CN117170306A - 一种刀具状态监控方法、系统、电子设备及存储介质 - Google Patents
一种刀具状态监控方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117170306A CN117170306A CN202311422412.XA CN202311422412A CN117170306A CN 117170306 A CN117170306 A CN 117170306A CN 202311422412 A CN202311422412 A CN 202311422412A CN 117170306 A CN117170306 A CN 117170306A
- Authority
- CN
- China
- Prior art keywords
- tool
- tool path
- cutter
- calculating
- data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 10
- 239000003086 colorant Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明涉及数控加工技术领域,具体地说,涉及一种刀具状态监控方法、系统、电子设备及存储介质;该方法通过构建的刀具轨迹分类模型获取当前刀具轨迹图的标签,识别是否为刀具轨迹的第一层,计算缩放比例并计算特征值;通过构建的刀具状态监控模型识别特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号,指示机床执行报警功能和停机操作,提升了对不同刀具轨迹类型的飞机结构件加工刀具状态在线识别准确率。
Description
技术领域
本发明涉及数控加工技术领域,具体地说,涉及一种刀具状态监控方法、系统、电子设备及存储介质。
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,需要时时关注刀具的状态,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,可以用于模型学习的数据量少,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。
针对直接使用原始信号特征值进行学习后比对的方式难以有效区分正常和失效状态的问题,相关学者开展基于信号特征融合的刀具监控方法。公开的方法是针对大批量加工模型中的相同零件、相同加工特征、相同刀具、相同参数的工况进行使用,通过在线学习不断提高监控系统的精度和适应度。但是飞机结构件数控加工是小批量多品种加工模式,如果按上述工况进行监控对象划分,将产生类别数据巨大的监控对象,难以实施应用,且无法提供模型学习需要的大样本量数据。
因此要实现在飞机结构件数控加工刀具状态监控,需要针对飞机结构件小批量、多品种、离散程度高、结构复杂、刀具种类多、轨迹多变的加工工况,建立使用小样本量数据且准确度高的刀具状态监控方法。飞机结构件数控加工过程由于结构复杂,加工过程存在多种类型的刀具轨迹,刀轨变化对振动信号产生明显影响,严重干扰对刀具状态的识别。
发明内容
本发明针对飞机结构件数控加工过程的结构复杂,在加工过程存在多种类型的刀具轨迹,刀轨变化对振动信号产生明显影响,且严重干扰刀具状态的识别的问题,提出一种刀具状态监控方法、系统、电子设备及存储介质,通过构建的刀具轨迹分类模型获取当前刀具轨迹图的标签,识别是否为刀具轨迹的第一层,计算缩放比例并计算特征值;通过构建的刀具状态监控模型识别特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号,指示机床执行报警功能和停机操作,提升了对不同刀具轨迹类型的飞机结构件加工刀具状态在线识别准确率。
本发明具体实现内容如下:
一种刀具状态监控方法,包括以下步骤:
步骤S1:在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型;
步骤S2:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型;
步骤S3:截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
为了更好地实现本发明,进一步地,所述步骤S1具体包括以下步骤:
步骤S11:设定飞机结构件数控加工程序,在每层刀轨之间设置抬刀和进退刀;
步骤S12:根据所述飞机结构件数控加工程序分隔每层加工的刀具轨迹,将每层加工的刀具轨迹作为一个数据对象,根据刀轨判别方法截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征;
步骤S13:根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,将同一标签的刀具轨迹作为同一类监控对象;
步骤S14:设置全角度范围内尺度差异特征增强,将所述刀具轨迹图进行增强处理;
步骤S15:将增强处理后的刀具轨迹图作为数据集,根据所述标签建立刀具轨迹分类模型。
为了更好地实现本发明,进一步地,所述步骤S12具体包括以下步骤:
步骤S121:获取刀具加工轨迹的X坐标信号和Y坐标信号,根据所述X坐标信号和所述Y坐标信号,构建坐标向量;
步骤S122:根据所述坐标向量,计算连续两个所述坐标向量的夹角;
步骤S123:若所述坐标向量的夹角的值连续为0,则判断所述刀具轨迹为直线段,否则所述刀具轨迹为非直线段。
为了更好地实现本发明,进一步地,所述步骤S14具体包括以下步骤:
步骤141:在设定角度范围内设置尺度差异特征增强;所述设定角度范围为0°至360°,所述尺度差异特征增强的步长为10°;
步骤S142:设定0°作为初始角度,从随机设定的尺度变化因子中选择水平放大比率和垂直放大比率的数值、从整体尺度的变换范围中选择比例大小,将所述刀具轨迹图进行增强变换并保存;
步骤S143:以刀具轨迹图的几何中心为旋转中心逆时针旋转10°,在刀具轨迹图4个角新增的区域采用0、0、0数值填充,即采用为0、0、0填充的像素值,RGB值为0、0、0,表示黑色;重复步骤S142,直至完成所有角度的增强处理。
为了更好地实现本发明,进一步地,所述步骤S2具体包括以下步骤:
步骤S21:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值,并计算所述每转均方根值的滑动平均值;
步骤S22:将机床主轴每转的振动信号进行分段,并计算特征值;
步骤S23:根据所述特征值将所述振动信号每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型。
为了更好地实现本发明,进一步地,所述步骤S21具体包括以下步骤:
步骤S211:获取历史数据,根据振动信号的采样频率和机床主轴的转速,计算振动信号的样本数量;
步骤S212:根据所述振动信号的样本数量、振动信号的数值,计算机床主轴的每转均方根值;
步骤S213:根据所述每转均方根值、滑动平均值计算的每周期的数值数量,计算滑动平均值的滑动平均值。
为了更好地实现本发明,进一步地,所述步骤S3具体包括以下步骤:
步骤S31:根据所述刀具轨迹分类模型,获取当前刀具轨迹图的标签;
步骤S32:判断当前刀具轨迹图是否为所述标签标识刀具轨迹的第一层,若是刀轨的第一层,根据获取的实时数据和训练数据计算缩放比例,若不是刀轨的第一层,将每转均方根数据进行比例缩放;
步骤S33:分段计算信号特征值;
步骤S34:根据所述刀具状态监测模型,读取所述特征值,并输出判别结果;
步骤S35:计算识别为非崩刃段的信号占比,判断所述信号占比A是否小于设定的监控阈值Athr,选取非崩刃段的信号占比作为监控指标值,若信号占比A≥监控阈值Athr,截取下一个刀具轨迹进行数据处理和识别;若信号占比A<监控阈值Athr,发出刀具状态报警信号,所述报警信号用于指示机床执行报警功能和停机操作。
一种刀具状态监控系统,包括刀具轨迹分类模型建立单元、刀具状态监控模型建立单元、报警处理单元;
所述刀具轨迹分类模型建立单元,用于在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型;
所述刀具状态监控模型建立单元,用于根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型;
所述报警处理单元,用于截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
基于上述提出的一种刀具状态监控方法,为了更好地实现本发明,进一步地,提出一种电子设备,包括存储器和处理器;所述存储器,用于存储计算机程序;
当所述计算机程序在所述处理器中执行时,实现上述的刀具状态监控方法。
基于上述提出的一种刀具状态监控方法,为了更好地实现本发明,进一步地,提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令;
当所述计算机指令在上述的电子设备上执行时,实现上述的刀具状态监控方法。
本发明具有以下有益效果:
本发明采用神经网络刀具轨迹分类模型结合支持向量机SVM模型的监控方式,在加工过程中自动对刀轨进行分类并调用其匹配的监控模型,实现对不同刀具轨迹类型的飞机结构件加工刀具状态在线识别准确率的提升。
附图说明
图1是本申请实施例提供的刀具状态监控方法流程示意图。
图2是本申请实施例提供的刀轨矢量角度计算示意图。
图3是本申请实施例提供的刀轨矢量角度计算结果曲线示意图。
图4是本申请实施例提供的刀具轨迹切割判别后增加颜色特征的示意图。
图5是本申请实施例提供的标识为一类的加工刀具轨迹示意图。
图6是本申请实施例提供的加工刀具轨迹图片在第一角度下的增强示意图。
图7是本申请实施例提供的加工刀具轨迹图片在第二角度下的增强示意图。
图8是本申请实施例提供的加工刀具轨迹图片在第三角度下的增强示意图。
图9是本申请实施例提供的加工刀具轨迹图片在第四角度下的增强示意图。
图10是本申请实施例提供的加工刀具轨迹图片分类结果添加标签1的示意图。
图11是本申请实施例提供的加工刀具轨迹图片分类结果添加标签2的示意图。
图12是本申请实施例提供的标签1的加工刀具监控模型识别结果柱状图。
图13是本申请实施例提供的标签2的加工刀具监控模型识别结果柱状图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
本实施例提出一种刀具状态监控方法,包括以下步骤。
步骤S1:在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型。
进一步地,所述步骤S1具体包括以下步骤:
步骤S11:设定飞机结构件数控加工程序,在每层刀轨之间设置抬刀和进退刀。
步骤S12:根据所述飞机结构件数控加工程序分隔每层加工的刀具轨迹,将每层加工的刀具轨迹作为一个数据对象,根据刀轨判别方法截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征。
进一步地,所述步骤S12具体包括以下步骤:
步骤S121:获取刀具加工轨迹的X坐标信号和Y坐标信号,根据所述X坐标信号和所述Y坐标信号,构建坐标向量。
步骤S122:根据所述坐标向量,计算连续两个所述坐标向量的夹角。
步骤S123:若所述坐标向量的夹角的值连续为0,则判断所述刀具轨迹为直线段,否则所述刀具轨迹为非直线段。
步骤S13:根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,将同一标签的刀具轨迹作为同一类监控对象。
步骤S14:设置全角度范围内尺度差异特征增强,将所述刀具轨迹图进行增强处理。
进一步地,所述步骤S14具体包括以下步骤:
步骤141:在设定角度范围内设置尺度差异特征增强;所述设定角度范围为0°至360°,所述尺度差异特征增强的步长为10°;
步骤S142:设定0°作为初始角度,从随机设定的尺度变化因子中选择水平放大比率和垂直放大比率的数值、从整体尺度的变换范围中选择比例大小,将所述刀具轨迹图进行增强变换并保存;
步骤S143:以刀具轨迹图的几何中心为旋转中心逆时针旋转10°,在刀具轨迹图4个角新增的区域采用0、0、0数值填充,重复步骤S142,直至完成所有角度的增强处理。
步骤S15:将增强处理后的刀具轨迹图作为数据集,根据所述标签建立刀具轨迹分类模型。
步骤S2:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值,并计算所述每转均方根值的滑动平均值。
进一步地,所述步骤S21具体包括以下步骤:
步骤S211:获取历史数据,根据振动信号的采样频率和机床主轴的转速,计算振动信号的样本数量。
步骤S212:根据所述振动信号的样本数量、振动信号的数值,计算机床主轴的每转均方根值。
步骤S213:根据所述每转均方根值、滑动平均值计算的每周期的数值数量,计算滑动平均值的滑动平均值。
步骤S22:将机床主轴每转的振动信号进行分段,并计算特征值。
步骤S23:根据所述特征值将所述振动信号每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型。
步骤S3:截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:根据所述刀具轨迹分类模型,获取当前刀具轨迹图的标签;
步骤S32:判断当前刀具轨迹图是否为所述标签标识刀具轨迹的第一层,若是刀轨的第一层,根据获取的实时数据和训练数据计算缩放比例,若不是刀轨的第一层,将每转均方根数据进行比例缩放;
步骤S33:分段计算信号特征值;
步骤S34:根据所述刀具状态监测模型,读取所述特征值,并输出判别结果;
步骤S35:计算识别为非崩刃段的信号占比,判断所述信号占比A是否小于设定的监控阈值Athr,选取非崩刃段的信号占比作为监控指标值,若信号占比A≥监控阈值Athr,截取下一个刀具轨迹进行数据处理和识别;若信号占比A<监控阈值Athr,生成刀具状态报警信号,所述报警信号用于指示机床执行报警功能和停机操作。
工作原理:本实施例通过构建的刀具轨迹分类模型获取当前刀具轨迹图的标签,识别是否为刀具轨迹的第一层,计算缩放比例并计算特征值;通过构建的刀具状态监控模型识别特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号,指示机床执行报警功能和停机操作,提升了对不同刀具轨迹类型的飞机结构件加工刀具状态在线识别准确率。
实施例2:
本实施例在上述实施例1的基础上,如图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11、图12、图13所示,以一个具体的实施例进行说明。
如图1所示,具体包括以下步骤。
步骤S1:刀具轨迹分类模型构建。
步骤S11:NC程序编制。
在飞机结构件数控加工程序编制时,在每层刀轨之间设置抬刀和进退刀,NC程序中抬刀使用G0,进退刀和铣削余量的刀轨使用G1。
步骤S12:截取刀轨并切割,设置不同颜色增加特征值。
根据G代码将每一层加工的刀轨分隔出来,以每层加工刀轨作为一个数据对象进行处理。
每层加工刀具轨迹可以分为直线段和非直线段。刀轨判别区分直线段和非直线段的方法为,根据采集到的加工轨迹X、Y坐标信号,由两个坐标点构建向量,并计算连续两个向量的夹角,如图2所示,对于点1(x 1,y 1)、点2(x 2,y 2)、点3(x 3,y 3),构建向量1(x 2-x 1,y 2-y 1)和向量2(x 3-x 2,y 3-y 2),然后计算向量1和向量2的夹角θ 1,进一步依次连续计算剩余相连3个刀轨坐标点构建的2个向量的夹角,最后获得夹角θ 1、θ 2……θ i,如图3所示。判断夹角的值并识别出连续为0的阶段,为直线刀轨阶段,否则为非直线段。
使用刀轨判别区分直线段和非直线段,然后绘制刀具轨迹图,分别对直线段和非直线段设置不同的颜色,如图4所示,直线段例如标记为R的部分设置为红色,非直线段例如标记为B的部分设置为蓝色,并保存增加了不同颜色特征的刀具轨迹图片。
步骤S13:构建刀轨图片库,并添加标签,设定监控对象。
将该加工工步中的每一层加工刀轨均使用步骤S12所示的切割及增加颜色特征的方法进行处理,形成该工步的刀轨图片库。例如附图11和附图12中的刀具轨迹图片均为该工步的刀轨图片库中的图片。
然后,工艺人员在刀轨图片库中,根据加工轨迹的相似程度进行人工分类,添加标签。将图10中的刀轨图片添加标识1、将图11中的刀轨图片添加标识2。添加同一标签的刀轨作为一类加工监控的对象,即在加工过程刀具监控中使用同一缩放比例进行数据处理。
步骤S14:图片增强处理。
图像增强处理有利于提升刀具轨迹分类准确率,设计的增强处理步骤及方式包含:
设计全角度范围内尺度差异特征增强,定义全角度对应角度范围angle∈[0°,360°,step=10°],即角度的取值范围为0°至360°,以10°为增强步长。
对于每一幅采集的刀具轨迹样本图像,首先从0度开始增强,随机地从设定的尺度变化因子中选择ratiox与ratioy的数值,数值的取值范围ratiox∈[0.8,1.2]、ratioy∈[0.8,1.2],从整体尺度的变换范围[0.7,1.4]中选择ratiosize,然后对图像进行增强变换。每一个角度对应的这3个数值随机的取5次不同的数值进行处理,处理后并对图像进行保存,完成每一角度增强5倍的训练样本数量。
处理完0°即初始角度的图像后,依次以图像的几何中心为旋转中心逆时针增加10°,旋转后图像的大小与变换前的大小保持不变,同时在图像4个角位置新增加的区域采用0、0、0数值进行填充,采用相同的取值和增强方式进行处理并完成图像的保存,直至完成36种角度图像处理为止。
增强处理获得的若干图像采用与处理前图片相同的标签值,图6、图7、图8、图9中的刀轨图片为图片增强后获得的图片样本,其标签值与处理前图片即图5的刀轨图片相同,均设置为标识2。图6-图9是同一张刀轨图在使用相同增强方式但是不同角度下且随机选择的放大比率不同产生的增强效果图,增强方式在旋转不同角度下增强,并且尺度变化因子中选择水平放大比率和垂直放大比率的数值在设定范围内是随机的。
步骤S15:神经网络模型的训练和测试。
使用图片增强处理后获得的图片作为数据集,根据步骤S13中设定的要监控的刀具轨迹标识进行分类的类别设置,例如标识1的监控刀轨、标识2的监控刀轨等及其他非监控刀轨,进行神经网络模型的训练和测试。
神经网络模型使用resnet50为特征提取的基础网络,设计的resnet50特征提取网络,主要由4个block组成,每组分别存在3、4、6、3个block,每一个block中含有3个卷积层,共包含(3+4+6+3)*3=48层,加上初始的卷积层与网络的全连接层网络共存在50层。每一层通过不断地对特征进行提取与抽象,进而得到高层次语义信息的特征图,经过前49层网络进行特征提取后使用全连接将特征变成1000维向量,最后使用softmax分类器完成数据的类别划分。
如果模型测试精度满足使用要求,保存模型用于加工过程刀具监控时调用使用。如果模型测试精度不满足使用要求,返回步骤S14补充刀具轨迹图片增强的数据,增加样本图片数量,以提高模型精度。
步骤S2:使用历史数据进行SVM模型构建。
步骤S21:计算振动信号的每转均方根滑动平均值。
本实例中工步的加工内容为槽腔腹板,因此选取同样为加工槽腔腹板的历史数据,作为模型训练的样本数据,包括刀具完好状态的数据和刀具破损状态的数据,使用实际零件加工过程中采集的振动加速度数据。
使用振动加速度传感器进行加工过程振动信号采集,传感器位置安装在机床主轴上,获取3向加工过程振动信号。
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:
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:
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)的滑动平均值计算方法,如下式所示。
其中,RMS m (m)是计算获得的第m个每转均方根值的滑动平均值,j是滑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获得滑动平均值作为后续步骤进行刀具失效识别的数据来源。
步骤S22:分段计算信号特征值。
在获得的每一层加工刀具轨迹的数据对象的基础上,对该数据集进行分批处理,用于后续的特征值计算。
设定每批数据包含的每转均方根数值数量为N=28,若每一层加工刀轨的监控数据对象包含的每转均方根数值数量为M=13445,则每层监控数据分为K批,其中K为M/N取整后的数值,K=480。
针对获得的每一批数据,进行信号特征值计算,包括每转均方根数据的偏差、峭度、标准差、均值和最大值等时频域信号特征值。
步骤S23:构建训练组与测试组数据。
将全部信号批数据分为训练组和测试组,分别包含一定数量的刀具完好和刀具破损状态标签对应的数据。分类时测试数据组的数量占总数的30%,训练组和测试组的刀具完好刀具破损状态标签对应的数据各占一半。
步骤S24:支持向量机模型的训练和测试。
本实例中选取并计算最大值、均值、标准差、偏差、峭度作为信号特征值。选用支持向量机分类模型,使用训练组批数据的特征值及标签数据,训练获得分类模型。
设定许可精度要求为85%,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>许可精度要求,则保存模型用于监控时调用;如果模型精度<许可精度要求,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。
步骤S3:基于刀轨分类的加工过程刀具监控。
步骤S31:NC程序运行时启动监控系统。
飞机结构件数控加工程序分为多个工步进行加工,一般一个工步使用同一把刀具,使用同一转速,加工特征相似的结构,在每一个工步的NC程序开始运行时启动监控系统。
步骤S32:截取加工过程坐标信息,并绘制刀轨然后切割设置不同颜色特征。
在该工步NC程序运行过程中,根据NC程序中的G代码将每一层加工的刀轨分隔出来,以每层加工刀轨作为一个数据对象进行处理,并且获取一层加工刀轨后即执行后续步骤的监控。
获取一层刀具轨迹后采用与步骤S12中相同的方法对刀具轨迹进行判别切割,将刀轨图的直线段和非直线段设置成不同的颜色,直线段的颜色和非直线段的颜色分别与步骤S12中的设定值相同,即直线段设置为红色,非直线段设置为蓝色。
步骤S33:调用神经网络模型进行分类。
针对获取的增加颜色的刀具图片,调用步骤S15中构建的神经网络分类模型进行识别,获得刀轨图的分类标识。
步骤S34:判断是否为该标识刀轨的第一层。
根据刀轨图识别出来的结果,判断该刀轨标识是否在该工步内第1次出现,即为该工步内该标识类型刀轨的第一层。
如果是该标识刀轨的第一层,进入步骤S35进行数据计算,如果不是该标识刀轨的第一层,进入步骤S36进行数据处理。
步骤S35:使用实时数据与训练数据计算缩放比例。
使用实时数据计算获得该层刀具轨迹加工信号的每转均方根的平均值M 2,使用步骤S2中模型训练阶段的标签为刀具完好状态的数据计算获得每一层加工信号的每转均方根的平均值M 1,则计算获得信号比例m=M 2/M 1。在监控过程中,分别计算获取各类标识刀轨对应的信号缩放比例,并保存形成比例数据集。
步骤S36:对每转均方根数据进行比例缩放。
使用实时数据计算获得该层刀具轨迹加工信号的每转均方根数据W i (i=1, 2,…N),调取该标识刀轨对应的信号缩放比例m,例如刀轨标识为2时即调用标识2对应的信号缩放比例,将实时信号每转均方根数据除以信号缩放比例获得U i =W i /m(i=1, 2,…N)。
步骤S37:分段计算信号特征值。
使用缩放后获得的数据集U i ,按照步骤S22所示的方法对该数据集进行分批处理,其中设定的每批数据包含的每转均方根数值数量为N需要与步骤S22中一致,即N=28。
步骤S38:调用SVM模型识别。
调用步骤S24中构建保存的SVM监控模型进行识别,针对每批数据,读取计算所得的信号特征值,输出每批数据的判别结果。
步骤S39:计算识别为非崩刃段的信号占比
根据模型输出结果计算识别为崩刃段的批数据的数量N t,每层加工刀轨数据包含的批数据的数量为N f,计算可得识别为非崩刃段的信号占比A=1-N t/N f。
步骤S310:判断信号占比A是否小于监控阈值
选取一层加工刀轨过程的所有批数据作为一个对象进行刀具状态判别,选取非崩刃段的信号占比作为监控指标值,同时设置刀具状态报警阈值A thr=50%。
如果A≥A thr,返回加工过程刀具监控的步骤S32,截取下一个刀具轨迹进行数据处理和识别。如果A<A thr,发出刀具状态报警信号。
如果不采用本实例所示的刀轨分类的方法进行识别,将该工步的所有类型的刀具轨迹视为同一类刀具轨迹进行识别,即图10和图11中标识为1和2的刀具轨迹视为同一类,识别结果如图12所示,每一个柱状图代表一层加工刀具轨迹的识别结果,实际最后一层时刀具出现崩刃失效,但是由于刀具轨迹不同造成的工况差异,会误将第2层和第3层识别为刀具崩刃。采用本发明提供的方法,基于机器学习刀轨分类后进行识别,标识为2的加工刀具轨迹的识别结果如图13所示,准确识别出最后一层刀具崩刃。
S311:监控报警,控制机床。
接收到报警信号后,控制机床执行报警功能以及停机等操作,防止零件和设备损伤发生。
工作原理:本本实施例包括刀具轨迹分类模型构建、使用历史数据进行SVM模型构建、基于刀轨分类的加工过程刀具监控三个部分,在工艺准备程编时,截取并绘制刀轨并切割设置不同颜色,构建刀轨图片库并添加标签,在图片增强处理后进行神经网络模型的训练和测试,获取刀轨分类模型;使用历史加工数据,计算振动信号每转均方根值,然后分段计算特征值,构建训练组和测试组,进行支持向量机模型的训练和测试,获取刀具监控模型;在NC程序运行时启动监控系统,截取刀轨预处理后,调用神经网络模型进行分类,如果为该标识刀轨的第一层,使用实时数据与训练数据计算缩放比例并保存,如果不是该标识刀轨的第一层,对数据比例缩放后计算信号特征值,调用SVM模型识别,并设定阈值判断,超过阈值进行报警,实现对不同刀具轨迹类型的飞机结构件加工刀具状态在线识别准确率的提升。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1-实施例2任一项的基础上,提出一种刀具状态监控系统,包括刀具轨迹分类模型建立单元、刀具状态监控模型建立单元、报警处理单元。
所述刀具轨迹分类模型建立单元,用于在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型。
所述刀具状态监控模型建立单元,用于根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型。
所述报警处理单元,用于截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
本实施例还提出一种电子设备,包括存储器和处理器;所述存储器,用于存储计算机程序;
当所述计算机程序在所述处理器中执行时,实现上述的刀具状态监控方法。
本实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令;
当所述计算机指令在上述的电子设备上执行时,实现上述的刀具状态监控方法。
本实施例的其他部分与上述实施例1-实施例2任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种刀具状态监控方法,其特征在于,包括以下步骤:
步骤S1:在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型;
步骤S2:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型;
步骤S3:截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
2.根据权利要求1所述的一种刀具状态监控方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤S11:设定飞机结构件数控加工程序,在每层刀轨之间设置抬刀和进退刀;
步骤S12:根据所述飞机结构件数控加工程序分隔每层加工的刀具轨迹,将每层加工的刀具轨迹作为一个数据对象,根据刀轨判别方法截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征;
步骤S13:根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,将同一标签的刀具轨迹作为同一类监控对象;
步骤S14:设置全角度范围内尺度差异特征增强,将所述刀具轨迹图进行增强处理;
步骤S15:将增强处理后的刀具轨迹图作为数据集,根据所述标签建立刀具轨迹分类模型。
3.根据权利要求2所述的一种刀具状态监控方法,其特征在于,所述步骤S12具体包括以下步骤:
步骤S121:获取刀具加工轨迹的X坐标信号和Y坐标信号,根据所述X坐标信号和所述Y坐标信号,构建坐标向量;
步骤S122:根据所述坐标向量,计算连续两个所述坐标向量的夹角;
步骤S123:若所述坐标向量的夹角的值连续为0,则判断所述刀具轨迹为直线段,否则所述刀具轨迹为非直线段。
4.根据权利要求2所述的一种刀具状态监控方法,其特征在于,所述步骤S14具体包括以下步骤:
步骤141:在设定角度范围内设置尺度差异特征增强;所述设定角度范围为0°至360°,所述尺度差异特征增强的步长为10°;
步骤S142:设定0°作为初始角度,从随机设定的尺度变化因子中选择水平放大比率和垂直放大比率的数值、从整体尺度的变换范围中选择比例大小,将所述刀具轨迹图进行增强变换并保存;
步骤S143:以刀具轨迹图的几何中心为旋转中心逆时针旋转10°,重复步骤S142,直至完成所有角度的增强处理。
5.根据权利要求1所述的一种刀具状态监控方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21:根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值,并计算所述每转均方根值的滑动平均值;
步骤S22:将机床主轴每转的振动信号进行分段,并计算特征值;
步骤S23:根据所述特征值将所述振动信号每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型。
6.根据权利要求5所述的一种刀具状态监控方法,其特征在于,所述步骤S21具体包括以下步骤:
步骤S211:获取历史数据,根据振动信号的采样频率和机床主轴的转速,计算振动信号的样本数量;
步骤S212:根据所述振动信号的样本数量、振动信号的数值,计算机床主轴的每转均方根值;
步骤S213:根据所述每转均方根值、滑动平均值计算的每周期的数值数量,计算滑动平均值的滑动平均值。
7.根据权利要求1所述的一种刀具状态监控方法,其特征在于,所述步骤S3具体包括以下步骤:
步骤S31:根据所述刀具轨迹分类模型,获取当前刀具轨迹图的标签;
步骤S32:判断当前刀具轨迹图是否为所述标签标识刀具轨迹的第一层,若是刀轨的第一层,根据获取的实时数据和训练数据计算缩放比例,若不是刀轨的第一层,将每转均方根数据进行比例缩放;
步骤S33:分段计算信号特征值;
步骤S34:根据所述刀具状态监测模型,读取所述特征值,并输出判别结果;
步骤S35:计算识别为非崩刃段的信号占比,判断所述信号占比A是否小于设定的监控阈值A thr,选取非崩刃段的信号占比作为监控指标值,若信号占比A≥监控阈值A thr,截取下一个刀具轨迹进行数据处理和识别;若信号占比A<监控阈值A thr,发出刀具状态报警信号,所述报警信号用于指示机床执行报警功能和停机操作。
8.一种刀具状态监控系统,其特征在于,包括刀具轨迹分类模型建立单元、刀具状态监控模型建立单元、报警处理单元;
所述刀具轨迹分类模型建立单元,用于在相邻两层刀具轨迹之间设置抬刀和进退刀,截取刀具轨迹并绘制刀具轨迹图,切割所述刀具轨迹图并在所述刀具轨迹图中设置颜色特征,根据所述刀具轨迹图构建刀具轨迹图数据库并添加标签,根据所述刀具轨迹图数据库和所述标签建立刀具轨迹分类模型;
所述刀具状态监控模型建立单元,用于根据获取的历史数据,计算机床主轴每转的振动信号的每转均方根值并分段计算特征值,根据所述特征值将所述每转均方根值划分为训练组数据和测试组数据,根据所述训练组数据和所述测试组数据,构建刀具状态监控模型;
所述报警处理单元,用于截取刀具轨迹并进行预处理,根据所述刀具轨迹分类模型获取当前刀具轨迹图的标签,若当前刀具轨迹图为刀具轨迹的第一层,根据获取的实时数据与训练数据计算缩放比例,并计算特征值;若当前刀具轨迹图不是刀具轨迹的第一层,将当前刀具轨迹图进行比例缩放并计算特征值,根据所述刀具状态监控模型识别所述特征值,计算识别为非崩刃段的信号占比,若超过设定的监控阈值则生成刀具状态报警信号;所述报警信号用于指示机床执行报警功能和停机操作。
9.一种电子设备,其特征在于,包括存储器和处理器;所述存储器,用于存储计算机程序;
当所述计算机程序在所述处理器中执行时,实现如权利要求1-7任一项所述的刀具状态监控方法。
10.一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存储有计算机指令;
当所述计算机指令在如权利要求9所述的电子设备上执行时,实现如权利要求1-7任一项所述的刀具状态监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422412.XA CN117170306B (zh) | 2023-10-31 | 2023-10-31 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422412.XA CN117170306B (zh) | 2023-10-31 | 2023-10-31 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170306A true CN117170306A (zh) | 2023-12-05 |
CN117170306B CN117170306B (zh) | 2024-03-15 |
Family
ID=88947067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422412.XA Active CN117170306B (zh) | 2023-10-31 | 2023-10-31 | 一种刀具状态监控方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170306B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3795449A (en) * | 1973-01-11 | 1974-03-05 | Lockheed Missiles Space | Cutter monitor |
JPH0222669A (ja) * | 1988-07-11 | 1990-01-25 | Matsushita Electric Ind Co Ltd | 磁性カラートナー |
WO1992005480A1 (en) * | 1990-09-13 | 1992-04-02 | Fanuc Ltd | Method of displaying load state |
JP2000353003A (ja) * | 1999-06-11 | 2000-12-19 | Fanuc Ltd | Ncデータ確認装置 |
CN102929210A (zh) * | 2012-11-22 | 2013-02-13 | 南京航空航天大学 | 基于特征的数控加工过程控制和优化系统及方法 |
DE102013114372A1 (de) * | 2012-12-25 | 2014-06-26 | Fanuc Corporation | Laststand-anzeige für eine werkzeugmaschine |
CN104360634A (zh) * | 2014-11-12 | 2015-02-18 | 南京航空航天大学 | 基于特征的蒙皮镜像铣削数控程序快速生成方法 |
US20160061035A1 (en) * | 2014-08-28 | 2016-03-03 | Joy Mm Delaware, Inc. | Horizon monitoring for longwall system |
CN107831731A (zh) * | 2017-10-31 | 2018-03-23 | 北京航空航天大学 | 一种切削力仿真预适应的型腔外拐角数控铣削加工刀轨优化方法 |
CN109507952A (zh) * | 2018-12-12 | 2019-03-22 | 成都飞机工业(集团)有限责任公司 | 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 |
CN111300144A (zh) * | 2019-11-25 | 2020-06-19 | 上海大学 | 基于图像处理的刀具磨损状态自动检测方法 |
JP6719790B1 (ja) * | 2019-09-05 | 2020-07-08 | キタムラ機械株式会社 | Cadデータによるマシニングセンタの自動運転装置 |
CN112867252A (zh) * | 2020-12-31 | 2021-05-28 | 东莞市千博瑞智能科技有限公司 | 一种铣刀式分板机系统的控制方法 |
WO2021164137A1 (zh) * | 2020-02-21 | 2021-08-26 | 青岛理工大学 | 数控机床刀具状态监测及控制系统与方法 |
WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN113554621A (zh) * | 2021-07-23 | 2021-10-26 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
CN114102260A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 机理-数据融合驱动的变工况刀具磨损状态监测方法 |
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
CN114850969A (zh) * | 2022-07-08 | 2022-08-05 | 成都飞机工业(集团)有限责任公司 | 一种基于振动信号的刀具失效监控方法 |
CN115356985A (zh) * | 2022-08-18 | 2022-11-18 | 成都飞机工业(集团)有限责任公司 | 一种基于功率信号的加工工艺自适应优化方法 |
CN115731213A (zh) * | 2022-11-29 | 2023-03-03 | 北京声迅电子股份有限公司 | 一种基于x光图像的利器检测方法 |
CN115922442A (zh) * | 2022-12-24 | 2023-04-07 | 西安交通大学 | 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 |
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 |
CN116587466A (zh) * | 2023-07-17 | 2023-08-15 | 江苏林江光伏设备有限公司 | 一种塑料制品注塑用原料造粒设备 |
US20230267712A1 (en) * | 2022-02-24 | 2023-08-24 | Leela AI, Inc. | Methods and systems for training and execution of improved learning systems for identification of components in time-based data streams |
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 |
CN116700123A (zh) * | 2023-08-01 | 2023-09-05 | 南京德克威尔自动化有限公司 | 一种一体式EtherCAT总线I/O模块 |
CN116880356A (zh) * | 2023-06-30 | 2023-10-13 | 中国科学院信息工程研究所 | 数控机床加工状态监测方法及装置 |
-
2023
- 2023-10-31 CN CN202311422412.XA patent/CN117170306B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3795449A (en) * | 1973-01-11 | 1974-03-05 | Lockheed Missiles Space | Cutter monitor |
JPH0222669A (ja) * | 1988-07-11 | 1990-01-25 | Matsushita Electric Ind Co Ltd | 磁性カラートナー |
WO1992005480A1 (en) * | 1990-09-13 | 1992-04-02 | Fanuc Ltd | Method of displaying load state |
JP2000353003A (ja) * | 1999-06-11 | 2000-12-19 | Fanuc Ltd | Ncデータ確認装置 |
CN102929210A (zh) * | 2012-11-22 | 2013-02-13 | 南京航空航天大学 | 基于特征的数控加工过程控制和优化系统及方法 |
DE102013114372A1 (de) * | 2012-12-25 | 2014-06-26 | Fanuc Corporation | Laststand-anzeige für eine werkzeugmaschine |
US20160061035A1 (en) * | 2014-08-28 | 2016-03-03 | Joy Mm Delaware, Inc. | Horizon monitoring for longwall system |
CN104360634A (zh) * | 2014-11-12 | 2015-02-18 | 南京航空航天大学 | 基于特征的蒙皮镜像铣削数控程序快速生成方法 |
CN107831731A (zh) * | 2017-10-31 | 2018-03-23 | 北京航空航天大学 | 一种切削力仿真预适应的型腔外拐角数控铣削加工刀轨优化方法 |
CN109507952A (zh) * | 2018-12-12 | 2019-03-22 | 成都飞机工业(集团)有限责任公司 | 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 |
JP6719790B1 (ja) * | 2019-09-05 | 2020-07-08 | キタムラ機械株式会社 | Cadデータによるマシニングセンタの自動運転装置 |
CN111300144A (zh) * | 2019-11-25 | 2020-06-19 | 上海大学 | 基于图像处理的刀具磨损状态自动检测方法 |
WO2021164137A1 (zh) * | 2020-02-21 | 2021-08-26 | 青岛理工大学 | 数控机床刀具状态监测及控制系统与方法 |
WO2021174525A1 (zh) * | 2020-03-06 | 2021-09-10 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN112867252A (zh) * | 2020-12-31 | 2021-05-28 | 东莞市千博瑞智能科技有限公司 | 一种铣刀式分板机系统的控制方法 |
CN113554621A (zh) * | 2021-07-23 | 2021-10-26 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN113741377A (zh) * | 2021-09-29 | 2021-12-03 | 上海理工大学 | 一种基于切削特征遴选的加工过程智能监控系统及方法 |
CN114102260A (zh) * | 2021-11-22 | 2022-03-01 | 西安交通大学 | 机理-数据融合驱动的变工况刀具磨损状态监测方法 |
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
US20230267712A1 (en) * | 2022-02-24 | 2023-08-24 | Leela AI, Inc. | Methods and systems for training and execution of improved learning systems for identification of components in time-based data streams |
CN114850969A (zh) * | 2022-07-08 | 2022-08-05 | 成都飞机工业(集团)有限责任公司 | 一种基于振动信号的刀具失效监控方法 |
CN115356985A (zh) * | 2022-08-18 | 2022-11-18 | 成都飞机工业(集团)有限责任公司 | 一种基于功率信号的加工工艺自适应优化方法 |
CN115731213A (zh) * | 2022-11-29 | 2023-03-03 | 北京声迅电子股份有限公司 | 一种基于x光图像的利器检测方法 |
CN115922442A (zh) * | 2022-12-24 | 2023-04-07 | 西安交通大学 | 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 |
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 |
CN116880356A (zh) * | 2023-06-30 | 2023-10-13 | 中国科学院信息工程研究所 | 数控机床加工状态监测方法及装置 |
CN116587466A (zh) * | 2023-07-17 | 2023-08-15 | 江苏林江光伏设备有限公司 | 一种塑料制品注塑用原料造粒设备 |
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 |
CN116700123A (zh) * | 2023-08-01 | 2023-09-05 | 南京德克威尔自动化有限公司 | 一种一体式EtherCAT总线I/O模块 |
Non-Patent Citations (2)
Title |
---|
钟利民;李丽娟;杨京;梁彬;程建春;刘翔雄;: "HDP-HSMM的磨削声发射砂轮钝化状态识别", 应用声学, no. 02 * |
饶有福;郑国磊;陈俊;杜宝瑞;初宏震;: "后置处理中平面轮廓拐角加工程序自动生成技术", 图学学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN117170306B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
Klancnik et al. | Computer vision-based approach to end mill tool monitoring | |
CN116061006B (zh) | 一种刀具监控方法、装置、设备及介质 | |
CN112347916A (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
CN111444471A (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
CN105631481B (zh) | 基于遗传编程的铁谱磨粒复合特征构造方法 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
CN117400066B (zh) | 一种数控机床刀具磨损识别方法及系统 | |
CN117170306B (zh) | 一种刀具状态监控方法、系统、电子设备及存储介质 | |
CN114067268A (zh) | 一种电力作业现场安全帽检测及身份识别方法及装置 | |
CN116690313B (zh) | 一种飞机结构件腹板加工刀具失效监控方法 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及系统 | |
CN115392292A (zh) | 基于注意力循环神经网络的刀具磨损在线监测方法 | |
CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
CN108460404A (zh) | 一种基于布隆过滤器的电机故障诊断方法 | |
Handayani et al. | Anomaly detection in vessel sensors data with unsupervised learning technique | |
Miao et al. | Research on Operation Status Prediction of Production Equipment Based on Digital Twins and Multidimensional Time Series | |
CN118060974A (zh) | 一种刀具破损状态原位实时监测方法 | |
CN116290203B (zh) | 基于神经网络的疏浚施工参数选优模型方法 |
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 |