基于五轴加工中心刀具的磨损预测与健康管理方法技术

本发明专利技术属于数控机床刀具监测技术领域，本发明专利技术公开了基于五轴加工中心刀具的磨损预测与健康管理方法，包括如下步骤：利用传感器实时采集五轴加工中心铣削过程中的切削振动信号和主轴电流信号，并对刀具磨损状况的相关数据进行间接监测，为实现刀具健康管理、模式识别和寿命预测提供依据；本发明专利技术通过对切削振动信号和主轴电流信号进行实时采集，再通过时域、频域分析以及小波包分析提取反应刀具磨损的数据特征，采用多源信息融合技术构建刀具磨损和剩余寿命预测模型，从而实现数控加工刀具的预测性维护，可以在刀具磨损在处于临界阈值前进行智能换刀，对实际生产具有重要意义。对实际生产具有重要意义。对实际生产具有重要意义。

【技术实现步骤摘要】
基于五轴加工中心刀具的磨损预测与健康管理方法


[0001]本专利技术属于数控机床刀具监测
，具体涉及基于五轴加工中心刀具的磨损预测与健康管理方法。

技术介绍

[0002]五轴数控加工中心是集高科技、高精密、高效率于一体的高精端设备，专门用于加工复杂曲面零件，其关键技术的提升对提高装备制造业水平具有重大意义。在五轴数控加工中心由于加工对象的复杂性，其刀具磨损程度更加严重，根据调查，机械加工90％以上是由切削加工来实现的，而机床停机时间的20％是由刀具磨损造成的。
[0003]由于刀具磨损超出给定阈值时会极大地影响工件的加工精度，导致加工的产品质量不达标，既浪费加工投入时间又造成经济损失，甚至会导致机床事故的发生；另一方面为了保证加工精度，如果在刀具还有着较长的剩余寿命时便更换了刀具则会影响其使用的经济性，提高企业生产成本，尤其在批量加工过程中还会造成生产节拍中断，生产效率降低等问题，因此如何使刀具磨损在处于临界阈值前进行智能换刀将是未来高端制造业的一个亟待解决的问题。

技术实现思路

[0004]本专利技术的目的在于提供基于五轴加工中心刀具的磨损预测与健康管理方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于五轴加工中心刀具的磨损预测与健康管理方法，包括如下步骤：
[0006]S1：利用传感器实时采集五轴加工中心铣削过程中的切削振动信号和主轴电流信号，并对刀具磨损状况的相关数据进行间接监测，为实现刀具健康管理、模式识别和寿命预测提供依据；
[0007]S2：对上述采集的各类原始信号进行预处理，消除噪声影响，进而在时域、频域中提取出与刀具磨损状态相关的特征量；
[0008]S3：同时进行小波包分析，通过多尺度、不同分辨率对信号的时频域信息进行局部化分析，并对刀具磨损状态识别所需的局部时频特征进行研究，从而实现聚焦到信号的任意细节；
[0009]S4：将所有与刀具磨损状态相关的特征提取后进行进一步的数据处理，形成可供模型训练的样本集；
[0010]S5：采用兼顾模型训练时间和精度的高效深度学习算法，并基于卷积神经网络对刀具磨损状态进行探测，以通过卷积神经网络卷积层和池化层等一系列运算后在输出层构建分类器，输出刀具状态信息，从而实现对复杂曲面零件数控加工刀具磨损状态进行健康管理。
[0011]优选的，所述振动信号由机床工件或者刀具构成的切削系统发生周期性振动而产
生。
[0012]优选的，所述采集振动信号的传感器包括但不限于压阻式加速度传感器、压电式加速度传感器和电容式加速度传感器。
[0013]优选的，所述主轴电流信号为主轴在加工零件过程中所产生的工作电流。
[0014]优选的，所述采集主轴电流信号的传感器为电流传感器。
[0015]优选的，所述时域特征主要分为有量纲特征和无量纲特征。
[0016]优选的，所述有量纲特征包括绝对平均值、方差、有效值、峰值、峰峰值。
[0017]优选的，所述无量纲特征包括偏斜度指标、峭度指标、峰值因子、变异系数、波形因子。
[0018]优选的，所述频域特征包括频率均方、频率重心、频率方差、峰值频率。
[0019]优选的，所述时频域特征的计算公式为：
[0020][0021]其中，En表示原始信号的总能量，j表示小波包分解的层数，x
k,m
(i)表示在子空间的信号的分解信号。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]本专利技术首先对切削振动信号和主轴电流信号进行实时采集，然后通过时域、频域分析以及小波包分析提取反应刀具磨损的数据特征，进而基于状态识别技术建立刀具磨损状态与切削振动信号和主轴电流信号等特征建立物理关联分析模型，并基于卷积神经网络对刀具状态进行识别，采用多源信息融合技术构建刀具磨损和剩余寿命预测模型，将测量得到的刀具后刀面磨损作为训练标签，进行模型训练，所得到的模型同时具备高精度预测刀具磨损值的能力和剩余寿命预测能力，从而实现数控加工刀具的预测性维护，可以在刀具磨损在处于临界阈值前进行智能换刀，对实际生产具有重要意义。
附图说明
[0024]图1为本专利技术的流程图；
[0025]图2为本专利技术原始信号特征提取方式的示意图；
[0026]图3为本专利技术刀具后刀面磨损示意图；
[0027]图4为本专利技术三次多项式插值刀具磨损曲线示例图；
[0028]图5为本专利技术的CNN卷积神经网络结构图；
[0029]图6为本专利技术的刀具状态识别卷积神经网络架构图；
[0030]图7为本专利技术的准确率及损失函数图；
[0031]图8为本专利技术的测试集预测结果对比图；
[0032]图9为本专利技术的混淆矩阵示意图；
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]本专利技术提供如下技术方案：
[0035]请参阅图1
‑
图9所示，基于五轴加工中心刀具的磨损预测与健康管理方法，包括如下步骤：
[0036]S1：利用传感器实时采集五轴加工中心铣削过程中的切削振动信号和主轴电流信号，并对刀具磨损状况的相关数据进行间接监测，为实现刀具健康管理、模式识别和寿命预测提供依据；
[0037]振动信号由机床工件或者刀具构成的切削系统发生周期性振动引起的，而系统间振动的强弱与刀具磨损状态密切相关。采集振动信号多采用加速度传感器，根据测量原理的不同大致分为三种方式：压阻式传感器、压电式传感器和电容式传感器，本专利技术采用压电式加速度传感器采集振动信号，在安装时，可以用磁力吸附在待加工的零件表面进行检测，但是对于测量刀具振动信号的结果受安装的位置所影响，而且机床系统振动的强弱及外界环境因素的干扰也会对振动信号的采集均有影响，这些因素属于噪声；
[0038]铣削过程中的主轴电流是指主轴在加工零件过程中所产生的工作电流。根据相关数据表明，刀具磨损越严重，机床主轴电流越大，几乎成线性比例关系，所以机床主轴电流信号能间接反映刀具磨损状态。本专利技术使用电流传感器采集主轴电流信号，该传感器的特点是安装简单，不受加工环境限制，因此应用范围相对较广。同时，机床主轴电流信号的获取十分便捷，可以从机床内部直接采集，但是主轴电机在启动和制动的瞬间均对所采集的数据进行干扰，这些因素属于噪声；
[0039]S2：对上述采集的各类原始信号进行预处理，消除噪声影响，进而在时域、频域中提取出与刀具磨损状态相关的特征量；
[0040]信号的时域特征是对铣削过程的某一时间段进行无限度的展开，发现和分析相关变量随着时间变化的规律。采集的信号虽然具备连续变化的波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于五轴加工中心刀具的磨损预测与健康管理方法，其特征在于：包括如下步骤：S1：利用传感器实时采集五轴加工中心铣削过程中的切削振动信号和主轴电流信号，并对刀具磨损状况的相关数据进行间接监测，为实现刀具健康管理、模式识别和寿命预测提供依据；S2：对上述采集的各类原始信号进行预处理，消除噪声影响，进而在时域、频域中提取出与刀具磨损状态相关的特征量；S3：同时进行小波包分析，通过多尺度、不同分辨率对信号的时频域信息进行局部化分析，并对刀具磨损状态识别所需的局部时频特征进行研究，从而实现聚焦到信号的任意细节；S4：将所有与刀具磨损状态相关的特征提取后进行进一步的数据处理，形成可供模型训练的样本集；S5：采用兼顾模型训练时间和精度的高效深度学习算法，并基于卷积神经网络对刀具磨损状态进行探测，以通过卷积神经网络卷积层和池化层等一系列运算后在输出层构建分类器，输出刀具状态信息，从而实现对复杂曲面零件数控加工刀具磨损状态进行健康管理。2.根据权利要求1所述的基于五轴加工中心刀具的磨损预测与健康管理方法，其特征在于：所述振动信号由机床工件或者刀具构成的切削系统发生周期性振动而产生。3.根据权利要求1所述的基于五轴加工中心刀具的磨损预测与健康管理方法，其特征在于：所述采集振动信号的传感器包括但不限于压阻式加速度传感器、压电...

【专利技术属性】
技术研发人员：于震梁，鲁昌国，王硕，赵凤芹，霍凤伟，王静波，徐广晨，张文武，郭永奇，刘鹏，陈思思，
申请(专利权)人：营口理工学院，
类型：发明
国别省市：