CN114800040B - 工艺-状态数据关联的刀具磨损监测方法及系统 - Google Patents

Abstract

工艺‑状态数据关联的刀具磨损监测方法及系统。数控切削加工过程中经常需要多把刀具参与切削任务，机床执行换刀后传感器监测到的时间序列信号难以与对应刀具相匹配。提出通过同步采集机床工艺数据与状态数据并进行关联映射方法，解决海量时间维度机床状态信息与刀具名称等工艺信息割裂问题。基于主轴电流信号有效值将小波包敏感频带能量特征与经EMD分解后的基本模式分量时域特征作为反映刀具磨损演化的故障特征，将多个特征融合为单一监测指标来表征刀具磨损演化过程。在磨损失效阈值选择上，将零件加工精度要求与失效阈值相关联来精准制定。本发明基于工艺数据‑状态数据关联信息诊断刀具磨损演化程度，提高了通过监测特征在线评估刀具磨损程度的可靠性。

Description

工艺-状态数据关联的刀具磨损监测方法及系统

技术领域

本发明属于机床切削加工过程智能监控领域，特别涉及工艺-状态数据关联的刀具磨损监测方法及系统。

背景技术

智能制造战略中一个最重要的发展方向是建设无人值守生产线或无人化工厂。目前机床还不能实时获取加工过程中的刀具演化状态，导致自动化加工过程还需要人工的干预。有时出现换刀不及时导致的零件加工质量超差，严重时会损坏机床。传统依赖工人经验换刀的现状阻碍了无人值守智能加工生产线的发展，迫切需要机床具备实时监测切削加工过程刀具健康状态的功能模块。基于在线监测技术可以通过实时提取切削加工过程中传感器信号中蕴含反映刀具磨损状态变化的敏感信息，对刀具健康磨损状态进行及时准确的辨识。在此基础上对刀具磨损的演化趋势和剩余寿命进行预测，从而可以采取提前换刀、改变切削参数等措施降低刀具磨损对于加工表面质量和尺寸精度的影响。

国内外不少成熟的商业化应用软件如意大利MARPOSS ARTIS、德国KOMETToolScope、山特维克Process Control等应用带宽监测策略实现了大批量切削加工场景下的刀具异常监测。这种监测方法需要先以正常刀具的切削加工状态数据作为基准曲线，使用磨损刀具加工获得加工曲线，根据新刀具和磨损刀具的加工数据设定报警上限值和下限值。上限值用于监测因挤屑、工件硬点等原因造成的刀具破损，下限值用于检测刀具断裂、工件缺失或者重复加工等情况。

基于带宽监测策略在某些复杂零件整个切削加工过程中具有较好的效果，由于切削加工工况顺序、工步与切削参数固定，不必区分具体使用什么类型刀具，使用什么样的切削用量，在大批量制造方面具有一定优势。然而，这种监测方法具有一定的局限性，为保证标准曲线与监测曲线同步与分段监测需要对数控代码进行解析与改动。某些零件监测方案一旦确定后，一般不轻易改动，否则小的切削参数优化都需要重新学习。然而，真实零件在加工过程中，往往会不断优化数控加工工艺以提高产品质量。此外，这种监测策略也难以应用于单件小批量的制造场景发挥作用，且对刀具磨损监测的敏感性差。

通过对监测指标设置统一阈值的策略实现对每把刀具的健康状态进行监测是另外一种手段，不再局限于大批量刚性加工场合，而且可对刀具磨损、刀具破损等监测问题同时兼顾，具有较大的应用潜力。这种监测方法主要关注完成当前零件切削加工使用的每把刀具是否在有效寿命范围内，对数控代码基本无改动。这种监测方法相比较带宽监测策略具有很大的优势，但也引入了新的问题。由于工序改变机床会换用不同刀具，刀具在寿命周期内，使用时间间断不连续，刀具磨损衰退过程具有累积效应，如何将不同时刻时间序列的刀具衰退数据关联到每把刀具寿命衰减上成为核心问题。

目前，基于数据驱动刀具状态监测方法只考虑了切削加工过程中状态响应信号的特征提取与指标构建，忽视了对于数据工况信息、加工任务指令信息等的关联。切削加工过程包含多种加工因素，其中包括零件工序切换、刀具更替、切削参数改变，仅通过基于时域传感器信号难以准确匹配对应加工任务、零件特征、使用刀具名称、程序等，这对数据分析与处理带来极大难度。当传感器数据特征幅值发生突然改变时，可能是加工状态的异常，也可能是加工任务的改变，数据改变的因素难以体现在时域标签上。

针对上述问题，华中9型——新一代人工智能数控系统利用指令数据用数控系统内部的指令数据(指令行、指令位置和指令速度)实现对数据的工况标记与描述，在时域分析和频域分析的基础上实现对机床的智能监控。公布号CN109765841A公开了一种在线监测数据与零件加工位置的时空映射方法，克服现有数控系统数据采集方法实用性差。通过时空映射方法可以将零件加工过程中的监测数据与加工位置坐标实现一一对应，将时域采集到的监控信号映射到零件位置的空间信号。公布号CN 109909804 B公开了基于主轴驱动电流和工步的刀具磨损破损在线监测方法，通过实现与数控系统通信获取加工工步信息，同时监测主轴驱动电流和负荷，根据每个工步加工中瞬时主轴电流或瞬时负荷随加工过程偏离正常加工中的瞬时电流/负荷变化规律的情况判定刀具破损。

通过上述分析，现有技术还存在如下不足：

(1)对于阈值监测刀具磨损策略中，对刀具更换后传感器数据与对应刀具匹配问题没有提及，仅通过时间传感器维度信息难以得知其隶属于哪把刀具，数据波动的原因是刀具磨损演化还是工况参数改变引起的。

(2)在刀具磨损失效阈值设置上，大多通过统计现场失效刀具的磨损程度来制定，这种方式仅关注刀具磨损程度，未直接映射到零件已加工表面精度上，这种磨损失效阈值设置方法会增加零件不合格率的风险。

发明内容

本发明的目的在于提供工艺-状态数据关联的刀具磨损监测方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

工艺-状态数据关联的刀具磨损监测方法及系统，包括以下步骤：

采集高频机切削加工过程中的状态数据和机床数控系统内部读取的工艺数据；

对采集到的数据进行预处理；

对采集到的状态数据，以刀具名称为参考，进行数据分割，将数据分割后的每段归类到对应刀具的文件中；

通过机床数控内部数据实时监测材料去除率，仿真铣削力，与间接估计切削力，计算因刀具磨损而增加的切削力成分；

通过对高频机主轴电流信号进行信号分解得到磨损特征；

通过计算磨损特征的均方根值进行指标融合与降维；

通过融合特征的归一化处理简化刀具磨损监测阈值的选取，计算失效阈值，连续两次达到失效阈值时报警，两次达到失效阈值之间的时间间隔可根据现场工况设定。

进一步的，状态数据可通过安装于主轴侧壁的三向加速度传感器获取，或者通过夹持于机床电气柜主轴电机电流电线上的电流钳采集；

通过机床数控系统读取数据的读取方式包括：OPC UA协议或者边缘计算模块；数控系统内部数据包括反映主轴切削负载的主轴功率、主轴电流、主轴扭矩，以及反映刀具位置变化的X/Y/Z坐标，以及反映切削加工工艺过程的切削参数、刀具名称、程序名称。

进一步的，预处理流程：异常点剔除、插值处理、零均值化处理、消除趋势项、滤波与平滑处理。

进一步的，分割后的数据片段包含对应刀具名称、时间序列的切削参数、位置坐标和程序名称。

进一步的，铣削力实时仿真预测，输入铣削力模型的数据包括：主轴转速、进给速度、X/Y/Z坐标位置解析后得到的切削宽度、切削深度；给出刀具切削刃微元所承受的切削力表达如下式(1)所示：

K_tc,K_rc,K_ac分别为切向、径向、轴向力系数；K_te,K_re,K_ae分别为切向、径向、轴向刃口力系数。dz为切削刃微元高度；h＝f_tsinφ_jl为瞬时切屑厚度，f_t为每齿进给量；

材料去除率实时计算，通过输入进给速度、切削宽度、切削深度获得，计算公式如下式(2)所示：

MMR(t)＝v_f·a_p·a_e (2)

铣削力间接估计：切削力实时估计可通过主轴电机电流信号计算，切削力间接估计公式如下式(3)所示：

K_t表示主轴电机扭矩常数，查阅手册或实验标定，I_q切削加工过程中电流有效值，I_q0空转电流有效值，R刀具半径。

进一步的，磨损特征提取：考虑到生产现场切削工况变化情况，对切削参数进行充分分析发现，在零件加工过程中，选取的切削参数基本保持不变，仅在某些拐角等特征处会适当放慢切削速度，但都持续时间很短暂。因而选择如下刀具磨损监测指标构建方法。

通过对主轴电流信号进行信号分解，具体方法包括小波包分解与经验模式分解；

上式(4)表示经验模态分解中，将原始信号x(t)分解为若干基本模式分量和一个余项的和。c_i(t)表示第i个基本模式分量，r_n(t)表示原始信号余项。

磨损特征1：采用小波包分解技术对预处理后的主轴电机电流数据进行三层小波包分解，获取8个不同频带内的信号能量，通过判断频带能量特征曲线是否总体呈现单调趋势，选择与刀具磨损演化趋势强相关的频带作为敏感故障特征之一；

磨损特征2：应用一维离散小波变换分解与重构主轴电机电流信号，采用db1小波基函数，低频系数ca1和高频系数cd1，从产生的系数ca1和cd1构造第一层的低频a1和高频d1系数；针对分解与重构出的低频段近似信号a1进行经验模式分解EMD得到多个基本模式分量IMF，选择与刀具磨损敏感的IMF进行时域、频域特征提取，并作为反应刀具磨损演化的故障特征。

进一步的，特征融合：对切削状态数据提取特征并进行归一化处理消除特征间的数量级差异问题；归一化后反映刀具磨损退化的特征从1开始逐步递增，当新刀切削时，该指标在1上下波动，随着刀具磨损程度增加该指标逐步偏离1；通过计算磨损特征的均方根值RMS来实现指标融合与降维。指标融合方法如下式(4)所示：

进一步的，失效阈值计算：

F(jω)＝X(jω)·H(jω)^-1 (5)

式中，X(jω)表示频域位移向量；F(jω)表示刀具磨损后切削力激励；H(jω)表示机床刀尖点频响函数矩阵；

给出基于虚拟工件质量的刀具磨损失效阈值计算方法，虚拟表面质量取决于各个方向的总切削力，切削力由切削参数与刀具磨损程度两部分决定，计算刀具磨损而增加的切削力成分的公式如下式(6)所示：

ΔF_x,ΔF_y,ΔF_z表示因刀具磨损而增加的切削力分量；F_x-mea,F_y-mea,F_y-mea表示测量切削力；F_x-pre,F_y-pre,F_z-pre表示基于切削力模型的仿真切削力；

通过实验标定刀具在真实切削参数下磨损演化过程中增加的切削力与监测指标之间的对应关系；在选用不同切削参数切削加工时，根据允许的刀具磨损切削力来实时合理制定阈值；

根据表面质量要求以及机床刀尖点频响函数矩阵求解得到的最大允许的切削力激励；通过解析计算分离得到切削参数与刀具磨损程度分别对切削力的贡献成分，获得因刀具磨损而增加的切削力成分；通过标定因刀具磨损而增加的切削力与监测指标的映射关系，根据切削参数实时判定使用当前磨损程度刀具切削时总的切削力频率能量和是否超过最大允许值；

进一步的，工艺-状态数据关联的刀具磨损监测系统，包括：

采集模块，用于采集高频机床切削加工过程中的状态数据和机床数控系统内部读取的工艺数据；

处理模块，用于对采集到的数据进行预处理；

数据分割模块，用于对采集到的状态数据，以刀具名称为参考，进行数据分割，将数据分割后的每段归类到对应刀具的文件中；

切削力成分计算模块，用于通过机床数控内部数据实时监测材料去除率，仿真铣削力，与间接估计切削力，计算因刀具磨损而增加的切削力成分；

磨损特征计算模块，用于通过对高频机主轴电流信号进行信号分解得到磨损特征；

特征融合模块，用于通过计算磨损特征的均方根值进行指标融合与降维；

失效阈值计算模块，用于通过融合特征的归一化处理简化刀具磨损监测阈值的选取，计算失效阈值，连续两次达到失效阈值时报警。

与现有技术相比，本发明有以下技术效果：

本发明提出建立数控机床工作任务指令与运行状态数据之间匹配映射方法。利用G代码程序指令自动触发实现数控系统加工任务指令与传感器数据同步在线采集，保证了两类不同来源数据的同步性。

本发明以零件切削加工过程中刀具名称的变化为依据，从而实现对传感器采集到的状态数据进行分段预处理，将同一把刀具不同切削时刻的磨损数据进行数据清洗、片段裁剪与拼接，进而得到每把刀具生命周期内制造数据。在得到刀具全周期磨损退化基础上，可实现对刀具磨损状态监测以及产品质量追溯。

本发明提出基于小波包频带能量监测法与EMD分解方法相融合的刀具磨损监测指标构建方法，通过监测指标归一化处理实现不同特征间的融合。通过鲁棒性与容错性强的监测指标提高监测准确率，减少误报。

本发明提出的刀具磨损监测算法能够实现很好的监测效果。通过在真实切削现场调研发现，粗加工偏向于选用可转位刀具，精加工一般选取整体式刀具，粗精加工刀具之间基本不会混用。对于某把刀具一次工序粗、精加工一起完成的场合，在监测失效阈值设计上以精加工为标准。不管在粗加工还是精加工过程中，大多数切削工况都会选用机床刀具厂商提供的最优切削参数，只有在拐角等特征场合会适当降低进给速度，而且持续时间很短。因此，在切削加工现场，大部分都是处于固定切削参数加工，该算法通过现场测试具有很好的效果。

附图说明

图1为NC指令数据与传感器监测数据关联映射示意图

图2为真实零件加工特征与切削参数变化示意图

图3为刀具磨损特征提取示意图

图4为基于小波包频带能量与EMD分解IMF的无量纲监测指标

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图4，本发明通过提出的工艺数据-状态数据关联映射方法，需要通过电流传感器等安装于机床床身的外置高精度传感器实时采集机床切削加工过程中伴随产生的响应信号。此外，需要通过机床数控系统采集NC指令数据与光栅尺反馈数据等，这些数据涵盖切削参数、刀具名称、程序名称、当前程序行、刀具直径、刀具齿数、采样频率等工艺参数与采样信息。通过数控系统数据可实时将工序切换机床换刀等工艺过程信息与机床传感器大数据信息同步关联，将单一时间维度的传感器数据重构为多维度、多尺度信息，为研究变转速、变负载刀具磨损监测奠定基础。

本发明所采用的技术方案是工艺-状态数据关联的刀具磨损监测方法：对于单件小批量复杂航空结构件切削加工过程中的刀具磨损监测问题，同步采集机床状态响应数据与切削加工工艺指令数据信息。以刀具名称以数据分割依据，将时间维度的传感器大数据分割成不同刀具数据片段，将切削参数、刀具名称、程序名称、刀具齿数、刀具直径、采样频率、机床坐标等工艺指令信息对数据片段进行标记与描述。通过工艺数据、传感器数据可实时计算切削力、材料去除率、切削扭矩、切削功率、刀具-工件啮合区域(TWE)等工艺指标信息。通过EMD分解、小波包分解方法提取与刀具磨损相关的敏感故障特征。将特征进行归一化处理与融合构建鲁棒性与容错性强的磨损监测指标，将零件加工精度要求作为失效阈值精准制定的参考依据。

一种工艺数据-状态数据关联映射的刀具磨损状态监测方法，其特征如下，包括如下步骤：

步骤(1)，数据获取：用于刀具磨损状态监测的原始数据主要来源于两部分，一部分通过机床外置传感器采集到的高频机切削加工过程中的状态数据，另一部分数据通过机床数控系统读取，读取方式可通过OPC UA协议或者边缘计算模块。外置传感器数据可通过安装于主轴侧壁的三向加速度传感器获取，或者通过夹持于机床电气柜主轴电机电流电线上的电流钳采集。数控系统内部数据包括反映主轴切削负载的主轴功率、主轴电流、主轴扭矩，以及反映刀具位置变化的X/Y/Z坐标。此外，还有反映切削加工过程的切削参数、刀具名称、程序名称等工艺信息。

步骤(2)，数据预处理：传感器在连续的数据采集过程中有可能会出现异常值，包括零值，空值或在某一时间范围内数据无变化，或是超出量程而无数据等各种异常情况。此外，原始信号中可能还包括传感器的漂移，低频及高频干扰成分，需对数据进行预处理来提高数据的信噪比。开始特征提取前，信号往往需要做一些预处理，如异常点剔除、插值处理、零均值化处理、消除趋势项、滤波与平滑处理。

步骤(3)，数据分割：对于传感器采集到的时间序列数据，需要以刀具名称为参考，首先进行数据分割，将数据分割后的每段归类到对应刀具的文件中。分割后的数据片段不仅包含对应刀具名称，还包括时间序列的切削参数、位置坐标、程序名称等。

步骤(4)，工艺指标实时仿真计算：通过机床数控内部数据可实时监测材料去除率，仿真铣削力，与间接估计切削力，计算因刀具磨损而增加的切削力成分。

铣削力实时仿真预测，输入铣削力模型的数据包括：主轴转速、进给速度、X/Y/Z坐标位置解析后得到的切削宽度、切削深度。给出刀具切削刃微元所承受的切削力表达如下式(1)所示：

K_tc,K_rc,K_ac分别为切向、径向、轴向力系数；K_te,K_re,K_ae分别为切向、径向、轴向刃口力系数。dz为切削刃微元高度；h＝f_tsinφ_jl为瞬时切屑厚度，f_t为每齿进给量。复杂轨迹下的切削力的计算还可以通过实时计算刀具-工件啮合区域(TWE)获得。

材料去除率实时计算，通过输入进给速度、切削宽度、切削深度获得，计算公式如下式(2)所示：

MMR(t)＝v_f·a_p·a_e (2)

铣削力间接估计：切削力实时估计可通过主轴电机电流信号计算，切削力间接估计公式如下式(3)所示：

K_t表示主轴电机扭矩常数，I_q切削加工过程中电流有效值，I_q0空转电流有效值，R刀具半径。

步骤(4)，特征提取：通过对主轴电流信号进行信号分解，具体方法包括小波包分解与经验模式分解(EMD)。

磨损特征1：采用小波包分解技术对预处理后的主轴电机电流数据进行分解，获取不同频带内的信号能量，通过判断频带能量特征曲线是否总体呈现单调趋势，选择与刀具磨损演化趋势强相关的频带作为敏感故障特征之一。

磨损特征2：应用一维离散小波变换分解与重构主轴电机电流信号。采用db1小波基函数，低频系数ca1和高频系数cd1，从产生的系数ca1和cd1构造第一层的低频和高频(a1和d1)系数。针对分解与重构出的低频段近似信号a1进行经验模式分解(EMD)得到多个基本模式分量(IMF)，选择与刀具磨损敏感的IMF进行时域、频域特征提取，并作为反应刀具磨损演化的故障特征。

步骤(4)，特征融合：步骤(3)提取的信号特征，将新刀切削状态数据进行归一化处理消除特征间的数量级差异问题，使得数据特征之间具有的可比性。归一化后反映刀具磨损退化的特征从1开始逐步递增。当新刀切削时，该指标在1上下波动，随着刀具磨损程度增加该指标逐步偏离1。通过计算磨损特征的均方根值(RMS)来实现指标融合与降维。指标融合方法如下式(4)所示：

步骤(5)，失效阈值获取：基于步骤(4)特征的归一化处理简化刀具磨损监测阈值的选取。对于不同加工精度要求的工序，可对刀具的监测阈值设置不同等级的阈值。以零件已加工表面精度为例给出失效阈值计算方法：

F_total(jω)＝X(jω)·H(jω)^-1 (5)

式中，X(jω)表示频域位移向量；F_total(jω)表示刀具磨损后切削力激励；H(jω)表示机床刀尖点频响函数矩阵。

给出基于虚拟工件质量(刀具位移量)的刀具磨损失效阈值计算方法，虚拟表面质量取决于各个方向的总切削力，切削力由切削参数与刀具磨损程度两部分决定。计算刀具磨损而增加的切削力成分的公式如下式(6)所示：

ΔF_x,ΔF_y,ΔF_z表示因刀具磨损而增加的切削力分量；F_x-total,F_y-total,F_y-total表示测量切削力；F_x-sim,F_y-sim,F_z-sim表示基于切削力模型的仿真切削力。

通过实验标定刀具在固定切削参数下磨损演化过程中增加的切削力与监测指标之间的对应关系。可在选用不同切削参数切削加工时，根据允许的刀具磨损切削力来实时合理制定阈值。

首先，需要根据表面质量要求以及机床刀尖点频响函数矩阵求解得到的最大允许的切削力激励。通过解析计算分离得到切削参数与刀具磨损程度分别对切削力的贡献成分，获得因刀具磨损而增加的切削力成分。通过标定因刀具磨损而增加的切削力与监测指标的映射关系，即可根据切削参数实时判定使用当前磨损程度刀具切削时总的切削力是否超过最大允许值。

步骤(5)，实时监测预警：实际监测过程中可能会有一些“虚假警告”，但其持续时间不长，可通过连续两次达到失效阈值时才报警，减少误报。

本发明的显著效益：

(1)提出建立数控机床工作任务指令与运行状态数据之间匹配映射方法。利用程序指令自动触发实现数控系统加工任务指令与传感器数据同步在线采集，保证了两类不同来源数据的同步性。

(2)以零件切削加工过程中刀具名称的变化为依据，从而实现对传感器采集到的状态数据进行分段预处理，将同一把刀具不同切削时刻的磨损数据进行数据清洗、片段裁剪与拼接，进而得到每把刀具生命周期内制造数据。在得到刀具全周期磨损退化基础上，可实现对刀具磨损状态监测以及产品质量追溯。

(3)提出基于小波包频带能量监测法与EMD分解方法相融合的刀具磨损监测指标构建方法，通过监测指标归一化处理实现不同特征间的融合。通过鲁棒性与容错性强的监测指标提高监测准确率，减少误报。

本发明再一实施例中，提供一种工艺-状态数据关联的刀具磨损监测系统，能够用于实现上述的工艺-状态数据关联的刀具磨损监测方法，具体的，该系统包括：

采集模块，用于采集高频机切削加工过程中的状态数据和机床数控系统内部读取的工艺数据；

处理模块，用于对采集到的数据进行预处理；

数据分割模块，用于对采集到的状态数据，以刀具名称为参考，进行数据分割，将数据分割后的每段归类到对应刀具的文件中；

切削力成分计算模块，用于通过机床数控内部数据实时监测材料去除率，仿真铣削力，与间接估计切削力，计算因刀具磨损而增加的切削力成分；

磨损特征计算模块，用于通过对高频机主轴电流信号进行信号分解得到磨损特征；

特征融合模块，用于通过计算磨损特征的均方根值进行指标融合与降维；

失效阈值计算模块，用于通过融合特征的归一化处理简化刀具磨损监测阈值的选取，计算失效阈值，连续两次达到失效阈值时报警。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括数据采集端口、处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于工艺-状态数据关联的刀具磨损监测方法的操作。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.工艺-状态数据关联的刀具磨损监测方法，其特征在于，包括以下步骤：

同步采集高频机床切削加工过程中的状态数据和读取机床数控系统内部的工艺数据；

对采集到的数据进行预处理；

对采集到的状态数据，以刀具名称为参考，进行数据分割，将分割后的每段数据归类匹配到对应刀具的文件中；

通过机床数控系统内部的工艺数据实时监测材料去除率，仿真铣削力，间接估计切削力，计算因刀具磨损而增加的切削力成分；

通过对高频机床主轴电流信号进行信号分解得到磨损特征；

通过计算磨损特征的均方根值进行指标融合与降维；

通过对融合特征进行归一化处理，简化刀具磨损监测阈值的选取，实时将监测指标与失效阈值相比较，连续两次达到失效阈值时报警；

铣削力实时仿真预测，输入铣削力模型的数据包括：主轴转速、进给速度、X/Y/Z坐标位置解析后得到的切削宽度、切削深度；给出刀具切削刃微元所承受的切削力表达如下式(1)所示：

K_tc,K_rc,K_ac分别为切向、径向、轴向力系数；K_te,K_re,K_ae分别为切向、径向、轴向刃口力系数；dz为切削刃微元高度；h＝f_tsinφ_jl为瞬时切屑厚度，f_t为每齿进给量；

材料去除率实时计算，通过输入进给速度、切削宽度、切削深度获得，计算公式如下式(2)所示：

MMR(t)＝v_f·a_p·a_e (2)

铣削力间接估计：切削力实时估计可通过主轴电机电流信号计算，切削力间接估计公式如下式(3)所示：

K_t表示主轴电机扭矩常数，I_q切削加工过程中电流有效值，I_q0空转电流有效值，R刀具半径；

特征融合：将切削状态数据进行归一化处理消除特征间的数量级差异问题；归一化后反映刀具磨损退化的特征从1开始逐步递增，当新刀切削时，该指标在1上下波动，随着刀具磨损程度增加，该指标逐步偏离1；通过计算磨损特征的均方根值RMS来实现指标融合与降维；指标融合方法如下式(4)所示：

2.根据权利要求1所述的工艺-状态数据关联的刀具磨损监测方法，其特征在于，状态数据通过安装于主轴侧壁的三向加速度传感器获取，或者通过夹持于机床电气柜主轴电机电流电线上的电流钳采集；

机床数控系统内部的工艺数据通过OPC UA协议或者边缘计算模块读取；机床数控系统内部的工艺数据包括反映主轴切削负载的主轴功率、主轴电流、主轴扭矩，以及反映刀具位置变化的X/Y/Z坐标，以及反映切削加工过程的切削参数、刀具名称、程序名称。

3.根据权利要求1所述的工艺-状态数据关联的刀具磨损监测方法，其特征在于，预处理流程：异常点剔除、插值处理、零均值化处理、消除趋势项、滤波与平滑处理。

4.根据权利要求1所述的工艺-状态数据关联的刀具磨损监测方法，其特征在于，分割后的数据片段包含对应刀具名称、时间序列的切削参数、刀尖点位置坐标和程序名称。

5.根据权利要求1所述的工艺-状态数据关联的刀具磨损监测方法，其特征在于，磨损特征提取：通过对主轴电流信号进行信号分解，具体方法包括小波包分解与经验模式分解；

磨损特征1：采用小波包分解技术对预处理后的主轴电机电流数据进行分解，获取不同频带内的信号能量，通过判断频带能量特征曲线是否总体呈现单调趋势，选择与刀具磨损演化趋势强相关的频带作为敏感故障特征之一；

磨损特征2：通过一维离散小波变换分解与重构主轴电机电流信号，采用db1小波基函数，低频系数ca1和高频系数cd1，从产生的系数ca1和cd1构造第一层的低频a1和高频d1系数；针对分解与重构出的低频段近似信号a1进行经验模式分解EMD得到多个基本模式分量IMF，选择与刀具磨损敏感的IMF进行时域、频域特征提取，并作为反应刀具磨损演化的故障特征。

6.根据权利要求1所述的工艺-状态数据关联的刀具磨损监测方法，其特征在于，失效阈值计算：

F_total(jω)＝X(jω)·H(jω)^-1 (5)

式中，X(jω)表示频域位移向量；F_total(jω)表示刀具磨损后切削力激励；H(jω)表示机床刀尖点频响函数矩阵；

给出基于虚拟工件质量的刀具磨损失效阈值计算方法，虚拟表面质量取决于各个方向的总切削力，切削力由切削参数与刀具磨损程度两部分决定，计算刀具磨损而增加的切削力成分的公式如下式(6)所示：

ΔF_x,ΔF_y,ΔF_z表示因刀具磨损而增加的切削力分量；F_x-total,F_y-total,F_z-total表示测量切削力；F_x-sim,F_y-sim,F_z-sim表示基于切削力模型的仿真切削力；

通过实验标定刀具在固定切削参数下磨损演化过程中增加的切削力与监测指标之间的对应关系；在选用不同切削参数切削加工时，根据允许的刀具磨损切削力来实时合理制定阈值；

根据表面质量要求以及机床刀尖点频响函数矩阵求解得到最大允许的切削力激励；通过解析计算分离得到切削参数与刀具磨损程度分别对切削力的贡献成分，获得因刀具磨损而增加的切削力成分；通过标定因刀具磨损而增加的切削力与监测指标的映射关系，基于切削参数实时判定使用当前磨损程度刀具切削时总的切削力是否超过最大允许值。

7.工艺-状态数据关联的刀具磨损监测系统，其特征在于，包括：

采集模块，用于采集高频机床切削加工过程中的状态数据和机床数控系统内部的工艺数据；

处理模块，用于对采集到的数据进行预处理；

数据分割模块，用于对采集到的状态数据，以刀具名称为参考，进行数据分割，将数据分割后的每段归类到对应刀具的文件中；

切削力成分计算模块，用于通过机床数控系统内部的工艺数据实时监测材料去除率，仿真铣削力，与间接估计切削力，计算因刀具磨损而增加的切削力成分；

磨损特征计算模块，用于通过对高频机床主轴电流信号进行信号分解得到磨损特征；

特征融合模块，用于通过计算磨损特征的均方根值进行指标融合与降维；

失效阈值计算模块，用于通过融合特征的归一化处理简化刀具磨损监测阈值的选取，计算失效阈值，连续两次达到失效阈值时报警。