料熔点Tm根据材料牌号可根据实际查询得到，参考温度Tr设置为实验过程中的最低变形温度。
参数A，B，C，m，n求解过程如下：
(1)参数A，B，n的求解
取最低变形温度、0.001s-1应变率下的应力-应变曲线，则J-C公式1第二项、第三项退化为1，J-C公式变化为：
σ＝(A+Bεn) (公式2)
公式2可进一步变换为：
ln(σ-A)＝lnB+nlnε (公式3)
其中参数A为该组应力-应变曲线当应变为0所对应的应力值；
同样取该组应力-应变曲线上当应变为0.05、0.1、0.15、0.2对应的应力值，代入上述公式3，采用最小二乘法可得参数B和n。
(2)参数C的求解
取最低变形温度，不同应变率下的应力-应变曲线，则J-C公式1第三项退化为1，J-C公式变化为：
变换公式4为：
取不同应变率、相同应变(0.1应变值)下的应力，代入上述公式5，采用最小二乘法可得参数C。
(3)参数m的求解
取0.001s-1应变率下、不同变形温度的应力-应变曲线，则J-C公式1第二项退化为1，J-C公式变化为：
变换公式为：
取不同温度、相同应变(0.1应变值)下的应力，代入上述公式7，采用最小二乘法可得参数m。
在本实施例中，所述步骤S3中所述刀具磨损量在位测量平台包括PC、工件、铣刀头和工业显微镜；刀具在位测量平台包括PC工业显微镜，工业相机和光源这几个部分，工业显微镜装在相机上，显微镜头外套着一个环形光源，相机连着PC，可以将刀具上的磨损量记录下来。
在本实施例中，对每次走刀的振动信号得到的信号特征量以及仿真得到的仿真特征量进行特征选择和特征降维处理；特征选择是通过方差筛选，去掉方差为0或小于预设阈值(默认阈值0.1)的特征，然后基于皮尔森系数做单调性排序后，提取出相关性强的特征，去掉不重要的特征；接着对选择后的特征进行基于PCA的特征降维处理，用以减少特征的维度，降低后续的计算量；将经过特征工程的数据进行划分，总数据集的80％为训练集，总数据集的20％为测试集；训练集数据和在位测量到的后刀面磨损量作为模型的输入来得到后刀面磨损量的预测模型，最后将测试集数据输入，就能够得到刀具磨损量的预测值。
较佳的，本实施例设计了刀具磨损量在位测量平台，由工业相机、工业显微镜、支架和光源组成，在每一次走刀结束后，在位的测量刀具的后刀面磨损量，这样就避免了反复安装刀片而造成的安装误差，直至刀具达到了磨钝标准，将测量到的后刀面磨损量作为模型的训练标签输入。
较佳的，本实施例针对加工同一种材料的不同状态(如退火、正火)时的刀具磨损监测，只需对其中一种状态的材料进行本构参数标定，然后对其他状态的材料采用基于硬度实验的方法对本构参数进行修正，来得到不同状态材料的本构模型。由于硬度实验比拉伸、压缩和霍普金森压杆等实验简单方便，所以能够减少模型修正的工作量，避免了重复的实验。
较佳的，本实施例通过将仿真特征与信号特征相结合的方法，实现对刀具磨损状态进行在线的监测，提取了振动信号中时域、频域和时频域的多个特征量，并且结合仿真特征中的后刀面应力和后刀面温度，比单一的采用信号特征更能提高模型的准确性。
较佳的，本实施例考虑到了刀具的几何形状在加工过程中会由于磨损而不断的变化，在模型训练和磨损预测过程中，均将上一时刻的后刀面磨损量作为变化因数来不断的更新后刀面的几何形状，使得仿真的结果更加的准确。
较佳的，本实施例设计了刀具磨损量在位测量平台，使得相机可以在位的测量刀具的磨损量，而不用频繁得将刀具拆下来观察而造成安装误差。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (3)
1.一种基于仿真特征和信号特征融合的刀具磨损量监控方法，其特征在于：包括以下步骤：
步骤S1：设计铣削实验，并搭建刀具磨损量在位测量平台，获取原始振动信号，同时测量刀具的后刀面磨损量；
步骤S2：对原始振动信号进行信号预处理后提取振动信号的信号特征；
步骤S3:进行基于拉伸、压缩和霍普金森压杆实验的第一状态材料的J-C本构模型参数标定；
步骤S4：进行基于硬度实验的除第一状态材料外的其他状态材料的J-C本构模型修正；
步骤S5：获取同种材料不同状态退火、回火、正火态的仿真特征；
步骤S6:对信号特征和仿真特征进行特征选择和特征降维，得到融合后的低维度特征；
步骤S7：将每次走刀得到的降维后的特征和相应的后刀面磨损量来训练LSTM模型；
步骤S8：得到训练好的模型后，通过输入每次走刀得到的特征后得到后刀面的磨损量，达到刀具磨损量监控的目的；
所述步骤S1的具体内容为：首先通过安装在机床主轴上的X轴和Y轴的加速度传感器获取每次走刀的加速度信号或通过信号采集卡或信号采集软件进行加速度信号采集，对得到的原始振动信号采用hampel滤波法进行异常值去除，采用均值补齐法进行缺失值补齐，采用小波去噪进行去除噪声操作后，对振动信号进行时域、频域、时频域的特征提取，提取时域特征包括最大值、最小值、绝对值的平均值、峰-峰值、均方根、波形因子、脉冲因子、偏度因子、峰值因子、裕度因子和峭度因子；频域特征是对信号进行快速傅里叶变换之后，得到加速度信号的频谱后，就能够得到加速度信号的频域信息，包括重心频率、频率方差、均方频率和均方根频率；最后再对信号以db10小波为基底进行3层小波包分解法，得到8个小波包的节点能量熵，从而得到振动信号的时频域特征；
所述时域特征、频域特征和小波包的节点能量熵的具体内容为：
时域特征公式：
均值 峰值Xpeak Xpeak＝Xmax
峰-峰值Xp-p Xp-p＝Xmax-Xmim 均方根值xRMS
波形因子Sf 脉冲因子If/>
峰值因子Cf 偏度因子CS/>
裕度因子Clf 峭度因子K/>
频域特征公式：设原信号经FFT变换后的频率域信号pi
重心频率fc 频率方差vf/>
均方频率msf 均方根频率rmsf/>小波包能量熵公式：假设有一段长度为N的原始加速度信号经过m层小波包分解，那么总共可以分成2m个小波包节点，每一个小波包节点信号的长度为N/2m，每一个小波包节点对应一个频率区间，第m层第j个小波包节点的系数可以表示/>其所对应的频率区间为[fs(j-1)/2m+1fsj/2m+1]，其中,fs为采样频率,j＝1,2,…,2m，这里引入小波能量熵的概念：定义第m层第j个节点的小波包能量熵/>为：
其中，n＝0,1,2,…,N/2m，同理可以得到第m层的小波包总能量熵:
其中，M＝1,2,3,…,2m，为表示m层每个节点的小波包能量熵在小波包总能量熵的占比，定义第m层第j个节点的小波包能量熵比/>为：
2.根据权利要求1所述的一种基于仿真特征和信号特征融合的刀具磨损量监控方法，其特征在于：所述步骤S3的具体内容为：首先针对初始材料即第一状态材料，进行拉伸、压缩和霍普金森压杆实验来标定J-C本构参数，并得到第一状态材料的动态力学性能数据，进而得到第一状态材料的J-C本构模型；对于除第一状态材料外的其他不同状态的材料，只需通过硬度实验和第一状态材料的动态力学性能数据来修正本构模型，来得到其他不同状态材料的本构模型，此外还需得到仿真模型的边界条件、工艺参数、热物理属性参数以及刀具几何形状，在模型训练过程中，将上一时刻相机拍摄到的磨损量考虑到刀具几何形状变化中，来得到更新后的刀具几何形状；而在磨损预测过程中，将上一时刻预测到的刀具磨损量作为变化因素来得到更新后的刀具几何形状；将上述参数作为二维切削仿真的输入量，最后得到后刀面的应力和温度，即仿真特征。
3.根据权利要求1所述的一种基于仿真特征和信号特征融合的刀具磨损量监控方法，其特征在于：对每次走刀的振动信号得到的信号特征量以及仿真得到的仿真特征量进行特征选择和特征降维处理；特征选择是通过方差筛选，去掉方差为0或小于预设阈值的特征，然后基于皮尔森系数做单调性排序后，提取出相关性强的特征，去掉不重要的特征；接着对选择后的特征进行基于PCA的特征降维处理，用以减少特征的维度，降低后续的计算量；将经过特征工程的数据进行划分，总数据集的80％为训练集，总数据集的20％为测试集；训练集数据和在位测量到的后刀面磨损量作为模型的输入来得到后刀面磨损量的预测模型，最后将测试集数据输入，就能够得到刀具磨损量的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628981.0A CN114161227B (zh) | 2021-12-28 | 2021-12-28 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628981.0A CN114161227B (zh) | 2021-12-28 | 2021-12-28 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114161227A CN114161227A (zh) | 2022-03-11 |
| CN114161227B true CN114161227B (zh) | 2024-05-03 |
Family
ID=80488334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111628981.0A Active CN114161227B (zh) | 2021-12-28 | 2021-12-28 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114161227B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114918735A (zh) * | 2022-05-19 | 2022-08-19 | 河海大学 | 一种基于pcc-lstm的铣削刀具磨损预测方法 |
| CN117610592A (zh) * | 2024-01-23 | 2024-02-27 | 山东泽鹿安全技术有限公司 | 基于自动化测试的射频通信安全风险评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
| CN111091233A (zh) * | 2019-11-26 | 2020-05-01 | 江苏科技大学 | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| CN111360582A (zh) * | 2020-01-17 | 2020-07-03 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
| CN111975453A (zh) * | 2020-07-08 | 2020-11-24 | 温州大学 | 一种数值仿真驱动的加工过程刀具状态监测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE50001492D1 (de) * | 2000-05-15 | 2003-04-24 | Prometec Gmbh | Verfahren und Vorrichtung zum Überwachen des Verschleisszustandes eines Werkzeuges |
-
2021
- 2021-12-28 CN CN202111628981.0A patent/CN114161227B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
| CN111091233A (zh) * | 2019-11-26 | 2020-05-01 | 江苏科技大学 | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| CN111360582A (zh) * | 2020-01-17 | 2020-07-03 | 华中科技大学 | 一种刀具磨损状态辨识方法 |
| CN111975453A (zh) * | 2020-07-08 | 2020-11-24 | 温州大学 | 一种数值仿真驱动的加工过程刀具状态监测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于回归树和AdaBoost方法的刀具磨损评估;陶耀东;曾广圣;李宁;;计算机系统应用(第12期);212-219 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114161227A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114161227B (zh) | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 | |
| Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
| Ma et al. | Prediction of surface residual stress after end milling based on cutting force and temperature | |
| US6845340B2 (en) | System and method for machining data management | |
| CN111660141B (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 | |
| CN103345198A (zh) | 基于特征的数控加工监测触发检测的方法 | |
| Bagga et al. | Indirect method of tool wear measurement and prediction using ANN network in machining process | |
| Lu et al. | In-process complex machining condition monitoring based on deep forest and process information fusion | |
| CN112192319A (zh) | 无监督模型的刀具磨损监测方法及系统 | |
| Daniyan et al. | Measurement and optimization of cutting forces during M200 TS milling process using the response surface methodology and dynamometer | |
| CN116578832B (zh) | 预测机械加工零件表面粗糙度的装置 | |
| CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
| Pang et al. | Analytical model and experimental verification of Poisson burr formation in ductile metal machining | |
| CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
| Shankar et al. | Prediction of cutting force in turning process: An experimental and fuzzy approach | |
| Peng et al. | A tool wear condition monitoring method for non-specific sensing signals | |
| Ogedengbe et al. | Feasibility of tool condition monitoring on micro-milling using current signals | |
| Samin et al. | Statistical investigation for cutting force and surface roughness of S45C steel in turning processes by I-kazTM method | |
| Chera et al. | FEM researches regarding incremental forming process | |
| Tahir et al. | Flank wear and I-kaz 3D correlation in ball end milling process of Inconel 718 | |
| CN114153181A (zh) | 超硬刀具热疲劳裂纹状态实时智能监测系统及评价模型 | |
| Kumar et al. | A comparative analysis of surface roughness and material removal rate in milling operation of AISI 410 steel and aluminium 6061 | |
| Savage et al. | Multiple regression-based multilevel in-process surface roughness recognition system in milling operations | |
| Zaides et al. | Automated complex for stabilized straightening of low-stiff cylindrical parts | |
| Wei | Research on tool wear monitoring and turning simulation |
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 |