CN114850968B - 基于振动模型的刀具磨损监测方法、装置、终端及介质 - Google Patents

基于振动模型的刀具磨损监测方法、装置、终端及介质 Download PDF

Info

Publication number
CN114850968B
CN114850968B CN202210608455.6A CN202210608455A CN114850968B CN 114850968 B CN114850968 B CN 114850968B CN 202210608455 A CN202210608455 A CN 202210608455A CN 114850968 B CN114850968 B CN 114850968B
Authority
CN
China
Prior art keywords
vibration
waveform data
model
feature
vibration model
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
Application number
CN202210608455.6A
Other languages
English (en)
Other versions
CN114850968A (zh
Inventor
罗显博
蔡菲
王浩贤
罗沚晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Huarenzhizao Technology Co ltd
Original Assignee
Shenzhen Huarenzhizao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Huarenzhizao Technology Co ltd filed Critical Shenzhen Huarenzhizao Technology Co ltd
Priority to CN202210608455.6A priority Critical patent/CN114850968B/zh
Publication of CN114850968A publication Critical patent/CN114850968A/zh
Application granted granted Critical
Publication of CN114850968B publication Critical patent/CN114850968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • B23Q17/0971—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 by measuring mechanical vibrations of parts of the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于振动模型的刀具磨损监测方法、装置、终端及介质，所述方法包括：采集加工时主轴振动的波形数据；将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。与现有技术相比，能够有效地将实际加工中的干扰振动信号剔除，提高实时判别刀具磨损现状的准确度。

Description

基于振动模型的刀具磨损监测方法、装置、终端及介质
技术领域
本发明涉及数控设备状态监测技术领域，尤其涉及的是一种基于振动模型的刀具磨损监测方法、装置、终端及介质。
背景技术
在数控加工过程，产品质量的保障及加工过程的安全性离不开对刀具的实时监测，其状态监测是数控设备监测的一个重要组成部分。刀具在切削过程中，工件与磨损的刀刃部侧面摩擦，主轴上会产生不同频率的振动。因此振动信号是一种对刀具磨损、破损敏感度非常高的征兆信号，能够表征刀具磨损信息。
引起主轴产生振动的因素主要为三个：刀具与加工零件摩擦引起的振动、主轴轴承异响引起的突发性振动、主轴产生共振。而现有的基于主轴的振动信号来检测刀具磨损的方法，由于只关注刀具与加工零件摩擦引起的振动，忽略了其他因素引起的振动，导致检测结果不准确，容易产生误报。
因此，现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种基于振动模型的刀具磨损监测方法、装置、终端及存储介质，旨在解决现有技术中刀具磨损的检测结果不准确，容易产生误报的问题。
为了实现上述目的，本发明第一方面提供一种基于振动模型的刀具磨损监测方法，所述方法包括：
采集加工时主轴振动的波形数据；
将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。
可选的，所述将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，包括：
对所述波形数据进行时域分析，获得数据集；
基于所述数据集，根据小波包分解获得第一特征；
对所述波形数据进行振幅分析，获得第二特征；
组合所述第一特征和所述第二特征，获得所述特征集。
可选的，当所述振动模型用于提取主轴异响振动的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取奇异点的时间值；
获取所述时间值之前的设定时间段与之后的设定时间段的波形数据并进行特征提取，获得所述第二特征。
可选的，当所述振动模型用于提取主轴共振的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取共振时间段；
获取所述共振时间段的波形数据并进行特征提取，获得所述第二特征。
可选的，获得用于训练所述振动模型的训练数据，包括：
基于机床的空刀运转，采集主轴振动的波形数据，获得所述训练数据。
可选的，所述振动模型包括三个，分别用于提取主轴异响振动信号的特征、用于提取主轴空转振动信号的特征和用于提取主轴共振信号的特征，所述特征集包括每个振动模型输出的特征集。
可选的，采集加工时主轴振动的波形数据后，还采用小波变换方法对所述波形数据进行降噪处理。
本发明第二方面提供一种基于振动模型的刀具磨损监测装置，其中，上述装置包括：
数据获取模块，用于采集加工时主轴振动的波形数据；
特征提取模块，用于将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
磨损检测模块，用于将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于振动模型的刀具磨损监测程序，上述基于振动模型的刀具磨损监测程序被上述处理器执行时实现任意一项上述基于振动模型的刀具磨损监测方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于振动模型的刀具磨损监测程序，上述基于振动模型的刀具磨损监测程序被处理器执行时实现任意一项上述基于振动模型的刀具磨损监测方法的步骤。
由上可见，与现有技术相比，本发明在采集到振动的波形数据后，通过振动模型来提取设定类型的振动信号所对应的特征集，然后将提取出来的特征集与波形数据一起输入刀具磨损检测模型。刀具磨损检测模型在提取波形数据的特征同时过滤振动模型已提取出来的特征集，因此，能够有效地将实际加工中的干扰振动信号剔除，提高实时判别刀具磨损现状的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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它的附图。
图1是本发明实施例提供的基于振动模型的刀具磨损监测方法具体流程示意图；
图2是图1实施例的功能模块示意图；
图3是图1实施例的步骤S200具体流程示意图；
图4是本发明实施例提供的基于振动模型的刀具磨损监测装置的结构示意图；
图5是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
由于引起主轴振动的因素有多种，而现有的基于主轴振动信号来检测刀具磨损的刀具磨损检测模型，只是对振动信号进行特征提取来获得刀具磨损检测结果，并没有对不相关的振动信号进行排除，导致检测结果不准确，容易产生误报。
本发明通过预先建立的振动模型提取设定类型的振动信号所对应的特征集，刀具磨损检测模型在提取波形数据的特征同时过滤振动模型已提取出来的特征集，因此，能够更加有效的将实际加工中的干扰振动信号剔除，提高实际加工中实时判别刀具磨损现状的准确度。
示例性方法
本发明实施例提供一种基于振动模型的刀具磨损监测方法，用来安装在刀具磨损检测装置上。如图1所示，具体包括如下步骤：
步骤S100：采集加工时主轴振动的波形数据；
具体的，通过在机床主轴前端安装振动传感器，本实施例中振动传感器为三向加速度传感器，用来采集机床加工过程的三向振动信号。优选采用具有磁吸功能的振动传感器，可以将振动传感磁吸在主轴上，方便安装。振动传感器还连接有波形显示装置，可以根据振动信号输出波形数据。
进一步的，本实施例还对采集到的波形数据采用小波变换方法进行降噪处理，以提高采集数据的数据质量。
步骤S200：将波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
具体的，本发明中的振动模型是预先训练好的深度学习神经网络模型，通过振动模型来提取预设类型的振动信号的特征，其中预设类型的振动信号为对刀具磨损检测结果产生影响的振动信号，常见的有：主轴空转产生的振动信号、主轴轴承异响产生的振动信号、主轴共振产生的振动信号等。其中：产生主轴轴承异响的主要原因是主轴轴承在持续高速旋转产生磨损，内外圈、保持架和滚珠的磨损会导致旋转轨道偏离，从而产生异响，异响产生时会瞬时加大振动频率，与刀具断裂的振动信号类似；主轴共振产生的主要原因是：所有主轴均有一个共振点，类似于所有物体均有本体固有频率，当物体接受到同等频率振动下会出现加剧振幅的情况，也称共振，随着主轴老化损耗，共振频率也会随之发生变化。
将波形数据输入振动模型中后，若是作用在主轴上的振动信号中包括预设类型的振动信号，振动模型就能够通过分析波形数据，提取出预设类型的振动信号对应的特征集。
为了使得振动模型提取的特征集更加准确，采集用于训练振动模型的训练数据时，本实施例取一条全新未经过出厂跑合的主轴安装于机床上，让主轴空刀运转，通过振动传感器和波形显示装置来采集主轴振动的波形数据，获得训练数据。
进一步的，本实施例中同时建立了三个振动模型，分别用来提取主轴异响振动信号的特征、提取主轴空转振动信号的特征和提取主轴共振信号的特征。将采集获得的波形数据依次输入这三个振动模型，分别获得三个振动模型输出的特征集；这些特征集均用于输入刀具磨损检测模型。
步骤S300：将特征集和振动数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。
具体的，刀具磨损检测模型为提取振动信号的特征来判断刀具磨损现状的神经网络模型。在现有的神经网络模型的基础上进行修改获得。通过神经网络模型提取到波形数据的特征集后，在现有的神经网络模型中增加特征过滤结构，如在神经网络中的激活函数中增加门控机制，使得神经网络模型可以过滤输入的特征集，即排除与振动模型输出的特征集对应的振动数据，使得刀具磨损检测模型能够根据真实的刀具与工件摩擦振动数据提取特征集。经过信号过滤后，获得的磨损检测结果也更加准确，提高监测系统的鲁棒性。其中，刀具磨损检测模型所基于的现有的神经网络模型可以选择本领域中众多神经网络模型中的任意一种，在此不再赘述神经网络实现刀具磨损检测的过程。
由上所述，如图2所示，本实施例通过建立主轴空转振动模型、主轴轴承异响振动模型以及主轴共振模型，用来过滤振动信号中包含的干扰信号对应的波形数据，更加有效的将实际加工中多余振动信号剔除，提高实际加工中实时判别刀具磨损现状的准确度。
在一些实施例中，如图3所示，上述步骤S200即振动模型根据输入的波形数据提取特征集具体包括如下步骤：
步骤S210：对波形数据进行时域分析，获得数据集；
具体的，对波形数据在时域内进行滤波、放大、统计特征计算、相关性分析等处理，求取不同时刻的相似性和关联性，获得反映机械设备运行状态的特征参数，形成数据集。
步骤S220：基于所述数据集，根据小波包分解获得第一特征；
具体的，采用小波包分解算法对数据集进行处理，获得第一特征。该第一特征为反映数据集中的奇异点的特征。获得的第一特征表达式为：Vload＝ΣFn{n1、n2、n3…nx},n为单次特征向量，Vload为单次采集的第一特征。为了更好提炼准确模型，本实施例在对训练振动模型采集十组数据集，其中每一组数据采样时间为十分钟。
传统的振动信号分析和处理方法一般都是采用傅立叶分析，它是一个窗口函数固定不变的分析方法，无法反映信号的非平稳、持时短、时域和频域局部化等特性。而本发明采用的小波包分解能够为信号提供一种更加精细的分析方法。通过将时频平面划分得更为细致，它对信号的高频部分的分辨率比二进小波要高。而且，它在小波分析理论的基础之上，引入了最优基选择的概念。即，将频带经过多层次的划分之后，根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力。
步骤S230：对波形数据进行振幅分析，获得第二特征；
具体的，由于主轴异响时会使得振幅加剧上升，为正常情况下振幅的5～10倍，振幅上升是瞬时性或持续时间短时间，同时伴随着刺耳声音，这个时刻也称为奇异点。当振动模型用于提取主轴异响振动的振动信号所对应的特征时，首先根据波形数据，分析波形的振幅获得异常振幅点对应的时间值，即获得奇异点的时间值，然后截取到该时间值之前的设定时间段与之后的设定时间段的波形数据，根据神经网络模型进行特征提取获得第二特征。其中，对于不同的机床，设定时间段的取值可以不一样。通常可以如本实施例截取奇异点前后各20ms的波形数据以提取第二特征。
主轴共振时振幅也会加剧上升，与主轴异响不同的是，主轴共振的振幅持续时间长，一般在某一阶段转速上长时间持续。当振动模型用于提取主轴共振的振动信号所对应的特征时，首先根据波形数据的振幅，获取共振时间段，然后截取述共振时间段的波形数据并进行特征提取，获得第二特征。
上述第二特征为反映奇异点附近的波形特征。由于奇异点是突变产生的，通过提取奇异点附近波形的特征可以用来辅助建模。因为如果可以以信号突变前的数据就判定奇异点即将发生，能够使得处理数据会更快，实际分析也更快更精准。
主轴空转时可以直接根据采集到的波形数据进行特征提取，获得第二特征。主要用于提取主轴空转时候的主轴噪音特征以及主轴空转时的环境噪音特征，使得实际加工时能够过滤这些噪音数据。
第二特征表达式为：Tvibratio＝ΣFr{r1、r2、r3…rx}，r为单次特征量。
步骤S240：组合第一特征和第二特征，获得所述特征集。
具体的，把获得的第一特征和第二特征，进行向量相加，获得振动模型输出的特征集。具体表达式为：Srebuild＝ΣkV+T{V1+T1、V2+T2、V3+T3…VX+TX},其中V为第一特征，T为第二特征。
由上所述，通过提取波形数据的奇异点特征以及奇异点附近的波形特征并组合，从而振动模型能够准确地识别相应类型的振动信号的特征，为刀具磨损检测模型过滤该类型的信号提供准确的特征数据。
本实施例中，通过三个振动模型，能够过滤主轴空转、主轴轴承异响和主轴共振导致的振动数据，使得刀具磨损检测模型仅仅以刀具与加工零件摩擦所引起的振动数据作为数据源，保证数据源的准确性，以此提高监测系统的鲁棒性。
进一步的，本实施例还对建立的振动模型与刀具磨损检测模型进行联合测试。与通常测试数据与训练数据为同一批采集数据所不同，本实施例的测试数据通过采集实际加工时单次切削的振动数据M，将获得的振动数据M依次输入建立的三个振动模型，获得输出的特征集J,单次切削结束后拍摄刀具面，基于机器视觉学习算法获得刀具当前磨损值B，根据特征集J和磨损值B,对刀具磨损检测模型进行大量测试。由于根据实际加工采集的数据进行测试，可以确保模型更加准确。
示例性设备
如图4所示，对应于上述基于振动模型的刀具磨损监测方法，本发明实施例还提供一种基于振动模型的刀具磨损监测装置，上述基于振动模型的刀具磨损监测装置包括：
数据获取模块600，用于采集加工时主轴振动的波形数据；
特征提取模块610，用于将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
磨损检测模块620，用于将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。
具体的，本实施例中，上述基于振动模型的刀具磨损监测装置的各模块的具体功能可以参照上述基于振动模型的刀具磨损监测方法中的对应描述，在此不再赘述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和基于振动模型的刀具磨损监测程序。该内存储器为非易失性存储介质中的操作系统和基于振动模型的刀具磨损监测程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该基于振动模型的刀具磨损监测程序被处理器执行时实现上述任意一种基于振动模型的刀具磨损监测方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于振动模型的刀具磨损监测程序，上述基于振动模型的刀具磨损监测程序被上述处理器执行时进行以下操作指令：
采集加工时主轴振动的波形数据；
将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果。
可选的，所述将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，包括：
对所述波形数据进行时域分析，获得数据集；
基于所述数据集，根据小波包分解获得第一特征；
对所述波形数据进行振幅分析，获得第二特征；
组合所述第一特征和所述第二特征，获得所述特征集。
可选的，当所述振动模型用于提取主轴异响振动的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取奇异点的时间值；
获取所述时间值之前的设定时间段与之后的设定时间段的波形数据并进行特征提取，获得所述第二特征。
可选的，当所述振动模型用于提取主轴共振的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取共振时间段；
获取所述共振时间段的波形数据并进行特征提取，获得所述第二特征。
可选的，获得用于训练所述振动模型的训练数据，包括：
基于机床的空刀运转，采集主轴振动的波形数据，获得所述训练数据。
可选的，所述振动模型包括三个，分别用于提取主轴异响振动信号的特征、用于提取主轴空转振动信号的特征和用于提取主轴共振信号的特征，所述特征集包括每个振动模型输出的特征集。
可选的，采集加工时主轴振动的波形数据后，还采用小波变换方法对所述波形数据进行降噪处理。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于振动模型的刀具磨损监测程序，上述基于振动模型的刀具磨损监测程序被处理器执行时实现本发明实施例提供的任意一种基于振动模型的刀具磨损监测方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.基于振动模型的刀具磨损监测方法，其特征在于，所述方法包括：
采集加工时主轴振动的波形数据；
将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果；
所述将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，包括：
对所述波形数据进行时域分析，获得数据集；
基于所述数据集，根据小波包分解获得第一特征；
对所述波形数据进行振幅分析，获得第二特征；
组合所述第一特征和所述第二特征，获得所述特征集；
当所述振动模型用于提取主轴异响振动的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取奇异点的时间值；
获取所述时间值之前的设定时间段与之后的设定时间段的波形数据并进行特征提取，获得所述第二特征。
2.如权利要求1所述的基于振动模型的刀具磨损监测方法，其特征在于，当所述振动模型用于提取主轴共振的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取共振时间段；
获取所述共振时间段的波形数据并进行特征提取，获得所述第二特征。
3.如权利要求1所述的基于振动模型的刀具磨损监测方法，其特征在于，获得用于训练所述振动模型的训练数据，包括：
基于机床的空刀运转，采集主轴振动的波形数据，获得所述训练数据。
4.如权利要求1所述的基于振动模型的刀具磨损监测方法，其特征在于，所述振动模型包括三个，分别用于提取主轴异响振动信号的特征、用于提取主轴空转振动信号的特征和用于提取主轴共振信号的特征，所述特征集包括每个振动模型输出的特征集。
5.如权利要求1所述的基于振动模型的刀具磨损监测方法，其特征在于，采集加工时主轴振动的波形数据后，还采用小波变换方法对所述波形数据进行降噪处理。
6.基于振动模型的刀具磨损监测装置，其特征在于，所述装置包括：
数据获取模块，用于采集加工时主轴振动的波形数据；
特征提取模块，用于将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，所述振动模型用于提取预设类型的振动信号的特征；
磨损检测模块，用于将所述特征集和所述波形数据输入刀具磨损检测模型，所述刀具磨损检测模型过滤所述特征集并输出刀具磨损检测结果；
所述将所述波形数据输入预先建立的振动模型，获得所述振动模型输出的特征集，包括：
对所述波形数据进行时域分析，获得数据集；
基于所述数据集，根据小波包分解获得第一特征；
对所述波形数据进行振幅分析，获得第二特征；
组合所述第一特征和所述第二特征，获得所述特征集；
当所述振动模型用于提取主轴异响振动的振动信号所对应的特征时，所述对所述波形数据进行振幅分析，获得第二特征，包括：
基于所述波形数据的振幅，获取奇异点的时间值；
获取所述时间值之前的设定时间段与之后的设定时间段的波形数据并进行特征提取，获得所述第二特征。
7.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于振动模型的刀具磨损监测程序，所述基于振动模型的刀具磨损监测程序被所述处理器执行时实现如权利要求1-5任意一项所述基于振动模型的刀具磨损监测方法的步骤。
8.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于振动模型的刀具磨损监测程序，所述基于振动模型的刀具磨损监测程序被处理器执行时实现如权利要求1-5任意一项所述基于振动模型的刀具磨损监测方法的步骤。
CN202210608455.6A 2022-05-31 2022-05-31 基于振动模型的刀具磨损监测方法、装置、终端及介质 Active CN114850968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210608455.6A CN114850968B (zh) 2022-05-31 2022-05-31 基于振动模型的刀具磨损监测方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210608455.6A CN114850968B (zh) 2022-05-31 2022-05-31 基于振动模型的刀具磨损监测方法、装置、终端及介质

Publications (2)

Publication Number Publication Date
CN114850968A CN114850968A (zh) 2022-08-05
CN114850968B true CN114850968B (zh) 2023-05-23

Family

ID=82640690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210608455.6A Active CN114850968B (zh) 2022-05-31 2022-05-31 基于振动模型的刀具磨损监测方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN114850968B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115157005B (zh) * 2022-08-12 2023-12-05 华侨大学 基于应变的刀具磨损监测方法、装置、设备和存储介质
CN115401524A (zh) * 2022-08-19 2022-11-29 上汽通用五菱汽车股份有限公司 一种刀具振动信号监控方法、系统及介质
CN117943891B (zh) * 2024-03-22 2024-09-06 济南二机床集团有限公司 数控机床电主轴轴承故障检测方法、装置、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4831984B2 (ja) * 2005-03-14 2011-12-07 国立大学法人広島大学 回転切削刃の非接触式損耗検知システム、スローアウェイチップの損耗検知方法及びフライス工具
CN105834834B (zh) * 2016-04-21 2017-10-27 四川大学 基于果蝇优化算法的铣刀磨损状态监测方法
CN108972152A (zh) * 2018-10-12 2018-12-11 哈尔滨理工大学 一种监测切削刀具磨损状态的声音-功率检测法
CN109514349B (zh) * 2018-11-12 2020-05-22 西安交通大学 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
CN112757053B (zh) * 2020-12-25 2022-04-22 清华大学 基于功率和振动信号的模型融合刀具磨损监测方法及系统
CN113752089B (zh) * 2021-10-19 2023-05-30 山东农业大学 一种基于奇异性李氏指数的刀具状态监测方法

Also Published As

Publication number Publication date
CN114850968A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114850968B (zh) 基于振动模型的刀具磨损监测方法、装置、终端及介质
Li et al. A bearing fault diagnosis method based on enhanced singular value decomposition
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
Pan et al. LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification
Su et al. Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
Nikula et al. Automation of low-speed bearing fault diagnosis based on autocorrelation of time domain features
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
Su et al. Gear fault identification and classification of singular value decomposition based on Hilbert-Huang transform
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN110261116A (zh) 一种轴承故障检测方法及装置
CN110647871A (zh) 一种基于时域特量增强的滚动轴承故障诊断方法及系统
CN112781820B (zh) 一种滚刀性能退化趋势评估方法
Zheng et al. Exploring the effectiveness of using internal CNC system signals for chatter detection in milling process
Yang et al. Application of bispectrum diagonal slice feature analysis in tool wear states monitoring
Mubaraali et al. Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications
Wang et al. Low-rank enforced fault feature extraction of rolling bearings in a complex noisy environment: A perspective of statistical modeling of noises
CN113314142B (zh) 发动机故障检测方法、系统、存储介质及设备
Xu et al. A Novel Empirical Variational Mode Decomposition for Early Fault Feature Extraction
Matthew et al. Improved STFT analysis using time-frequency masking for chatter detection in the milling process
Bediaga et al. An integrated system for machine tool spindle head ball bearing fault detection and diagnosis
CN112664410A (zh) 一种基于大数据的机组在线监测系统建模方法
Martin-del-Campo et al. Towards zero-configuration condition monitoring based on dictionary learning
Van et al. Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators

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