CN114670062A - 一种钻孔刀具磨损状态实时检测方法及系统 - Google Patents

Abstract

本发明公开了一种钻孔刀具磨损状态实时检测方法及系统，该检测方法包括：首先采集采集历史刀具运行数据，并按照钻孔周期构造样本数据；而后根据刀具磨损情况生成样本标签，并对各个样本数据进行特征构造；最后利用机器学习分类算法进行模型训练，并实时捕获每个钻孔周期的刀具运行数据，送入模型中进行刀具磨损状态的实时检测。本发明针对钻孔刀具的工作特性，通过传感器采集信号，然后基于采集信号进行数据分析和特征提取，最后使用机器学习算法对刀具磨损状态进行在线识别，可以实现每钻一个孔实时判断一次刀具磨损状态，更具实用性、有效性和准确性，进而提高加工精度和生产效率，降低返工率，提高刀具的使用率。

Description

一种钻孔刀具磨损状态实时检测方法及系统

技术领域

本发明涉及一种钻孔刀具磨损状态实时检测方法及系统，属于数控机床自动化检测技术领域。

背景技术

刀具是数控机床的切削工具，在数控机床加工过程中有着无可替代的地位。数控机床的刀具工作环境复杂，故障发生率高，易损坏，因此准确实现数控机床的刀具磨损状态检测，对避免经济损失具有重要意义。在切削过程中，刀具最容易产生损伤，严重的刀具磨损会导致加工的零件精度不够或者加工不合格。研究表明，由刀具损坏引起的停机时间占总停机时间的20%左右。针对这种情况，有必要对其磨损状态进行实时检测。

目前大多工厂仍然采用凭借工人经验判断刀具是否磨损的方式，比较耗时耗力而且不能做到实时检测。一方面如果不能及时的判断刀具磨损，会导致工件的加工精度不够，需要返工；另一方面，如果通过频繁换刀保证质量则会导致刀具浪费，成本较高。因此进行刀具磨损状态的实时监测是非常有必要的。

发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种钻孔刀具磨损状态实时检测方法及系统，能够实现每钻一个孔实时判断一次刀具磨损状态，不需要等工件加工完停止之后再做判断，能够做到实时精准检测，只要发生磨损即可检测出来，立刻停止加工进行换刀，进而保证工件钻孔的一致性。

技术方案：为实现上述目的，本发明提供一种钻孔刀具磨损状态实时检测方法，包括以下步骤：

步骤1：采集历史刀具运行数据，包括主轴负载、主轴转速、电流数据等；

步骤2：按照钻孔周期构造样本数据；

步骤3：根据刀具磨损情况（可以根据刀具运行数据的表现以及刀具由于磨损而更换新刀的时间等进行判断）生成样本标签；

步骤4：对各个样本数据进行特征构造以获取特征集合；

步骤5：利用机器学习分类算法根据获取的特征集合进行模型训练，得到刀具磨损检测模型；

步骤6：实时捕获每个钻孔周期的刀具运行数据，经特征构造后输入到检测模型中进行刀具磨损状态的实时检测。

进一步的，所述步骤2具体包括：

步骤2.1：设一次连续的刀具运行数据为df，则从中筛选出主轴负载为零的数据，并获取该部分数据的索引，生成一个索引列表，记为zero_index；

步骤2.2：筛选出zero_index中主轴负载连续为零（即为周期之间的间隔）的数据，生成周期之间间隔的索引列表zero_index_final；

步骤2.3：从df的所有索引中过滤掉zero_index_final内的索引，生成所有钻孔周期的索引列表，记为run_index；

步骤2.4：根据钻孔周期的连续性从run_index中提取出每个周期的运行数据，由此生成样本数据。

进一步的，所述步骤2.2具体包括：

首先设置count=1，i=1，然后开始循环判断：如果zero_index[i+1]-zero_index[i]=1（即连续为零），则count加1，同时i加1，否则记录下此时的count以及zero_index[i]，并重新将count置为1，且i加1；

直到i=len-1则停止循环，并判断zero_index[i+1]-zero_index[i]=1是否成立，若是则在count加1且i加1后，记录下count以及zero_index[i]的值，否则直接记录下count以及zero_index[i]的值（即捕获最后一段连续为零的序列），其中len为zero_index的总长度；

最后将所有记录的count与zero_index[i]一一对应，并逐一进行判断：如果count大于α（避免误判），则将(zero_index[i]-count,zero_index[i]+1）范围内的索引加入到zero_index_final中，其中α为设定参数。

进一步的，所述步骤2.4具体包括：

首先设置run_count=1，j=1，然后开始循环判断：如果run_index[j+1]-run_index[j]=1（即为连续的周期），则run_count加1，同时j加1，否则记录下此时的run_count以及run_index[j]，并重新将run_count置为1，且j加1；

直到j=L-1则停止循环，并判断run_index[j+1]-run_index[j]=1是否成立，若是则在run_count加1且j加1后，记录下run_count以及run_index[j]的值，否则直接记录下run_count以及run_index[j]的值（即捕获最后一个周期），其中L为run_index的总长度；

最后将所有记录的run_count与run_index[j]一一对应，并逐一进行判断：如果run_count大于β（避免误判），则提取出(run_index[j]-run_count，run_index[j]+1）范围内的索引，其对应的数据即为一个样本数据，其中β为设定参数。

进一步的，所述步骤4中所构造的特征包括：

A、主轴负载以及电流数据的中位数、75%分位数、最大值、均值、方差；

B、主轴负载以及电流数据一阶差分的方差以及一阶差分不等于零的个数；

C、主轴转速的均值。

进一步的，所述机器学习分类算法包含xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯等一种独立算法或多种算法融合。

进一步的，所述步骤6具体包括：

步骤6.1：通过空列表存放新的刀具运行数据；

步骤6.2：实时捕获钻孔周期的起始点：将第一个主轴负载不为零的索引记为start_index，从列表中剔除掉start_index之前的数据，保留start_index之后的数据；

步骤6.3：实时捕获钻孔周期的结束点：判断列表中的最后n个主轴负载是否同时为零，若是则找到最后一个主轴负载不为零的索引，记为end_index，并从列表中剔除掉end_index之后的数据，即可得到一个周期的刀具运行数据，其中n为设定参数；

步骤6.4：判断列表的长度是否大于β（避免误判），若是则进行特征构造，输入到训练后的检测模型中进行刀具磨损状态的实时检测，同时将列表清空后继续捕获下一个周期的刀具运行数据，否则直接将列表清空后继续更新数据。

此外，本发明还提供了一种钻孔刀具磨损状态实时检测系统，包括数据采集模块和数据处理模块，其中数据处理模块利用上述钻孔刀具磨损状态实时检测方法，根据数据采集模块所采集的刀具运行数据进行刀具磨损状态的实时检测。

有益效果：本发明针对钻孔刀具的工作特性，通过实时采集刀具钻孔过程中的传感信号，一方面基于数据分析的方法，可以实现钻孔事件的准确判断，另一方面基于机器学习的方法，可以实现刀具磨损的实时检测，进而实现每钻一个孔实时判断一次刀具磨损状态，更具实用性、有效性和准确性，进而提高加工精度，降低返工率，提高刀具的使用率。这样不需要等工件加工完停止之后再做判断，而是做到实时精准检测，只要发生磨损即可检测出来，立刻停止加工进行换刀，充分保证工件钻孔的一致性。

附图说明

图1为本发明实施例中钻孔刀具磨损状态实时检测方法的流程图；

图2为本发明实施例中钻孔刀具加工一个工件的主轴负载图；

图3为本发明实施例中钻孔刀具磨损检测模型预测结果的混淆矩阵。

具体实施方式

下面将结合附图对本发明的优选实施方式进行描述，更加清楚、完整地阐述本发明的技术方案。

如图1所示为一种钻孔刀具磨损状态实时检测方法，包括以下步骤：

步骤1：采集历史刀具运行数据（包括主轴负载、主轴转速、电流数据等）以及刀具由于磨损而更换新刀的时间。

步骤2：将刀具运行数据按照钻孔周期构造样本数据；

如图2所示，假设刀具加工一个工件时进行一次连续的切削动作产生的运行数据为df，对应的钻孔个数为N，则df会产生N个周期，每个周期作为一条样本数据，即一次连续的切削动作共计产生N个样本，本实施例中N=24。

步骤2.1：筛选出df中主轴负载为零的数据，并获取该部分数据的索引，生成一个索引列表，记为zero_index。

步骤2.2：从zero_index中筛选出主轴负载连续为零的索引，生成周期与周期之间间隔的索引列表zero_index_final；

首先设置count=1，i=1，然后遍历zero_index里的每一个值，如果zero_index[i+1]-zero_index[i]=1，则count加1，同时i加1，否则记录下此时的count以及zero_index[i]，并重新将count置为1，且i加1；

直到i=len-1则停止循环，并判断zero_index[i+1]-zero_index[i]=1是否成立，若是则在count加1且i加1后，记录下count以及zero_index[i]的值，否则直接记录下count以及zero_index[i]的值（即捕获最后一段连续为零的序列），其中len为zero_index的总长度；

最后将所有记录的count与zero_index[i]一一对应，并逐一进行判断：如果count大于α（避免误判），则将对应的(zero_index[i]-count,zero_index[i]+1）范围内的索引加入到zero_index_final中，实施例中α=2。

步骤2.3：从df的所有索引中，过滤掉周期与周期之间间隔的数据索引，即上一步生成的zero_index_final，生成所有实际刀具运行数据的索引，记为run_index。

步骤2.4：获取最终每个周期的运行数据；

首先设置run_count=1，j=1，然后遍历run_jndex中的每一个值，如果run_jndex[j+1]-run_jndex[j]==1,则run_count加1，同时j加1，否则记录下此时的run_count以及run_jndex[j]，并重新将run_count置为1，且j加1；

直到j=L-1则停止循环，并判断run_index[j+1]-run_index[j]=1是否成立，若是则在run_count加1且j加1后，记录下run_count以及run_index[j]的值，否则直接记录下run_count以及run_index[j]的值（即捕获最后一个周期），其中L为run_index的总长度；

最后将所有记录的run_count与run_jndex[j]一一对应，并逐一进行判断：如果run_count大于β（避免误判），则提取出(run_jndex[j]-run_count，run_jndex[j]）范围内的索引，其对应的数据即为一个周期的数据（也就是一个样本数据），实施例中β=10。

步骤3：基于刀具运行数据的表现和由于磨损而更换新刀的时刻为每个样本打标签，标签分为是否磨损两类。

步骤4：特征构造；

按照每个周期的数据进行如下特征构造：

A、主轴负载以及电流数据的中位数、75%分位数、最大值、均值、方差等统计特征；

B、主轴负载以及电流数据一阶差分的方差以及一阶差分不等于零的个数；

C、主轴转速的均值。

步骤5：模型训练与部署；

选择任意机器学习分类算法，包含xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯等一种独立算法或多种算法融合进行模型训练。

如图3所示，对训练后的检测模型进行小样本测试，并根据其预测结果与真实结果来构建混淆矩阵，由该混淆矩阵可知，该检测模型的查准率约为95.83%。

步骤6：实时捕获每个周期的刀具运行数据，进行刀具磨损的实时在线检测；

步骤6.1：设置三个空列表spindle_load_list、spindle_speed_list、current_list，用于同步存放新的主轴负载、主轴转速和电流数据（实时更新）。

步骤6.2：实时捕获周期开始的位置；

当列表中存放数据超过10个时，判断主轴负载的最大值是否等于零，若等于零，则将三个列表中的数据清空；若不等于零，则找到第一个主轴负载不为零的索引，记为start_index，将三个列表同时剔除掉start_index之前的值，只保留从start_index开始之后的值。

步骤6.3：实时捕获周期结束的位置；

随着数据更新，实时判断主轴负载列表spindle_load_list的最后三个值是否同时为零，若同时为零，则找到最后一个主轴负载不为零的索引，记为end_index，将三个列表同时剔除掉end_index之后的值，至此三个列表中的数据为一个周期的数据。

步骤6.4：判断三个列表的长度是否大于β（避免误判），若大于β则进行构造特征，送入模型进行刀具磨损状态的实时预测，同时将三个列表清空，继续捕获下一个周期的刀具运行数据，否则直接将三个列表清空后继续更新数据。

此外，本发明还提供了一种钻孔刀具磨损状态实时检测系统，包括数据采集模块和数据处理模块，其中数据采集模块包括但不限于电流传感器、压力传感器、速度传感器等，数据处理模块利用上述钻孔刀具磨损状态实时检测方法，根据所采集的刀具运行数据进行刀具磨损状态的实时检测。

本发明通过传感器采集信号，然后基于采集信号进行数据分析和特征提取，最后使用机器学习算法对刀具磨损状态进行在线识别，可以在刀具发生损坏时及时发现并采取相应对策，进而提高生产效率，降低生产成本，有效提高加工精度。

上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。

Claims (8)

1.一种钻孔刀具磨损状态实时检测方法，其特征在于，包括以下步骤：

步骤1：采集历史刀具运行数据，包括主轴负载、主轴转速、电流数据；

步骤2：按照钻孔周期构造样本数据；

步骤3：根据刀具磨损情况生成样本标签；

步骤4：对各个样本数据进行特征构造以获取特征集合；

步骤5：利用机器学习分类算法根据获取的特征集合进行模型训练，得到刀具磨损检测模型；

步骤6：实时捕获每个钻孔周期的刀具运行数据，经特征构造后输入到检测模型中进行刀具磨损状态的实时检测。

2.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述步骤2具体包括：

步骤2.1：设一次连续的刀具运行数据为df，则从中筛选出主轴负载为零的数据，并获取该部分数据的索引，生成一个索引列表，记为zero_index；

步骤2.2：筛选出zero_index中主轴负载连续为零的数据，生成周期之间间隔的索引列表zero_index_final；

步骤2.3：从df的所有索引中过滤掉zero_index_final内的索引，生成所有钻孔周期的索引列表，记为run_index；

步骤2.4：根据钻孔周期的连续性从run_index中提取出每个周期的运行数据，由此生成样本数据。

3.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述步骤2.2具体包括：

首先设置count=1，i=1，然后开始循环判断：如果zero_index[i+1]-zero_index[i]=1，则count加1，同时i加1，否则记录下此时的count以及zero_index[i]，并重新将count置为1，且i加1；

直到i=len-1则停止循环，并判断zero_index[i+1]-zero_index[i]=1是否成立，若是则在count加1且i加1后，记录下count以及zero_index[i]的值，否则直接记录下count以及zero_index[i]的值，其中len为zero_index的总长度；

最后将所有记录的count与zero_index[i]一一对应，并逐一进行判断：如果count大于α，则将(zero_index[i]-count,zero_index[i]+1）范围内的索引加入到zero_index_final中，其中α为设定参数。

4.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述步骤2.4具体包括：

首先设置run_count=1，j=1，然后开始循环判断：如果run_index[j+1]-run_index[j]=1,则run_count加1，同时j加1，否则记录下此时的run_count以及run_index[j]，并重新将run_count置为1，且j加1；

直到j=L-1则停止循环，并判断run_index[j+1]-run_index[j]=1是否成立，若是则在run_count加1且j加1后，记录下run_count以及run_index[j]的值，否则直接记录下run_count以及run_index[j]的值，其中L为run_index的总长度；

最后将所有记录的run_count与run_index[j]一一对应，并逐一进行判断：如果run_count大于β，则提取出(run_index[j]-run_count，run_index[j]+1）范围内的索引，其对应的数据即为一个样本数据，其中β为设定参数。

5.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述步骤4中所构造的特征包括：

A、主轴负载以及电流数据的中位数、75%分位数、最大值、均值、方差；

B、主轴负载以及电流数据一阶差分的方差以及一阶差分不等于零的个数；

C、主轴转速的均值。

6.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述机器学习分类算法包含xgboost、lightGBM、随机森林、支持向量机、朴素贝叶斯中的一种独立算法或多种算法融合。

7.根据权利要求1所述的一种钻孔刀具磨损状态实时检测方法，其特征在于，所述步骤6具体包括：

步骤6.1：通过空列表存放新的刀具运行数据；

步骤6.2：实时捕获钻孔周期的起始点：将第一个主轴负载不为零的索引记为start_index，从列表中剔除掉start_index之前的数据，保留start_index之后的数据；

步骤6.3：实时捕获钻孔周期的结束点：判断列表中的最后n个主轴负载是否同时为零，若是则找到最后一个主轴负载不为零的索引，记为end_index，并从列表中剔除掉end_index之后的数据，即可得到一个周期的刀具运行数据，其中n为设定参数；

步骤6.4：判断列表的长度是否大于β，若是则进行特征构造，输入到训练后的检测模型中进行刀具磨损状态的实时检测。

8.一种钻孔刀具磨损状态实时检测系统，其特征在于，包括数据采集模块和数据处理模块，其中数据处理模块利用权利要求1~7任一所述检测方法，根据数据采集模块所采集的刀具运行数据进行刀具磨损状态的实时检测。

Images