CN114326593A - 一种刀具寿命预测系统及方法 - Google Patents
一种刀具寿命预测系统及方法 Download PDFInfo
- Publication number
- CN114326593A CN114326593A CN202111540200.2A CN202111540200A CN114326593A CN 114326593 A CN114326593 A CN 114326593A CN 202111540200 A CN202111540200 A CN 202111540200A CN 114326593 A CN114326593 A CN 114326593A
- Authority
- CN
- China
- Prior art keywords
- degradation
- cutter
- data
- tool
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 176
- 238000006731 degradation reaction Methods 0.000 claims abstract description 176
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000003754 machining Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000001133 acceleration Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
本发明公开了一种刀具寿命预测系统及方法,属于刀具寿命预测技术领域,包括退化模型库、数据采集模块和在线预测模块;退化模型库,用于根据刀具型号和工况信息分别存储有刀具的退化阶段分类预测模型和不同阶段的退化轨迹数据;数据采集模块,用于采集与刀具寿命相关的数据;在线预测模块,用于根据采集的刀具型号和工况信息,从所述退化模型库中调用相应的退化阶段分类模型和不同阶段的退化轨迹数据;根据退化阶段分类模型先初步确定工作刀具的退化阶段,再根据退化阶段选择相应的退化轨迹进行相似性分析,最终预测出当前刀具的剩余使用寿命。本发明可以提高预测速度、精度和效率。
Description
技术领域
本发明涉及刀具寿命预测技术领域,更为具体的,涉及一种刀具寿命预测系统及方法。
背景技术
随着工业技术的发展,对加工精度的要求越来越高,而刀具是数控加工设备的易耗品,其磨损情况直接影响数控加工的质量。对刀具进行监测和剩余寿命预测可以在刀具出现严重缺陷甚至失效前进行预警,避免因刀具破损而造成加工工件不合格,造成经济损失。
现有刀具寿命预测方法主要有基于回归算法和基于轨迹相似度算法等,一般以单一算法为主,准确率受随机因素的影响较大。
发明内容
本发明的目的在于克服现有技术的不足,提供一种刀具寿命预测系统及方法,可以提高预测速度、精度和效率。
本发明的目的是通过以下方案实现的:
一种刀具寿命预测系统,包括退化模型库、数据采集模块和在线预测模块;退化模型库,用于根据刀具型号和工况信息分别存储有刀具的退化阶段分类预测模型和不同阶段的退化轨迹数据;数据采集模块,用于采集与刀具寿命相关的数据;在线预测模块,用于根据采集的刀具型号和工况信息,从所述退化模型库中调用相应的退化阶段分类模型和不同阶段的退化轨迹数据;根据退化阶段分类模型先初步确定工作刀具的退化阶段,再根据退化阶段选择相应的退化轨迹进行相似性分析,最终预测出当前刀具的剩余使用寿命。
进一步地,所述根据退化阶段选择相应的退化轨迹进行相似性分析,包括:以对应的计算窗口大小为单位,以步长S滑动窗口,计算待测刀具和历史刀具在每个窗口范围内的相似度;如果判定为失效阶段,则直接报警提示刀具失效;若相似度小于设定的阈值,则使用历史刀具全生命周期的退化数据做相似性分析并预测剩余使用寿命。
进一步地,所述退化模型库包括特征提取模块和离线处理模块;所述特征提取模块,用于提取振动信息特征和电信息特征;所述离线处理模块,用于在离线阶段完成以下两类数据处理,并供所述在线预测模块调用,具体包括:退化轨迹数据处理:首先获取刀具的全生命周期的数据,根据刀具型号和加工工况信息分类进行存储,获得刀具的退化轨迹,并对退化轨迹进行平滑处理,最后将所有退化轨迹存入所述退化模型库;退化阶段分类预测模型训练处理:基于算法来确定工作刀具所处的退化阶段,并将刀具的退化阶段分为多个阶段,且模型输入为特征提取模块选出的特征,输出层为刀具的多个状态。
进一步地,在所述退化阶段分类预测模型训练处理中的算法包括XGBoost算法;且所述退化模型库包括以下两类模型:基于XGBoost的退化阶段分类模型:以同一型号且相同加工工况信息的刀具数据为训练集,在离线处理模块中训练XGBoost模型,然后用于对待测刀具的退化阶段进行分类;刀具退化轨迹模型:存储历史刀具的退化数据。
进一步地,包括数据预处理模块和特征选择模块;所述数据预处理模块,用于对数据采集模块采集来的数据进行预处理后发送给实时数据库;所述特征选择模块,用于对特征提取模块提取出的特征进行筛选,首先对所有特征进行归一化处理,然后采用主成份分析法PCA来进行特征选择,选择最重要的设定数量个特征,进行模型训练。
进一步地,包括实时数据库、历史数据库和实时显示模块;所述实时数据库,用于存储当前工作刀具的实时数据,供在线预测模块随时调用;所述历史数据库,用于存储历史刀具的全生命周期数据,根据刀具的类型和加工工况情况,对刀具的全生命周期数据进行分类存储;实时显示模块,用于根据在线预测模块的预测结果,实时显示工作刀具的退化阶段和剩余寿命,并在刀具处于失效阶段或者剩余寿命小于设定值时向设备管理人员发出报警信号。
进一步地,所述数据采集模块采集的信息包括两类信息,一类为机床PLC控制器的数据,另一类为外加传感器的数据。
进一步地,所述预处理包括数据清洗处理,用于去除空值点和异常值。
一种基于如上任一项所述刀具寿命预测系统的方法,包括步骤:
S1,数据采集模块根据预先设定的采集频率采集设备PLC数据和外加传感器数据,并发送给数据预处理模块;
S2,数据预处理模块对原始数据进行数据清洗后发送给特征提取和选择模块,然后将处理后的特征发送给在线预测模块;
S3,在线预测模块首先根据待测刀具的型号和加工工况在退化模型库中选择对应的分类模型,判断刀具所处的退化阶段,然后在退化模型库中选择对应的退化轨迹中相应阶段的退化数据,并基于轨迹相似性计算刀具的剩余使用寿命。
进一步地,在步骤S3中,基于轨迹相似性计算刀具的剩余使用寿命,包括子步骤:
S31,确定相似度计算的窗口大小W和滑动步长S:
根据刀具所处的不同退化阶段,采用不同的公式计算窗口大小,包括:
滑动步长:Sj=Wj/5,j=1,2,3
其中,L1i、L2i、L3i和Li表示与该工作刀具的型号和工况相对应的历史刀具的初始阶段、平稳工作阶段、急速退化阶段和全生命周期的采样点数,Wr表示参考窗口大小,M为与该工作刀具的型号和工况相对应的历史刀具个数;
S32,确定相似度计算的范围:
设编号为i的历史刀具全生命周期的采样点数为Li,采样间隔为ts,当前时刻为t=k·ts,计算相似性的时间段为[(k-W)·ts,k·ts];
根据步骤S31分类算法的结果,确定工作刀具所处的退化阶段,在相应阶段的退化数据范围内进行相似度的计算;
S33,计算工作刀具和历史刀具的相似度Simi:
采用欧式距离作为相似度的衡量标准,计算窗口范围内工作刀具与编号为i的历史刀具的退化指标之间的欧式距离之和di:
其中,yhi(n)表示历史刀具i在第n个点的退化指标值,yw(n)表示工作刀具在第n个点的退化指标值,N表示窗口包含的数据点数;
工作刀具与历史刀具i的相似度Simi即为该距离的倒数:
S34,计算历史刀具i的权重wi:
S35,根据相似度计算结果计算工作刀具的剩余寿命:
历史刀具i的剩余使用寿命计算如下:
RULhi=(Li-Ni)·ts
其中,Ni为di最小时历史刀具i的位置;
所求的工作刀具的剩余使用寿命计算如下:
本发明的有益效果是:
本发明可以提高预测速度、精度和效率。具体的实施例中,例如首先基于XGBoost算法进行退化阶段的判断,然后基于该段退化数据进行相似度计算,从而预测刀具的剩余使用寿命,可以减少相似性计算的运算量,提高预测速度。其次,在不同的退化阶段,采用不同的计算窗口来进行相似度计算,从而提高计算速度和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的系统框架图;
图2为本发明实施例的方法流程图。
具体实施方式
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
下面根据附图1~图2,对本发明的技术构思、工作原理、功效和工作过程作进一步详细说明。
本发明提供一种刀具寿命预测方案,包括一种刀具寿命预测系统方案和一种刀具寿命预测方法方案。
本发明提供的刀具寿命预测系统方案中,在具体实施时,提供一种基于XGBoost和轨迹相似性的刀具寿命预测系统,如图1所示,该系统包括数据采集模块、数据预处理模块、特征提取与选择模块、实时数据库、历史数据库、退化模型库、离线处理模块和在线预测模块等。
数据采集模块,该模块用于采集与刀具寿命相关的物理量,这里主要采集两类信息,一类为机床PLC控制器的数据,另一类为外加传感器的数据。包括:(1)PLC控制器数据:主要采集的数据包括主轴转速、进给速度、主轴负载、进给量等数据。(2)传感器数据:这里外加传感器包括温度传感器、加速度传感器、噪声传感器和电流传感器,对刀具的温度信息、振动信息、噪声信息和主轴电流信息进行实时采集。其中,加速度传感器用于采集刀具三个方向的振动加速度信息,分别为x轴,y轴和z轴。声发射传感器安装于刀具附近,用于采集加工过程中的噪声数据。电流传感器安装于主轴附近,用于采集主轴电流数据。
数据预处理模块,该模块对数据采集模块采集来的数据进行清洗,去除空值点,然后去除异常值,然后发送给实时数据库。
特征提取模块,该模块用于特征提取,其中包括:(1)振动信息提取时域、频域、时频域三类特征。其中,时域特征主要包括均值、标准差、均方根、峰值因子、峭度指标、偏度指标等。频域特征主要包括频段能量、重心频率、频率方差、均方频率等。时频域特征主要是小波分析特征,包括频带能量、小波熵等。(2)主轴电流提取:主要包括均值、标准差、均方根等。
特征选择模块,对特征提取模块提取出的特征进行筛选,首先对所有特征进行归一化处理,然后采用主成份分析法PCA来进行特征选择,选择最重要的前10个特征,进行模型训练。
实时数据库,用于存储当前工作刀具的实时数据,供数据预处理模块和在线预测模块随时调用。
历史数据库,用于存储历史刀具的全生命周期数据,根据刀具的类型和加工工况情况,对刀具的全生命周期数据进行分类存储。
离线处理模块,用于在离线阶段主要完成以下两类数据处理,供在线预测模块调用:(1)退化轨迹数据处理:首先获取刀具的全生命周期的数据,根据刀具型号和加工工况信息分类进行存储,并获得刀具的退化轨迹,并对退化轨迹进行平滑处理,最后将所有退化轨迹存入退化模型库,方便后期调用。(2)退化阶段预测模型训练:基于XGBoost算法来确定工作刀具所处的退化阶段,并将刀具的退化阶段分为初始阶段、平稳工作阶段、急速退化阶段和失效阶段四个阶段。模型输入为特征提取模块选出的特征,输出层为刀具的四个状态。
退化模型库,用于根据刀具型号和工况信息分别存储刀具的退化模型,主要包括以下两类模型:(1)基于XGBoost的退化阶段分类模型:以同一型号且相同加工工况信息的刀具数据为训练集,在离线处理模块中训练XGBoost模型,然后用于对待测刀具的退化阶段进行分类。(2)刀具退化轨迹:存储历史刀具的退化数据。
在线预测模块,根据刀具型号和工况信息,从退化模型库中调用相应的退化阶段分类模型和相应阶段的退化轨迹数据;根据退化阶段分类模型,先初步确定工作刀具的退化阶段;根据退化阶段选择相应的退化轨迹进行相似性分析,最终预测出当前刀具的剩余使用寿命。
实时显示模块,根据在线预测模块的预测结果,实时显示工作刀具的退化阶段和剩余寿命,并在刀具处于失效阶段或者剩余寿命小于10%时向设备管理人员发出报警信号。
本发明提供的刀具寿命预测方法方案中,在具体实施时,提供一种上述系统的工作流程,如图2所示,包括步骤:
1、数据采集模块根据预先设定的采集频率采集设备PLC数据和外加传感器数据,并发送给数据预处理模块。
2、数据预处理模块对原始数据进行数据清洗后发送给特征提取和选择模块,然后将处理后的特征发送给在线预测模块。
3、在线预测模块首先根据待测刀具的型号和加工工况在退化模型库中选择对应的分类模型,判断刀具所处的退化阶段,然后在退化模型库中选择对应的退化轨迹中相应阶段的退化数据,并基于轨迹相似性计算刀具的剩余使用寿命。以对应的计算窗口大小为单位,以步长S滑动窗口,计算工作刀具和历史刀具在每个窗口范围内的相似度。如果判定为失效阶段,则直接报警提示刀具失效。
基于轨迹相似性计算刀具的剩余使用寿命的主要步骤如下:
(1)确定相似度计算的窗口大小W和滑动步长S
根据刀具所处的不同退化阶段,采用不同的方法计算窗口大小。
滑动步长:Sj=Wj/5(j=1,2,3)
其中,L1i、L2i、L3i和Li表示与该工作刀具的型号和工况相对应的历史刀具的初始阶段、平稳工作阶段急速退化阶段和全生命周期的采样点数,Wr表示参考窗口大小,M为与该工作刀具的型号和工况相对应的历史刀具个数。
(2)确定相似度计算的范围
设编号为i的历史刀具全生命周期的采样点数为Li,采样间隔为ts,当前时刻为t=k·ts,计算相似性的时间段为[(k-W)·ts,k·ts]。
根据上一步分类算法的结果,确定工作刀具所处的退化阶段,在相应阶段的退化数据范围内进行相似度的计算。
(3)计算工作刀具(待测刀具)和历史刀具的相似度Simi
采用欧式距离作为相似度的衡量标准,计算窗口范围内工作刀具与编号为i的历史刀具的退化指标之间的欧式距离之和di:
其中yhi(n)表示历史刀具i在第n个点的退化指标值,yw(n)表示工作刀具在第n个点的退化指标值,N表示窗口包含的数据点数。
工作刀具与历史刀具i的相似度Simi即为该距离的倒数:
(4)计算历史刀具i的权重wi
(5)根据相似度计算结果计算工作刀具的剩余寿命
历史刀具i的剩余使用寿命计算如下:
RULhi=(Li-Ni)·ts
其中,Ni为di最小时历史刀具i的位置。
所求的工作刀具的剩余使用寿命计算如下:
4、若相似度小于设定的阈值,则使用历史刀具全生命周期的退化数据做相似性分析并预测剩余使用寿命。
实施例1:一种刀具寿命预测系统,包括退化模型库、数据采集模块和在线预测模块;退化模型库,用于根据刀具型号和工况信息分别存储有刀具的退化阶段分类预测模型和不同阶段的退化轨迹数据;数据采集模块,用于采集与刀具寿命相关的数据;在线预测模块,用于根据采集的刀具型号和工况信息,从所述退化模型库中调用相应的退化阶段分类模型和不同阶段的退化轨迹数据;根据退化阶段分类模型先初步确定工作刀具的退化阶段,再根据退化阶段选择相应的退化轨迹进行相似性分析,最终预测出当前刀具的剩余使用寿命。
实施例2:在实施例1的基础上,所述根据退化阶段选择相应的退化轨迹进行相似性分析,包括:以对应的计算窗口大小为单位,以步长S滑动窗口,计算待测刀具和历史刀具在每个窗口范围内的相似度;如果判定为失效阶段,则直接报警提示刀具失效;若相似度小于设定的阈值,则使用历史刀具全生命周期的退化数据做相似性分析并预测剩余使用寿命。
实施例3:在实施例1的基础上,,所述退化模型库包括特征提取模块和离线处理模块;所述特征提取模块,用于提取振动信息特征和电信息特征;所述离线处理模块,用于在离线阶段完成以下两类数据处理,并供所述在线预测模块调用,具体包括:退化轨迹数据处理:首先获取刀具的全生命周期的数据,根据刀具型号和加工工况信息分类进行存储,获得刀具的退化轨迹,并对退化轨迹进行平滑处理,最后将所有退化轨迹存入所述退化模型库;退化阶段分类预测模型训练处理:基于算法来确定工作刀具所处的退化阶段,并将刀具的退化阶段分为多个阶段,且模型输入为特征提取模块选出的特征,输出层为刀具的多个状态。
实施例4:在实施例3基础上,在所述退化阶段分类预测模型训练处理中的算法包括XGBoost算法;且所述退化模型库包括以下两类模型:基于XGBoost的退化阶段分类模型:以同一型号且相同加工工况信息的刀具数据为训练集,在离线处理模块中训练XGBoost模型,然后用于对待测刀具的退化阶段进行分类;刀具退化轨迹模型:存储历史刀具的退化数据。
实施例5:在实施例1的基础上,包括数据预处理模块和特征选择模块;所述数据预处理模块,用于对数据采集模块采集来的数据进行预处理后发送给实时数据库;所述特征选择模块,用于对特征提取模块提取出的特征进行筛选,首先对所有特征进行归一化处理,然后采用主成份分析法PCA来进行特征选择,选择最重要的设定数量个特征,进行模型训练。
实施例6:在实施例1的基础上,包括实时数据库、历史数据库和实时显示模块;所述实时数据库,用于存储当前工作刀具的实时数据,供在线预测模块随时调用;所述历史数据库,用于存储历史刀具的全生命周期数据,根据刀具的类型和加工工况情况,对刀具的全生命周期数据进行分类存储;实时显示模块,用于根据在线预测模块的预测结果,实时显示工作刀具的退化阶段和剩余寿命,并在刀具处于失效阶段或者剩余寿命小于设定值时向设备管理人员发出报警信号。
实施例7:在实施例1的基础上,所述数据采集模块采集的信息包括两类信息,一类为机床PLC控制器的数据,另一类为外加传感器的数据。
实施例8:在实施例5的基础上,所述预处理包括数据清洗处理,用于去除空值点和异常值。
实施例9:在任一实施例1~8的基础上,一种基于如上任一项所述刀具寿命预测系统的方法,包括步骤:
S1,数据采集模块根据预先设定的采集频率采集设备PLC数据和外加传感器数据,并发送给数据预处理模块;
S2,数据预处理模块对原始数据进行数据清洗后发送给特征提取和选择模块,然后将处理后的特征发送给在线预测模块;
S3,在线预测模块首先根据待测刀具的型号和加工工况在退化模型库中选择对应的分类模型,判断刀具所处的退化阶段,然后在退化模型库中选择对应的退化轨迹中相应阶段的退化数据,并基于轨迹相似性计算刀具的剩余使用寿命。
实施例10:在实施例9的基础上,在步骤S3中,基于轨迹相似性计算刀具的剩余使用寿命,包括子步骤:
S31,确定相似度计算的窗口大小W和滑动步长S:
根据刀具所处的不同退化阶段,采用不同的公式计算窗口大小,包括:
滑动步长:Sj=Wj/5,j=1,2,3
其中,L1i、L2i、L3i和Li表示与该工作刀具的型号和工况相对应的历史刀具的初始阶段、平稳工作阶段、急速退化阶段和全生命周期的采样点数,Wr表示参考窗口大小,M为与该工作刀具的型号和工况相对应的历史刀具个数;
S32,确定相似度计算的范围:
设编号为i的历史刀具全生命周期的采样点数为Li,采样间隔为ts,当前时刻为t=k·ts,计算相似性的时间段为[(k-W)·ts,k·ts];
根据步骤S31分类算法的结果,确定工作刀具所处的退化阶段,在相应阶段的退化数据范围内进行相似度的计算;
S33,计算工作刀具和历史刀具的相似度Simi:
采用欧式距离作为相似度的衡量标准,计算窗口范围内工作刀具与编号为i的历史刀具的退化指标之间的欧式距离之和di:
其中,yhi(n)表示历史刀具i在第n个点的退化指标值,yw(n)表示工作刀具在第n个点的退化指标值,N表示窗口包含的数据点数;
工作刀具与历史刀具i的相似度Simi即为该距离的倒数:
S34,计算历史刀具i的权重wi:
S35,根据相似度计算结果计算工作刀具的剩余寿命:
历史刀具i的剩余使用寿命计算如下:
RULhi=(Li-Ni)·ts
其中,Ni为di最小时历史刀具i的位置;
所求的工作刀具的剩余使用寿命计算如下:
本发明功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,在一台计算机设备(可以是个人计算机,服务器,或者网络设备等)以及相应的软件中执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、或者光盘等各种可以存储程序代码的介质,进行测试或者实际的数据在程序实现中存在于只读存储器(Random Access Memory,RAM)、随机存取存储器(Random Access Memory,RAM)等。
Claims (10)
1.一种刀具寿命预测系统,其特征在于,包括退化模型库、数据采集模块和在线预测模块;
退化模型库,用于根据刀具型号和工况信息分别存储有刀具的退化阶段分类预测模型和不同阶段的退化轨迹数据;
数据采集模块,用于采集与刀具寿命相关的数据;
在线预测模块,用于根据采集的刀具型号和工况信息,从所述退化模型库中调用相应的退化阶段分类模型和不同阶段的退化轨迹数据;根据退化阶段分类模型先初步确定工作刀具的退化阶段,再根据退化阶段选择相应的退化轨迹进行相似性分析,最终预测出当前刀具的剩余使用寿命。
2.根据权利要求1所述的刀具寿命预测系统,其特征在于,所述根据退化阶段选择相应的退化轨迹进行相似性分析,包括:以对应的计算窗口大小为单位,以步长S滑动窗口,计算待测刀具和历史刀具在每个窗口范围内的相似度;如果判定为失效阶段,则直接报警提示刀具失效;若相似度小于设定的阈值,则使用历史刀具全生命周期的退化数据做相似性分析并预测剩余使用寿命。
3.根据权利要求1所述的刀具寿命预测系统,其特征在于,所述退化模型库包括特征提取模块和离线处理模块;
所述特征提取模块,用于提取振动信息特征和电信息特征;
所述离线处理模块,用于在离线阶段完成以下两类数据处理,并供所述在线预测模块调用,具体包括:
退化轨迹数据处理:首先获取刀具的全生命周期的数据,根据刀具型号和加工工况信息分类进行存储,获得刀具的退化轨迹,并对退化轨迹进行平滑处理,最后将所有退化轨迹存入所述退化模型库;
退化阶段分类预测模型训练处理:基于算法来确定工作刀具所处的退化阶段,并将刀具的退化阶段分为多个阶段,且模型输入为特征提取模块选出的特征,输出层为刀具的多个状态。
4.根据权利要求3所述的刀具寿命预测系统,其特征在于,在所述退化阶段分类预测模型训练处理中的算法包括XGBoost算法;且所述退化模型库包括以下两类模型:
基于XGBoost的退化阶段分类模型:以同一型号且相同加工工况信息的刀具数据为训练集,在离线处理模块中训练XGBoost模型,然后用于对待测刀具的退化阶段进行分类;刀具退化轨迹模型:存储历史刀具的退化数据。
5.根据权利要求1所述的刀具寿命预测系统,其特征在于,包括数据预处理模块和特征选择模块;
所述数据预处理模块,用于对数据采集模块采集来的数据进行预处理后发送给实时数据库;
所述特征选择模块,用于对特征提取模块提取出的特征进行筛选,首先对所有特征进行归一化处理,然后采用主成份分析法PCA来进行特征选择,选择最重要的设定数量个特征,进行模型训练。
6.根据权利要求1所述的刀具寿命预测系统,其特征在于,包括实时数据库、历史数据库和实时显示模块;
所述实时数据库,用于存储当前工作刀具的实时数据,供在线预测模块随时调用;
所述历史数据库,用于存储历史刀具的全生命周期数据,根据刀具的类型和加工工况情况,对刀具的全生命周期数据进行分类存储;
实时显示模块,用于根据在线预测模块的预测结果,实时显示工作刀具的退化阶段和剩余寿命,并在刀具处于失效阶段或者剩余寿命小于设定值时向设备管理人员发出报警信号。
7.根据权利要求1所述的刀具寿命预测系统,其特征在于,所述数据采集模块采集的信息包括两类信息,一类为机床PLC控制器的数据,另一类为外加传感器的数据。
8.根据权利要求5所述的刀具寿命预测系统,其特征在于,所述预处理包括数据清洗处理,用于去除空值点和异常值。
9.一种基于权利要求1~8任一项所述刀具寿命预测系统的方法,其特征在于,包括步骤:
S1,数据采集模块根据预先设定的采集频率采集设备PLC数据和外加传感器数据,并发送给数据预处理模块;
S2,数据预处理模块对原始数据进行数据清洗后发送给特征提取和选择模块,然后将处理后的特征发送给在线预测模块;
S3,在线预测模块首先根据待测刀具的型号和加工工况在退化模型库中选择对应的分类模型,判断刀具所处的退化阶段,然后在退化模型库中选择对应的退化轨迹中相应阶段的退化数据,并基于轨迹相似性计算刀具的剩余使用寿命。
10.根据权利要求9所述的方法,其特征在于,在步骤S3中,基于轨迹相似性计算刀具的剩余使用寿命,包括子步骤:
S31,确定相似度计算的窗口大小W和滑动步长S:
根据刀具所处的不同退化阶段,采用不同的公式计算窗口大小,包括:
滑动步长:Sj=Wj/5,j=1,2,3
其中,L1i、L2i、L3i和Li表示与该工作刀具的型号和工况相对应的历史刀具的初始阶段、平稳工作阶段、急速退化阶段和全生命周期的采样点数,Wr表示参考窗口大小,M为与该工作刀具的型号和工况相对应的历史刀具个数;
S32,确定相似度计算的范围:
设编号为i的历史刀具全生命周期的采样点数为Li,采样间隔为ts,当前时刻为t=k·ts,计算相似性的时间段为[(k-W)·ts,k·ts];
根据步骤S31分类算法的结果,确定工作刀具所处的退化阶段,在相应阶段的退化数据范围内进行相似度的计算;
S33,计算工作刀具和历史刀具的相似度Simi:
采用欧式距离作为相似度的衡量标准,计算窗口范围内工作刀具与编号为i的历史刀具的退化指标之间的欧式距离之和di:
其中,yhi(n)表示历史刀具i在第n个点的退化指标值,yw(n)表示工作刀具在第n个点的退化指标值,N表示窗口包含的数据点数;
工作刀具与历史刀具i的相似度Simi即为该距离的倒数:
S34,计算历史刀具i的权重wi:
S35,根据相似度计算结果计算工作刀具的剩余寿命:
历史刀具i的剩余使用寿命计算如下:
RULhi=(Li-Ni)·ts
其中,Ni为di最小时历史刀具i的位置;
所求的工作刀具的剩余使用寿命计算如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540200.2A CN114326593B (zh) | 2021-12-16 | 一种刀具寿命预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540200.2A CN114326593B (zh) | 2021-12-16 | 一种刀具寿命预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326593A true CN114326593A (zh) | 2022-04-12 |
CN114326593B CN114326593B (zh) | 2024-05-03 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114952422A (zh) * | 2022-06-07 | 2022-08-30 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工刀具状态实时预测方法 |
CN117170306A (zh) * | 2023-10-31 | 2023-12-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1195668A1 (de) * | 2000-09-27 | 2002-04-10 | LIEBHERR-VERZAHNTECHNIK GmbH | Prozessüberwachung zur Verschleisserkennung an Verzahnungswerkzeugen |
WO2015094221A1 (en) * | 2013-12-18 | 2015-06-25 | Halliburton Energy Services, Inc. | Cutting structure design with secondary cutter methodology |
US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
CN106169001A (zh) * | 2016-07-11 | 2016-11-30 | 北京航空航天大学 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
CN107742194A (zh) * | 2017-11-30 | 2018-02-27 | 成都航天科工大数据研究院有限公司 | 一种工业设备全生命周期管理系统及方法 |
CN109615643A (zh) * | 2018-12-11 | 2019-04-12 | 成都航天科工大数据研究院有限公司 | 一种基于加工画像分析的机床故障预警方法 |
JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
WO2019219906A1 (en) * | 2018-05-18 | 2019-11-21 | Element Six (Uk) Limited | Polycrystalline diamond cutter element and earth boring tool |
US20190369598A1 (en) * | 2018-05-29 | 2019-12-05 | Fanuc Corporation | Life predicting device and machine learning device |
CN112329253A (zh) * | 2020-11-12 | 2021-02-05 | 成都航天科工大数据研究院有限公司 | 一种工件寿命预测的方法、装置及存储介质 |
CN112364567A (zh) * | 2020-11-18 | 2021-02-12 | 浙江大学 | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 |
CN112631204A (zh) * | 2020-12-14 | 2021-04-09 | 成都航天科工大数据研究院有限公司 | 一种数控机床健康管理平台、终端、系统和方法 |
WO2021164137A1 (zh) * | 2020-02-21 | 2021-08-26 | 青岛理工大学 | 数控机床刀具状态监测及控制系统与方法 |
CN113465923A (zh) * | 2021-06-08 | 2021-10-01 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
CN113656965A (zh) * | 2021-08-16 | 2021-11-16 | 中国人民解放军火箭军工程大学 | 一种两阶段退化设备的剩余寿命预测方法及系统 |
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1195668A1 (de) * | 2000-09-27 | 2002-04-10 | LIEBHERR-VERZAHNTECHNIK GmbH | Prozessüberwachung zur Verschleisserkennung an Verzahnungswerkzeugen |
WO2015094221A1 (en) * | 2013-12-18 | 2015-06-25 | Halliburton Energy Services, Inc. | Cutting structure design with secondary cutter methodology |
US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
CN106169001A (zh) * | 2016-07-11 | 2016-11-30 | 北京航空航天大学 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
CN107742194A (zh) * | 2017-11-30 | 2018-02-27 | 成都航天科工大数据研究院有限公司 | 一种工业设备全生命周期管理系统及方法 |
WO2019219906A1 (en) * | 2018-05-18 | 2019-11-21 | Element Six (Uk) Limited | Polycrystalline diamond cutter element and earth boring tool |
US20190369598A1 (en) * | 2018-05-29 | 2019-12-05 | Fanuc Corporation | Life predicting device and machine learning device |
CN109615643A (zh) * | 2018-12-11 | 2019-04-12 | 成都航天科工大数据研究院有限公司 | 一种基于加工画像分析的机床故障预警方法 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110303380A (zh) * | 2019-07-05 | 2019-10-08 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
WO2021164137A1 (zh) * | 2020-02-21 | 2021-08-26 | 青岛理工大学 | 数控机床刀具状态监测及控制系统与方法 |
CN112329253A (zh) * | 2020-11-12 | 2021-02-05 | 成都航天科工大数据研究院有限公司 | 一种工件寿命预测的方法、装置及存储介质 |
CN112364567A (zh) * | 2020-11-18 | 2021-02-12 | 浙江大学 | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 |
CN112631204A (zh) * | 2020-12-14 | 2021-04-09 | 成都航天科工大数据研究院有限公司 | 一种数控机床健康管理平台、终端、系统和方法 |
CN113465923A (zh) * | 2021-06-08 | 2021-10-01 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种磨煤机磨辊轴承的剩余寿命预测方法 |
CN113656965A (zh) * | 2021-08-16 | 2021-11-16 | 中国人民解放军火箭军工程大学 | 一种两阶段退化设备的剩余寿命预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHRISTOPHE LETOT,等: "Cutting tools reliability and residual life prediction from degradation indicators in turning process", SPRINGER, 31 December 2016 (2016-12-31), pages 495 - 506 * |
黄志平,等: "基于数据驱动的铣削刀具寿命预测研究", 管理与信息化, no. 1, 31 December 2020 (2020-12-31), pages 153 - 161 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114952422A (zh) * | 2022-06-07 | 2022-08-30 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工刀具状态实时预测方法 |
CN114952422B (zh) * | 2022-06-07 | 2023-10-27 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工刀具状态实时预测方法 |
CN117170306A (zh) * | 2023-10-31 | 2023-12-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
CN117170306B (zh) * | 2023-10-31 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10695884B2 (en) | Tool wear monitoring and predicting method | |
CN110900307B (zh) | 一种数字孪生驱动的数控机床刀具监控系统 | |
JP6404893B2 (ja) | 工具寿命推定装置 | |
CN108500736B (zh) | 工具状态推定装置以及机床 | |
US6845340B2 (en) | System and method for machining data management | |
CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
Zhou et al. | Intelligent diagnosis and prognosis of tool wear using dominant feature identification | |
Boutros et al. | Detection and diagnosis of bearing and cutting tool faults using hidden Markov models | |
CN113569903B (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
US7383097B2 (en) | Method for managing machine tool data | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN112692646B (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
CN113043073A (zh) | 一种刀具磨损及寿命预测方法及装置 | |
CN112859741A (zh) | 一种机床顺序动作单元运行可靠性评价方法及系统 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
Yan et al. | Precognitive maintenance and probabilistic assessment of tool wear using particle filters | |
Park et al. | Prediction of the CNC tool wear using the machine learning technique | |
Bonci et al. | Machine learning for monitoring and predictive maintenance of cutting tool wear for clean-cut machining machines | |
CN115344951A (zh) | 基于时间卷积网络和辅助学习的刀具磨损量预测方法 |
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 |