CN114850969A - 一种基于振动信号的刀具失效监控方法 - Google Patents

一种基于振动信号的刀具失效监控方法 Download PDF

Info

Publication number
CN114850969A
CN114850969A CN202210797847.1A CN202210797847A CN114850969A CN 114850969 A CN114850969 A CN 114850969A CN 202210797847 A CN202210797847 A CN 202210797847A CN 114850969 A CN114850969 A CN 114850969A
Authority
CN
China
Prior art keywords
cutter
vibration signal
tipping
tool
identification
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
Application number
CN202210797847.1A
Other languages
English (en)
Other versions
CN114850969B (zh
Inventor
姜振喜
隋少春
朱绍维
毛一砚
刘宽
王伟
王良泽
赵国波
黄思思
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group 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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202210797847.1A priority Critical patent/CN114850969B/zh
Publication of CN114850969A publication Critical patent/CN114850969A/zh
Application granted granted Critical
Publication of CN114850969B publication Critical patent/CN114850969B/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
    • 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
    • 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)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于数控加工领域，特别涉及一种基于振动信号的刀具失效监控方法，方法包括以下步骤：第一步，获取数控加工过程中的振动信号，并计算所述振动信号的均方根值；第二步，基于所述振动信号的均方根值，进行刀具失效识别，所述刀具失效识别包括刀具断裂识别、刀具缺齿识别和刀具崩刃识别；其中，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别；所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别；所述刀具崩刃识别通过基于SVM构建的模型进行识别，本发明针对飞机结构件品种多、批量小的情况，公开了飞机结构件数控加工刀具失效监控方法，提高了识别的准确性。

Description

一种基于振动信号的刀具失效监控方法
技术领域
本发明属于数控加工领域，特别是涉及一种基于振动信号的刀具失效监控方法。
背景技术
在金属切削加工中，刀具随着使用时间的延长逐渐磨损甚至破损、断裂。由于与工件直接接触，刀具的过度磨损、破损将降低零件的尺寸精度及表面质量，甚至导致零件报废（例如：刀刃破损后导致零件烧伤）。因此，加工过程中，需要时刻关注刀具的状态，在其磨损到一定程度或出现破损时及时更换。
目前，飞机结构件的数控加工过程中，刀具状态主要依靠操作工人通过经验来判断，人为因素影响大，对一些异常情况难以及时响应。因此，常出现因刀具过度磨损/破损引起的零件质量问题。
市场上已经有ARTIS等商业化的刀具监控系统，并在汽车行业中已经得到成熟应用，主要采用学习然后比对的方式进行异常监控，但是对于飞机结构件多品种、小批量的加工模式，可以用于学习的数据量少，并且信号在飞机结构件等复杂零件的加工过程中易受加工状态波动的影响，因此应用过程中频繁产生误报警而影响正常生产。
发明内容
针对飞机结构件多品种、小批量的加工模式，可以用于学习的数据量少，并且信号在飞机结构件等复杂零件的加工过程中频繁产生误报警的问题，本发明采用融合刀具使用工况的机理分析和信号处理算法构建模型的思路，提出一种基于振动信号的刀具失效监控方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于振动信号的刀具失效监控方法，包括以下步骤：
第一步，获取数控加工过程中的振动信号，并计算所述振动信号的均方根值；
第二步，基于所述振动信号的均方根值，进行刀具失效识别，所述刀具失效识别包括刀具断裂识别、刀具缺齿识别和刀具崩刃识别；
其中，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别；所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别；所述刀具崩刃识别基于SVM构建的模型进行识别。
作为本发明的优选方案，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS小于下限值K 1所持续的时间长度为T 1，若T 1大于刀具断裂许可时间，则判定发生刀具断裂。
作为本发明的优选方案，所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS大于上限值K 2所持续的时间长度为T 2，若T 2大于刀具缺齿许可时间，则判定发生刀具缺齿。
作为本发明的优选方案，所述刀具崩刃识别通过基于SVM构建的模型进行识别分为两种情况：
当切削深度小于识别目标崩刃刃口缺失高度，并且刀具的全部切削刃均产生崩刃时，基于SVM的识别模型M 1判断是否发生崩刃；
当切削深度大于识别目标崩刃刃口缺失高度，并且刀具至少一个切削刃因破损产生崩刃或同时产生崩刃的切削刃仍然有部分刃口参与切削时，基于SVM的识别模型M 2判断是否发生崩刃。
作为本发明的优选方案，识别模型M 1或识别模型M 2的构建，包括以下步骤：
S21，基于振动信号计算信号特征值，所述信号特征值包括偏差、峭度、标准差、均值和最大值；
S22，基于所述信号特征值对SVM模型进行训练，所述信号特征值包含正常信号和崩刃信号；
S23，SVM模型训练好之后，输入测试信号，得到识别精度，若识别精度大于许可精度要求值，则SVM模型训练完成。
作为本发明的优选方案，根据识别模型M 1或识别模型M 2判断出发生崩刃后计算连续判别属于崩刃的时间T 3，若T 3大于刀具崩刃许可时间，则判定发生刀具崩刃。
作为本发明的优选方案，第一步中，在计算所述振动信号的均方根值之前，对振动信号进行预处理；
所述预处理包括对振动信号进行初始带通滤波，得到初始滤波信号；所述初始带通滤波的初始低通截止频率为L 1，初始高通截止频率为H 1。
作为本发明的优选方案，对于主轴转速在1000～2000r/min的钛合金加工领域，初始低通截止频率为L 1设定为1kHz、初始高通截止频率为H 1设定为10Hz。
作为本发明的优选方案，所述预处理还包括：
按照高通截止频率和低通截止频率之间没有幅值大于设定阈值A0的频率的要求，设定第二次滤波的低通截止频率为L 2、第二次滤波的高通截止频率为H 2；
对所述初始滤波信号进行FFT变换获得频谱信号，判断所述频谱信号的幅值是否大于预设的阈值A0，若是，则按照预设的低通截止频率L 2和高通截止频率H 2进行第二次滤波，否则，继续执行后续步骤，所述阈值A0的取值范围是1≤A0≤1.5。
与现有技术相比，本发明的有益效果：
本发明针对飞机结构件多品种、批量小的情况，采用融合刀具使用工况的机理分析和信号处理算法构建模型的思路，提出一种基于振动信号的刀具失效监控方法，提高了识别的准确性，减少了误报警，解决了飞机复杂结构件加工过程监控中刀具破损识别难的问题。
附图说明
图1为本发明实施例1中一种基于振动信号的刀具失效监控方法的流程图；
图2（a）是本发明实施例2中刀具失效监控总体流程示意图；
图2（b）是本发明实施例2中信号预处理流程图；
图2（c）是本发明实施例2中刀具断裂识别流程图；
图2（d）是本发明实施例2中刀具缺齿识别流程图；
图2（e）是本发明实施例2中刀具崩刃识别流程图；
图3是本发明实施例2中基于SVM识别模型的构建流程示意图；
图4是本发明实施例2中刀具失效形式示意图；
图5是本发明实施例2中断刀失效条件均方根曲线图；
图6是本发明实施例2中缺齿失效条件均方根曲线图；
图7是本发明实施例2中切深A p小于刃口缺失高度H崩刃条件的均方根曲线图；
图8是本发明实施例2中切深A p大于刃口缺失高度H崩刃条件的均方根曲线图；
图9是本发明实施例2中存在较大干扰的空转时域信号曲线图；
图10（a）是本发明实施例2中存在较大干扰的空转频域信号图；
图10（b）是本发明实施例2中存在较小干扰的空转频域信号图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于振动信号的刀具失效监控方法，流程图如图1所示，包括以下步骤：
S1，获取控加工过程中的振动信号，并计算所述振动信号的均方根值；
S2，基于所述振动信号的均方根值，进行刀具失效识别，所述刀具失效识别包括刀具断裂识别、刀具缺齿识别和刀具崩刃识别；
其中，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别；所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别；所述刀具崩刃识别基于SVM构建的模型进行识别。
作为本发明的优选方案，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS小于下限值K 1所持续的时间长度为T 1，若T 1大于刀具断裂许可时间，则判定发生刀具断裂。
作为本发明的优选方案，所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS大于上限值K 2所持续的时间长度为T 2，若T 2大于刀具缺齿许可时间，则判定发生刀具缺齿。
作为本发明的优选方案，所述刀具崩刃识别通过基于SVM构建的模型进行识别分为两种情况：
当切削深度小于识别目标崩刃刃口缺失高度，并且刀具的全部切削刃均产生崩刃时，基于SVM的识别模型M 1判断是否发生崩刃；
当切削深度大于识别目标崩刃刃口缺失高度，并且刀具至少一个切削刃因破损产生崩刃或同时产生崩刃的切削刃仍然有部分刃口参与切削时，基于SVM的识别模型M 2判断是否发生崩刃。
作为本发明的优选方案，识别模型M 1或识别模型M 2的构建，包括以下步骤：
S21，基于振动信号计算信号特征值，所述信号特征值包括偏差、峭度、标准差、均值和最大值；
S22，基于所述信号特征值对SVM模型进行训练，所述信号特征值包含正常信号和崩刃信号；
S23，SVM模型训练好之后，输入测试信号，得到识别精度，若识别精度大于许可精度要求值，则SVM模型训练完成。
作为本发明的优选方案，根据识别模型M 1或识别模型M 2判断出发生崩刃后计算连续判别属于崩刃的时间T 3，若T 3大于刀具崩刃许可时间，则判定发生刀具崩刃。
作为本发明的优选方案，第一步中，在计算所述振动信号的均方根值之前，对振动信号进行预处理；
所述预处理包括对振动信号进行初始带通滤波，得到初始滤波信号；所述初始带通滤波的初始低通截止频率为L 1，初始高通截止频率为H 1。
作为本发明的优选方案，对于主轴转速在1000～2000r/min的钛合金加工领域，初始低通截止频率为L 1设定为1kHz、初始高通截止频率为H 1设定为10Hz。
作为本发明的优选方案，所述预处理还包括：
按照高通截止频率和低通截止频率之间没有幅值大于设定阈值A0的频率的要求，设定第二次滤波的低通截止频率为L 2、第二次滤波的高通截止频率为H 2；
对所述初始滤波信号进行FFT变换获得频谱信号，判断所述频谱信号的幅值是否大于预设的阈值A0，若是，则按照预设的低通截止频率L 2和高通截止频率H 2进行第二次滤波，否则，继续执行后续步骤，所述阈值A0的取值范围是1≤A0≤1.5。
实施例2
本发明提出了一种基于振动信号的刀具失效监控方法，刀具失效监控总体流程示意图如图2（a）所示，具体实施内容如下：
S1：加工过程中采集主轴振动信号；
S2：振动信号预处理；
S3：计算振动信号每转均方根的移动平均值；
S4：依据NC程序代码开启刀具失效识别；
S5：刀具断裂识别；
S6：刀具缺齿识别；
S7：刀具崩刃识别；
S8：根据刀具断裂识别结果、刀具缺齿识别结果或刀具崩刃识别进行刀具失效报警。
其中，步骤S2振动信号预处理的流程图如图2（b）所示，包括以下具体步骤：
S201，对振动信号进行滤波处理；
S202，对处理后的振动信号进行FFT变换；
S203，判断FFT变换后的信号是否存在信号干扰，若是，则返回步骤S201，否则执行后续步骤。
其中，步骤S5刀具断裂识别的流程图如图2（c）所示，包括以下具体步骤：
S501，设置下限值K1；
S502，将计算得到的均方根值与下限值K1进行比较，若均方根值小于下限值K1，执行步骤S503；
S503，计算连续小于下限值的时间T1；
S504，若连续小于下限值的时间T1大于许可时间，则执行步骤S8，进行道具失效报警。
其中，步骤S6刀具缺齿识别的流程图如图2（d）所示，包括以下具体步骤：
S601，设置上限值K2；
S602，将计算得到的均方根值与上限值K2进行比较，若均方根值大于上限值K2，执行步骤S603；
S603，计算连续大于上限值的时间T2；
S604，若连续大于上限值的时间T2大于许可时间，则执行步骤S8，进行道具失效报警。
其中，步骤S7刀具崩刃识别的流程图如图2（e）所示，包括以下具体步骤：
S701，获取切削深度A p ；
S702，识别目标崩刃刃口缺失高度H；
S703，判断当切削深度A p 是否小于识别目标崩刃刃口缺失高度H，是，则执行步骤S704或S705；
当A p <H时，执行步骤S704，基于SVM的识别模型M 1判断是否发生崩刃，如果发生崩刃，计算连续判别属于崩刃的时间T 3。
当A p ≥H时，执行步骤S705，基于SVM的识别模型M 2判断是否发生崩刃，如果发生崩刃，计算连续判别属于崩刃的时间T 3。
步骤S706，如果连续判别属于崩刃的时间T 3大于许可时间，则判定发生刀具崩刃，执行步骤S8，触发刀具失效报警。
每个步骤的具体实现方法如下：
S1：加工过程中采集主轴振动信号
为了对难加工材料飞机结构件数控加工刀具使用过程中的破损失效进行监测，对数控加工过程中的振动信号进行采集，使用加速度传感器，传感器位置安装在机床主轴上。
S2：振动信号预处理
振动信号预处理的目的是消除因机床结构特性、传感器安装问题等对刀具失效状态识别的干扰。
对于采集到的振动信号S 0进行第一次带通滤波，也即是图2（b）中步骤S201中的滤波，第一次带通滤波中初始低通截止频率设定为L 1，优选的，L 1=1kHz，初始高通截止频率设定为H 1，优选的，H 1=10Hz，通过初始滤波获取信号S 1。第一次带通滤波是针对传感器的特性，在低频和高频段传感器本身采集有干扰，所以针对所有方向的信号均进行滤波，频率范围在10Hz～1kHz范围的振动信号通过该滤波器，得到初始滤波获取信号S 1，小于10Hz和大于1kHz的振动信号被滤除。
图2（b）中步骤S201中第一次滤波后，进行步骤S202：FFT变换，对信号S 1进行FFT变换获得频谱信号，步骤S203中，判断频谱信号上是否存在干扰因素，即是否存在某些频率的幅值大于设定阈值A 0。有，则返回步骤S201进行滤波处理，没有，则进行步骤S3。
作为优选方案，本发明还进行了第二次滤波，第二次滤波是基于各向频谱信号以及设定的阈值A0识别出干扰信号特征的频段（第二次滤波的主要原因为机床传动等导致的固定频率干扰，因机床方向状态不一，有的方向信号存在，有的不存在），然后对存在干扰的信号设定能避免干扰的频段进行滤波。由于第一次滤波和第二次滤波的目的不同，因此，滤波的频段也有差别。如果频谱信号存在某些频率的幅值大于设定阈值A 0，认定信号存在干扰，进而对第二次滤波的高通截止频率和低通截止频率进行设置，第二次滤波的频段是根据识别出的干扰频率和阈值A 0进行调整的，不是固定的，按照高通截止频率和低通截止频率之间没有幅值大于设定阈值A 0的频率的要求，设定第二次滤波的低通截止频率设定为L 2、第二次滤波的高通截止频率设定为H 2，进一步地对信号S 1进行带通滤波处理并获得信号S 2。对于不存在机床传动等导致的固定频率干扰的情况，不需要进行二次滤波。
图9是存在较大干扰的空转时域信号曲线图，图10（a）和图10（b）为两种机床状态情况下机床空转时振动信号的频域曲线，横坐标为频率，纵坐标为幅值，其中图10（a）是存在较大干扰的空转频域信号图，图10（b）是存在较小干扰的空转频域信号图。其中图10（b）为机床较小干扰的情况，最大幅值小于1；图10（a）为机床存在较大干扰的情况，最大幅值为7.497，机床因素存在的干扰会影响对刀具状态的识别，例如如果机床为图10（a）所示的状态，如果不按照本发明的方法对干扰进行去除，则会导致出现图9所示的情况，图9中第1层为刀具完好状态，第2层为刀具崩刃的状态，刀具崩刃产生的变化（如图8中所示）会与机床因素的干扰混杂在一下，导致无法通过信号特征进行识别。在本实施例中给出了一个具体的示例：阈值A 0设定为1，S 1的频谱信号如图10（a）所示，分别在1000Hz、3120Hz、3900Hz左右存在幅值大于设定阈值A 0的信号特征。为了消除干扰因素，设定第二次滤波的低通截止频率设定为L 2=3000Hz、第二次滤波的高通截止频率设定为H 2=1500Hz，进一步地对信号S 1进行带通滤波处理并获得信号S 2，频率范围在1500Hz～3000Hz范围的振动信号通过该滤波器，得到第二次带通滤波信号S 2，小于1500Hz和大于3000Hz的振动信号被滤除。
然后采用与处理信号S 1相同的方法对信号S 2进行处理，循环至信号不存在异常干扰因素，即不存在某些频率的幅值大于设定阈值A 0，进入S3步骤。
S3：计算振动信号每转均方根的移动平均值
振动信号每转均方根的计算方法如下所示：
机床主轴每转的振动信号样本数量N计算为：
Figure 758801DEST_PATH_IMAGE001
其中，f s 为振动信号的采样频率，n为主轴转速。
机床主轴第k转的每转均方根值RMS(k)通过下式计算获得：
Figure 144783DEST_PATH_IMAGE002
其中，x i 是采集到的振动信号的第i个数值。
然后计算每转均方根值RMS(k)的移动平均值计算方法，如下式所示：
Figure 612935DEST_PATH_IMAGE003
其中，RMS m (m)是计算获得的第m个每转均方根值的移动平均值，j是移动平均值计算的每周期的数值数量。
使用振动信号的每转均方根值的移动平均值作为后续步骤进行刀具失效识别的数据来源，从步骤S4开始后续提到的振动信号均方根值均是指振动信号的每转均方根值的移动平均值。
S4：依据NC程序代码开启刀具失效识别
在数控加工NC程序编制过程中，按照空运行刀轨使用G00指令、进退刀和加工材料的刀轨使用G01的方式进行设定。
然后在实时监控过程中依据NC程序代码开启刀具失效识别，即当NC程序运行到G01指令段时开启刀具失效的识别，即进入刀具断裂识别、刀具缺齿识别和刀具崩刃识别同步进行的阶段，三种刀具失效形式示意图如图4所示，当NC程序运行到G00指令段时暂停刀具失效识别，运行到下一个G01指令段时重新开启刀具失效识别，如此循环至NC程序结束。
当刀具失效识别开启后进入步骤S5、S6和S7同步进行阶段。
S5：刀具断裂识别
S5是针对刀具断裂的情况进行识别，在本专利中刀具断裂情况指的是刀具的全部切削刃与刀体断裂分离且刀具剩余部分无刃口继续参与切削。
对于刀具断裂的情况通过设置振动信号均方根值下限值并依据实时均方根值连续小于下限值的方式进行识别，具体步骤如图2（c）所示。
首先，步骤S501，设定振动信号均方根值下限值K 1，优选的，K 1=0.08。
然后，步骤S502，判断实时的每转均方根值RMS是否小于K 1，如果RMS<K 1，则执行步骤S503，计算连续小于下限值的时间T 1，如果RMS>K 1，则令时间T 1=0，直至下一次每转均方根值RMS<K 1后执行步骤S503，计算连续小于下限值的时间T 1。
最后，步骤S504，设定许可时间，判断连续小于下限值的时间T 1是否大于许可时间，若是，则执行步骤S8，进行道具失效报警。设定许可时间的原因是在飞机结构件加工过程中本身存在部分刀轨未切削到余量的影响，当刀具未切削余量时会导致每转均方根值RMS<K 1的情况，信号特征与刀具断裂相似，对识别造成一定的干扰，但是因空切削刀轨导致的RMS<K 1情况的时间较短，设定许可时间并判断连续小于下限值的时间T 1是否大于许可时间，可以屏蔽空刀轨对识别准确性的不利影响。
作为优选方案，设定许可时间为刀具转动5000转所需的时间，判断连续小于下限值的时间T 1是否大于许可时间。
如果判断连续小于下限值的时间T 1大于许可时间，则判定发生刀具断裂，触发刀具失效报警，断刀失效条件均方根曲线图如图5所示。图5横坐标为均方根值的数量，按照时间排序，纵坐标为均方根的幅值大小。图5中3条曲线分别对应切削深度为0、0.5、0.8mm的加工工况。因此加工过程中刀具切削深度均大于0，当断刀产生后，刀具不能进行切削，才会出现切削深度为0的情况，即图5中切削深度0的曲线代表为断刀后的信号特征，刀具断裂后幅值明显降低，证明本发明提出断刀识别的方法可有效监测断刀。
S6：刀具缺齿识别
S6过程是针对刀具缺齿的情况进行识别，在本专利中刀具缺齿情况指的是刀具至少一个切削刃因断裂产生缺齿而失去切削作用，但同时刀具尚存在至少一个切削刃仍然参与切削。
对于刀具缺齿的情况通过设置振动信号均方根值上限值并依据实时均方根值连续大于上限值的方式进行识别，具体步骤如图2（d）所示。
首先，步骤S601，设定振动信号均方根值上限值K 2，优选的，K 2=0.2。
然后，步骤S602，判断实时的每转均方根值RMS是否大于K 2，如果RMS＞K 2，则执行步骤603，计算连续大于上限值的时间T 2，如果RMS＜K 2，则令时间T 2=0，直至下一次每转均方根值RMS＞K 2后执行步骤603计算连续大于上限值的时间。
最后，步骤S604，设定许可时间，判断连续大于上限值的时间T 2是否大于许可时间，若是，则执行步骤S8，进行道具失效报警。
设定许可时间为刀具转动2000转所需的时间（该组信号），如果判断连续大于上限值的时间T 2大于许可时间，则判定发生刀具缺齿，触发刀具失效报警。缺齿失效条件均方根曲线图如图6所示。图6中横坐标为均方根值的数量，按照时间排序，纵坐标为均方根的幅值大小。图6中3条曲线分别对应刀具齿数为1、2、3的加工工况，若刀具完好时的齿数为3，缺1齿后刀具齿数为2，缺2齿后刀具齿数为1，如图6所示，刀具缺齿后均方根数据增大，证明本发明提出缺齿识别的方法可有效监测刀具缺齿。
S7：刀具崩刃识别
S7过程是针对刀具崩刃的情况进行识别，本发明对于刀具崩刃的情况通过构建基于支持向量机方法（SVM）的识别模型的方式进行状态判别，但并不是对SVM模型的直接应用，而是进行了改进，充分考虑到刀具崩刃后切削振动信号的特征值变化受刀具切削参数及崩刃形式的影响存在不同规律。一般SVM模型分类的使用是针对固定刀具固定参数（所有切削参数均相同）的情况进行数据采集、训练和应用，如果按固定刀具和固定参数进行模型使用则需要构建的模型太多且用于学习的数据量少，本发明考虑使用SVM模型的思路是，识别对象包括了切削参数的变化（具体的包括进给速度、切宽等变化，刀具轨迹也有转向的环节），根据切削特性依据切削深度A p 与识别的目标崩刃刃口缺失高度H的关系对识别崩刃情况进行区别（如果不分类的话，两种情况信号变化趋势不同，混杂在一起识别准确率低），然后针对依据切削深度分出的类别进行模型构建，这样每种情况可以包含的加工内容更多，即可用于学习的数据量就更大。相应地，就可以实现用少的数据量训练出用于刀具崩刃识别的模型。刀具崩刃识别的流程图如图2（e）所示，S7具体包括以下步骤：
S701，获取切削深度A p 。
S702，识别目标崩刃刃口缺失高度H。
S703，判断当切削深度A p 是否小于识别目标崩刃刃口缺失高度H，是，则执行步骤S704或S705。在本专利中识别的目标刀具崩刃情况分为两种情况，一种是当切削深度A p <识别目标崩刃刃口缺失高度H且刀具的全部切削刃均产生崩刃的情况，另一种是当A p ＞H且刀具至少一个切削刃因破损产生崩刃、同时产生崩刃的切削刃仍然有部分刃口参与切削。依据切削深度A p 和识别目标崩刃刃口缺失高度H的值进行判断，采用基于SVM的识别模型M 1或者基于SVM的识别模型M 2进行处理。
对于刀具崩刃的情况通过构建基于支持向量机方法（SVM）构建识别模型的方式进行状态判别，但是为提高基于SVM构建的模型对刀具崩刃的识别准确性，依据切削深度A p 与识别的目标崩刃刃口缺失高度H的关系对识别崩刃情况进行区别，并分别针对每一种情况构建识模型。
依据切削深度A p 和识别目标崩刃刃口缺失高度H的值进行判断，当A p <H时，执行步骤S704，针对刀具的全部切削刃均产生崩刃的情况构建基于SVM的识别模型M 1，通过识别模型分类判断是否发生崩刃，如果发生崩刃，计算连续判别属于崩刃的时间T 3。
当A p ＞H时，执行步骤S705，针对刀具至少一个切削刃因破损产生崩刃、同时产生崩刃的切削刃仍然有部分刃口参与切削情况构建基于SVM的识别模型M 2，通过识别模型分类判断是否发生崩刃，如果发生崩刃，计算连续判别属于崩刃的时间T 3。
进一步的，计算连续判别属于崩刃的时间T 3的过程中，如果出现模型判别不属于崩刃的情况，则T 3重新开始计数。
步骤S706，设定许可时间为每20组样本值对应的时间，如果判断连续判别属于崩刃的时间T 3大于许可时间，则判定发生刀具崩刃，执行步骤S8，触发刀具失效报警。
构建基于SVM的识别模型M 1和模型M 2的流程图如图3所示，均采用如下步骤。
① 计算振动信号每转均方根移动平均值RMS；
② 将均方根数据进行分段，将每N f 转数据（即N f 个均方根数值）作为1组，设定N f =100；
③ 进行信号特征值计算，包括偏差、峭度、标准差、均值和最大值；
④ 进入信号特征选取阶段，此时需面向识别目标刀具崩刃情况下刀具切削参数及崩刃形式的影响不同导致的信号特征变化不同，进行针对性的分类，将用于构建模型的振动信号分为正常信号和崩刃信号，并选取第③步中任意两个以上特征值且做好信号分类标签，特征值数量多会一定程度增加计算时间但对提升精度的效果不明显，本实例中选择标准差、均值和最大值作为特征值；
⑤ 针对识别模型M 1和模型M 2对应的情况分别构建信号分类标签，信号分类标签包括训练信号和测试信号，训练信号和测试信号分别包含一定数量的正常信号和崩刃信号的信号特征值；
构建识别模型M 1的信号如附图7所示，图7中所示的信号即为当切削深度小于崩刃高度H时振动信号的均方根曲线图，图7中框出的部分信号为针对该崩刃情况（A p <H且刀具的全部切削刃均产生崩刃的情况）的崩刃信号，其余部分信号除去空刀外为正常信号。图7中矩形框出的部分为刀具崩刃产生的明显信号变化，三向振动信号均方根相对于前面的（刀具未发生崩刃）明显降低。该种工况下的变化与图8不同，所以需要对于崩刃需要按工况进行分类分别构建SVM模型。构建训练信号和测试信号分别包含100组的正常信号和100组崩刃信号的信号特征值。
切深A p大于刃口缺失高度H崩刃条件的均方根曲线图如图8所述，图8中横坐标为均方根值的数量，按照时间排序，纵坐标为均方根的幅值大小。图中2条曲线为刀具切削2层的振动信号，其中第1层为刀具完好状态下的振动信号，第2层为刀具出现崩刃情况下的振动信号，即为当切削深度大于崩刃高度H时振动信号的变化曲线。图中矩形框出的部分为刀具崩刃产生的明显信号变化，该种工况下崩刃后振动信号均方根相对于刀具完好状态的明显增大。该种工况下的变化与图7不同，所以需要对于崩刃需要按工况进行分类分别构建SVM模型，图8中框出的部分信号为针对该崩刃情况（A p ＞H且刀具至少一个切削刃因破损产生崩刃、同时产生崩刃的切削刃仍然有部分刃口参与切削情况）的崩刃信号，其余部分信号除去空刀外为正常信号。构建训练信号和测试信号分别包含100组的正常信号和100组崩刃信号的信号特征值。
⑥ 使用支持向量机模型（SVM）依据训练信号的特征值分别构建识别模型M 1和模型M 2；
⑦ 使用对应的测试信号分别对获得的识别模型M 1和模型M 2进行分类结果测试，
⑧计算相应的识别精度；
Figure 945828DEST_PATH_IMAGE004
设定许可精度为95%，判断模型精度计算值是否满足许可精度要求，如果模型精度大于许可精度要求，则获得训练好的SIM模型，可以使用该模型，否则，返回步骤⑤进行信号特征值选取，再次进行训练。本实例中识别模型M 1的精度为97%、模型M 2的精度为98%。如果模型精度小于许可精度要求，回到信号特征值选取阶段，调整所选取的特征值，重新构建模型并计算精度，直至满足许可精度要求。
S8：刀具失效报警
S5刀具断裂识别、S6刀具缺齿识别、S7刀具崩刃识别为同步进行的阶段，当其中有一个以上的步骤判断刀具为失效状态时，进行刀具失效报警，启动换刀动作，更换新的刀具后进行加工。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种基于振动信号的刀具失效监控方法，其特征在于，包括以下步骤：
第一步，获取数控加工过程中的振动信号，并计算所述振动信号的均方根值；
第二步，基于所述振动信号的均方根值，进行刀具失效识别，所述刀具失效识别包括刀具断裂识别、刀具缺齿识别和刀具崩刃识别；
其中，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别；所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别；所述刀具崩刃识别基于SVM构建的模型进行识别。
2.如权利要求1所述的一种基于振动信号的刀具失效监控方法，其特征在于，所述刀具断裂识别根据所述振动信号的均方根值小于下限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS小于下限值K 1所持续的时间长度为T 1，若T 1大于刀具断裂许可时间，则判定发生刀具断裂。
3.如权利要求1所述的一种基于振动信号的刀具失效监控方法，其特征在于，所述刀具缺齿识别根据所述振动信号的均方根值大于上限值所持续的时间长度进行识别具体是指：
设振动信号每转均方根值RMS大于上限值K 2所持续的时间长度为T 2，若T 2大于刀具缺齿许可时间，则判定发生刀具缺齿。
4.如权利要求1所述的一种基于振动信号的刀具失效监控方法，其特征在于，所述刀具崩刃识别基于SVM构建的模型进行识别分为两种情况：
当切削深度小于识别目标崩刃刃口缺失高度，并且刀具的全部切削刃均产生崩刃时，基于SVM的识别模型M 1判断是否发生崩刃；
当切削深度大于识别目标崩刃刃口缺失高度，并且刀具至少一个切削刃因破损产生崩刃或同时产生崩刃的切削刃仍然有部分刃口参与切削时，基于SVM的识别模型M 2判断是否发生崩刃。
5.如权利要求4所述的一种基于振动信号的刀具失效监控方法，其特征在于，识别模型M 1或识别模型M 2的构建，包括以下步骤：
S21，基于振动信号计算信号特征值，所述信号特征值包括偏差、峭度、标准差、均值和最大值；
S22，基于所述信号特征值对SVM模型进行训练，所述信号特征值包含正常信号和崩刃信号；
S23，SVM模型训练好之后，输入测试信号，得到识别精度，若识别精度大于许可精度要求值，则SVM模型训练完成。
6.如权利要求4所述的一种基于振动信号的刀具失效监控方法，其特征在于，根据识别模型M 1或识别模型M 2判断出发生崩刃后计算连续判别属于崩刃的时间T 3，若T 3大于刀具崩刃许可时间，则判定发生刀具崩刃。
7.如权利要求1-6任一所述的一种基于振动信号的刀具失效监控方法，其特征在于，第一步中，在计算所述振动信号的均方根值之前，对振动信号进行预处理；
所述预处理包括对振动信号进行初始带通滤波，得到初始滤波信号；所述初始带通滤波的初始低通截止频率为L 1，初始高通截止频率为H 1。
8.如权利要求7所述的一种基于振动信号的刀具失效监控方法，其特征在于，对于主轴转速在1000～2000r/min的钛合金加工领域，初始低通截止频率L 1设定为1kHz、初始高通截止频率为H 1设定10Hz。
9.如权利要求8所述的一种基于振动信号的刀具失效监控方法，其特征在于，所述预处理还包括：
按照高通截止频率和低通截止频率之间没有幅值大于设定阈值A0的频率的要求，设定第二次滤波的低通截止频率为L 2、第二次滤波的高通截止频率为H 2；
对所述初始滤波信号进行FFT变换获得频谱信号，判断所述频谱信号的幅值是否大于预设的阈值A0，若是，则按照预设的低通截止频率L 2和高通截止频率H 2进行第二次滤波，否则，继续执行后续步骤，所述阈值A0的取值范围是1≤A0≤1.5。
CN202210797847.1A 2022-07-08 2022-07-08 一种基于振动信号的刀具失效监控方法 Active CN114850969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210797847.1A CN114850969B (zh) 2022-07-08 2022-07-08 一种基于振动信号的刀具失效监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210797847.1A CN114850969B (zh) 2022-07-08 2022-07-08 一种基于振动信号的刀具失效监控方法

Publications (2)

Publication Number Publication Date
CN114850969A true CN114850969A (zh) 2022-08-05
CN114850969B CN114850969B (zh) 2022-10-25

Family

ID=82625673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210797847.1A Active CN114850969B (zh) 2022-07-08 2022-07-08 一种基于振动信号的刀具失效监控方法

Country Status (1)

Country Link
CN (1) CN114850969B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061006A (zh) * 2023-04-03 2023-05-05 成都飞机工业（集团）有限责任公司 一种刀具监控方法、装置、设备及介质
CN116690313A (zh) * 2023-08-01 2023-09-05 成都飞机工业（集团）有限责任公司 一种飞机结构件腹板加工刀具失效监控方法
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
CN117270455A (zh) * 2023-11-20 2023-12-22 成都飞机工业（集团）有限责任公司 一种基于数字滤波的槽腔铣削刀轨优化方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4087801A (en) * 1974-12-20 1978-05-02 Tokyo Shibaura Electric Co., Ltd. Apparatus for detecting damages of cutting tools
US4471444A (en) * 1982-04-02 1984-09-11 The United States Of America As Represented By The Secretary Of Commerce Rotating tool wear monitoring apparatus
CN1084795A (zh) * 1992-09-29 1994-04-06 清华大学 一种刀具失效综合监控方法与装置
EP1938247A2 (en) * 2005-09-14 2008-07-02 University of Massachusetts Multi-scale enveloping spectrogram signal processing for condition monitoring and the like
CN101674918A (zh) * 2007-05-02 2010-03-17 瑞尼斯豪公司 工具设置或分析装置
CN107738140A (zh) * 2017-09-30 2018-02-27 深圳吉兰丁智能科技有限公司 一种监控刀具状态的方法、系统以及处理设备
CN107932186A (zh) * 2017-12-01 2018-04-20 成都飞机工业（集团）有限责任公司 一种基于加工坐标对齐参考信号的刀具状态识别方法
CN109909803A (zh) * 2019-04-17 2019-06-21 北京天泽智云科技有限公司 一种机床主轴异常检测方法
CN110561193A (zh) * 2019-09-18 2019-12-13 杭州友机技术有限公司 一种基于特征融合的刀具磨损评估及监控的方法与系统
CN110874500A (zh) * 2019-10-11 2020-03-10 成都飞机工业（集团）有限责任公司 一种基于振动监测的飞机结构件加工方案评估方法
KR20200036198A (ko) * 2018-09-28 2020-04-07 현대위아 주식회사 공구의 마모 및 파손 감지 방법
CN111085898A (zh) * 2019-12-30 2020-05-01 南京航空航天大学 一种工况自适应的高速铣削加工过程刀具监测方法及系统
CN211728547U (zh) * 2020-01-20 2020-10-23 西安精雕精密机械工程有限公司 基于振动的高灵敏度数控机床加工过程断刀实时监测装置
CN112008495A (zh) * 2020-07-28 2020-12-01 成都飞机工业（集团）有限责任公司 一种基于振动监测的刀具破损识别方法
CN112720071A (zh) * 2021-01-27 2021-04-30 赛腾机电科技（常州）有限公司 多能域信号智能化融合的刀具实时状态监测指标构造方法
CN113848805A (zh) * 2021-09-22 2021-12-28 成都飞机工业（集团）有限责任公司 数控系统加工状态监测系统和方法
CN114619292A (zh) * 2022-03-25 2022-06-14 南京航空航天大学 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

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4087801A (en) * 1974-12-20 1978-05-02 Tokyo Shibaura Electric Co., Ltd. Apparatus for detecting damages of cutting tools
US4471444A (en) * 1982-04-02 1984-09-11 The United States Of America As Represented By The Secretary Of Commerce Rotating tool wear monitoring apparatus
CN1084795A (zh) * 1992-09-29 1994-04-06 清华大学 一种刀具失效综合监控方法与装置
EP1938247A2 (en) * 2005-09-14 2008-07-02 University of Massachusetts Multi-scale enveloping spectrogram signal processing for condition monitoring and the like
CN101674918A (zh) * 2007-05-02 2010-03-17 瑞尼斯豪公司 工具设置或分析装置
CN107738140A (zh) * 2017-09-30 2018-02-27 深圳吉兰丁智能科技有限公司 一种监控刀具状态的方法、系统以及处理设备
CN107932186A (zh) * 2017-12-01 2018-04-20 成都飞机工业（集团）有限责任公司 一种基于加工坐标对齐参考信号的刀具状态识别方法
KR20200036198A (ko) * 2018-09-28 2020-04-07 현대위아 주식회사 공구의 마모 및 파손 감지 방법
CN109909803A (zh) * 2019-04-17 2019-06-21 北京天泽智云科技有限公司 一种机床主轴异常检测方法
CN110561193A (zh) * 2019-09-18 2019-12-13 杭州友机技术有限公司 一种基于特征融合的刀具磨损评估及监控的方法与系统
CN110874500A (zh) * 2019-10-11 2020-03-10 成都飞机工业（集团）有限责任公司 一种基于振动监测的飞机结构件加工方案评估方法
CN111085898A (zh) * 2019-12-30 2020-05-01 南京航空航天大学 一种工况自适应的高速铣削加工过程刀具监测方法及系统
CN211728547U (zh) * 2020-01-20 2020-10-23 西安精雕精密机械工程有限公司 基于振动的高灵敏度数控机床加工过程断刀实时监测装置
CN112008495A (zh) * 2020-07-28 2020-12-01 成都飞机工业（集团）有限责任公司 一种基于振动监测的刀具破损识别方法
CN112720071A (zh) * 2021-01-27 2021-04-30 赛腾机电科技（常州）有限公司 多能域信号智能化融合的刀具实时状态监测指标构造方法
CN113848805A (zh) * 2021-09-22 2021-12-28 成都飞机工业（集团）有限责任公司 数控系统加工状态监测系统和方法
CN114619292A (zh) * 2022-03-25 2022-06-14 南京航空航天大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟祥飞: "基于多传感器融合的刀具磨损监测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116061006A (zh) * 2023-04-03 2023-05-05 成都飞机工业（集团）有限责任公司 一种刀具监控方法、装置、设备及介质
CN116061006B (zh) * 2023-04-03 2023-07-21 成都飞机工业（集团）有限责任公司 一种刀具监控方法、装置、设备及介质
CN116690313A (zh) * 2023-08-01 2023-09-05 成都飞机工业（集团）有限责任公司 一种飞机结构件腹板加工刀具失效监控方法
CN116690313B (zh) * 2023-08-01 2023-12-12 成都飞机工业（集团）有限责任公司 一种飞机结构件腹板加工刀具失效监控方法
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
CN117270455A (zh) * 2023-11-20 2023-12-22 成都飞机工业（集团）有限责任公司 一种基于数字滤波的槽腔铣削刀轨优化方法
CN117270455B (zh) * 2023-11-20 2024-03-15 成都飞机工业（集团）有限责任公司 一种基于数字滤波的槽腔铣削刀轨优化方法

Also Published As

Publication number Publication date
CN114850969B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114850969B (zh) 一种基于振动信号的刀具失效监控方法
CN110587377B (zh) 一种在线监测铣削加工刀具缺损的方法
CN109507952B (zh) 一种基于切削负载的复杂零件数控加工异常状态监控方法
Guo et al. Sound singularity analysis for milling tool condition monitoring towards sustainable manufacturing
Jemielniak et al. Tool condition monitoring based on numerous signal features
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
CN106647629A (zh) 一种基于数控系统内部数据的断刀检测方法
US7383097B2 (en) Method for managing machine tool data
CN106112697B (zh) 一种基于3σ准则的铣削颤振自动报警阈值设定方法
Ai et al. The milling tool wear monitoring using the acoustic spectrum
CN108490880A (zh) 一种数控机床切削刀具磨损状态实时监测方法
CN108873813B (zh) 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法
CN107511718A (zh) 单品大批量重复加工过程的智能刀具状态监测方法
CN108527005A (zh) 一种cnc刀具状态检测方法和系统
CN111890124A (zh) 刀具在线监测系统及方法
Yan et al. A multi-sensor strategy for tool failure detection in milling
CN114800040A (zh) 工艺-状态数据关联的刀具磨损监测方法及系统
CN115922442A (zh) 基于主轴振动信号的刀具磨破损实时监控方法及相关装置
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN114714157B (zh) 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法
CN116690313B (zh) 一种飞机结构件腹板加工刀具失效监控方法
CN116451044A (zh) 基于数据分析的机加设备故障预警系统
CN108956783B (zh) 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法
TW201332704A (zh) 刃口積屑監控方法
CN112008495B (zh) 一种基于振动监测的刀具破损识别方法

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
GR01 Patent grant