CN116408501A - 窜刀模式下滚刀磨损状态在机无监督实时监测方法 - Google Patents
窜刀模式下滚刀磨损状态在机无监督实时监测方法 Download PDFInfo
- Publication number
- CN116408501A CN116408501A CN202310115911.8A CN202310115911A CN116408501A CN 116408501 A CN116408501 A CN 116408501A CN 202310115911 A CN202310115911 A CN 202310115911A CN 116408501 A CN116408501 A CN 116408501A
- Authority
- CN
- China
- Prior art keywords
- period
- hob
- monitoring
- channeling
- tool
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 230000005465 channeling Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005299 abrasion Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 abstract description 7
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000013499 data model Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23F—MAKING GEARS OR TOOTHED RACKS
- B23F23/00—Accessories or equipment combined with or arranged in, or specially designed to form part of, gear-cutting machines
-
- 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
Abstract
本发明公开了一种窜刀模式下滚刀磨损状态在机无监督实时监测方法，S1采集滚齿加工过程滚刀振动信息；S2对每一个加工齿轮对应的振动信息提取多域特征；S3将一个窜刀周期内的加工齿轮对应的统计特征构造为窜刀周期监测特征集；S4计算该窜刀周期对应的Q统计量限值；S5计算后一窜刀周期内所有齿轮监测统计特征对应的Q统计量；S6统计后一窜刀周期内Q统计量超过前一周期的Q统计量限值的加工齿轮数量，当大于等于该窜刀周期加工齿轮总数设定百分比时，即认为滚刀磨损等级发生变迁。本发明无需图像采集，不需要事先建立有标签的滚刀全生命周期数据集，减少了数据收集和模型训练难度，可实现滚刀磨损状态在机实时监测。
Description
技术领域
本发明涉及滚刀磨损检测，具体涉及一种窜刀加工模式下基于多域统计特征和Q统计量的滚刀磨损状态在机无监督实时监测方法，属于滚齿加工状态监控技术领域。
背景技术
滚刀是参与齿轮加工最直接的工具之一，在长期连续的齿轮加工过程中不可避免会产生磨损，导致加工齿轮的质量下降。然而，滚刀磨损的界定是不明朗的，严重的滚刀磨损会加剧机床的颤振，如不及时发现，会造成难以弥补的后果；而为避免滚刀磨损导致加工齿轮质量下降，过早的更换滚刀会减少其使用率，增加机床的停机时间和滚刀的修复成本。为减少刀具的更换频率，滚齿加工常是基于窜刀策略的，滚刀被制造为狭长型，滚齿加工时，每加工完一个齿轮，滚刀会沿着其轴向移动，以新的刀齿进行加工，当加工一定数量的齿轮后，滚刀回到初始位置，此过程可视为一个窜刀周期。窜刀策略在一定程度上减少了滚刀的更换频率，也无法达到滚刀磨损状态在机实时监测的要求。
公开号为CN115541610A的发明专利《一种刀具磨损测量装置》旨在实现单台显微镜在在机状态下对磨损刀具的多个特定角度的拍照。公开号为CN115488696A的发明专利《一种基于变分模态分解和神经网络的刀具磨损状态预测方法》采集加工的力和振动信息，通过光学图像测量刀具磨损，构建铣削刀具磨损状态数据集，并训练三层BP神经网络，实现刀具磨损预测。公开号为CN114102260A的发明专利《机理-数据融合驱动的变工况刀具磨损状态监测方法》基于采集的振动、电流信息构建铣削过程动力学方程，从机理角度获取切削力，并通过深度学习建立了刀具磨损状态预测模型。公开号为CN115509178A的发明专利《数字孪生驱动的刀具磨损监测方法及数控机床设备》基于传感器采集的历史加工数据构建基于卷积神经网络-长短时记忆的深度学习模型，以获得优化后的刀具磨损监测模型。
以上成果从基于图形和基于信号两种方式进行刀具磨损监测。但是，恶劣的滚齿加工环境如切屑、油污等，极易导致摄像头受损，使得基于图像方式的滚刀磨损监测应用受限，频繁的停机拍照也会影响生产效率。此外，上述基于信号方式的滚刀磨损状态监测方式依赖于事先构建的有标签的刀具全生命周期数据集，工业环境中，多数监测数据是无标签的正常状态数据，获取磨损滚刀的标签数据代价太高。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提出一种窜刀模式下滚刀磨损状态在机无监督实时监测方法，本方法不依赖于图形采集，也不依赖滚刀磨损标签数据，通过挖掘监测传感器信号中蕴含的滚刀磨损状态差异特征，能够实现滚刀磨损状态的在机实时监测，以提高刀具使用率和减少滚齿机床停机维护时间。
本发明的技术方案是这样实现的：
窜刀模式下滚刀磨损状态在机无监督实时监测方法，包括如下步骤：
S1：振动监测数据采集；在滚齿机床上安装振动传感器，获取滚齿加工过程中滚刀的振动信息，从而得到多个监测样本；
S2：多域监测特征提取；对S1中得到的每一个监测样本提取多域统计特征；
S3：构建窜刀周期监测特征集；在一个窜刀周期内，滚刀上各齿同等进行切削，滚刀各位置视为同等磨损；将S2提取的多域监测特征中属于同一个窜刀周期内的监测样本构成窜刀周期监测特征集，从而得到不同窜刀周期内的窜刀周期监测特征集；窜刀周期监测特征集如下式所示；
其中，Fi表示第i个窜刀周期对应的特征集，M表示一个滚刀窜刀周期内加工的齿轮数量，N表示每个监测样本提取的多域统计特征数量，tm,n表示在该窜刀周期内第m个加工齿轮对应的第n个特征；
S4：计算第i个窜刀周期的Q统计量限值；
S5：计算第(i+1)个窜刀周期内的所有加工齿轮对应的Q统计量；
S6：判断磨损等级是否变化；在第(i+1)个窜刀周期，统计Q统计量超过第i个窜刀周期的Q统计量限值的齿轮数量，当该齿轮数量没有超过第(i+1)个窜刀周期内加工的齿轮数量设定的百分比时，则认为在第(i+1)个窜刀周期滚刀的磨损等级相对第i个窜刀周期没有发生变化，否则认为第(i+1)个窜刀周期滚刀的磨损等级发生了变化。
其中，S2中所述的多域统计特征包括时域特征、频域特征、小波域特征。
优选地，S1中获取滚齿加工过程中滚刀的振动信息时，只截取滚刀对每一个齿轮齿坯稳定加工阶段的振动信号，形成监测样本。
进一步地，S4中计算第i个窜刀周期的Q统计量限值的步骤为，
S41：将第i个窜刀周期监测特征集中的每个特征进行标准化，标准化公式如下：
其中，t'm,n表示tm,n标准化后的特征，
和σn分别表示当前窜刀周期内第n维特征的平均值和标准差，标准化后的监测特征集Fi'表示如下
S42：对标准化后的监测特征集Fi'进行主成分分析；
首先构建对应的协方差矩阵，该协方差矩阵表示如下；
Xi＝(Fi')T·Fi'
其中Xi是标准化后的监测特征集对应的协方差矩阵，(Fi')T是Fi'的转置矩阵；
然后计算该协方差矩阵的特征值和对应的特征向量，将特征值按从大到小顺序排列；
λ1≥λ2≥…≥λN-1≥λN
再次确定协方差矩阵特征值前l个的数量，使前l个协方差矩阵的特征值的累积和不小于所有特征值总和的设定比例p；
S43：基于该协方差矩阵后(N-l)个特征值求取第i个滚刀窜刀周期的Q统计量限值，其表达式如下：
其中，Qα为当前窜刀周期得到的Q统计量限值，Cα为标准正态分布的置信极限，θ1、θ2和h的表达式分别如下：
进一步地，S5中计算第(i+1)个窜刀周期内的所有加工齿轮对应的Q统计量的步骤为，
S51：根据步骤S3得到第(i+1)个窜刀周期的监测特征集；
S52：按步骤S41的方法对第(i+1)个窜刀周期内每一个加工齿轮对应的监测特征进行标准化处理，得到第(i+1)个窜刀周期标准化后的监测特征集；
S53：基于第(i+1)个窜刀周期标准化后的监测特征集，在第(i+1)个窜刀周期内的第m个加工齿轮对应的Q统计量的计算公式如下
其中，I是一个单位矩阵，p是由S42中的协方差矩阵前l个特征值对应的特征向量得到的重构主元矩阵，t'm表示该窜刀周期内第m个加工齿轮对应的标准化后的监测特征向量，Qm为该窜刀周期内第m个加工齿轮对应的Q统计量。
具体地，步骤S52进行标准化处理时的平均值和标准差直接采用上一个窜刀周期计算Q统计量限值使用的平均值
与标准差σn。
与现有技术相比，本发明具有如下有益效果：
1、本发明从振动监测信号中挖掘刀具磨损状态，可避免基于图像方式所需要的停机拍照要求以及油污、铁屑等对摄像头的损害，减少滚齿机床停机维护时间。
2、本发明纳入了来自多域的统计特征，如时域、频域、小波域等，能够更加全面地描述滚刀当前的磨损状态信息，判断磨损等级是否变化更准确。
3、当前多数刀具磨损状态监测方法是基于构建的磨损标签数据集，然而，在工业环境中刀具磨损等级的标定是难以实现的。本发明是一种无监督过程，不需要事先建立有标签的滚刀全生命周期数据集，减少了数据收集和模型训练难度，既减少了构建标签数据集的高昂代价，也更容易推广至不同尺寸、不同类型的机床的刀具磨损在机在线实时监测。
4、本发明是一种迭代统计计算过程，不需要提前获取刀具全生命周期数据，仅依据上个窜刀周期与下个窜刀周期之间的差异来识别磨损状态的跃变，对滚齿过程的刀具磨损监测具有更高的应用性。
附图说明
图1为本发明监测流程示意图。
图2为本发明实施例中协方差矩阵的特征值示意图。
图3为本发明实施例中滚刀随窜刀周期变化的Q统计量控制图。
图4为本发明实施例滚刀在第30个窜刀周期的Q统计量与第29个窜刀周期的限值对比示意图。
图5为本发明实施例滚刀在第88个窜刀周期的Q统计量与第87个窜刀周期的限值对比示意图。
图6为本发明实施例滚刀在第145个窜刀周期的Q统计量与第144个窜刀周期的限值对比示意图。
图7为本发明实施例滚刀在第204个窜刀周期的Q统计量与第203个窜刀周期的限值对比示意图。
图8为本发明实施例对应的231个窜刀周期对应的加工齿轮的表面质量检测值变化曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰，下面结合附图，对本发明实施例中的技术方案进行更加清楚、详细的描述。应当理解，此处所描述的具体实施例仅仅只是用于帮助理解本发明，并不作为对本发明的限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
本发明一种窜刀模式下基于多域特征和Q统计量的滚刀磨损状态在机实时监测方法，其包括如下步骤，同时请参见图1所示的流程图。
S1：振动监测数据采集。在本实施例中，在滚齿机床刀架拖座处沿着机床Z轴方向安装振动传感器，获取滚齿加工过程中滚刀的振动信息。设置振动信号的采集频率为10KHz，并设置每一个加工齿轮平稳切削过程对应的监测样本长度为10000。与滚齿加工相关的其他参数设置如表1所示。
表1滚齿加工相关参数
S2：多域监测特征提取，以描述滚刀当前状态。在本实施例中，首先，对每一个监测样本提取15个时域特征和13个频域特征。实施例中提取的时域特征和频域特征分别如表2和表3所示。
表2提取的时域特征
xi表示一个加工齿轮对应的监测样本信号中的第i个值，I是样本长度
表3提取的频域特征
k＝1,2，...，K表示频谱上的第k个谱线，sk表示第k个谱线对应的幅值，fk表示第k个谱线对应的频率
此外，对每一样本进行5层离散小波分解，使用的小波为双正交小波bior3.3。每一样本得到6组不同尺度的分解信号，分别对分解得到的信号求取能量值，因此得到6个不同尺度下的能量特征，其表现形式如下：
[t29 t30 t31 t32 t33 t34]
因此，在本实施例中，滚刀在加工每一个齿轮时，其磨损状态由34个特征值描述。
S3：构建窜刀周期监测特征集。对同属于一个窜刀周期内的监测样本，按照S2提取多域监测特征，进而构成窜刀周期监测特征集。在本实施例中，构造的第一个窜刀周期的监测特征集如表4所示。
表4第一个窜刀周期各加工齿轮样本对应的监测特征集
S4：计算第i个窜刀周期的Q统计量限值。本实施例中，以第一个窜刀周期监测特征集为例，对其进行标准化，标准化方式如下：
其中，
和σn分别表示在该窜刀周期内第n维特征的平均值和标准差。第一个窜刀周期各加工齿轮标准化后的特征如表5所示。
表5第一个窜刀周期各加工齿轮对应的标准化监测特征集
进一步对标准化后的监测特征集进行主成分分析，首先构建对应的协方差矩阵，在本实施例中，得到的协方差矩阵维度为34×34。对该协方差矩阵进行奇异值分解，得到该协方差的特征值和对应的特征向量，如图2所示。当前l个特征值的累积和不小于所有特征值总和的设定比例p时，表明前l个特征占据了滚刀当前状态的信息，而磨损变迁影响相对于当前滚刀状态是微弱的，其则包含于剩余分量中。在本实施例中，p＝0.85。由图2可以看出，前4个协方差特征值的累积和大于所有的协方差矩阵特征值总和的85％，因此，l＝4，进一步地，该前4个协方差特征值对应的特征向量进行重构，得到重构主元矩阵p。
进一步地，将l＝4代入，求第i个滚刀窜刀周期Q统计量限值，以得到控制量，其表达式如下：
其中，Qα为当前窜刀周期得到的控制量限值，Cα为标准正态分布的置信极限，本实施例中，取Cα的置信度为0.99。θ1、θ2和h的表达式分别如下：
因此可以得到第一个窜刀周期的Q统计量限值Qα为16.9371。
S5：计算第(i+1)个窜刀周期内的监测数据对应的Q统计量。由于步骤S4计算了第一个窜刀周期的Q统计量限值，这里以(i+1)＝2为例。对于第2个窜刀周期内的每一个加工齿轮对应的监测统计特征向量，利用步骤S4中计算得到的统计特征平均值
与标准差σn对第2个窜刀周期的监测特征集进行标准化处理，标准化方式如前所示。
然后计算第(i+1)个窜刀周期内每个加工齿轮对应特征的Q统计量。其第m个加工齿轮对应的Q统计量的计算公式如下
Qm＝||(I-ppT)t'm||2
其中，I是一个单位矩阵，p是由S4中的协方差矩阵前l个特征值对应的特征向量得到的重构主元矩阵，t'm表示该窜刀周期内第m个加工齿轮对应的标准化后的监测特征向量，Qm为该窜刀周期内第m个加工齿轮对应的Q统计量，其表示t'm在剩余主元子空间的投影。第二个窜刀周期内各加工齿轮对应的Q统计量如表6所示。
表6第二个窜刀周期各加工齿轮的Q统计量
S6：判断磨损等级是否变迁。在第(i+1)个窜刀周期内，统计Q统计量超过第i个窜刀周期Q统计量限值的加工齿轮数量，当该齿轮数量没有超过第(i+1)个窜刀周期内加工的齿轮数量设定的百分比(实施例为90％)时，则认为在第(i+1)个窜刀周期滚刀的磨损等级相对第i个窜刀周期没有发生变化，否则则认为第(i+1)个窜刀周期滚刀的磨损等级发生了变化。以第二个窜刀周期为例，由表6可以看出，第二个窜刀周期内，只有7个加工齿轮对应的Q统计量超过了第一个窜刀周期的Q统计量限值，没有达到设定比例90％，因此，认为第二个窜刀周期与第一个窜刀周期处于同一个磨损等级。
进一步地，当在步骤S6识别完第(i+1)个窜刀周期的滚刀磨损等级后，令i＝i+1，返回S4判断下一个窜刀周期对应的滚刀磨损等级是否发生变迁。
在本实施例中，使用的滚刀一共加工了4158件齿轮，合计231个窜刀周期。从第2个窜刀周期到第231个窜刀周期，滚刀的磨损状态变迁情况如图3所示，第30个窜刀周期中有17个齿轮对应的Q统计量超过了第29个窜刀周期的Q统计量限值；第88个窜刀周期中有18个齿轮对应的Q统计量超过了第87个窜刀周期的Q统计量限值；第145个窜刀周期中有17个齿轮对应的Q统计量超过了第144个窜刀周期的Q统计量限值；第204个窜刀周期中有18个齿轮对应的Q统计量超过了第203个窜刀周期的Q统计量限值。这表明，滚刀在第30个窜刀周期、第88个窜刀周期、第145个窜刀周期和第204个窜刀周期发生了变迁。因此，该滚刀加工的磨损状态可描述为表7。
表7滚刀的磨损状态识别情况
图4-图7为本发明实施例滚刀在上述四个发生变迁的窜刀周期的Q统计量与对应的前一个窜刀周期Q统计量限值对比示意图。
更进一步地，如图8所示，由于滚刀磨损可直接由加工齿轮的质量反应，在本实施例中，采集了不同窜刀周期下加工齿轮的齿面质量的测量值，为避免测量值之间的随机性，通过经验模态分解方式对表面质量进行了拟合，可以看出，由本发明方法得到的磨损状态的变迁点对应着拟合曲线的转折位置，证明了磨损状态划分的合理性。
本发明通过挖掘监测传感器信号中蕴含的滚刀磨损状态差异特征，通过判断前后两个窜刀周期的差异来识别滚刀磨损状态是否发生变迁，避免了基于图像方式需要的停机拍照要求和摄像头损害危险；也不需要事先建立有标签的滚刀全生命周期数据集，减少了数据收集和模型训练难度，可实现滚刀磨损状态在机实时监测，提高了刀具使用率，减少了滚齿机床停机维护时间。
最后需要说明的是，本发明的上述实例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。尽管申请人参照较佳实施例对本发明进行了详细说明，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：包括如下步骤：
S1：振动监测数据采集；在滚齿机床上安装振动传感器，获取滚齿加工过程中滚刀的振动信息，从而得到多个监测样本；
S2：多域监测特征提取；对S1中得到的每一个监测样本提取多域统计特征；
S3：构建窜刀周期监测特征集；在一个窜刀周期内，滚刀上各齿同等进行切削，滚刀各位置视为同等磨损；将S2提取的多域监测特征中属于同一个窜刀周期内的监测样本构成窜刀周期监测特征集，从而得到不同窜刀周期内的窜刀周期监测特征集；窜刀周期监测特征集如下式所示；
其中，Fi表示第i个窜刀周期对应的特征集，M表示一个滚刀窜刀周期内加工的齿轮数量，N表示每个监测样本提取的多域统计特征数量，tm,n表示在该窜刀周期内第m个加工齿轮对应的第n个特征；
S4：计算第i个窜刀周期的Q统计量限值；
S5：计算第(i+1)个窜刀周期内的所有加工齿轮对应的Q统计量；
S6：判断磨损等级是否变化；在第(i+1)个窜刀周期，统计Q统计量超过第i个窜刀周期的Q统计量限值的齿轮数量，当该齿轮数量没有超过第(i+1)个窜刀周期内加工的齿轮数量设定的百分比时，则认为在第(i+1)个窜刀周期滚刀的磨损等级相对第i个窜刀周期没有发生变化，否则认为第(i+1)个窜刀周期滚刀的磨损等级发生了变化。
2.根据权利要求1所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：S2中所述的多域统计特征包括时域特征、频域特征、小波域特征。
3.根据权利要求1所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：S1中获取滚齿加工过程中滚刀的振动信息时，只截取滚刀对每一个齿轮齿坯稳定加工阶段的振动信号，形成监测样本。
4.根据权利要求1所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：S4中计算第i个窜刀周期的Q统计量限值的步骤为
S41：将第i个窜刀周期监测特征集中的每个特征进行标准化，标准化公式如下：
其中，t'm,n表示tm,n标准化后的特征，
和σn分别表示当前窜刀周期内第n维特征的平均值和标准差，标准化后的监测特征集Fi′表示如下
S42：对标准化后的监测特征集Fi'进行主成分分析；
首先构建对应的协方差矩阵，该协方差矩阵表示如下；
Xi＝(Fi')T·Fi'
其中Xi是标准化后的监测特征集对应的协方差矩阵，(Fi')T是Fi'的转置矩阵；
然后计算该协方差矩阵的特征值和对应的特征向量，将特征值按从大到小顺序排列；
λ1≥λ2≥…≥λN-1≥λN
再次确定协方差矩阵特征值前l个的数量，使前l个协方差矩阵的特征值的累积和不小于所有特征值总和的设定比例p；
S43：基于该协方差矩阵后(N-l)个特征值求取第i个滚刀窜刀周期的Q统计量限值，其表达式如下：
其中，Qα为当前窜刀周期得到的Q统计量限值，Cα为标准正态分布的置信极限，θ1、θ2和h的表达式分别如下：
5.根据权利要求4所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：S5中计算第(i+1)个窜刀周期内的所有加工齿轮对应的Q统计量的步骤为，
S51：根据步骤S3得到第(i+1)个窜刀周期的监测特征集；
S52：按步骤S41的方法对第(i+1)个窜刀周期内每一个加工齿轮对应的监测特征进行标准化处理，得到第(i+1)个窜刀周期标准化后的监测特征集；
S53：基于第(i+1)个窜刀周期标准化后的监测特征集，在第(i+1)个窜刀周期内的第m个加工齿轮对应的Q统计量的计算公式如下
Qm＝||(I-ppT)t'm||2
其中，I是一个单位矩阵，p是由S42中的协方差矩阵前l个特征值对应的特征向量得到的重构主元矩阵，t'm表示该窜刀周期内第m个加工齿轮对应的标准化后的监测特征向量，Qm为该窜刀周期内第m个加工齿轮对应的Q统计量。
6.根据权利要求5所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：步骤S52进行标准化处理时的平均值和标准差直接采用上一个窜刀周期计算Q统计量限值使用的平均值
与标准差σn。
7.根据权利要求1所述的窜刀模式下滚刀磨损状态在机无监督实时监测方法，其特征在于：步骤S6设定的百分比为90％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115911.8A CN116408501A (zh) | 2023-02-14 | 2023-02-14 | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115911.8A CN116408501A (zh) | 2023-02-14 | 2023-02-14 | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116408501A true CN116408501A (zh) | 2023-07-11 |
Family
ID=87052245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310115911.8A Pending CN116408501A (zh) | 2023-02-14 | 2023-02-14 | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116408501A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
| CN117390405A (zh) * | 2023-12-12 | 2024-01-12 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
-
2023
- 2023-02-14 CN CN202310115911.8A patent/CN116408501A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
| CN117007896B (zh) * | 2023-10-07 | 2023-12-12 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
| CN117390405A (zh) * | 2023-12-12 | 2024-01-12 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
| CN117390405B (zh) * | 2023-12-12 | 2024-02-20 | 中交隧道工程局有限公司 | 掘进机扁齿滚刀阵列磨损状态预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
| US10695884B2 (en) | Tool wear monitoring and predicting method | |
| Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
| CN108500736B (zh) | 工具状态推定装置以及机床 | |
| CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
| CN102073300B (zh) | 一种数控加工状态自学习的刀具磨损监控系统 | |
| 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 | |
| CN113569903B (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
| CN109318056A (zh) | 一种基于多种类传感器复合信号的刀具磨损监控方法 | |
| CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
| Bhattacharyya et al. | On-line tool condition monitoring in face milling using current and power signals | |
| Tiwari et al. | Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces | |
| Yan et al. | A hybrid method for on-line performance assessment and life prediction in drilling operations | |
| Kannan et al. | Multi-sensor data analytics for grinding wheel redress life estimation-an approach towards Industry 4.0 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN113467375A (zh) | 基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法 | |
| CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
| CN113579851A (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
| CN112518425A (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
| CN116757648A (zh) | 基于人工智能的生产制造管理系统及方法 | |
| Guleria et al. | Classification of surface roughness during turning of forged EN8 steel using vibration signal processing and support vector machine | |
| Twardowski et al. | Monitoring and forecasting of tool wear based on measurements of vibration accelerations during cast iron milling | |
| CN114523338A (zh) | 一种基于噪声分析的切削刀具磨损状态监测方法 | |
| DE102019122771A1 (de) | Bearbeitungsumgebungsschätzvorrichtung | |
| CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 |
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 |