CN115157005B - 基于应变的刀具磨损监测方法、装置、设备和存储介质 - Google Patents
基于应变的刀具磨损监测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115157005B CN115157005B CN202210965918.4A CN202210965918A CN115157005B CN 115157005 B CN115157005 B CN 115157005B CN 202210965918 A CN202210965918 A CN 202210965918A CN 115157005 B CN115157005 B CN 115157005B
- Authority
- CN
- China
- Prior art keywords
- strain
- cutter
- feature set
- abrasion
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 208000035874 Excoriation Diseases 0.000 claims abstract description 81
- 238000005299 abrasion Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 28
- 238000007477 logistic regression Methods 0.000 claims description 27
- 238000012806 monitoring device Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101000930919 Homo sapiens Megakaryocyte and platelet inhibitory receptor G6b Proteins 0.000 description 1
- 102100036251 Megakaryocyte and platelet inhibitory receptor G6b Human genes 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明实施例提供一种基于应变的刀具磨损监测方法、装置、设备和存储介质，涉及刀具磨损监测技术领域。其中，这种刀具磨损监测方法包含步骤S1至步骤S3。S1、获取刀具的第一应变信号。S2、根据第一应变信号提取特征值，获取第一特征集。其中，第一特征集包括应变频率均方根、应变标准差和应变均值。S3、将第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段。基于刀具磨损对应信号的刀具磨损曲线对数据信号进行划分，获得准确的特征类型组成第一特征集。通过基于SVR回归模型构建的刀具磨损识别模型对第一特征集进行识别，能够准确的判断刀具的磨损阶段，准确还原刀具磨损情况，从而提高加工质量，具有很好的实际意义。
Description
技术领域
本发明涉及刀具磨损监测技术领域，具体而言，涉及一种基于应变的刀具磨损监测方法、装置、设备和存储介质。
背景技术
刀具是机械制造中用于切削加工的工具。刀具磨损作为最主要的刀具失效形式，其关乎着制造的精度及产品的表面质量。
测量刀具磨损的方法主要分为直接观察法和间接观察法。直接法一般是离线监测，比如利用切削间隙通过一定的手段直接对刀具磨损情况进行评估。具体方法有光学测量技术、放射性检测、工件与刀具接触电阻测量、工件尺寸精度测量等。这种方法有两个明显的缺点：一是需要对生产设备进行停机才能对刀具或工件检测，这会损害生产的连续性。二是无法保证实时性，检测效率低下。间接法是利用传感器实时监测与切削状态密切相关的信号。通过监测切削信号的变化间接获得刀具的状态。这种方式有以下优点：一是能够对切削状态进行实时监控，能广泛应用于各种加工工艺中。二是对加工过程基本无影响或影响较小，确保生产加工不间断。
传统的间接在线测量方法大多通过机床驱动电机电流的变化来判断切削的状态。此外，还有以切削力信号为主要检测信号，来对刀具状态监测的技术。切削力是刀具状态最直接的反映，切削力信号直接真实、抗干扰能力较强，灵敏度高、可以感知切削力的微小变化。刀具的磨损状态与切削力的变化存在很好的对应关系，但是切削力的测量设备昂贵，无法用于实际加工生产，并且其传感器的安装需要对机床做些改动，适用性较差。
有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种基于应变的刀具磨损监测方法、装置、设备和存储介质，以改善上述技术问题中的至少一个。
第一方面、
本发明实施例提供了一种基于应变的刀具磨损监测方法，其包含步骤S1至步骤S3。
S1、获取刀具的第一应变信号。
S2、根据第一应变信号提取特征值，获取第一特征集。其中，第一特征集包括应变频率均方根、应变标准差和应变均值。
S3、将第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段。
在一个可选的实施例中，基于SVR回归模型构建刀具磨损识别模型，包括步骤A1至步骤A6。
A1、获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值。其中，切削参数包括切削速度、切削深度和进给量。
A2、根据第二应变信号，提取第二特征集。其中，第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率。
A3、通过逻辑回归算法，从第二特征集中选取和刀具磨损相关的第三特征集。
A4、根据刀具磨损值，拟合得到刀具磨损曲线。
A5、根据刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集。
A6、根据模型训练特征集，基于SVR回归模型训练得到刀具磨损识别模型。
在一个可选的实施例中，步骤A3包括步骤A31至步骤A33。
A31、将第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中。
A32、通过逻辑回归算法模型计算第二特征集中各个特征的得分。
A33、根据得分，从第二特征集中选取第三特征集。其中，第三特征集包括频率均方根、应变标准差和应变均值。
在一个可选的实施例中，刀具磨损监测方法还包含步骤S4。
S4、根据磨损阶段进行数控补偿或提示用户换刀。
第二方面、
本发明实施例提供了一种基于应变的刀具磨损监测装置，其包含：
第一信号获取模块，用于获取刀具的第一应变信号。
第一特征获取模块，用于根据第一应变信号提取特征值，获取第一特征集。其中，第一特征集包括应变频率均方根、应变标准差和应变均值。
第一识别模块，用于将第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段。
在一个可选的实施例中，刀具磨损监测装置还包含识别模型构建模块。识别模型构建模块包括：
第二信号获取单元，用于获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值。其中，切削参数包括切削速度、切削深度和进给量。
第二特征获取单元，用于根据第二应变信号，提取第二特征集。其中，第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率。
第三特征获取单元，用于通过逻辑回归算法，从第二特征集中选取和刀具磨损相关的第三特征集。
拟合单元，用于根据刀具磨损值，拟合得到刀具磨损曲线。
阶段划分单元，用于根据刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集。
模型构建单元，用于根据模型训练特征集，基于SVR回归模型训练得到刀具磨损识别模型。
在一个可选的实施例中，第三特征获取单元，包括：
归一化子单元，用于将第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中。
评分子单元，用于通过逻辑回归算法模型计算第二特征集中各个特征的得分。
特征选取子单元，用于根据得分，从第二特征集中选取第三特征集。其中，第三特征集包括频率均方根、应变标准差和应变均值。
在一个可选的实施例中，刀具磨损监测装置还包含后处理模块。
后处理模块，用于根据磨损阶段进行数控补偿或提示用户换刀。
第三方面、
本发明实施例提供了一种基于应变的刀具磨损监测设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的基于应变的刀具磨损监测方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的基于应变的刀具磨损监测方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
本发明实施例，基于刀具磨损对应信号的刀具磨损曲线对数据信号进行划分，获得更准确的特征类型，从而以组成第一特征集。通过基于SVR回归模型构建的刀具磨损识别模型对第一特征集进行识别，能够准确的判断刀具的磨损阶段，准确还原刀具磨损情况，从而提高加工质量，具有很好的实际意义。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1是本发明第一实施例提供的一种刀具磨损监测方法的流程示意图。
图2是刀杆应变信号图。
图3是磨损信号与未磨损信号对比图。
图4是拟合刀具磨损曲线图。
图5是逻辑回归训练流程图。
图6是基于SVR训练模型流程图。
图7是一种刀具磨损监测方法的逻辑框图。
图8是刀具磨损监测设备的第一示意图。
图9是刀具磨损监测设备的第二示意图。
图10是本发明第二实施例提供的一种刀具磨损监测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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他实施例，都属于本发明保护的范围。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
下面结合附图与具体实施方式对本发明作进一步详细描述：
实施例一：
请参阅图1至图9，本发明第一实施例提供一种基于应变的刀具磨损监测方法。其可由基于应变的刀具磨损监测设备(以下简称：监测设备)来执行。特别地，由监测设备中的一个或多个处理器来执行，以实现步骤S1至步骤S3。
S1、获取刀具的第一应变信号。
具体的，应变信号的示意图如图2所示。优选地，刀杆应变信号的频率采集范围为2KHz-3KHz。
如图8和图9所示，在本实施例中，监测设备包括通过锁紧螺钉2固定在刀杆上的应变传感器1、电连接于应变传感器1的电荷放大器3，以及电连接于电荷放大器3的数据采集装置4。优选地，应变式传感器为商业kistler应变式传感器。
需要说明的是，本发明实施例的监测设备只需要在刀杆上通过螺钉固定一个应变传感器即可实现对刀具磨损状况的监控，不需要对机床进行改进。对机床和刀具的改动量小，成本低，且识别效果较为准确，具有很好的实际意义。
可以理解的是，所述数据采集装置4可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。
S2、根据第一应变信号提取特征值，获取第一特征集。其中，第一特征集包括应变频率均方根、应变标准差和应变均值。
具体的，分别对第一应变信号提取应变信号标准差和应变信号均值，以及将第一应变信号转换至频域中，提取应变信号的频率均方根。
S3、将第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段。
本发明实施例采用了逻辑回归及SVR的算法，能够对数据进行处理及构建学习模型。能够认识到数据的本质属性，并通过数据还原数据产生过程，从而更加科学的进行分类。
本发明实施例计算数据的特征值，反应了历史加工数据中刀具磨损情况，可应用于真实刀具监控中，对刀具的磨损状况进行精确的识别，具有很好的实际意义。
本发明实施例，基于刀具磨损对应信号的刀具磨损曲线对数据信号进行划分，获得更准确的特征类型，从而以组成第一特征集。通过基于SVR回归模型构建的刀具磨损识别模型对第一特征集进行识别，能够准确的判断刀具的磨损阶段，准确还原刀具磨损情况，从而提高加工质量，具有很好的实际意义。
在上述实施例的基础上，本发明的一个可选地实施例中，基于SVR回归模型构建刀具磨损识别模型，主要分为三个步骤：首先，获取车削的刀杆应变信号；其次，通过应变信号拟合刀具磨损曲线(如图3所示)，并提取信号特征(优选得分高的信号特征)；最后，通过SVR算法训练学习得到磨损模型。
如图6所示，基于SVR回归模型构建刀具磨损识别模型，具体包括步骤A1至步骤A6。
A1、获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值。其中，切削参数包括切削速度、切削深度和进给量。
在本实施例中，刀杆的应变信号通过商业kistler应变式传感器提取(如图2所示)。试验材料选择Fe-Cr-Ni不锈钢，刀具为肯纳的NSR 2020K3刀柄，刀片为NG31系列。如图8和图9所示，采集到的信号通过电荷放大器传输到数据采集卡中，数据采集卡将接收的信号转换为数据采集到电脑端。
实验采用4把相同的刀，进行相同切削参数的重复实验，使用刀具直到刀具剧烈磨损完全报废。其中3把刀数据作为训练集，1把刀的数据作为测试集以及验证集。
A2、根据第二应变信号，提取第二特征集。其中，第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率。
可以理解的是，在其它实施例中，还可以提取其它特征，本发明对特征的种类不做具体限定。
具体的，从第二应变信号中，提取所有能够提取的特征。然后通过逻辑回归算法分析这些特征和刀具磨损的相关性，将相关性高的特征提取出来，用于构建刀具磨损识别模型，很好的保证了识别的准确率，具有很好的实际意义。
A3、通过逻辑回归算法，从第二特征集中选取和刀具磨损相关的第三特征集。
具体的，逻辑回归是一种简单高效的常用分类模型，其模型函数为：
式中，hθ(x)为参数θT及样本x预测出来的值，x为样本特征值，θT为待求参数。
目标函数用来估计样本预测错误程度，目标函数为：
J(θ)＝-log(L(θ))
式中，J(θ)为负对数似然函数，为逻辑回归的目标函数。L(θ)为逻辑回归模型的似然函数，θ目标函数参数的最优解。
用梯度下降法对θ进行求解，基本步骤为：
(1)通过对J(θ)求导获得下降方向；
(2)根据预设步长α，修改参数θ＝θ-αJ‘(θ)；
(3)重复步骤，得到最优解。
如图5所示，在上述实施例的基础上，本发明的一个可选地实施例中，步骤A3包括步骤A31至步骤A33。
A31、将第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中。
A32、通过逻辑回归算法模型计算第二特征集中各个特征的得分。
A33、根据得分，从第二特征集中选取第三特征集。其中，第三特征集包括频率均方根、应变标准差和应变均值。
具体的，用逻辑回归算法对第二特征集的特征值进行训练，训练时所有的特征变量全部参与模型训练，计算每个特征变量的重要性并进行排序。每完成一轮训练就会剔除重要性差的特征，将余下的特征组成新的特征集开始新一轮的训练，最终将会筛选出第三特征集，如图5所示。
在本实施例中，通过逻辑回归算法，主要得到三个特征值：应变频率均方根、应变标准差和.应变均值
应变频率均方根的物理意义主要表示为频率信号的有效值。具体公式为：
应变标准差的物理意义表示为信号偏移的正态分布程度。具体公式为
应变均值的物理意义表示为反应信号中心变化趋势。具体公式为
A4、根据刀具磨损值，拟合得到刀具磨损曲线。
A5、根据刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集。
A6、根据模型训练特征集，基于SVR回归模型训练得到刀具磨损识别模型。
具体的，将实验数据采集的刀具磨损量随时间变化的数据拟合成刀具磨损曲线。然后根据刀具磨损曲线将第三特征集的数据分成对应的刀具初期磨损、正常磨损、急剧磨损三个阶段(即对数据进行标签)。
如图6所示，将第三特征集输入SVR模型中进行训练，从而得到以SVR为基模型的刀具磨损识别模型，并利用验证集数据进行验证。
可以理解的是，SVR作为一种“宽容”的回归模型，其模型函数是一个线性函数，表达式为：
y＝wTx+b
在本实施例中的具体应用中，其表达式为：
f(x)＝wTφ(x)+b
式中，φ(X)为输入空间X的非线性映射；w为是φ(X)线性组合；b为偏置。
通过下列表达式对w和b进行评估。
式中，minR(f)是目标拉格朗日函数，C是惩罚因子，L是损失函数，yi是样本标准值，f(xi)是样本预测值。其中，C越大越重要。
如图7所示，在上述实施例的基础上，本发明的一个可选地实施例中，刀具磨损监测方法还包含步骤S4。
S4、根据磨损阶段进行数控补偿或提示用户换刀。
具体的，步骤S4包括步骤S41和步骤S42。
S41、当磨损阶段为急剧磨损时，发出换刀提示；以提醒用户及时更换刀具。
S42、当磨损阶段为正常磨损或初期磨损时，进行切削参数调整，实现误差补偿。根据图4，需要说明的是，刀具在不同的磨损阶段，具有不同的磨损值，在不间断加工的过程中，通过对磨损值进行补偿，使刀具的刀锋始终处于数控程序所要的位置，从而提高了加工质量，具有很好实际意义。
实施例二、
本发明实施例提供了一种基于应变的刀具磨损监测装置，其包含：
第一信号获取模块11，用于获取刀具的第一应变信号。
第一特征获取模块12，用于根据第一应变信号提取特征值，获取第一特征集。其中，第一特征集包括应变频率均方根、应变标准差和应变均值。
第一识别模块13，用于将第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段。
在上述实施例的基础上，本发明的一个可选地实施例中，刀具磨损监测装置还包含识别模型构建模块。识别模型构建模块包括：
第二信号获取单元，用于获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值。其中，切削参数包括切削速度、切削深度和进给量。
第二特征获取单元，用于根据第二应变信号，提取第二特征集。其中，第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率。
第三特征获取单元，用于通过逻辑回归算法，从第二特征集中选取和刀具磨损相关的第三特征集。
拟合单元，用于根据刀具磨损值，拟合得到刀具磨损曲线。
阶段划分单元，用于根据刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集。
模型构建单元，用于根据模型训练特征集，基于SVR回归模型训练得到刀具磨损识别模型。
在上述实施例的基础上，本发明的一个可选地实施例中，第三特征获取单元，包括：
归一化子单元，用于将第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中。
评分子单元，用于通过逻辑回归算法模型计算第二特征集中各个特征的得分。
特征选取子单元，用于根据得分，从第二特征集中选取第三特征集。其中，第三特征集包括频率均方根、应变标准差和应变均值。
在上述实施例的基础上，本发明的一个可选地实施例中，刀具磨损监测装置还包含后处理模块。
后处理模块，用于根据磨损阶段进行数控补偿或提示用户换刀。
实施例三、
本发明实施例提供了一种基于应变的刀具磨损监测设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段所说的基于应变的刀具磨损监测方法。
实施例四、
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段所说的基于应变的刀具磨损监测方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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 (7)
1.一种基于应变的刀具磨损监测方法，其能够通过基于应变的刀具磨损监测设备来执行；其特征在于，刀具磨损监测设备包括通过锁紧螺钉(2)固定在刀杆上的应变传感器(1)、电连接于应变传感器(1)的电荷放大器(3)，以及电连接于电荷放大器(3)的数据采集装置(4)；
刀具磨损监测方法包含：
获取刀具的第一应变信号；
根据所述第一应变信号提取特征值，获取第一特征集；其中，所述第一特征集包括应变频率均方根、应变标准差和应变均值；
将所述第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段；
基于SVR回归模型构建刀具磨损识别模型，包括以下步骤：
获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值；其中，所述切削参数包括切削速度、切削深度和进给量；
根据所述第二应变信号，提取第二特征集；其中，所述第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率；
通过逻辑回归算法，从所述第二特征集中选取和刀具磨损相关的第三特征集；
根据所述刀具磨损值，拟合得到刀具磨损曲线；
根据所述刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集；
根据所述模型训练特征集，基于SVR回归模型训练得到所述刀具磨损识别模型。
2.根据权利要求1所述的基于应变的刀具磨损监测方法，其特征在于，通过逻辑回归算法，从所述第二特征集中选取和刀具磨损相关的第三特征集，具体包括：
将所述第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中；
通过逻辑回归算法模型计算第二特征集中各个特征的得分；
根据所述得分，从所述第二特征集中选取第三特征集；其中，所述第三特征集包括频率均方根、应变标准差和应变均值。
3.根据权利要求1至2任意一项所述的基于应变的刀具磨损监测方法，其特征在于，刀具磨损监测方法还包含：
根据所述磨损阶段进行数控补偿或提示用户换刀。
4.一种基于应变的刀具磨损监测装置，其能够通过基于应变的刀具磨损监测设备来执行；其特征在于，刀具磨损监测设备包括通过锁紧螺钉(2)固定在刀杆上的应变传感器(1)、电连接于应变传感器(1)的电荷放大器(3)，以及电连接于电荷放大器(3)的数据采集装置(4)；
刀具磨损监测装置包含：
第一信号获取模块，用于获取刀具的第一应变信号；
第一特征获取模块，用于根据所述第一应变信号提取特征值，获取第一特征集；其中，所述第一特征集包括应变频率均方根、应变标准差和应变均值；
第一识别模块，用于将所述第一特征集输入基于SVR回归模型构建的刀具磨损识别模型中，获取刀具的磨损阶段；
刀具磨损监测装置还包含识别模型构建模块；所述识别模型构建模块包括：
第二信号获取单元，用于获取刀具在不同磨损状态下，以不同的切削参数进行切削的第二应变信号，以及刀具磨损值；其中，所述切削参数包括切削速度、切削深度和进给量；
第二特征获取单元，用于根据所述第二应变信号，提取第二特征集；其中，所述第二特征集包括时域信号的应变均值、应变标准差、应变均方差、应变峰值、应变波形因子、应变偏斜度值和应变峰值，以及频域信号的频率均值、频率均方根、均方频率、最大频率和最小频率；
第三特征获取单元，用于通过逻辑回归算法，从所述第二特征集中选取和刀具磨损相关的第三特征集；
拟合单元，用于根据所述刀具磨损值，拟合得到刀具磨损曲线；
阶段划分单元，用于根据所述刀具磨损曲线，将第三特征集分为初期磨损特征集、正常磨损特征集和急剧磨损特征集，以获取模型训练特征集；
模型构建单元，用于根据所述模型训练特征集，基于SVR回归模型训练得到所述刀具磨损识别模型。
5.根据权利要求4所述的一种基于应变的刀具磨损监测装置，其特征在于，所述第三特征获取单元，包括：
归一化子单元，用于将所述第二特征集进行归一化处理，并把归一化处理后的第二特征集输入逻辑回归算法模型中；
评分子单元，用于通过逻辑回归算法模型计算第二特征集中各个特征的得分；
特征选取子单元，用于根据所述得分，从所述第二特征集中选取第三特征集；其中，所述第三特征集包括频率均方根、应变标准差和应变均值。
6.一种基于应变的刀具磨损监测设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至3任意一项所述的基于应变的刀具磨损监测方法。
7.一种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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3任意一项所述的基于应变的刀具磨损监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965918.4A CN115157005B (zh) | 2022-08-12 | 2022-08-12 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965918.4A CN115157005B (zh) | 2022-08-12 | 2022-08-12 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115157005A CN115157005A (zh) | 2022-10-11 |
| CN115157005B true CN115157005B (zh) | 2023-12-05 |
Family
ID=83479747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210965918.4A Active CN115157005B (zh) | 2022-08-12 | 2022-08-12 | 基于应变的刀具磨损监测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115157005B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117718876A (zh) * | 2024-02-07 | 2024-03-19 | 华海清科股份有限公司 | 用于化学机械抛光的监测方法和化学机械抛光设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108655826A (zh) * | 2018-06-25 | 2018-10-16 | 河北工业大学 | 一种用于数控车削加工的刀具磨损视诊装置及视诊方法 |
| CN109015111A (zh) * | 2018-07-06 | 2018-12-18 | 华中科技大学 | 一种基于信息融合及支持向量机的刀具状态在线监测方法 |
| JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN114850968A (zh) * | 2022-05-31 | 2022-08-05 | 深圳华刃智造科技有限公司 | 基于振动模型的刀具磨损监测方法、装置、终端及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108628661B (zh) * | 2017-03-24 | 2021-11-26 | 郑芳田 | 云制造服务的自动建置方法、云制造系统 |
-
2022
- 2022-08-12 CN CN202210965918.4A patent/CN115157005B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019082836A (ja) * | 2017-10-30 | 2019-05-30 | 株式会社ジェイテクト | 工具寿命予測装置 |
| CN108655826A (zh) * | 2018-06-25 | 2018-10-16 | 河北工业大学 | 一种用于数控车削加工的刀具磨损视诊装置及视诊方法 |
| CN109015111A (zh) * | 2018-07-06 | 2018-12-18 | 华中科技大学 | 一种基于信息融合及支持向量机的刀具状态在线监测方法 |
| CN111300146A (zh) * | 2019-11-29 | 2020-06-19 | 上海交通大学 | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 |
| CN112692646A (zh) * | 2020-12-31 | 2021-04-23 | 上海交通大学 | 一种刀具磨损状态智能评估方法及装置 |
| CN114850968A (zh) * | 2022-05-31 | 2022-08-05 | 深圳华刃智造科技有限公司 | 基于振动模型的刀具磨损监测方法、装置、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115157005A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques | |
| CN109514349B (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
| Nakai et al. | Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics | |
| 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 | |
| CN108805202B (zh) | 一种用于电解槽故障预警的机器学习方法及其应用 | |
| Rizal et al. | Cutting tool wear classification and detection using multi-sensor signals and Mahalanobis-Taguchi System | |
| Kannatey-Asibu et al. | Monitoring tool wear using classifier fusion | |
| Elangovan et al. | Studies on Bayes classifier for condition monitoring of single point carbide tipped tool based on statistical and histogram features | |
| Xie et al. | Feature selection and a method to improve the performance of tool condition monitoring | |
| Antić et al. | Novel texture-based descriptors for tool wear condition monitoring | |
| Simon et al. | Early detection of drilling tool wear by vibration data acquisition and classification | |
| CN108108890B (zh) | 一种基于工序关联关系的工艺缺陷风险分析方法 | |
| CN115157005B (zh) | 基于应变的刀具磨损监测方法、装置、设备和存储介质 | |
| Yu | Machine tool condition monitoring based on an adaptive Gaussian mixture model | |
| Liao et al. | Grinding wheel condition monitoring with hidden Markov model-based clustering methods | |
| CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
| CN111958321B (zh) | 基于深度神经网络的数控机床刀具磨损程度识别方法 | |
| Neef et al. | Tool wear and surface quality monitoring using high frequency CNC machine tool current signature | |
| Bombiński et al. | Detection of accelerated tool wear in turning | |
| Zhang et al. | A data-driven prognostics framework for tool remaining useful life estimation in tool condition monitoring | |
| Kumar et al. | Detection and classification for faults in drilling process using vibration analysis | |
| CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
| CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| Yan et al. | On-line tool wear monitoring under variable milling conditions based on a condition-adaptive hidden semi-Markov model (CAHSMM) | |
| Abu-Mahfouz | Drill flank wear estimation using supervised vector quantization neural networks |
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 |