【技术实现步骤摘要】
数控车床刀具磨损预测性诊断系统及服务器、数控机床
[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系统及服务器、数控机床。
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 ...
【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系统,其特征在于,包括:声传感器,用于采集刀具在使用过程中的声音数据;通讯网关,与声传感器电性连接,将声音数据发送至服务器;所述服务器适于对声音数据进行特征提取,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;在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,并形成刀具评估数据。2.根据权利要求1所述的数控车床刀具磨损预测性诊断系统,其特征在于,对声音数据进行特征提取,即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系统,其特征在于,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,即建立数据向量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;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;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设s.t y
Ai
(w
A
.x
i
+b
A
)≥1其中b
A
为偏置;使用KKT条件,求对偶问题的最优解,得到初期磨损与正常磨损分类最优分类超平面的
法向量其中,为拉格朗日乘子向量中对偶问题的解的第i个元素;偏置b
A<...
【专利技术属性】
技术研发人员:王云良,乔宏哲,范华峰,王志骋,金亚峰,庄岳辉,王一飞,
申请(专利权)人:常州机电职业技术学院,
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。