CN114880814B - 基于大数据的轧辊改制辅助优化方法 - Google Patents

基于大数据的轧辊改制辅助优化方法 Download PDF

Info

Publication number
CN114880814B
CN114880814B CN202210797030.4A CN202210797030A CN114880814B CN 114880814 B CN114880814 B CN 114880814B CN 202210797030 A CN202210797030 A CN 202210797030A CN 114880814 B CN114880814 B CN 114880814B
Authority
CN
China
Prior art keywords
degree
time period
sequence
cutter
sound frequency
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
CN202210797030.4A
Other languages
English (en)
Other versions
CN114880814A (zh
Inventor
陈小勤
刘宇环
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.)
Nantong Hengqiang Mill Roll Co ltd
Original Assignee
Nantong Hengqiang Mill Roll 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 Nantong Hengqiang Mill Roll Co ltd filed Critical Nantong Hengqiang Mill Roll Co ltd
Priority to CN202210797030.4A priority Critical patent/CN114880814B/zh
Publication of CN114880814A publication Critical patent/CN114880814A/zh
Application granted granted Critical
Publication of CN114880814B publication Critical patent/CN114880814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Automatic Control Of Machine Tools (AREA)

Abstract

本发明涉及机床零件加工技术领域，具体涉及一种基于大数据的轧辊改制辅助优化方法，该方法可用于智能制造装备产业，具体可应用于工业自动控制系统装置制造、机床现场总线控制系统、机床可编程控制系统等其他金属加工机械制造。通过对轧辊车床加工过程中刀具摩擦产生的声音频率、刀具切削加工材料的径向阻力和加工材料的表面光洁程度进行相结合分析，得到刀具的劣化程度，基于劣化程度对刀具的磨损异常进行实时预警，以避免异常刀具的使用，提高加工质量，降低加工事故发生的概率，以实现支承刀具或工件的部件的进给。

Description

基于大数据的轧辊改制辅助优化方法
技术领域
本发明涉及机床零件加工技术领域，具体涉及一种基于大数据的轧辊改制辅助优化方法。
背景技术
轧辊车床主要用于铸铁、 钢质和有色金属轧辊的半精车削及精车削加工,使用高速钢、硬质合金或其他材料的刀具可进行轧辊的外圆、 端面和各种复杂孔型型面、曲面的车削加工和修复加工，也可用于与轧辊相同尺寸及重量范围的铸铁、钢质及有色金属材质的轴类零件的加工。轧辊车床中的加工过程中，不可避免会出现一定刀具的磨损，而刀具的磨损会对轧辊的加工质量产生较大的影响，而目前对与刀具磨损的检测手段，一般都是由操作人员根据经验来判断，但是人为检测需要停机检测，会浪费时间和能源，且发现时已经带来很大的质量影响。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于大数据的轧辊改制辅助优化方法，所采用的技术方案具体如下：
基于采样频率分别采集轧辊车床加工过程中刀具的声音频率、刀具的径向阻力和加工材料的表面光洁程度，得到设定时间段内的声音频率序列、径向阻力序列和表面光洁程度序列；
对所述声音频率序列进行均值滤波得到新声音频率序列，结合所述声音频率序列和对应的所述新声音频率序列得到每个所述时间段内刀具的稳定评价值；基于初始时间段内的所述径向阻力序列分别获取每个所述时间段内刀具的磨损评价值，根据多个连续的所述时间段的所述磨损评价值分别计算每个所述时间段内刀具的刀劣化程度；结合所述稳定评价值和所述刀劣化程度获取对应每个所述时间段内刀具的劣化综合程度；
根据每个所述时间段对应的所述表面光洁程度序列和所述劣化综合程度对刀具进行磨损异常预警；
其中，所述基于初始时间段内的所述径向阻力序列分别获取每个所述时间段内刀具的磨损评价值的方法，包括：
将初始时间段与当前所述时间段的所述径向阻力序列进行相似程度计算，根据相似程度得到当前所述时间段内刀具的所述磨损评价值，所述磨损评价值的计算公式为：
Figure 122799DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为所述时间段
Figure 633415DEST_PATH_IMAGE004
内刀具的所述磨损评价值；
Figure 100002_DEST_PATH_IMAGE005
为所述时间段
Figure 39251DEST_PATH_IMAGE004
和初始时间段之间所述径向阻力序列的相似程度；
Figure 496777DEST_PATH_IMAGE006
为所述时间段
Figure 639045DEST_PATH_IMAGE004
对应所述径向阻力序列的标准差；
Figure 100002_DEST_PATH_IMAGE007
为所述时间段
Figure 353186DEST_PATH_IMAGE004
的所述径向阻力序列；
Figure 682536DEST_PATH_IMAGE008
为初始时间段的所述径向阻力序列。
进一步地，所述根据每个所述时间段对应的所述表面光洁程度序列和所述劣化综合程度对刀具进行磨损异常预警的方法，包括：
当所述表面光洁程度序列中存在连续大于或等于设定数量的所述表面光洁程度都小于或等于光洁程度阈值时，则立即进行磨损异常预警；反之，当所述表面光洁程度序列中存在连续小于设定数量的所述表面光洁程度小于所述光洁程度阈值时，则根据每个所述时间段对应的所述劣化综合程度进行磨损异常预警。
进一步地，所述根据每个所述时间段对应的所述劣化综合程度进行磨损异常预警的方法，包括：
当所述劣化综合程度小于劣化阈值时，则将对应所述时间段的特征值为+1，反之，当所述劣化综合程度大于或等于劣化阈值时，则将对应所述时间段的特征值为-1；基于时间序列，对每个所述时间段的所述特征值进行依次相加，当相加结果等于特征值阈值时，则进行磨损异常预警。
进一步地，所述结合所述声音频率序列和对应的所述新声音频率序列得到每个所述时间段内刀具的稳定评价值的方法，包括：
分别计算当前所述时间段内每个采样频率下对应的所述声音频率和新声音频率之间声音频率差值，由当前所述时间段内多个所述声音频率差值计算平均声音频率差值；获取当前所述时间段内对应所述声音频率序列中最大声音频率和最小声音频率之间的极差值，结合所述平均声音频率差值和所述极差值得到当前所述时间段内刀具的所述稳定评价值。
进一步地，所述每个所述时间段内刀具的刀劣化程度的获取方法，包括：
将当前所述时间段的前后连续多个所述时间段对应的所述磨损评价值构成当前所述时间段的数据集合；基于数据集合，以时间段为横坐标、所述磨损评价值为纵坐标构建刀具劣化曲线，将所述刀具劣化曲线的斜率作为当前所述时间段的所述刀劣化程度。
进一步地，所述劣化综合程度与所述稳定评价值呈负相关关系、所述劣化综合程度与所述刀劣化程度呈正相关关系。
本发明实施例至少具有如下有益效果：一种基于大数据的轧辊改制辅助优化方法可用于智能制造装备产业，具体可应用于工业自动控制系统装置制造、机床现场总线控制系统、机床可编程控制系统等其他金属加工机械制造。通过对轧辊车床加工过程中刀具摩擦产生的声音频率、刀具切削加工材料的径向阻力和加工材料的表面光洁程度进行相结合分析，得到刀具的劣化程度，基于劣化程度对刀具的磨损异常进行实时预警，以避免异常刀具的使用，提高加工质量，降低加工事故发生的概率，以实现支承刀具或工件的部件的进给。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于大数据的轧辊改制辅助优化方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的轧辊改制辅助优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的轧辊改制辅助优化方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的轧辊改制辅助优化方法的步骤流程图，该方法包括以下步骤：
步骤S001，基于采样频率分别采集轧辊车床加工过程中刀具的声音频率、刀具的径向阻力和加工材料的表面光洁程度，得到设定时间段内的声音频率序列、径向阻力序列和表面光洁程度序列。
具体的，在轧辊车床的加工过程中利用刀具对加工材料进行磨蚀会伴随着摩擦由振动声音出现，因此可以利用声音频率来表达刀具的磨蚀程度，故以1S为采样频率、1分钟为设定时间段，利用声音采集设备采集刀具摩擦发出的声音，然后对声音进行分帧、加窗和傅里叶变换得到声音频率，则相同的，以1秒采集一次刀具的声音频率
Figure DEST_PATH_IMAGE009
，进而得到1分钟内多个声音频率
Figure 474911DEST_PATH_IMAGE009
所构成的声音频率序列
Figure 170554DEST_PATH_IMAGE010
。
由于刀具的损耗是实时存在的，因此在刀具发生损耗的情况下，且要保证1分钟内刀具的进给量是固定的1mm，则加工材料的需要更大的径向力，相对应的刀具的径向阻力也变大，故利用刀具和机械臂的接口处所安装的应力感应器以相同的采样频率（1S）来获取刀具的径向阻力
Figure DEST_PATH_IMAGE011
，进而同样得到1分钟内多个径向阻力
Figure 226235DEST_PATH_IMAGE011
所构成的径向阻力序列
Figure 511722DEST_PATH_IMAGE012
。
当刀具出现裂痕或缺角时，会直接导致加工材料的表面出现不光滑现象，且会存在刀具崩碎的可能性，导致刀具的碎片镶嵌在加工材料的表面，因此能够根据加工过程中加工材料的表面光滑情况来反映刀具的磨损现象，故利用3d轮廓测量仪对于加工材料与刀具的接触表面进行光洁程度检测，相同的，以1S为采样频率进行一次加工材料的表面光洁程度
Figure DEST_PATH_IMAGE013
检测，进而得到1分钟内多个表面光洁程度
Figure 311051DEST_PATH_IMAGE013
所构成的表面光洁程度序列
Figure 365595DEST_PATH_IMAGE014
。
步骤S002，对声音频率序列进行均值滤波得到新声音频率序列，结合声音频率序列和对应的新声音频率序列得到每个时间段内刀具的稳定评价值；基于初始时间段内的径向阻力序列分别获取每个时间段内刀具的磨损评价值，根据多个连续的时间段的磨损评价值分别计算每个时间段内刀具的刀劣化程度；结合稳定评价值和刀劣化程度获取对应每个时间段内刀具的劣化综合程度。
具体的，刀具随着使用的时长会逐渐出现磨损的情况，而刀具在短时间的使用过程中其声音频率应是稳定的，因此利用均值滤波器对每分钟内刀具的声音频率序列进行均值滤波以得到每分钟内刀具对应的新声音频率序列，新声音频率序列是指刀具在稳定使用过程中对应的理想声音频率序列，则每分钟内刀具的声音频率序列都对应一个新声音频率序列。
结合每分钟内刀具的声音频率序列和对应的新声音频率序列来分析刀具的稳定评价值，即声音频率波动越大说明刀具越不稳定，则稳定评价值的获取方法为：分别计算当前一分钟内每秒对应的声音频率和新声音频率之间声音频率差值，由当前一分钟内每秒对应的声音频率差值计算平均声音频率差值；获取当前一分钟内对应声音频率序列中最大声音频率和最小声音频率之间的极差值，结合平均声音频率差值和极差值得到当前一分钟内刀具的稳定评价值。
作为一个示例，稳定评价值的计算公式为：
Figure 326598DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为一分钟内刀具的稳定评价值；
Figure 132005DEST_PATH_IMAGE018
为声音频率序列（新声音频率序列）所包含声音频率（新声音频率）的数量；
Figure DEST_PATH_IMAGE019
为第
Figure 469445DEST_PATH_IMAGE020
秒的声音频率；
Figure DEST_PATH_IMAGE021
为第
Figure 175233DEST_PATH_IMAGE020
秒的新声音频率；
Figure 41558DEST_PATH_IMAGE022
为声音频率序列中的最大声音频率；
Figure DEST_PATH_IMAGE023
为声音频率序列中的最小声音频率。
由于刀具的磨损是非线性的，且刀具在初始使用时的损耗是最小的，因此以第一分钟为基准，即将加工过程中第一分钟内刀具的径向阻力序列作为稳定数据，且定义第一分钟内刀具的磨损评价值为0，然后分别将后续每分钟内的径向阻力序列和第一分钟内的径向阻力序列进行对比，以分析每分钟内刀具的磨损评价值，则磨损评价值的计算公式为：
Figure 68682DEST_PATH_IMAGE002
其中，
Figure 678655DEST_PATH_IMAGE003
为第
Figure 707791DEST_PATH_IMAGE004
分钟内刀具的磨损评价值；
Figure 10596DEST_PATH_IMAGE005
为第
Figure 492393DEST_PATH_IMAGE004
分钟和第一分钟之间径向阻力序列的相似程度；
Figure 906057DEST_PATH_IMAGE006
为第
Figure 789699DEST_PATH_IMAGE004
分钟对应径向阻力序列的标准差。
进一步地，利用上述磨损评价值的计算公式能够得到每分钟内刀具的磨损评价值
Figure 263406DEST_PATH_IMAGE024
。由于刀具的金属性质决定了刀具的劣化过程，因此根据任意一分钟对对应的连续多个分钟的磨损评价值来计算该分钟内刀具的刀劣化程度，则刀劣化程度的获取方法为：根据当前一分钟的前后连续10分钟对应的10个磨损评价值
Figure 733964DEST_PATH_IMAGE024
作为当前一分钟的数据集合，基于数据集合，以时间为横坐标、磨损评价值为纵坐标构建二维坐标系，通过拟合得到刀具劣化曲线，将刀具劣化曲线的斜率作为当前一分钟内刀具的刀劣化程度
Figure DEST_PATH_IMAGE025
。
进一步地，根据上述方法能够得到每分钟内刀具的稳定评价值
Figure 216898DEST_PATH_IMAGE017
和刀劣化程度
Figure 220626DEST_PATH_IMAGE025
，结合刀具的稳定评价值
Figure 865234DEST_PATH_IMAGE017
和刀劣化程度
Figure 321623DEST_PATH_IMAGE025
分析每分钟内刀具的劣化综合程度，其方法为：将刀具的稳定评价值作为对应刀劣化程度的修正系数，利用稳定评价值修正刀劣化程度得到对应分钟内刀具的劣化综合程度。
作为一个示例，劣化综合程度的计算公式为：
Figure DEST_PATH_IMAGE027
其中，
Figure 635012DEST_PATH_IMAGE028
为第
Figure 227667DEST_PATH_IMAGE004
分钟内刀具的劣化综合程度；
Figure DEST_PATH_IMAGE029
为第
Figure 574335DEST_PATH_IMAGE004
分钟内刀具的稳定评价值；
Figure 518020DEST_PATH_IMAGE030
为第
Figure 77177DEST_PATH_IMAGE004
分钟内刀具的刀劣化程度。
需要说明的是，劣化综合程度与稳定评价值呈负相关关系、劣化综合程度与刀劣化程度呈正相关关系。
步骤S003，根据每个时间段对应的表面光洁程度序列和劣化综合程度对刀具进行磨损异常预警。
具体的，由步骤S001和步骤S002能够得到每分钟内刀具的劣化综合程度
Figure DEST_PATH_IMAGE031
和加工材料的表面光洁程度序列，由于刀具的磨损现象不仅体现在声音和径向阻力，还体现在其与加工材料的接触面的表面光洁程度，因此结合每分钟内的劣化综合程度
Figure 321077DEST_PATH_IMAGE031
和表面光洁程度序列
Figure 543373DEST_PATH_IMAGE014
来对刀具进行磨损异常预警，其预警方法为：
当表面光洁程度序列中存在连续大于或等于设定数量的表面光洁程度都小于或等于光洁程度阈值时，则立即进行磨损异常预警；反之，当表面光洁程度序列中存在连续小于设定数量的表面光洁程度小于光洁程度阈值时，则根据每个分钟对应的劣化综合程度进行磨损异常预警：当劣化综合程度小于劣化阈值时，则将对应分钟内的特征值为+1，反之，当劣化综合程度大于或等于劣化阈值时，则将对应分钟内的特征值为-1；基于时间序列，对每分钟的特征值进行依次相加，当相加结果等于特征值阈值时，则进行磨损异常预警，否则不报警。
作为一个示例，每分钟的特征值的计算公式为：
Figure 974354DEST_PATH_IMAGE032
，其中
Figure DEST_PATH_IMAGE033
为劣化阈值，
Figure 868361DEST_PATH_IMAGE034
为特征值。
优选的，本发明实施例中设定数量为5，特征值阈值为5。
综上所述，本发明实施例提供了一种基于大数据的轧辊改制辅助优化方法，通过对轧辊车床加工过程中刀具摩擦产生的声音频率、刀具切削加工材料的径向阻力和加工材料的表面光洁程度进行相结合分析，得到刀具的劣化程度，基于劣化程度对刀具的磨损异常进行实时预警，以避免异常刀具的使用，提高加工质量，降低加工事故发生的概率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于大数据的轧辊改制辅助优化方法，其特征在于，该方法包括以下具体步骤：
基于采样频率分别采集轧辊车床加工过程中刀具的声音频率、刀具的径向阻力和加工材料的表面光洁程度，得到设定时间段内的声音频率序列、径向阻力序列和表面光洁程度序列；
对所述声音频率序列进行均值滤波得到新声音频率序列，结合所述声音频率序列和对应的所述新声音频率序列得到每个所述时间段内刀具的稳定评价值；基于初始时间段内的所述径向阻力序列分别获取每个所述时间段内刀具的磨损评价值，根据多个连续的所述时间段的所述磨损评价值分别计算每个所述时间段内刀具的刀劣化程度；结合所述稳定评价值和所述刀劣化程度获取对应每个所述时间段内刀具的劣化综合程度；
根据每个所述时间段对应的所述表面光洁程度序列和所述劣化综合程度对刀具进行磨损异常预警；
其中，所述基于初始时间段内的所述径向阻力序列分别获取每个所述时间段内刀具的磨损评价值的方法，包括：
将初始时间段与当前所述时间段的所述径向阻力序列进行相似程度计算，根据相似程度得到当前所述时间段内刀具的所述磨损评价值，所述磨损评价值的计算公式为：
Figure 461518DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为所述时间段
Figure 190790DEST_PATH_IMAGE004
内刀具的所述磨损评价值；
Figure DEST_PATH_IMAGE005
为所述时间段
Figure 240523DEST_PATH_IMAGE004
和初始时间段之间所述径向阻力序列的相似程度；
Figure 26077DEST_PATH_IMAGE006
为所述时间段
Figure 623411DEST_PATH_IMAGE004
对应所述径向阻力序列的标准差；
Figure DEST_PATH_IMAGE007
为所述时间段
Figure 224550DEST_PATH_IMAGE004
的所述径向阻力序列；
Figure 895834DEST_PATH_IMAGE008
为初始时间段的所述径向阻力序列；
所述结合所述声音频率序列和对应的所述新声音频率序列得到每个所述时间段内刀具的稳定评价值的方法，包括：
分别计算当前所述时间段内每个采样频率下对应的所述声音频率和新声音频率之间声音频率差值，由当前所述时间段内多个所述声音频率差值计算平均声音频率差值；获取当前所述时间段内对应所述声音频率序列中最大声音频率和最小声音频率之间的极差值，结合所述平均声音频率差值和所述极差值得到当前所述时间段内刀具的所述稳定评价值；
所述每个所述时间段内刀具的刀劣化程度的获取方法，包括：
将当前所述时间段的前后连续多个所述时间段对应的所述磨损评价值构成当前所述时间段的数据集合；基于数据集合，以时间段为横坐标、所述磨损评价值为纵坐标构建刀具劣化曲线，将所述刀具劣化曲线的斜率作为当前所述时间段的所述刀劣化程度；
所述劣化综合程度与所述稳定评价值呈负相关关系、所述劣化综合程度与所述刀劣化程度呈正相关关系。
2.如权利要求1所述的一种基于大数据的轧辊改制辅助优化方法，其特征在于，所述根据每个所述时间段对应的所述表面光洁程度序列和所述劣化综合程度对刀具进行磨损异常预警的方法，包括：
当所述表面光洁程度序列中存在连续大于或等于设定数量的所述表面光洁程度都小于或等于光洁程度阈值时，则立即进行磨损异常预警；反之，当所述表面光洁程度序列中存在连续小于设定数量的所述表面光洁程度小于所述光洁程度阈值时，则根据每个所述时间段对应的所述劣化综合程度进行磨损异常预警。
3.如权利要求2所述的一种基于大数据的轧辊改制辅助优化方法，其特征在于，所述根据每个所述时间段对应的所述劣化综合程度进行磨损异常预警的方法，包括：
当所述劣化综合程度小于劣化阈值时，则将对应所述时间段的特征值为+1，反之，当所述劣化综合程度大于或等于劣化阈值时，则将对应所述时间段的特征值为-1；基于时间序列，对每个所述时间段的所述特征值进行依次相加，当相加结果等于特征值阈值时，则进行磨损异常预警。
CN202210797030.4A 2022-07-08 2022-07-08 基于大数据的轧辊改制辅助优化方法 Active CN114880814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210797030.4A CN114880814B (zh) 2022-07-08 2022-07-08 基于大数据的轧辊改制辅助优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210797030.4A CN114880814B (zh) 2022-07-08 2022-07-08 基于大数据的轧辊改制辅助优化方法

Publications (2)

Publication Number Publication Date
CN114880814A CN114880814A (zh) 2022-08-09
CN114880814B true CN114880814B (zh) 2022-09-20

Family

ID=82683627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210797030.4A Active CN114880814B (zh) 2022-07-08 2022-07-08 基于大数据的轧辊改制辅助优化方法

Country Status (1)

Country Link
CN (1) CN114880814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115121989A (zh) * 2022-08-31 2022-09-30 南通恒强轧辊有限公司 一种封头焊接质量评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113752089A (zh) * 2021-10-19 2021-12-07 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107553219A (zh) * 2017-10-23 2018-01-09 沈阳百祥机械加工有限公司 一种基于多种类传感器复合信号的刀具磨损监控方法
CN110340733A (zh) * 2019-07-19 2019-10-18 南京理工大学 一种清洁切削环境下刀具损伤在线与在位检测系统及方法
CN113414638B (zh) * 2021-06-04 2023-02-10 西北工业大学 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113752089A (zh) * 2021-10-19 2021-12-07 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
CN114880814A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Ravindra et al. Acoustic emission for tool condition monitoring in metal cutting
Lim Tool-wear monitoring in machine turning
CN114880814B (zh) 基于大数据的轧辊改制辅助优化方法
Marani et al. Prediction of cutting tool wear during a turning process using artificial intelligence techniques
CN110421408B (zh) 一种刀具磨损状态的监测方法
CN102049559B (zh) 一种数控铣削刀具的快速优选方法
CN111113150B (zh) 一种机床刀具状态的监控方法
CN111660141B (zh) 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法
Aghdam et al. Vibration-based estimation of tool major flank wear in a turning process using ARMA models
CN114850969B (zh) 一种基于振动信号的刀具失效监控方法
Prakash et al. Investigations on the effects of tool wear on chip formation mechanism and chip morphology using acoustic emission signal in the microendmilling of aluminum alloy
Tiwari et al. Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces
CN107511718A (zh) 单品大批量重复加工过程的智能刀具状态监测方法
Rizal et al. The application of I-kazTM-based method for tool wear monitoring using cutting force signal
Wu et al. Investigation on the ploughing force in microcutting considering the cutting edge radius
CN108481087B (zh) 一种考虑应力集中效应的环形刀沟槽磨损预测方法
Gadekula et al. Investigation on parametric process optimization of HCHCR in CNC turning machine using Taguchi technique
CN114523338A (zh) 一种基于噪声分析的切削刀具磨损状态监测方法
CN112861728B (zh) 一种多传感信号融合监测薄壁件铣削数据降维方法及系统
CN116690313B (zh) 一种飞机结构件腹板加工刀具失效监控方法
CN116307938B (zh) 一种加工中心进给系统健康状态评估方法
Zhong et al. Correlation analysis of cutting force and acoustic emission signals for tool condition monitoring
Tangjitsitcharoen Advance in detection system to improve the stability and capability of CNC turning process
CN115533617A (zh) 一种cnc加工中心刀具状态在线监测系统
Noh et al. Implementation of remote monitoring system for prediction of tool wear and failure using ART2

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