CN114888635A

CN114888635A - 一种刀具状态监测方法

Info

Publication number: CN114888635A
Application number: CN202210480151.6A
Authority: CN
Inventors: 李哲; 张全建; 秦晓博; 田盛; 杨苏瑞
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2022-04-27
Filing date: 2022-04-27
Publication date: 2022-08-12
Anticipated expiration: 2042-04-27
Also published as: CN114888635B

Abstract

本发明公开了一种刀具状态监测方法，首先用一组恒定的切削参数对材料进行多次加工，划分刀具磨损阶段并确定刀具的磨钝标准，对刀具磨损进行机理分析，确定影响刀具磨损的主要物理量因素；其次设计不同切削参数下的刀具磨损实验，采集主要物理量因素的信号并测量每次走刀后的刀具磨损量；再次，对采集的信号进行处理；最后，使用BP神经网络建立刀具磨损量预测模型，使用多粒度扫描级联森林法建立刀具磨损阶段识别模型，实现对刀具状态的监测。

Description

一种刀具状态监测方法

技术领域

本发明涉及切削加工技术领域，尤其涉及一种刀具状态监测方法。

背景技术

在进行切削加工过程中，由于刀具振动、切削力、切削温度等原因，会导致刀具产生磨损现象，刀具磨损会反作用于切削力，同时会影响工件的表面质量。直接测量法和间接测量法是常见的两种常用的刀具磨损状态监测方法。直接测量法即直接测量刀面磨损中间部分的平均磨损量，该方法需要通过专用仪器进行检测，同时需要在机床停止运行状态下进行而且还容易受加工环境的影响。间接测量法则是通过测量与刀具磨损有关的物理量因素，如切削力、刀具振动、切削温度、声发射信号等，并建立刀具磨损与这些物理量之间的对应关系，实现间接测量；在实际监测中由于测量噪声的干扰，容易影响间接测量的准确率，以及在加工不同种类的零件时，刀具磨损的物理量影响因素不同，如果测量的物理量过多，则造成很多不必要的成本与时间的浪费；另一方面，在刀具磨损值刚刚超过某一磨损阶段的边界值时，而刀具磨损量预测值由于预测误差却略微小于该磨损阶段的边界值，会对实际的刀具状态造成误判。

发明内容

为了解决上述问题，本发明提出了一种刀具状态监测方法，实现对切削加工中刀具磨损的监测，包括如下步骤：

步骤一：用一组恒定的切削参数对材料进行多次加工，测量每次走刀后的刀具后刀面磨损量，绘制刀具磨损曲线，划分刀具磨损阶段并确定刀具的磨钝标准，对刀具磨损进行机理分析，得出刀具磨损的主要形式，确定影响刀具磨损的主要物理量因素；

步骤二：进行不同切削参数下的刀具磨损实验，采集不同切削参数下每次走刀过程中的步骤一中已确定的影响刀具磨损的主要物理量因素的信号，同时测量不同切削参数下每次走刀之后的刀具后刀面的磨损量；

步骤三：对步骤二中采集的信号进行时域分析提取各14类特征值，分别为最大值、最小值、均值、峭度、峰峰值、方差、标准差、有效值、方根幅值、偏度、峰值因子、脉冲因子、裕度因子、波形因子，对步骤二中采集的信号进行频域分析提取各4类特征值，分别为频谱、能量谱、功率谱、倒频谱，对步骤二中采集的信号进行时频分析，先使用集成经验模态法对步骤二中采集的信号进行n次降噪处理，对第一次降噪处理后的信号定义为IMF1，对第n次降噪处理后的信号定义为IMFn，然后对每次降噪处理后的信号提取各3类特征值，分别为近似熵、样本熵以及模糊熵；

步骤四：使用Relief-F特征选择法从步骤三中提取的特征值中筛选出与刀具磨损量相关性权重值大于0.15的M个特征值；

步骤五：将步骤三中提取的不同切削参数下每次走刀过程中信号的M个特征值组成新数据集，并将新数据集随机划分出80％的训练集与20％的测试集；

步骤六：将步骤五中的训练集输入到BP神经网络刀具磨损量预测模型中，通过不断的设置变化隐含层的节点数目，进行反复的模型训练，选择表现最好的节点数目，然后，将训练完成后的BP神经网络刀具磨损量预测模型保存成可调用的模型，然后调用BP神经网络刀具磨损量预测模型，将步骤五中的测试集输入，获得测试集的刀具磨损量预测值；

步骤七：将步骤二中采集的不同切削参数下每次走刀过程中的步骤一中已确定的影响刀具磨损的主要物理量因素的信号进行三大段划分，分别对应步骤一中划分的三个刀具磨损阶段，每一大段信号截取1500个完全不重叠的500长度的信号样本数据；

步骤八：将步骤七中的信号样本数据随机分成60％的训练集和40％的测试集；

步骤九：将步骤八中的训练集输入到使用多粒度扫描级联森林法建立的刀具磨损阶段识别模型，对刀具磨损阶段识别模型进行训练，完成训练后，调用训练完成的刀具磨损阶段识别模型，然后输入40％的测试集，获得测试集的刀具磨损阶段识别结果。

进一步地，步骤一与步骤二中测量每次走刀后的刀具后刀面磨损量采用的方法是先将刀具的切削刃划分成3段，分别为前段、中段和后段，再对每一段的磨损区域划分成十段，再进一步取该十段的平均值。

附图说明

图1为本发明提出的一种刀具状态监测方法的流程图

图2为本发明提出的一种刀具状态监测方法的具体实施方式中步骤一中的第七次走刀后的刀具进行后刀面磨损量的取值图

图3为本发明提出的一种刀具状态监测方法的具体实施方式中步骤一中的切削刃各段磨损平均值和整个切削刃磨损平均值对应的走刀数点线图

图4为本发明提出的一种刀具状态监测方法的具体实施方式中步骤七中的XYZ三方向的切削力和振动信号构建样本数据的过程图

具体实施方式

为了能进一步了解本发明内容，以下以车削大螺距外螺纹刀具磨损监测为实例，结合图1、图2、图3、图4，对本发明的具体实施方案进行详细的说明。本发明是一种刀具状态监测方法，具体包括以下步骤：

步骤一：用表1-1的切削参数对材料进行多次加工，设备选择：加工机床为传统CAX6140机床，刀具的材料选择为高速钢(W18Cr4v)，刀具具体参数如表1-2所示；被加工材料选择为45号钢，工件参数如表1-3所示，刀具的磨损量测量使用为VHX-1000超景深显微镜，刀具的磨损机理分析使用扫描电镜和能谱分析仪。

表1-1试验切削参数

表1-2刀具参数

表1-3加工工件-螺杆参数

本试验选择使用：轴向分层切削的加工工艺方法，考虑到如果在单次走刀的切削过程中对刀具进行磨损量的测量，会影响刀具的后续试验数据的准确性，因此对刀具的磨损量测量以走刀次数进行，每走完一刀就对刀具进行一次后刀面的磨损测量，对切削过程中的刀具进行后刀面磨损量测量，为了减小误差，使刀具的磨损量取值尽可能的准确，先将刀具的切削刃划分成3段，再对每一段的磨损区域划分成十段，再进一步取该十段的平均值，同时，还将使用手持粗糙度测量仪对加工的螺纹面进行粗糙度测量，在R_a达到1.6μm以上时，认为此时的工件表面形貌质量未达到标准，停止车削。

车削大螺距螺纹刀具磨损试验完成之后，使用日立SU3500扫描电镜和能谱分析仪，对刀具磨损进行机理分析，发现刀具的表面出现了明显的沟纹，即刀具发生了硬质点磨损；刀具的材料为高速钢(W18Cr4v)，发现切削后的刀具表面元素出现了大量的Mn元素(即工件的元素)，由此可知，粘接磨损现象也同样出现在了刀具的表面；由于高速钢刀具的切削温度较低，其元素与工件和切削之间发生扩散作用的速度十分缓慢，可以认为扩散磨损并不突出；刀具表面的O元素含量极少，即化学磨损现象并不明显，这主要是因为化学磨损需要作业温度够高，该试验的切削热达不到化学磨损的界限，这也证明相变磨损同样未出现在刀具上。综上所述，在该试验条件下的刀具磨损表现形式主要是硬质点磨损和粘结磨损，大螺距螺纹加工影响刀具磨损的主要物理量因素为刀具振动与切削力。

通过对刀具进行分段磨损取值后，使用Origin画图软件，得到切削刃各段磨损平均值和整个切削刃磨损平均值对应的走刀数点线图。

表1-4刀具磨损阶段划分

刀具磨损阶段的划分选择使用切削刃的各段磨损平均后的值，得到刀具的磨损阶段与其对应的磨损量如表1-4所示。刀具的磨钝标准也因此确定为300μm。

步骤二：设计不同切削参数下的车削大螺距螺纹刀具磨损实验，切削参数如表2-1所示，选择的机床、刀具、工件及刀具磨损量测量仪器与步骤一相同，本试验涉及到刀具振动和切削力的采集，所选用的试验设备为PCB三轴加速度电荷输出型传感器、9257B型三向测力仪，切削力由5070A电荷放大器处理后和振动信号通过信号采集器传输到电脑安装的DHDAS5922动态采集系统，采集每一刀切削过程中的三个方向的切削力与刀具振动信号共6种信号，每走完一刀就使用VHX-1000超景深显微镜对刀具进行一次后刀面的磨损量测量。

表2-1全因素试验设计

步骤三：对步骤二中采集的6种信号进行时域分析提取各14类特征值，分别为最大值、最小值、均值、峭度、峰峰值、方差、标准差、有效值、方根幅值、偏度、峰值因子、脉冲因子、裕度因子、波形因子；对步骤二中采集的6种信号进行频域分析提取各4类特征值，分别为频谱、能量谱、功率谱、倒频谱；对步骤二中采集的6种信号进行时频分析，先使用集成经验模态法对步骤二中采集的6种信号进行8次降噪处理，对第一次降噪处理后的信号定义为IMF1，对第n次降噪处理后的信号定义为IMFn，然后对每次降噪处理后的信号提取3类特征值，分别为近似熵、样本熵以及模糊熵。

步骤四：使用Relief-F特征选择法，筛选出与刀具磨损量相关性权重值大于0.15的8个特征值及其对应的权重值，如表3-1所示，分别为：振动信号Z方向的IMF6的模糊熵、振动信号Z方向的IMF4的近似熵、振动信号Z方向的方根幅值、振动信号Z方向的裕度因子、振动信号Y方向的IMF3的近似熵、切削力信号X方向的均值、振动信号Z方向的IMF4的模糊熵、振动信号Z方向的峭度。

表3-11所选特征值及所占权重

步骤五：将步骤三中提取的不同切削参数下每次走刀过程中信号的振动信号Z方向的IMF6的模糊熵、振动信号Z方向的IMF4的近似熵、振动信号Z方向的方根幅值、振动信号Z方向的裕度因子、振动信号Y方向的IMF3的近似熵、切削力信号X方向的均值、振动信号Z方向的IMF4的模糊熵、振动信号Z方向的峭度组成新数据集，并将新数据集随机划分出80％的训练集与20％的测试集，训练集数据如表4-1(注：表4-1中省略处不影响对本专利的理解)所示。

表4-1训练集数据

步骤六：将步骤五中的训练集输入到BP神经网络刀具磨损量预测模型中，通过不断的设置变化隐含层的节点数目，进行反复的模型训练，选择表现最好的节点数目，此处的隐含层层数设置为2，节点数量最终设置为：24和40，关于输出层的设计，输出层的节点数对应着最后的刀具磨损量，此处设置为1；然后，将训练完成后的BP神经网络刀具磨损量预测模型保存成可调用的模型，然后调用BP神经网络刀具磨损量预测模型，将步骤五中的测试集输入，获得测试集的刀具磨损量预测值，输出结果如表4-2(注：表4-2中省略处不影响对本专利的理解)所示，可知预测结果的平均误差为9.07％。

表4-2神经网络预测结果

步骤七：将步骤二中采集的不同切削参数下每次走刀过程中的步骤一中已确定的影响刀具磨损的主要物理量因素的信号进行三大段划分，分别对应步骤一中划分的三个刀具磨损阶段，每一大段信号截取1500个完全不重叠的500长度的信号样本数据。

步骤八：将步骤七中的信号样本数据随机分成60％的训练集和40％的测试集。

步骤九：将步骤八中的训练集输入到刀具磨损阶段识别模型，对刀具磨损阶段识别模型进行训练，完成训练后，调用训练完成的刀具磨损阶段识别模型，然后输入40％的测试集，获得测试集的刀具磨损阶段识别结果，发现，三阶段的平均准确度达到了93.61％。

Claims

1.一种刀具状态监测方法，其特征在于包括以下步骤：

步骤三：对步骤二中采集的信号进行时域分析提取各14类特征值，分别为最大值、最小值、均值、峭度、峰峰值、方差、标准差、有效值、方根幅值、偏度、峰值因子、脉冲因子、裕度因子、波形因子，对步骤二中采集的信号进行频域分析提取各4类特征值，分别为频谱、能量谱、功率谱、倒频谱，对步骤二中采集的信号进行时频分析，先使用集成经验模态法对步骤二中采集的信号进行n次降噪处理，对第一次降噪处理后的信号定义为IMF1，对第n次降噪处理后的信号定义为IMFn，然后对每次降噪处理后的信号提取3类特征值，分别为近似熵、样本熵以及模糊熵；

步骤九：将步骤八中的训练集输入到刀具磨损阶段识别模型，对刀具磨损阶段识别模型进行训练，完成训练后，调用训练完成的刀具磨损阶段识别模型，然后输入步骤八中的测试集，获得测试集的刀具磨损阶段识别结果。

2.根据权利要求1所述的一种刀具状态监测方法，其特征在于：步骤一与步骤二中测量每次走刀后的刀具后刀面磨损量采用的方法是先将刀具的切削刃划分成3段，分别为前段、中段和后段，再对每一段的磨损区域划分成十段，再进一步取该十段的平均值。