机理-数据融合驱动的变工况刀具磨损状态监测方法技术

本发明专利技术公开了机理

【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，无法应用于复杂工况，且对应模型参数的标定较为困难。数据驱动的方法直接通过传感器信息与磨损值借助人工智能方法训练相互映射模型，可操作强，诊断准确率比较高。但该方法强依赖于人工智能模型，可解释性差，泛化能力不足。机理模型与加工数据融合驱动方法可实现刀具磨损状态监测与剩余寿命的精确预测，既包含了机理模型的可解释性，同时还兼顾了数据模型预测准确的优点。
[0004]铣削力系数是通过辨识得到用于修正铣削力，其大小取决于铣削条件及材料特性，具有明确的物理意义。根据铣削力系数中刃口力系数对铣削参数不敏感特性，Nouri等学者提出通过在线辨识铣削力系数方法来跟踪刀具磨损状态变化。该方法在刀具破损及严重磨损方面监测效果显著。机床稳定加工零件特征时，工件材料、刀具尺寸、材料基本不会变，而且冷却条件也基本不发生变化。因此，可提取与刀具磨损强相关、与工况弱相关的铣削力系数，在加工过程中跟踪该系数，可实现不同铣削参数和不同工件材料下的刀具磨损阶段识别。然而，铣削力系数的准确获取依赖于测力仪采集铣削力信号，不仅昂贵而且存在干扰加工的问题，难以应用于实际加工。
[0005]直接通过机床数控系统获取的主轴扭矩等信号，由于信号采样频率较低，难以满足要求。通过在机床主轴额外加装传感器，可采集满足要求的高频信号，获取方式灵活，但需要考虑布线等问题。通过安装于机床主轴箱端部的加速度传感器或主轴电机电流传感器
重构铣削力，可实现刀具磨损状态监测、颤振监测等。通过电流传感器采集主轴电流信号，对机床加工区域不会造成影响。利用电流环或电流钳在机床主轴电机变频器输出侧采集三相电流信号。电流信号实质上可归入对铣削力的监测范畴，刀具磨损后，铣削力增大，造成铣削功率和扭矩增加，使得机床电机电流增大，负载功率也随之增大。相当于把铣削力的监测部位从铣削区域转移到主轴电机端。这种信号采集方式方便，无需改动机床结构，同时不干扰机床正常铣削加工。通过非测力仪重构铣削力来实现刀具状态在线监测具有一定的可行性。
[0006]刀具磨损退化过程复杂，同时受切削参数和刀具磨损状态的耦合影响。现有商业软件如ARTIS刀具监控系统、ToolScope加工过程监控系统等只能用于批量加工，难以满足航空结构件多品种、小批量、个性化定制生产需求。
[0007]面对变铣削工况条件下刀具磨损状态在线监测的问题，国内专利技术专利CN111660141A公开了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。基于刀具磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果，利用傅里叶级数拟合将主轴驱动电流波形分解为反映电流有效值准静态变化的谐波成分和反映铣刀刃口和后刀面磨损状态以及振动异常的电流杂波信号，然后将电流杂波信号进行铣刀磨损状态监测。该方法具有一定的局限性，难以准确分离出电流杂波信号。
[0008]国内专利技术专利CN110900307A公开了一种数字孪生驱动的数控机床刀具监控系统，包括：刀具数字孪生模型构建模块，针对数据机床刀具进行虚拟模型构建；刀具应力仿真模块，能够对刀具切削过程中，刀具内部所受应力进行仿真；刀具实时状态数据采集和分析模块，能够通过配置数据源实时采集环境数据、加工数据，并对历史数据进行多个维度分析；数据预处理模块，主要针对采集数据，进行数据清洗、去重、降维，时域特征提取，频域特征提取。剩余寿命预测模块，基于信息物理的融合数据，对刀具的磨损状态进行预测、预警。该方法基于数字孪生实现刀具磨损状态监测，建立了刀具磨损退化的行为模型。但能否适用于变切削工况需要进一步验证。
[0009]综上所述，现有技术中变铣削工况条件下刀具磨损状态在线监测方法存在如下问题：零件加工过程中因刀具更换导致数据难以区分；测力仪安装困难、监测精度不高、有局限性且成本较高。亟需发展新的刀具磨损状态监测方法以解决这些问题。

技术实现思路

[0010]本专利技术的目的在于克服上述现有技术中的缺点，提供一种机理模型与加工数据融合的刀具磨损状态监测方法和系统。
[0011]为了达到上述目的，本专利技术采用以下技术方案予以实现：
[0012]一种机理模型与加工数据融合的刀具磨损状态监测方法，包括如下步骤：
[0013]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；
[0014]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；
[0015]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；
[0016]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；
[0017]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；
[0018]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。
[0019]优选地，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。
[0020]优选地，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；
[0021]优选地，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；
[0022]基于主轴加速度的振本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：