System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机床,尤其涉及一种车削刀具磨损程度监测识别方法。
技术介绍
1、车削工艺是加工金属材料最常用的工艺之一,具有较高的生产效率和加工质量以及较低的加工成本,在航空发动机涡轮叶片、轮轴、涡轮机转轮、高温管道等零部件的制造中均有广泛的应用。
2、在车床车削工艺中,其核心部件就是车刀和可旋转的卡盘,卡帕用于固定工件并带动工件高速旋转,车刀用于对工件进行车削,所以二者的精度直接决定工件的车削精度。
3、然而车刀作为易损件,其对工件进行车削时,会与工件之间摩擦,从而导致车刀出现磨损,当磨损到磨钝程度时,其车削效果下降,就需要更换。
4、在现有技术中,对于车刀的磨损程度均由人工测量判断,这就使得一方面受到人工主观性影响较大,判断精度低,另一方面,过程繁琐,效率低下。
5、为此,本专利技术提出一种车削刀具磨损程度监测识别方法
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺点,而提出的一种车削刀具磨损程度监测识别方法。
2、为了实现上述目的,本专利技术采用了如下技术方案:
3、一种车削刀具磨损程度监测识别方法,具体包括以下步骤:
4、s1:安装,将数码显微镜安装于车削机床的刀架上,并保证显微镜的镜头正对车刀;
5、s2:校准,使用显微镜测微尺对显微镜进行校准;
6、s3:监测,通过显微镜对车刀进行图像获取,并将获取的图像进行建模,获取车刀的实时尺寸;
7
8、优选地:所述s2步骤中,显微镜测微尺为的精度为10μm。
9、进一步地:所述s4步骤中,车刀磨损至磨钝程度的标准为:后刀面磨损带最大磨损宽度大于200μm、后刀面磨损带最大磨损宽度大于300μm或车削长度大于1500m中的任意一种。
10、在前述方案的基础上:所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
11、a1:通过物联网模块获取车床的加工参数;
12、a2:实时收集刀具的磨损程度;
13、a3:根据实际的磨损程度与加工参数将二者相互关联,建立加工参数与磨损程度的数学模型;
14、a4:根据数学模型再配合后续加工参数的设定,即可预测刀具的后续磨损程度。
15、在前述方案中更佳的方案是:所述a1步骤中,车床的加工参数包括进给率、车削深度、切削速度、切削深度、切削力和切削温度。
16、作为本专利技术进一步的方案:所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
17、b1:通过物联网模块获取所使用刀具的实际初始参数;
18、b2:实时收集刀具的磨损程度;
19、b3:根据实际的磨损程度与刀具的实际初始参数将二者相互关联,建立刀具的实际初始参数与磨损程度的数学模型;
20、b4:根据数学模型再配合后续使用的刀具的实际初始参数,即可预测刀具的后续磨损程度。
21、同时,所述b1步骤中,刀具的实际初始参数包括刀具材料、刀尖半径和断屑槽尺寸。
22、作为本专利技术的一种优选的:所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
23、c1:通过物联网模块获取所车削的工件参数;
24、c2:实时收集刀具的磨损程度;
25、c3:根据实际的磨损程度与所车削的工件参数将二者相互关联,建立所车削的工件参数与磨损程度的数学模型;
26、c4:根据数学模型再配合后续所车削的工件参数,即可预测刀具的后续磨损程度。
27、同时,所述c1步骤中,所车削的工件参数包括工件材料和工件表面粗糙度。
28、本专利技术的有益效果为:
29、1.本专利技术,通过数码显微镜对刀具进行监测,然后通过设定监测尺寸阈值的形式实现对磨损程度的检测,再利用报警器进行报警警示,从而实现了车削刀具的磨损程度自动监测,精度高的同时也提高了监测效率。
30、2.本专利技术,通过以物联网模块和信息处理模块获取车床参数、刀具参数以及工件参数,分别将其与实际监测的磨损程度进行关联,建立数学模型,从而实现了对刀具磨损程度的预测。
本文档来自技高网...【技术保护点】
1.一种车削刀具磨损程度监测识别方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述S2步骤中,显微镜测微尺为的精度为10μm。
3.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述S4步骤中,车刀磨损至磨钝程度的标准为:后刀面磨损带最大磨损宽度大于200μm、后刀面磨损带最大磨损宽度大于300μm或车削长度大于1500m中的任意一种。
4.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
5.根据权利要求4所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述A1步骤中,车床的加工参数包括进给率、车削深度、切削速度、切削深度、切削力和切削温度。
6.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包
7.根据权利要求6所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述B1步骤中,刀具的实际初始参数包括刀具材料、刀尖半径和断屑槽尺寸。
8.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
9.根据权利要求8所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述C1步骤中,所车削的工件参数包括工件材料和工件表面粗糙度。
...【技术特征摘要】
1.一种车削刀具磨损程度监测识别方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述s2步骤中,显微镜测微尺为的精度为10μm。
3.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述s4步骤中,车刀磨损至磨钝程度的标准为:后刀面磨损带最大磨损宽度大于200μm、后刀面磨损带最大磨损宽度大于300μm或车削长度大于1500m中的任意一种。
4.根据权利要求1所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述车削刀具磨损程度监测识别方法其还包括通过物联网模块和信息处理模块实现的刀具磨损预测步骤,具体包括以下步骤:
5.根据权利要求4所述的一种车削刀具磨损程度监测识别方法,其特征在于,所述a1步骤中,车床的加工参...
【专利技术属性】
技术研发人员:王熔,周博文,彭思泽,何哲鹏,
申请(专利权)人:湖南星途航空航天器制造有限公司,
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。