CN218776234U - 一种可用于钻铣加工的刀具状态的监测装置 - Google Patents
一种可用于钻铣加工的刀具状态的监测装置 Download PDFInfo
- Publication number
- CN218776234U CN218776234U CN202222428670.6U CN202222428670U CN218776234U CN 218776234 U CN218776234 U CN 218776234U CN 202222428670 U CN202222428670 U CN 202222428670U CN 218776234 U CN218776234 U CN 218776234U
- Authority
- CN
- China
- Prior art keywords
- cutter
- workpiece
- machining
- tool
- state
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本实用新型提供了一种可用于钻铣加工的刀具状态的监测装置,涉及刀具状态监测的技术领域。该加工方法首先在离线模式下利用试验和BP神经网络训练建立特征‑刀具状态分类模型,后利用在加工工位上安装力传感器、温度传感器、声发射传感器、加速度传感器采集刀具原始加工信号为实时对加工刀具状态实施监测,建立多维特征‑刀具状态辨识体系建立了硬件基础。
Description
技术领域
本实用新型涉及刀具加工状态监测技术领域,具体涉及一种可用于钻铣加工的刀具状态监测方法与装置。
背景技术
在现有的钻铣数控加工制造企业生产链中,由于机床自动加工,企业加工中工人均采用“计件换刀”的加工模式,但由于刀具状态本身的不稳定,这样会带来两方面的问题,一方面,刀具更换不及时即刀具磨损严重时工人仍不知情,导致产品品质下降,产品不良率提高;另一方面,工人要不断停机查看刀具状态或提前更换刀具,导致刀具有效寿命降低,加工效率低下。据相关数据统计,由于刀具原因造成机床停机的事故比例达到20%以上,这给企业加工造成很大影响。目前的刀具状态监测主要分为直接监测和间接监测,直接监测通常为离线视觉监测,通过视觉处理的方式进行刀具磨损状态的判定,这并不能解决实际数控加工中的加工效率问题。间接监测则通常是通过加工过程中产生的力、声发射等信号进行在线的刀具磨损状态的实时监测,同时,间接监测可以采集多个物理量以提高监测模型的准确性。因此,间接监测目前被广泛地应用在刀具磨损监测。目前通常采用的刀具监测手段通常是以单个或两个以上的物理量为监测信号,且算法也不能够很好适配,这样导致刀具状态监测的准确性不高,进一步加重了企业的效率和成本问题。
实用新型内容
基于此,本实用新型提供了一种可用于钻铣加工的刀具状态监测装置,包括:声发射传感器、机床工作台、工件夹具、工件、机床主轴、旋转测力仪、加工刀具、万向磁吸夹具、加速度传感器、红外测温仪、数据线、信号采集器和信号处理模块;
所述工件夹具设置在机床工作台的上表面,所述工件被夹持固定在工件夹具上;声发射传感器设置在工件夹具的侧面,机床主轴设置在工件的上方,并与加工刀具连动连接;所述加工刀具沿着垂直工件的方向向下延伸;所述旋转测力仪设置在加工刀具上;所述加速度传感器设置在工件夹具上,红外测温仪通过万向磁吸夹具与机床主轴的侧面连接;所述加速度传感器、红外测温仪、旋转测力仪和声发射传感器的输出端分别通过数据线连接至信号采集器的输入端;所述信号采集器的输出端连接至信号处理模块。
本技术方案与现有背景技术相比,本实用新型的有益效果如下:
本实用新型公开一种可用于钻铣加工的刀具状态的监测装置,为监测方法提供了硬件基础。该监测方法首先以四个信号物理量:力、声发射、加速度、温度结合作为刀具状态监测信号对象,在离线模式下通过无监督的基于特征值分解协方差矩阵的PCA主成分分析方法和BP神经网络学习算法搭建刀具磨损状态分类模型,在后续的实时加工中采集刀具的四种原始信号输入信号处理模块即可输出刀具磨损状态比例,并为用户提供报警信号。根据本实用新型的方法可以有效提高钻铣数控加工刀具磨损状态识别和判断准确率,有效提高钻铣数控加工的加工效率,降低机床设备停机率,有效降低企业钻铣数控加工时的刀具使用成本,解决钻铣数控加工中存在的刀具状态监测难题。
附图说明
图1为装置搭建完成后的立体构件示意图;
图2为基于特征值分解协方差矩阵的加权PCA主成分分析方法原理图;
图3为信号提取特征类型示意图;
图4为BP神经网络训练模型结构图;
图5为企业钻铣加工中的刀具监测方法流程示意图。
附图标记说明:声发射传感器1,机床工作台2,工件夹具3,工件4,机床主轴5,旋转测力仪6,加工刀具7,万向磁吸夹具8,加速度传感器9,红外测温仪10,数据线11,信号采集器12,信号处理模块13。
具体实施方式
下面将结合本实用新型实施例中的附图,对本实用新型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实用新型一部分实施例,而不是全部的实施例,基于本实用新型中的实施例,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,都属于本实用新型保护的范围。
在本实用新型的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本实用新型和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本实用新型的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本实用新型的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,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,可以是直接相连,也可以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实用新型中的具体含义。
请参考图1至图5,为本实用新型一实施方式的一种可用于钻铣加工的刀具状态监测方法与装置。其装置包括:声发射传感器1,机床工作台2,工件夹具3,工件4,机床主轴5,旋转测力仪6,加工刀具7,万向磁吸夹具8,加速度传感器9,红外测温仪10,数据线11,信号采集器12,信号处理模块13。
所述工件夹具3设置在机床工作台2的上表面,所述工件4被夹持固定在工件夹具3上;声发射传感器1设置在工件夹具3的侧面,机床主轴5设置在工件4的上方,并与加工刀具7连动连接;所述加工刀具7沿着垂直工件4的方向向下延伸;所述旋转测力仪6设置在加工刀具7上;所述加速度传感器9和红外测温仪10通过万向磁吸夹具8与机床主轴5的侧面连接;所述加速度传感器9、红外测温仪10、旋转测力仪6和声发射传感器1的输出端分别通过数据线11连接至信号采集器12的输入端;所述信号采集器12的输出端连接至信号处理模块13。
首先需要针对监测刀具完成离线建模过程,建立刀具状态的BP算法分类模型。离线建模步骤如下:
(1)在机床主轴5上装夹上旋转测力仪6和红外测温仪10,再在工件夹具装夹上声发射传感器1和加速度传感器9,各测力仪和传感器通过数据线11连接到信号采集器12中,再通过数据线将各传感器采集数据导入信号处理模块13。
(2)实际加工采集刀具原始状态数据和利用扫描电子显微镜观察刀具磨损图像后,将传感器采集数据导入信号处理模块13,首先进行信号滤波处理去除噪声和冗余后,采用时域分析、频域分析和时频域分析进行信号特征提取。
(3)提取完后,采用无监督主成分分析法进行信号特征的融合处理,特征处理完成后,将刀具磨损图像和样本特征数据导入BP神经网络算法模型中进行刀具磨损状态识别分类训练,进行多轮后完成分类模型,将信号处理模块封装保存,完成离线建模。
请参阅图5,本实施例所述方法在完成离线建模后,实际加工中采集的刀具原始信号可以直接导入信号处理模块13,直接输出刀具磨损状态比例,并在刀具磨损比例达到设定比例是可以给用户提供报警信号。
请参阅图1,本实施例中所述方法通过各传感器采集的刀具原始信号包括四种:①三个方向上的切削力:x、y、z方向②声发射信号③加工温度信号④加速度信号。
请参阅图3,本实施例中所述方法信号处理中的提取特征包括:
(1)力信号:峰峰值、平均幅值、方差、重心频率、小波分解能量占比
(2)温度信号:峰峰值、最大温升、方差
(3)加速度信号:峰峰值、标准差、峭度因子、峰值因子、脉冲因子、波形因子、裕度因子
(4)声发射信号:频率、幅值、平均值、小波包能量占比系数
请参阅图1,本实施例中所述调节夹具(8)为万向磁力台架,可以实现红外测温仪在任意点的温度监测。
请参阅图2,本实施例中所述方法信号处理的特征融合方法为基于特征值分解协方差矩阵的加权PCA主成分分析方法。
请参阅图2,本实施例中所述主成分分析方法原理如下:
(1)对采集的高维特征进行归一化处理
(2)对处理后的特征数据采取和函数进行权值计算,即将单个样本特征数据总和除以整体样本特征数据总和得到权值向量,即可在后续的运算中进行加权运算
(3)将赋权后的数据进行去均值处理
(4)将均值化后的数据进行协方差矩阵求解,再根据贡献率选取特征值构成低维特征
请参阅图4,本实施例中所述方法信号处理中的模型训练算法为BP神经网络算法,该算法分为输入层、隐层和输出层。其流程为:
(1)特征数据归一化处理
(2)网络初始化参数设定
(3)输入样本特征数据,计算各层的输入与输出,并最终计算输出层误差
(4)根据误差修正各层权值和阈值并进行后续的迭代运算直至最终完成学习训练
请参阅图5,本实施例中所述方法包括以下步骤:
(1):装载加工刀柄7和各信号采集传感器,用数据线11连接传感器与信号采集器12、信号采集器12和信号处理模块13;
(2):将工件4固定在工作台2上进行钻削/铣削加工
(3):进行离线建模
(4):开启各传感器采集刀具加工原始信号,各信号导入信号处理模块(13)后实时输出刀具磨损状态比例
以上所述,仅为本实用新型较佳的具体实施方式;但本实用新型的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本实用新型揭露的技术范围内,根据本实用新型的技术方案及其改进构思加以等同替换或改变,都应涵盖在本实用新型的保护范围内。
Claims (1)
1.一种可用于钻铣加工的刀具状态的监测装置,其特征在于包括:声发射传感器、机床工作台、工件夹具、工件、机床主轴、旋转测力仪、加工刀具、万向磁吸夹具、加速度传感器、红外测温仪、数据线、信号采集器和信号处理模块;
所述工件夹具设置在机床工作台的上表面,所述工件被夹持固定在工件夹具上;声发射传感器设置在工件夹具的侧面,机床主轴设置在工件的上方,并与加工刀具连动连接;所述加工刀具沿着垂直工件的方向向下延伸;所述旋转测力仪设置在加工刀具上;所述加速度传感器设置在工件夹具上,红外测温仪通过万向磁吸夹具与机床主轴的侧面连接;所述加速度传感器、红外测温仪、旋转测力仪和声发射传感器的输出端分别通过数据线连接至信号采集器的输入端;所述信号采集器的输出端连接至信号处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202222428670.6U CN218776234U (zh) | 2022-09-14 | 2022-09-14 | 一种可用于钻铣加工的刀具状态的监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202222428670.6U CN218776234U (zh) | 2022-09-14 | 2022-09-14 | 一种可用于钻铣加工的刀具状态的监测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN218776234U true CN218776234U (zh) | 2023-03-31 |
Family
ID=85713764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202222428670.6U Active CN218776234U (zh) | 2022-09-14 | 2022-09-14 | 一种可用于钻铣加工的刀具状态的监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN218776234U (zh) |
-
2022
- 2022-09-14 CN CN202222428670.6U patent/CN218776234U/zh active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
CN106181579B (zh) | 一种基于多传感器电流信号的刀具磨损监测方法 | |
CN110647943B (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
CN111761409A (zh) | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 | |
CN102929210A (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
CN115202287B (zh) | 一种数控机床运行作业在线智能监测诊断分析系统 | |
CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
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 | |
CN106514434A (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
CN103345198A (zh) | 基于特征的数控加工监测触发检测的方法 | |
CN114473870B (zh) | 磨床监测系统及监测方法 | |
CN115351600A (zh) | 一种可用于钻铣加工的刀具状态的监测方法和装置 | |
Pandiyan et al. | In-process endpoint detection of weld seam removal in robotic abrasive belt grinding process | |
CN112077667B (zh) | 一种自动换刀装置运行状态检测方法 | |
CN113894617A (zh) | 一种基于机床振动信号的刀具状态监测系统及方法 | |
CN116787225A (zh) | 一种基于声振信号特征融合图的旋转刀具磨损监测方法 | |
Khairnar et al. | Supervision of carbide tool condition by training of vibration-based statistical model using boosted trees ensemble | |
CN218776234U (zh) | 一种可用于钻铣加工的刀具状态的监测装置 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN113927370A (zh) | 一种基于多源信号的产线用刀具剩余寿命实时云监测系统及方法 | |
CN113600896A (zh) | 一种数控机床铣刀磨损状态信号监测方法 | |
CN111487924B (zh) | 一种基于生产线多源异构数据的刀具破损分析方法 | |
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 |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |