数控车床刀具磨损预测性诊断维护方法技术

本发明专利技术涉及一种数控车床刀具磨损预测性诊断维护方法，其包括：步骤S1，采集刀具在使用过程中的声音数据，对声音数据进行特征提取；步骤S2，根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量；步骤S3，根据刀具当前状态数据向量及最优分类超平面的法向量获得刀具当前磨损阶段。本发明专利技术的有益效果是，本数控车床刀具磨损预测性诊断维护方法根据采集得到的数据，学习出数控车床刀具状态监控模型。结合目前参数，实时给出当前数控车床刀具的磨损过程所处的阶段；与仅依靠经验的方法相比，在成本、效率、准确性方面都有较大改进和提高。大改进和提高。大改进和提高。

【技术实现步骤摘要】
数控车床刀具磨损预测性诊断维护方法


[0001]本专利技术涉及数控车床故障诊断与维护领域，具体涉及一种数控车床刀具磨损预测性诊断维护方法。

技术介绍

[0002]数控机床加工过程中，刀具最有可能产生故障，刀具过重的磨损和破损都会使刀具加工达不到预期的技术要求，属于刀具失灵，导致产品精度不够甚至报废。在早期的刀具加工过程中，主要是工人依靠自身的经验对刀具加工过程的物理量变化来判别刀具磨损状态，或卸下刀具测量其破损及磨损量，或根据加工产品的数量和刀具实际使用的时间来判断是否需要换刀。这些仅依靠经验的方法会导致加工材料的浪费、生产成本的提高，且降低了效率。据相关统计，刀具失效导致停机占机床总停机时间的20％
‑
30％，且设备故障停机的原因有75％以上来源于刀具失效，如果不能及时发现处理可能导致整个机床系统出现故障，造成重大损失。因此，刀具故障预测性诊断与维护对于保证加工系统可靠运行、降低成本和提高生产效率等方面具有十分重要的意义。
[0003]刀具磨损过程是一种或多种磨损形式共同作用导致的。一般分为粘附磨损、氧化磨损、疲劳磨损、机械化学磨损等，但具体很难说清楚那种磨损形式起主要作用。刀具的磨损过程分为三个阶段，即初期磨损阶段，正常磨损阶段和急剧磨损阶段。图1显示刀具后刀面磨损量VB与切削时间的函数关系变化情况。
[0004](1)初期磨损阶段一般包括摩擦表面轮廓峰的形状变化和表面材料加工硬化两个过程。对于新刃磨的刀具，刀面存在着粗糙度不平、微小裂纹、脱碳或氧化等缺陷，在磨合初期，只有很少的轮廓峰接触，因此刀具后刀面与工件接触面上真实应力很大，使接触面轮廓峰压碎和塑性变形，以至于后刀面磨损的特别快。通常情况下初期磨损量为0.05
‑
0.1mm，值的大小直接表征着刀具刃磨的质量。
[0005](2)正常磨损阶段经第一个阶段磨损后，刀具凹凸表面已经磨掉，刀具与工件接触面积增大，压应力减小，刀具进入正常磨损阶段。此时刀具后刀面磨损速度降低，刀具的磨损量较稳定，VB与切削时间成近似的正比线性关系。该磨损阶段是刀具最为理想的加工阶段，代表着刀具有效使用寿命，工件加工尽量在这个阶段进行，实际希望这个阶段的加工时间越长越好。
[0006](3)剧烈磨损阶段随着加工时间的推移，刀具剧烈磨损，当磨损带宽度VB达到一定值后，工件加工表面粗糙度变大，温度和切削力迅速升高，加工产品质量降低，刀具磨损非常严重，如继续切削加工，刀具将无法保证工件加工质量，且极容易发生切削刃破损而失去切削能力，重新磨刃时去除的材料更多，时间更长，增加了成本。实际生产中尽量在这个阶段到来之前完成产品加工或停机换刀，以避免上述问题的发生。

技术实现思路

[0007]本专利技术的目的是提供一种数控车床刀具磨损预测性诊断维护方法，以克服在早期
的刀具加工过程中，主要是工人依靠自身的经验对刀具加工过程的物理量变化来判别刀具磨损状态，这些仅依靠经验的方法会存在加工材料的浪费、生产成本提高，生产效率低的技术问题。
[0008]基于上述技术问题，本专利技术提供了一种数控车床刀具磨损预测性诊断维护方法，包括：
[0009]步骤S1，采集刀具在使用过程中的声音数据，对声音数据进行特征提取；
[0010]步骤S2，根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量；
[0011]步骤S3，根据刀具当前状态数据向量及最优分类超平面的法向量获得刀具当前磨损阶段。
[0012]本专利技术的有益效果是，本数控车床刀具磨损预测性诊断维护方法根据采集得到的声音数据，学习出数控车床刀具状态监控算式，并且结合目前参数，实时给出当前数控车床刀具的磨损过程所处的阶段；与仅依靠经验的方法相比，在成本、效率、准确性方面都有较大改进和提高。
附图说明
[0013]下面结合附图和实施例对本专利技术进一步说明。
[0014]图1显示刀具后刀面磨损量VB与切削时间的函数关系变化情况；
[0015]图2为本专利技术的数控车床刀具磨损预测性诊断维护方法的步骤框图。
具体实施方式
[0016]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0017]如图2所示，本实施例提供了一种数控车床刀具磨损预测性诊断维护方法，包括：
[0018]步骤S1，采集刀具在使用过程中的声音数据，对声音数据进行特征提取；
[0019]步骤S2，根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量；
[0020]步骤S3，根据刀具当前状态数据向量及最优分类超平面的法向量获得刀具当前磨损阶段。
[0021]本专利技术对数控车床刀具进行在线监测，根据数控车床刀具状态监控模型并结合目前参数，实时给出当前数控车床刀具的磨损过程所处的阶段；以及如果当前数控车床刀具处于正常磨损阶段时计算其刀具磨损度，作为操作人员精细判断磨损状态的依据。
[0022]在本实施例中，所述步骤S1中特征提取的方法包括：将声音数据分为相应频段，且根据相应频段能量归一化后作为特征。具体方法如下：将声音数据进行小波包分解处理，对声发射信号采用4级小波包分解，小波基函数选取db8。则分解后形成等带宽的16个频带，提取从低频到高频各频率成分的信号分解系数，然后对小波包分解系数进行重构，提取各频带范围的信号，之后求出各频带信号的能量。
[0023]选择与刀具磨损相关性较大的声音能量频段,第1、3、5、6、11、12、13、14频段，即0
‑
39.06KHz、78.125
‑
117.18KHz、156.25
‑
195.31KHz、195.31
‑
234.37KHz、390.62
‑
429.68KHz、
429.68
‑
468.75KHz、
[0024]468.75
‑
507.81KHz、507.81
‑
546.87KHz，以上频段的能量能够反映刀具磨损状态的变化，将各频段能量归一化后作为特征。
[0025]在本实施例中，所述步骤S2中根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量的方法包括：
[0026]步骤S21，建立数据向量x＝(x
(1)
，x
(2)
，x
(3)
，...，x
(8)
)；其中x
(1)
至x
(8)
为声音数据各频段能量归一化值；
[0027]步骤S22，x
i
为初期磨损与正常磨损分类问题中第i个训练数据向量；y
Ai...

【技术保护点】

【技术特征摘要】
1.一种数控车床刀具磨损预测性诊断维护方法，其特征在于，包括：步骤S1，采集刀具在使用过程中的声音数据，对声音数据进行特征提取；步骤S2，根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量；步骤S3，根据刀具当前状态数据向量及最优分类超平面的法向量获得刀具当前磨损阶段。2.根据权利要求1所述的数控车床刀具磨损预测性诊断维护方法，其特征在于，所述步骤S1中特征提取的方法包括：将声音数据分为相应频段，且根据相应频段能量归一化后作为特征。3.根据权利要求1所述的数控车床刀具磨损预测性诊断维护方法，其特征在于，所述步骤S2中根据上述特征使用软间隔SVM分类初期磨损与正常磨损、正常磨损与剧烈磨损，并求得上述两个分类的最优分类超平面的法向量的方法包括：步骤S21，建立数据向量x＝(x
(1)
，x
(2)
，x
(3)
，...，x
(8)
)；其中x
(1)
至x
(8)
为声音数据各频段能量归一化值；步骤S22，x
i
为初期磨损与正常磨损分类问题中第i个训练数据向量；y
Ai
为初期磨损与正常磨损分类问题中x
i
的类标记，y
Ai
为
‑
1时表示初期磨损，y
Ai
为+1时表示正常磨损，N
A
为训练数据数目；x
j
为正常磨损与剧烈磨损分类问题中第j个训练数据向量；y
Bj
为初期磨损与正常磨损分类问题中x
j
的类标记，y
Bj
为
‑
1时表示剧烈磨损，y
Bj
为+1时表示正常磨损，N
B
为训练数据数目；步骤S23，假设分类超平面w
A
x+b
A
＝0为对初期磨损与正常磨损分类的超平面；分类超平面w
B
x+b
B
＝0为对正常磨损与剧烈磨损分类的超平面；其中其中步骤S24，使用SVM求几何间隔最大的分类超平面，以获得初期磨损与正常磨损分类最优分类超平面的法向量和正常磨损与剧烈磨损分类最优分类超平面的法向量，其方法包括：求解初期磨损与正常磨损分类最优分类超平面的法向量即...

【专利技术属性】
技术研发人员：乔宏哲，王云良，范华锋，王志骋，王一飞，
申请(专利权)人：江苏大备智能科技有限公司，
类型：发明
国别省市：