CN117400062A - 基于数字孪生驱动的刀具磨损监测方法及检测装置 - Google Patents
基于数字孪生驱动的刀具磨损监测方法及检测装置 Download PDFInfo
- Publication number
- CN117400062A CN117400062A CN202311388889.0A CN202311388889A CN117400062A CN 117400062 A CN117400062 A CN 117400062A CN 202311388889 A CN202311388889 A CN 202311388889A CN 117400062 A CN117400062 A CN 117400062A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- model
- cutter
- data
- digital twin
- 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 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 78
- 238000003801 milling Methods 0.000 claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000005299 abrasion Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000003754 machining Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization 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
-
- 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
- B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
- B23Q17/248—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves using special electromagnetic means or methods
- B23Q17/249—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves using special electromagnetic means or methods using image analysis, e.g. for radar, infrared or array camera images
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
基于数字孪生驱动的刀具磨损监测方法及检测装置，本发明涉及刀具磨损监测方法及检测装置，本发明目的在于对数控机床铣削加工过程中的刀具磨损状态进行监测和预测，实现刀具磨损状态的三维可视化监控。它包括工件传送机构、深度相机支架、深度相机、CCD相机和末端转动机构、X轴运动机构、Y轴运动机构和Z轴运动机构。该方法包括：构建数控机床铣削加工过程数字空间；建立物理空间与数字空间的连接；根据获取的数据确定工件铣削表面的位置；数字孪生系统控制三轴运动机构带动CCD相机在视点处采集工件铣削表面图像；构建基于SVM的刀具监测模型；实时采集图像数据。本发明属于智能制造技术领域。
Description
技术领域
本发明涉及刀具磨损监测方法及检测装置，具体涉及基于数字孪生驱动的刀具磨损监测方法及检测装置，本发明属于智能制造技术领域。
背景技术
随着大数据、物联网以及云计算等技术的出现，数字孪生也逐步被提出用于促进制造业的转型。数字孪生作为践行智能制造与工业4.0的先进技术，采用数据驱动的方式对物理实体的属性、特征、行为和性能等进行描述和建模，在制造车间、船舶、车辆等领域逐步得到应用。近年来，数字孪生在工业领域逐步发展，为机械产品的监测与优化提供了新的解决方案。
在机械制造领域，刀具作为机床的“牙齿”，其切削状态对于整个加工过程的稳定进行具有重要的影响。刀具在切削加工过程中在热力耦合的作用下，产生了磨损与破损现象。当刀具发生严重磨损时会影响工件的加工质量和效率，还可能导致机床的停机，影响了整个加工系统的正常运行。在机床停机的时间中，刀具磨损造成的停机时间为总停机时间的20％。因此，能否及时准确地监测刀具的磨损状态，是保障工件与机床质量安全的一个重要前提。
在常规加工过程中，为了实现对刀具状态的监测，通常分为直接监测和间接监测。直接监测是通过直接视觉测量切削刀具的磨损状态；间接监测是通过利用加工过程信号测量刀具的磨损程度。由于直接监测时刀具的侧面区域难以测量，所以在线捕获过程信号被用来监测刀具的磨损状态。在铣削过程中刀具与工件进行周期性的接触，由于这种复杂的工艺机制的性质，获得周期性的工艺信号，这导致铣削过程中不可预测和过早的刀具磨损，并且为了测量相关信号，使用的传感器直接与机床进行接触，会对加工产生障碍。为了克服这些问题，本发明提出一种数字孪生驱动的非触觉、低成本和高速的刀具磨损监测方法。
发明内容
本发明目的在于提供基于数字孪生驱动的刀具磨损监测方法及检测装置，对数控机床铣削加工过程中的刀具磨损状态进行监测和预测，实现刀具磨损状态的三维可视化监控。
本发明为解决上述技术问题采取的技术方案是：
基于数字孪生驱动的刀具磨损检测装置，它包括工件传送机构、深度相机支架、深度相机、CCD相机和末端转动机构、X轴运动机构、两个Y轴运动机构和两个Z轴运动机构；深度相机支架安装在传送机构架体上，深度相机安装在工件传送机构上方的深度相机支架上，两个Z轴运动机构对称安装在工件传送机构两侧的架体上，每个Z轴运动机构上滑动安装有一个Y轴运动机构，两个Y轴运动机构相对竖直设置，X轴运动机构滑动安装在两个Y轴运动机构上，CCD相机通过末端转动机构安装在X轴运动机构上，工件设置在工件传送机构的传送带上。
一种数字孪生驱动的刀具磨损监测方法，该方法包括以下步骤：
步骤一：构建数控机床铣削加工过程数字空间，进行实时的铣削加工仿真；
步骤二：建立物理空间与数字空间的连接，获取来自物理空间的多元数据；
步骤三：根据获取的数据确定工件铣削表面的位置，得到图像采集时的视点；
步骤四：数字孪生系统控制三轴运动机构带动CCD相机在视点处采集工件铣削表面图像；
步骤五：构建基于SVM的刀具监测模型，建立数据集去训练测试模型，使模型具有较高的识别精度和泛化能力；
步骤六：实时采集图像数据，输入模型中得到刀具磨损值，刀具磨损的监测值超过刀具磨损阈值时发出警告提醒换刀。
进一步地，步骤一中数字空间构建包括：
三维建模：在工业建模软件中，根据实际数控机床及检测设备建立虚拟空间内的三维模型，并在3D建模软件中优化模型；
场景搭建：将优化后的模型导入三维可视化软件中，进行场景搭建；
行为逻辑模型构建：完成场景搭建后，赋予虚拟空间的虚拟模型运动的具体行为和逻辑关系；根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，多数据驱动的数控机床进行铣削加工仿真，构建模型树结构之间的父子关系，完善机床数字空间搭建；
人机交互：在三维可视化软件中编写系统界面，实现刀具磨损状态的三维可视化监测。
进一步地，步骤二中所述建立物理空间与数字空间的连接包括：
在数控系统中注册OPC UA服务器；
物理空间与虚拟空间之间通过Socket接口建立TCP/IP的网络层通讯连接；
物理空间与虚拟空间的机床、检测装置建立通讯后，通过访问OPC UA服务器获取机床运行状态信息、工件铣削表面图像数据，数字空间接收来自物理空间的多元数据并存入MySQL数据库。
进一步地，静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据；其中，机床属性数据包括设备型号和系统型号，刀具属性数据包括刀具名称、刀具材料和刀具参数，工件属性数据包括工件名称、工件材料和工件尺寸，工艺属性数据包括装夹方式和加工参数；加工参数包括切削速度、进给速度和背吃刀量；动态信息是机床状态数据。
进一步地，根据深度相机获取场景点云，对场景点云进行去噪、分割处理得到目标点云，工件模型进行点云化处理得到源点云，对源点云与目标点云进行配准以得到工件在场景中的位姿；
从数控系统的NC程序中提取工件坐标系和铣削表面的位置与工件位姿相结合得到铣削表面在检测装置上位置。
进一步地，根据工件的模型、铣削表面的位置与相机的光学参数解出图像采集时的视点；
数字孪生系统控制三轴运动机构带动CCD相机采集工件铣削表面图像数据。
进一步地，构建一种SVM机器学习模型，对采集到的图像运用灰度共生矩阵去提取图像对比度与二次对角矩，把提取的这两个特征输入到SVM模型中，以预测刀具的磨损状态，构建刀具磨损数据集，对数据集按照3：1的比例随机划分每个磨损状态的训练集与测试机，分别对训练集与测试集进行特征提取和特征选择，确定特征向量集，并进行归一化处理后，利用网格搜索法查找范围内所有的点进行参数寻优，得到尽可能多的超参数组合，再通过交叉验证重复3次，找出使得数据集分类准确度最高的惩罚因子和核参数超参数组合，最后得到刀具监测模型。
进一步地，得到刀具的磨损值，根据阈值判断是否发出预警，以提醒换刀。
本发明与现有技术相比包含的有益效果是：
目前大多数的刀具磨损状态监测方法是对机床加工过程的信号采集与分析处理，这种方法不仅会对工件的加工产生干扰，而且很难全面的分析刀具磨损的情况。本发明通过建立铣削加工物理空间的虚拟空间，构造刀具检测的数字孪生系统，可以通过采集工件表面图像数据间接监测刀具磨损情况；将物理空间采集的传感器数据输入到虚拟空间的机器学习模型中，得到当前刀具磨损的检测值，并在三维可视化界面中显示。
相比于传统方法，数字孪生技术与机器学习模型算法相结合，充分发挥了数字孪生的虚实结合、交互的优势，并且机器学习模型能够进行预测分析。因此，本发明可以显著提升对铣削加工过程中刀具磨损状态分析的能力，有效提高刀具使用率、加工效率和加工质量。
本发明的目的是提供一种数字孪生驱动的刀具磨损监测方法,能够实时监测铣削加工的刀具磨损值,利用数字孪生技术对铣削加工过程中采集的图像数据进行分析得到刀具磨损状态,提高工件加工质量、机床加工效率以及刀具的利用率。
附图说明
图1是本发明的铣削加工的刀具磨损监测方法的流程图。
图2是本发明数字孪生虚拟空间的搭建流程图。
图3是本发明数字孪生系统物理空间与虚拟空间的通讯示意图。
图4是本发明检测设备的结构示意图。
图5是本发明工件位于产线时铣削表面图像采集流程图。
图6是本发明刀具监测机器学习模型的构建和刀具监测数据处理流程图。
具体实施方式
具体实施方式一：结合图4说明本实施方式，本实施方式所述一种数字孪生驱动的刀具磨损检测装置，它包括工件传送机构1、深度相机支架3、深度相机4、CCD相机5和末端转动机构6、X轴运动机构8、两个Y轴运动机构7和两个Z轴运动机构9；深度相机支架3安装在传送机构1架体上，深度相机4安装在工件传送机构1上方的深度相机支架3上，两个Z轴运动机构9对称安装在工件传送机构1两侧的架体上，每个Z轴运动机构9上滑动安装有一个Y轴运动机构7，两个Y轴运动机构7相对竖直设置，X轴运动机构8滑动安装在两个Y轴运动机构7上，CCD相机5通过末端转动机构6安装在X轴运动机构8上，工件2设置在工件传送机构1的传送带上。
深度相机4固定在深度相机支架3顶端，在工件传送机构1上投影的位置正好位于工件传送带的中心；三轴联动机构固定在工件传送机构1两边的滑动机构上，能够在传送带上实现XYZ的三轴移动；CCD相机5位于三轴联动机构末端的转动周末端；由数字孪生系统控制伺服电机带动所有装置的运动与旋转。
具体实施方式二：结合图1-图6说明本实施方式，本实施方式所述一种数字孪生驱动的刀具磨损监测方法，该方法包括以下步骤：
步骤一：构建数控机床铣削加工过程数字空间，进行实时的铣削加工仿真；
步骤二：建立物理空间与数字空间的连接，获取来自物理空间的多元数据；
步骤三：根据获取的数据确定工件铣削表面的位置，得到图像采集时的视点；
步骤四：数字孪生系统控制三轴运动机构带动CCD相机在视点处采集工件铣削表面图像；三轴运动机构为X轴运动机构8、Y轴运动机构7和Z轴运动机构9；
步骤五：构建基于SVM的刀具监测模型，建立数据集去训练测试模型，使模型具有较高的识别精度和泛化能力；
步骤六：实时采集图像数据，输入模型中得到刀具磨损值，刀具磨损的监测值超过刀具磨损阈值时发出警告提醒换刀。
具体实施方式三：结合图2说明本实施方式，本实施方式所述一种数字孪生驱动的刀具磨损监测方法，步骤一中数字空间构建包括：
三维建模：在工业建模软件中，根据实际数控机床及检测设备建立虚拟空间内的三维模型，并在3D建模软件中优化模型；根据设备厂家给的模型图纸与实地测量设备尺寸，在SolidWorks中按照1：1比例绘制三维模型并以STL格式文件保存；将画好的三维模型导入3Ds Max中进行渲染，并在该软件中对模型进行减面优化处理，最后将渲染后的模型以FBX的文件格式保存；
场景搭建：将优化后的模型导入三维可视化软件中，进行场景搭建；渲染后的模型导入Unity3D软件中，为模型设置与物理空间一样的材质，对于辅助设施、地板、围墙等一些细节呈现要求不高的模型，利用Unity3D中的贴图和GameObject组件进行创建，设计美观的UGUI交互界面，使用C#语言编写实现系统功能的程序脚本；
行为逻辑模型构建：完成场景搭建后，赋予虚拟空间的虚拟模型运动的具体行为和逻辑关系；根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，多数据驱动的数控机床进行铣削加工仿真，构建模型树结构之间的父子关系，完善机床数字空间搭建；应用SetParent函数建立相关模型的父子关系，例如三轴联动机构与相机的父子关系。虚拟模型的鱼洞包括移动和旋转两类，使用Translate函数和Rotate函数实现传动机构移动和主轴旋转，通过规定模型的移动限位、旋转速度调节等规则，进一步完善机床数字孪生空间的搭建；
人机交互：在三维可视化软件中编写系统界面，实现刀具磨损状态的三维可视化监测。在unity中开发软件界面输入用户的账号、密码进入系统主界面，移动鼠标点击按钮开启相应的功能。在场景漫游模式下，点击“W”、“A”、“S”、“D”键盘按钮控制窗口内画面的移动，鼠标滚轮控制窗口内画面的缩放，鼠标右键控制窗口内画面的旋转。在交互界面能够显示机床、刀具、工件的状态信息和铣削加工的预警信息。其它组成和连接方式与具体实施方式二相同。
具体实施方式四：结合图3说明本实施方式，本实施方式所述一种数字孪生驱动的刀具磨损监测方法，步骤二中所述建立物理空间与数字空间的连接包括：
在数控系统中注册OPC UA服务器；这是实现数据在应用层的传输的基础,也是实现远程访问应用程序的前提条件；OPC UA服务器将不同设备和系统的数据进行标准化，从而实现数据的互通和共享；OPC UA服务器作为数据通信的中介，可以将不同设备和系统的数据进行标准化，从而实现数据的互通和共享，这种标准化的数据格式和协议可以保证数据传输的可靠性和安全性，并且可以降低系统集成和维护的难度；
物理空间与虚拟空间之间通过Socket接口建立TCP/IP的网络层通讯连接；利用API建立CNC内核和应用程序之间的连接访问,API是由众多COM对象组成,这些对象可以导出与CNC内核通信的函数,CNC的所有变量都可以基于OPCUA传输协议通过API连接到任何接口而进行访问；
刀具检测装置通过编写上位机界面建立于服务器的TCP/IP通讯，实现对运动装置的控制与运动数据采集；
物理空间与虚拟空间的机床、检测装置建立通讯后，通过访问OPC UA服务器获取机床运行状态信息、工件铣削表面图像数据，数字空间接收来自物理空间的多元数据并存入MySQL数据库。其它组成和连接方式与具体实施方式二相同。
具体实施方式五：结合图5-图6说明本实施方式，本实施方式所述一种数字孪生驱动的刀具磨损监测方法，静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据；其中，机床属性数据包括设备型号和系统型号，刀具属性数据包括刀具名称、刀具材料和刀具参数，工件属性数据包括工件名称、工件材料和工件尺寸，工艺属性数据包括装夹方式和加工参数；加工参数包括切削速度、进给速度和背吃刀量；
动态信息是机床状态数据。其它组成和连接方式与具体实施方式二相同。
具体实施方式六：结合图5说明本实施方式，本实施方式一种数字孪生驱动的刀具磨损监测方法，根据深度相机获取场景点云，对场景点云进行去噪、分割处理得到目标点云，工件模型进行点云化处理得到源点云，对源点云与目标点云进行配准以得到工件在场景中的位姿；
从数控系统的NC程序中提取工件坐标系和铣削表面的位置与工件位姿相结合得到铣削表面在检测装置上位置。
从NC程序中提取最后铣削表面的位置，然后，根据深度相机对传送带上的工件进行位姿估计，得到视点，三轴联动机构带动CCD相机到达指定位置进行图像采集。
数字孪生系统通过与数控系统的通讯，从NC程序中提取加工过程中的工件坐标系、完成加工时的铣削表面位置与工件加工后的模型；
使用深度相机得到物理场景下的三维点云，接着使用直通滤波器进行感兴趣区域的提取，然后使用统计滤波器剔除掉提取区域中的离群点；
滤波后的场景点云是待位姿估计物体所在的区域，该区域点云仍包含背景聚类、物体聚类和大块噪声聚类等，应用RANSAC聚类与欧式聚类相结合的分割算法首先估计场景点云中存在的平面背景并加以剔除，接着在剩余的点中以欧式距离为标准设置阈值进行聚类，得到的聚类点即为目标物体点云；
将工件模型进行点云化处理得到源点云，应用法线夹角约束与领域个数约束对场景目标点云与物体模板点云进行关键点提取，在提取的关键点上再构建特征描述并进行随机采样一致性的粗配准，使用法线一致性特性来筛选对应点进一步进行静配准，从而能够迭代计算出目标物体位姿的精确结果；
将目标位姿估计结果与工件坐标系、工件铣削表面位置相结合从而得出铣削表面位置在工件传送带上的精确位置；然后，根据铣削位置处模型的平均法向量与CCD相机的光学参数，确定采集图像的视点；
Z轴运动机构与PLC采集的工件传送带的运动速度保持一致，X轴运动机构到达位姿估计的工件铣削表面相对于工件传送带的X轴的位置，根据铣削表面的法向量与CCD相机景深等光学参数确定Y轴与末端转动机构的角度，控制相机采集时的位置与姿态，完成对铣削表面图像的数据采集。其它组成和连接方式与具体实施方式五相同。
具体实施方式七：结合图6说明本实施方式，本实施方式一种数字孪生驱动的刀具磨损监测方法，根据工件的模型、铣削表面的位置与相机的光学参数解出图像采集时的视点；
数字孪生系统控制三轴运动机构带动CCD相机采集工件铣削表面图像数据。其它组成和连接方式与具体实施方式二相同。
具体实施方式八：结合图6说明本实施方式，本实施方式一种数字孪生驱动的刀具磨损监测方法，构建一种SVM机器学习模型，对采集到的图像运用灰度共生矩阵去提取图像对比度与二次对角矩，把提取的这两个特征输入到SVM模型中，以预测刀具的磨损状态，构建刀具磨损数据集，对数据集按照3：1的比例随机划分每个磨损状态的训练集与测试机，分别对训练集与测试集进行特征提取和特征选择，确定特征向量集，并进行归一化处理后，利用网格搜索法查找范围内所有的点进行参数寻优，得到尽可能多的超参数组合，再通过交叉验证重复3次，找出使得数据集分类准确度最高的惩罚因子和核参数超参数组合，最后得到刀具监测模型。将CCD相机采集的图像提取特征，将提取的特征输入建立的SVM机器学习模型中进行刀具磨损监测，通过CCD相机采集球头铣刀、平底立铣刀和端铣刀加工过程中每次走刀的工件铣削表面的图像，同时利用显微镜测量并记录每次走到后铣刀的后刀面磨损连建立数据集，作为训练与测试；根据加工铣削过程加工过程的实际情况确定每次走刀的刀具平均磨损量与磨损状态。
将来自检测装置采集的数据输入模型进行刀具磨损状态的识别，根据模型的输出值，完成对刀具磨损的监测、可视化以及报警处理。其中，刀具磨损值会实时上传至MySQL数据库，并通过SQL语句与Unity3D搭建的数字孪生空间进行对接，同时物理空间在虚拟空间中实时映射，共同实现刀具磨损监测的可视化映射。
综上所述,本发明提供了一种在数字孪生驱动的刀具监测方法和检测装置,能够基于历史与实时加工数据在线管控刀具状态，并及时传递换刀预警信息,提高刀具使用率以及机床加工效率,实现了对刀具磨损状态的三维可视化监控。其组成和连接方式与具体实施方式二相同。
具体实施方式九：结合图1和图3说明本实施方式，本实施方式一种数字孪生驱动的刀具磨损监测方法，得到刀具的磨损值，根据阈值判断是否发出预警，以提醒换刀。其它组成和连接方式与具体实施方式二相同。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (9)
1.一种数字孪生驱动的刀具磨损检测装置，其特征在于：它包括工件传送机构(1)、深度相机支架(3)、深度相机(4)、CCD相机(5)和末端转动机构(6)、X轴运动机构(8)、两个Y轴运动机构(7)和两个Z轴运动机构(9)；深度相机支架(3)安装在传送机构(1)架体上，深度相机(4)安装在工件传送机构(1)上方的深度相机支架(3)上，两个Z轴运动机构(9)对称安装在工件传送机构(1)两侧的架体上，每个Z轴运动机构(9)上滑动安装有一个Y轴运动机构(7)，两个Y轴运动机构(7)相对竖直设置，X轴运动机构(8)滑动安装在两个Y轴运动机构(7)上，CCD相机(5)通过末端转动机构(6)安装在X轴运动机构(8)上，工件(2)设置在工件传送机构(1)的传送带上。
2.一种数字孪生驱动的刀具磨损监测方法，其特征在于：该方法包括以下步骤：
步骤一：构建数控机床铣削加工过程数字空间，进行实时的铣削加工仿真；
步骤二：建立物理空间与数字空间的连接，获取来自物理空间的多元数据，多元数据包括物理空间的静态信息和动态信息；
步骤三：根据获取的数据确定工件铣削表面的位置，得到图像采集时的视点；
步骤四：数字孪生系统控制三轴运动机构带动CCD相机在视点处采集工件铣削表面图像；
步骤五：构建基于SVM的刀具监测模型，建立数据集去训练测试模型，使模型具有较高的识别精度和泛化能力；
步骤六：实时采集图像数据，输入模型中得到刀具磨损值，刀具磨损的监测值超过刀具磨损阈值时发出警告提醒换刀。
3.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：步骤一中数字空间构建包括：
三维建模：在工业建模软件中，根据实际数控机床及检测设备建立虚拟空间内的三维模型，并在3D建模软件中优化模型；
场景搭建：将优化后的模型导入三维可视化软件中，进行场景搭建；
行为逻辑模型构建：完成场景搭建后，赋予虚拟空间的虚拟模型运动的具体行为和逻辑关系；根据外部传感器以及机床通讯协议实时采集的数据、关联模型绑定的变量和所预设的行为动作，多数据驱动的数控机床进行铣削加工仿真，构建模型树结构之间的父子关系，完善机床数字空间搭建；
人机交互：在三维可视化软件中编写系统界面，实现刀具磨损状态的三维可视化监测。
4.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：步骤二中所述建立物理空间与数字空间的连接包括：
在数控系统中注册OPC UA服务器；
物理空间与虚拟空间之间通过Socket接口建立TCP/IP的网络层通讯连接
物理空间与虚拟空间的机床、检测装置建立通讯后，通过访问OPC UA服务器获取机床运行状态信息、工件铣削表面图像数据，数字空间接收来自物理空间的多元数据并存入MySQL数据库。
5.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：静态信息包括机床属性数据、刀具属性数据、工件属性数据和工艺属性数据；其中，机床属性数据包括设备型号和系统型号，刀具属性数据包括刀具名称、刀具材料和刀具参数，工件属性数据包括工件名称、工件材料和工件尺寸，工艺属性数据包括装夹方式和加工参数；加工参数包括切削速度、进给速度和背吃刀量；动态信息是机床状态数据。
6.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：根据深度相机获取场景点云，对场景点云进行去噪、分割处理得到目标点云，工件模型进行点云化处理得到源点云，对源点云与目标点云进行配准以得到工件在场景中的位姿；
从数控系统的NC程序中提取工件坐标系和铣削表面的位置与工件位姿相结合得到铣削表面在检测装置上位置。
7.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：根据工件的模型、铣削表面的位置与相机的光学参数解出图像采集时的视点；
数字孪生系统控制三轴运动机构带动CCD相机采集工件铣削表面图像数据。
8.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：构建一种SVM机器学习模型，对采集到的图像运用灰度共生矩阵去提取图像对比度与二次对角矩，把提取的这两个特征输入到SVM模型中，以预测刀具的磨损状态，构建刀具磨损数据集，对数据集按照3：1的比例随机划分每个磨损状态的训练集与测试机，分别对训练集与测试集进行特征提取和特征选择，确定特征向量集，并进行归一化处理后，利用网格搜索法查找范围内所有的点进行参数寻优，得到尽可能多的超参数组合，再通过交叉验证重复3次，找出使得数据集分类准确度最高的惩罚因子和核参数超参数组合，最后得到刀具监测模型。
9.根据权利要求2所述一种数字孪生驱动的刀具磨损监测方法，其特征在于：得到刀具的磨损值，根据阈值判断是否发出预警，以提醒换刀。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388889.0A CN117400062A (zh) | 2023-10-24 | 2023-10-24 | 基于数字孪生驱动的刀具磨损监测方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388889.0A CN117400062A (zh) | 2023-10-24 | 2023-10-24 | 基于数字孪生驱动的刀具磨损监测方法及检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117400062A true CN117400062A (zh) | 2024-01-16 |
Family
ID=89493948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311388889.0A Pending CN117400062A (zh) | 2023-10-24 | 2023-10-24 | 基于数字孪生驱动的刀具磨损监测方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117400062A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153346A (zh) * | 2024-05-09 | 2024-06-07 | 长春理工大学 | 一种基于虚实交互的机床数字孪生系统及其开发方法 |
-
2023
- 2023-10-24 CN CN202311388889.0A patent/CN117400062A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153346A (zh) * | 2024-05-09 | 2024-06-07 | 长春理工大学 | 一种基于虚实交互的机床数字孪生系统及其开发方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chengyang et al. | Spindle thermal error prediction approach based on thermal infrared images: A deep learning method | |
| CN111159793B (zh) | 基于数字孪生五维模型3d打印机建模方法及模型系统 | |
| CN103192397B (zh) | 视觉机器人离线编程方法和系统 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| Zhu et al. | A cyber-physical production system framework of smart CNC machining monitoring system | |
| CN117400062A (zh) | 基于数字孪生驱动的刀具磨损监测方法及检测装置 | |
| CN115509178B (zh) | 数字孪生驱动的刀具磨损监测方法及数控机床设备 | |
| CN110889091A (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
| CN112038254A (zh) | 基于机器视觉技术的晶圆自动检测与标记装置及设计方法 | |
| Li et al. | An online visual measurement method for workpiece dimension based on deep learning | |
| CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
| CN113110355A (zh) | 一种数字孪生驱动的工件加工能耗预测及优化方法 | |
| Salem et al. | Assessment of methods for industrial indoor object recognition | |
| CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的系统及方法 | |
| Li et al. | Roughness prediction model of milling noise-vibration-surface texture multi-dimensional feature fusion for N6 nickel metal | |
| CN113554621A (zh) | 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 | |
| Peng et al. | Three-dimensional reconstruction of wear particles by multi-view contour fitting and dense point-cloud interpolation | |
| CN117572771A (zh) | 数字孪生的系统参数控制方法及系统 | |
| CN110597065B (zh) | 一种用于送粉式激光增材自适应控制系统 | |
| Guo et al. | Art product design and vr user experience based on iot technology and visualization system | |
| Chen et al. | Research and implementation of robot path planning based on computer image recognition technology | |
| CN109556533B (zh) | 一种针对多线结构光条纹图像的自动提取方法 | |
| Wu et al. | Tool wear assessment and life prediction model based on image processing and deep learning | |
| CN116383997B (zh) | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 | |
| CN116399871B (zh) | 一种基于机器视觉的汽车零部件装配检测系统及方法 |
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 |