一种数控机床刀具磨损状态实时监测方法技术

本发明专利技术公开了一种数控机床刀具磨损状态实时监测方法，其包括：实时采集加工过程中刀具的振动信号，根据统计学方法计算振动信号的若干个初始特征，评估初始特征之间的相关性，对初始特征进行融合得到对刀具磨损过程更为敏感的融合特征，基于融合特征改进了表格式累计和控制图法等步骤。在机械领域，及时掌握刀具磨损状态，避免刀具过度磨损对保证加工精度、提升加工效率具有重要意义，本发明专利技术方法可及时捕捉刀具磨损状态的转变点，以转变点为边界可以把刀具磨损分为不同时期。在实际应用中，本发明专利技术的监测结果仅与加工过程产生的振动信号有关，而与机床结构、工件、刀具等因素无关，因此本发明专利技术具有广泛的适用性。

【技术实现步骤摘要】
一种数控机床刀具磨损状态实时监测方法
本专利技术涉及数控机床刀具状态监测
，特别涉及一种机数控机床刀具磨损状态实时监测方法。
技术介绍
在机械领域，刀具的磨损状态是影响制造系统可靠性和稳定性的关键因素之一，刀具的过度磨损会严重影响加工精度、甚至造成加工事故，有研究表明：制造系统20％的停机时间是由刀具引起的。因此监测刀具的磨损状态、及时掌握刀具的服役性能对于保证加工精度、提升加工效率具有重要意义。目前在实际生产中，刀具的磨损状态及换刀刃磨的时机都是由工人凭借经验判断，这具有较大的主观性和不确定性，因此需要一种刀具磨损状态自动监测方法来代替人工判断。刀具磨损状态监测的方法主要有两类：一类直接测量刀具的磨损量，称为直接法，这种方法实施难度大并且难以实现实时在线测量；另一类称为间接法，通过分析加工过程中产生的信号，判断刀具的磨损状态。显然后者更便于在大批量生产中实现刀具磨损状态实时监测。通过理论建模的方法反映刀具的磨损状态往往要综合考虑机床结构、工件材料、刀具材料及几何形状等因素对模型的影响，在不同的工况下，需要对模型进行调整，因此这类方法不适用于实时监测且不具有广泛适用性。
技术实现思路
有鉴于此，本专利技术的目的是提供一种数控机床刀具磨损状态实时监测方法，以解决在线监测刀具磨损状态的技术问题，并解决现有的通过理论建模的方法反映刀具的磨损状态不具有广泛实用性的技术问题。本专利技术数控机床刀具磨损状态实时监测方法，其包括以下步骤：步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元；步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f；步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征；步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三；步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F；步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值；步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态；步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断；步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ＜0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ＞0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。进一步，在步骤二中，根据统计学方法计算的初始特征包括：时域、频域统计特征及熵特征。进一步，在步骤四中，采用灰色关联分析法评估目标特征与因子特征的相关性，其计算方法如下：其中，ft(k)表示目标特征，fi(k)表示第i个因子特征，fi(k)≠ft(k)，i＝1,2,…,N；k为数据单元的索引，K表示当前输入的第K个数据单元；γi(k)表示目标特征与第i个因子特征的灰色相关系数序列；ρ表示分辨系数；ξi表示目标特征与第i个因子特征的灰色关联度，其值越大表示相关性越强；ω表示权重系数。进一步，在步骤五中，判断步骤三和步骤四循环终止的步骤为：先找到每一组特征组合中目标特征与因子特征相关性的最大值，即灰色关联度的最大值，记为ξmax；然后再计算所有组ξmax的平均值，记为的初始值为0；判断的值是否大于上一循环，若是，则循环继续；若否，则循环终止。进一步，在步骤六中，累计和及界限值的计算方法如下：Hj＝5σj其中，Fj(k)表示第j个融合特征，j＝1,2,…,P；表示Fj(k)的上单侧累计和，表示Fj(k)的下单侧累计和，初始值k表示元素索引；μj表示Fj(k)的均值；dj表示Fj(k)的允偏量，dj＝σj/2，σj为Fj(k)的标准差；Hj表示Fj(k)的界限值。进一步，在步骤七中，判断融合特征的累计和是否超过界限值即：判断是否成立。本专利技术的有益效果：在机械领域，及时掌握刀具磨损状态，避免刀具过度磨损对保证加工精度、提升加工效率具有重要意义。本专利技术数控机床刀具磨损状态实时监测方法，通过实时采集加工过程中刀具的振动信号，根据统计学方法计算振动信号的若干个初始特征，评估初始特征之间的相关性，对初始特征进行融合得到对刀具磨损过程更为敏感的融合特征，基于融合特征改进了表格式累计和控制图法等步骤，可及时捕捉刀具磨损状态的转变点，以转变点为边界可以把刀具磨损分为不同时期。本专利技术监测刀具磨损状态的过程是自适应的，不需要人为因素的干预，监测结果具有客观性。本专利技术可实时在线监测刀具的磨损状态，监测结果具有及时性。本专利技术刀具监测结果仅与加工过程中产生的振动信号有关，而与机床结构、工件、刀具等因素无关，因此本专利技术具有广泛的适用性。附图说明图1为刀具磨损状态检测流程；图2为滚齿加工示意图；图3为融合特征；图4为滚刀磨损状态判断图示化过程。具体实施方式下面结合附图和具体实施例，进一步阐释本专利技术。本实施例中数控机床刀具磨损状态实时监测方法，其包括以下步骤：步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元。步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f。这些初始特征包括：时域、频域统计特征及熵特征。在应用本数控机床刀具磨损状态实时监测方法时，初始特征的数量不固定，但其数量越多对监测结果越有利。步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征。步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三。本步骤中采用灰色关联分析法评估目标特征与因子特征的相关性，其计算方法如下：其中，ft(k)表示目标本文档来自技高网...

【技术保护点】
1.一种数控机床刀具磨损状态实时监测方法，其特征在于：包括以下步骤：/n步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元；/n步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f；/n步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征；/n步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三；/n步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F；/n步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值；/n步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态；/n步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断；/n步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ＜0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ＞0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。/n...

【技术特征摘要】
1.一种数控机床刀具磨损状态实时监测方法，其特征在于：包括以下步骤：
步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元；
步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f；
步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征；
步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三；
步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F；
步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值；
步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态；
步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断；
步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ＜0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ＞0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。


2.根据权利要求1所述的数控机床刀具磨损状态...

【专利技术属性】
技术研发人员：李国龙，贾亚超，董鑫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50