【技术实现步骤摘要】
机理
‑
数据融合驱动的变工况刀具磨损状态监测方法
[0001]本专利技术属于数控切削加工领域,涉及一种机理
‑
数据融合驱动的变工况刀具磨损状态监测方法。
技术介绍
[0002]目前,数控机床切削加工过程中,刀具磨损失效状态判断及刀具更换主要依赖工人的经验,这种换刀策略阻碍了无人生产线的发展。刀具磨损退化过程中,更换不及时则会导致零件尺寸超差,甚至零件废品,成本增加;频繁更换刀具会导致停机时间过长而影响生产效率,刀具寿命不能充分利用,增加生产成本。随着无人值守智能生产线的不断发展,基于状态监测刀具自动更换策略成为迫切的现实需求。刀具磨损状态智能监测,实际上是将多传感器高维信号特征提取与降维后的低维数据与刀具磨损值之间建立一种非线性的数学映射模型,进而将新的特征数据输入该人工智能模型,输出刀具磨损值及剩余使用寿命,实现刀具磨损状态的在线感知。刀具磨损后,后刀面的切削刃由原来的线接触变成面接触导致摩擦力增大。尽管铣削物理信号中包含大量刀具磨损信息,但同样也包含与刀具磨损无关的大量干扰信息。在实际加工过程中,切削参数、刀具参数、刀具材料等工况因素复杂多变,工况信息和刀具磨损对监测信号的耦合作用为刀具磨损的精确预测带来了很大干扰,很难从中提取有效反映刀具磨损的信息。
[0003]现有技术中,基于机理模型方法主要是依据失效机理构建描述刀具退化过程的数学模型,刀具磨损机理模型主要是结合铣削力、铣削参数等建立经验公式。虽然机理模型解释性比较强,但机理模型通常存在普适性差,切削条件过于理想化 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种机理模型与加工数据融合的刀具磨损状态监测方法,其特征在于,包括如下步骤:步骤1)同步采集主轴振动信号、电流信号和NC指令数据,NC指令数据包括刀具名称和铣削参数;步骤2)以刀具名称、铣削参数作为标签,分别为刀具不同铣削时刻的主轴振动信号和电流信号贴上刀具名称标签;步骤3)获取主轴加速度和主轴电机电流信号,基于主轴加速度和主轴电机电流信号重构铣削力,进一步计算得到铣削力系数;步骤4)基于铣削力系数,通过深度学习建立回归模型,基于回归模型进行刀具磨损状态辨识和剩余使用寿命预测;步骤5)通过生产现场获取不同加工模式下刀具失效的磨损阈值,建立刀具磨损阈值数据库;步骤6)当刀具磨损状态监测值或刀具剩余使用寿命达到系统设定阈值时,机床发出预警信号,提醒操作工人查看报警信息。2.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法,其特征在于,NC指令数据还包括主轴转速、进给速度、X/Y/Z轴坐标和刀具齿数。3.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法,其特征在于,通过开放数控系统,结合OPC UA协议提取对应变量即可得到如切削参数、刀具名称、主轴功率等数据。4.根据权利要求1所述的机理模型与加工数据融合的刀具磨损状态监测方法,其特征在于,铣削力重构包括振动信号重构铣削力和电机电流信号重构铣削力;基于主轴加速度的振动信号重构铣削力,具体操作为:数控机床铣削加工过程的动力学方程为:通过频域变换,得到:(
‑
ω2M+jωC+K)
·
X(ω)=F(ω)
ꢀꢀꢀꢀ
(2)通过变换后,铣削力为:F(ω)=H
‑1(ω)
·
X(ω)
ꢀꢀꢀꢀ
(3)其中,X(t)=[x(t),y(t)]表示刀尖点位移向量,F(t)=[F
x
(t),F
y
(t)]表示铣削力向量,系数M,C,K分别为模态质量、模态阻尼与模态刚度矩阵;机床频响函数矩阵(
‑
ω2M+jωC+K),用H(ω)表示,通过机床锤击实验测量得到;X(ω)为频域加速度时,H(ω)为加速度频响函数矩阵,F(ω)为刀尖所受频域铣削力;主轴电机电流信号重构铣削力的具体操作为:作用在刀具上的切向铣削力与主轴电机电流的关系通过下式计算得到:当主轴稳定旋转时,角加速度为零,变换后得到切向铣削力与主轴电机电流之间的关系:
K
t
·
I
rms
=T
f
+F
t
·
R
ꢀꢀꢀꢀ
(5)ΔI=F
t
·
R/K
t
ꢀꢀꢀꢀ
(6)F
t
=[K
t
·
(I
rms
‑
I
rms0
)]/R=K
t
·
ΔI/R
ꢀꢀꢀꢀ
(7)F
t
(φ)=[K
tc
h(φ)+K
te
]a
p
ꢀꢀꢀꢀ
(8)F
t
(φ)=[K
tc
·
f
t
·
sin(φ)+K
te
]a
p
其中,I
rms
表示主轴电机电流有效值,三相电流通过电流传感器测量获得;K
t
表示通过实验标定获得的电机扭矩常数,;I
技术研发人员:张俊,白乐乐,潘天航,李超,唐宇阳,赵万华,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。