CN102073300B - 一种数控加工状态自学习的刀具磨损监控系统 - Google Patents

Abstract

本发明公开了一种数控加工状态自学习的刀具磨损监控系统，结构为：刀具磨损规律学习库存储刀具学习磨损规律；数据获取与判断模块将伺服驱动电流数字信号提供给数据处理模块，进行格式转换并保存为监控电流信号；特征提取与选择模块选择与刀具磨损强相关的信号特征；拟合预测趋势曲线模块建立信号特征与刀具加工寿命关系曲线；刀具磨损规律模块从刀具磨损规律学习库中获得刀具学习磨损规律；将趋势信号特征带入刀具学习磨损规律中得出刀具磨损量；刀具磨损补偿及换刀模块根据刀具磨损量作出刀具磨损补偿及换刀决策，提供给数控系统接口输入模块。本发明不但适用于大批量生产中切削参数波动变化的情况，而且对切削参数固定的情况也具有较高的精度。

Description

一种数控加工状态自学习的刀具磨损监控系统

技术领域

本发明属于数控机床刀具磨损测量领域，为一种嵌入数控系统的刀具磨损状态在线、实时监控系统。

背景技术

多年来，国内外学者在刀具磨损在线监测方面作了大量的工作，并在监测方法、监控参数的选择、信号处理识别领域取得了显著成果，有些方法已经用于生产。传统的刀具磨损状态监测方法是基于刀具体积损失的相关特征，通过接触测量或者CCD成像等，直接获得刀具的磨损值。例如见中国专利申请号为：CN200910031737.9，发明名称为：基于形状复制的数控铣削加工刀具磨损测量方法，将刀具形状复制在复印材料上，实现对刀具磨损测量。中国专利申请号为：CN200910082547.X，发明名称为：基于影像的刀具在线检测与补偿系统及方法，利用摄像装置获取刀具的影像，通过图像处理获知刀具磨损量。中国专利申请号为：CN94201963.6，发明名称为：数控机床刀具磨损机内测量装置，通过机械装置测量刀具磨损值。同时，通过监测与刀具磨损有关的各种信号，包括：声发射、振动、扭矩以及功率信号，也有相关的研究应用。例如见中国专利申请号为：CN92111137.1，发明名称为：一种刀具失效综合监控方法与装置，提出了利用声发射与振动信号组合法。中国专利申请号为：CN97192053.2，发明名称为：刀具状态的自动监测，采用主轴驱动切削转矩监测法。中国专利申请号为：CN98808722.7，发明名称为：诊断规则库刀具状态监视系统，监视功率特征，索引规则库刀具状态。基于体积损失特征的方法需要停机检测，占用工时，难以实现在线实时的监测。声发射、振动等方法都存信号监测不方便，传感器安装麻烦，影响机床的正常加工，甚至需要改动机床结构，因此只能在实验室研究中使用，应用到实际生产中难度较大。采用监测切削转矩以及通过功率特征索引刀具状态的方法，都是只能适用于切削参数固定的精加工条件下。而实际的大批量生产中，粗加工的切削参数在一定范围内波动，并不为定值，因而无法使用。上述基于传感器的监测方法，基本上都是采用独立的信号监测与处理模块，没有充分利用机床已有的信息，并且由于是独立的模块，没有嵌入数控系统中，在操作上需要另外配置独立的硬件处理，增加成本、操作不便。

发明内容

本发明的目的旨在克服现有技术的不足，提供一种数控加工状态自学习的刀具磨损监控系统，该监控系统不但能适用于大批量生产中切削参数波动变化的情况，而且对于切削参数固定的情况也具有较高的精度。

本发明提供的一种数控加工状态自学习的刀具磨损监控系统，其特征在于，该系统包括数据获取与判断模块、数据处理模块、特征提取与选择模块、拟合预测趋势曲线模块、刀具磨损规律模块、刀具磨损补偿及换刀模块、刀具磨损学习模块和刀具磨损规律学习库；

刀具磨损规律学习库用于存储刀具学习磨损规律；

数据获取与判断模块与数控系统接口输出模块相连，接收数控系统输出的伺服驱动电流数字信号，并在接收到刀具磨损监控指令时将伺服驱动电流数字信号提供给数据处理模块；

数据处理模块识别伺服驱动电流数字信号的格式，将电流数字信号转换为后续分析所用的统一的文件格式；保存转换格式后的电流数字信号作为监控电流信号，并提供给特征提取与选择模块；

特征提取与选择模块采用小波包分解技术对监控电流信号进行分解，获取各个频率段的信号均值和方差，选择其中与刀具磨损强度相关的信号特征，并提供给拟合预测趋势曲线模块；

拟合预测趋势曲线模块通过多项式拟合建立信号特征与刀具加工寿命关系曲线，即拟合预测趋势曲线，得到趋势信号特征，并提供给刀具磨损规律模块；

刀具磨损规律模块从刀具磨损规律学习库中获得刀具学习磨损规律；将趋势信号特征带入刀具学习磨损规律中，得出刀具磨损量，并提供给刀具磨损补偿及换刀模块；

刀具磨损补偿及换刀模块将监控获得的刀具磨损量与设定的刀具到达磨钝标准时的磨损量比较，若刀具磨损量达到磨钝标准时的磨损量，则提示机床更换刀具；若刀具磨损量未达到磨钝标准时的磨损量，则更改数控机床刀具补偿量的设定值，并提供给数控系统接口输入模块。

本发明获取伺服系统中的驱动电流数字信号；通过从数控系统指令中获得的刀具信息以及刀具切削状态；利用小波包分解技术对信号在频域内进行分解；采用优势特征选择技术，选择与刀具磨损状态强相关的特征；通过多项式拟合技术获得待监测刀具信号特征变化趋势学习曲线。再利用神经网络训练技术，训练获得待监测刀具学习磨损规律；实时监测待监测刀具加工信号，建立待监测刀具信号特征变化趋势预测曲线，得出曲线上的实时趋势信号特征，带入待监测刀具学习磨损规律中，得出刀具磨损值，实现对刀具磨损状态的监测。本发明不但能适用于大批量生产中切削参数波动变化的情况，而且对于切削参数固定的情况也具有较高的精度。本发明突破了已有方法要求停机检测、传感器安装影响加工、切削条件固定。可实现在线实时监测刀具磨损状况，并且传感器安装方便、不影响生产过程的进行，同时能适应切削余量在一定范围内随机波动的情况，提高了应用范围，与实际生产情况更加契合。

本发明提供的监控系统可以作为数控系统的嵌入模块，利用数控系统二次开发函数接口与串口，能够方便的实现与既有数控系统的通讯，利用数控系统已有的信息，实现对刀具磨损的监控，并将监控的刀具磨损结果反馈到数控系统中，实现数控系统对数控加工状态自学习的刀具磨损监控。

附图说明

图1为本发明系统的结构示意图；

图2为本发明系统中刀具磨损学习模块示意图。

具体实施方式

本发明提供的监控系统通过获取机床驱动电机电流信号，以及从数控系统中获知的机床刀具加工信息，经过一系列的信号处理与特征提取选择过程，最后通过刀具磨损量监控过程，实现对刀具磨损量VB的监控，并将监控结果反馈到数控系统中，数控系统根据刀具的磨损情况做出相应的反应，提示更换刀具、或者更改刀补量。

如图1所示，监控系统包括数据获取与判断模块1、数据处理模块2、特征提取与选择模块3、拟合预测趋势曲线模块4、刀具磨损规律模块5、刀具磨损补偿及换刀模块6、刀具磨损学习模块7和刀具磨损规律学习库8。

刀具磨损规律学习库8用于存储刀具学习磨损规律。

数据获取与判断模块1与数控系统接口输出模块相连，接收数控系统输出的伺服驱动电流数字信号，并在接收到刀具磨损监控指令时将伺服驱动电流数字信号提供给数据处理模块2。

数据处理模块2识别伺服驱动电流数字信号的格式，将电流数字信号转换为后续分析所用的统一的txt文件格式；保存转换格式后的电流数字信号作为监控电流信号，并提供给特征提取与选择模块3。

特征提取与选择模块3采用小波包分解技术对监控电流信号进行分解，获取各个频率段的信号均值、方差，选择其中与刀具磨损强度相关的信号特征，并提供给拟合预测趋势曲线模块4。具体实施过程如下：

首先将数据处理模块2提供的监控电流信号，通过小波包分解技术在多个频率段内进行分解。一层小波包分解能将原始频率带一分为二，k层小波包能将原频率带分解为2^k个频率段，实现频率段细分，提高了频域的分辨率。k值通常由如下公式获得：

式中，f为信号的采样频率分别计算监控电流信号在各个频率段的均值、方差和总能量等，得出多个信号特征。分析刀具磨损与各个信号特征的相关性，选择其中与刀具磨损强度相关性最高的信号特征。

拟合预测趋势曲线模块4通过多项式拟合建立信号特征与刀具加工寿命关系曲线，即拟合预测趋势曲线，得到趋势信号特征，并提供给刀具磨损规律模块5。

刀具磨损规律模块5从刀具磨损规律学习库8中获得刀具学习磨损规律。将趋势信号特征带入刀具学习磨损规律中，得出刀具磨损量，并提供给刀具磨损补偿及换刀模块6。

刀具磨损补偿及换刀模块6将监控获得的刀具磨损量与设定的刀具到达磨钝标准时的磨损量比较，若刀具磨损量达到磨钝标准时的磨损量，则提示机床更换刀具；若刀具磨损量未达到磨钝标准时的磨损量，则更改数控机床刀具补偿量的设定值，并提供给数控系统接口输入模块。

如图2所示，刀具磨损学习模块7包括调用接口模块9、拟合学习趋势曲线模块10与刀具磨损规律学习模块11。

调用接口模块9用于调用数据处理模块2和特征提取与选择模块3，将与刀具磨损强度相关的信号特征提供给拟合学习趋势曲线模块10。

拟合学习趋势曲线模块10通过多项式拟合建立信号特征与刀具加工寿命关系曲线，即拟合学习趋势曲线，得到趋势信号特征，并提供给刀具磨损规律学习模块11。

刀具磨损规律学习模块11，通过神经网络训练，建立刀具磨损规律学习模型，得出刀具磨损规律，存入刀具磨损规律学习库8中。

刀具磨损学习模块7建立刀具学习磨损规律的具体过程如下：

数据处理模块3识别伺服驱动电流数字信号的格式，将电流数字信号转换为后续分析所用的统一的txt文件格式；保存转换格式后的电流数字信号作为监控电流信号，并提供给特征提取与选择模块4。

特征提取与选择模块4采用小波包分解技术对监控电流信号进行分解，获取各个频率段的信号均值、方差，选择其中与刀具磨损强度相关的信号特征，并提供给拟合学习趋势曲线模块10。具体实施过程如下：

首先将数据处理模块3提供的监控电流信号，通过小波包分解技术在多个频率段内进行分解。一层小波包分解能将原始频率带一分为二，k层小波包能将原频率带分解为2^k个频率段，实现频率段细分，提高了频域的分辨率。k值通常由如下公式获得：

式中，f为信号的采样频率分别计算监控电流信号在各个频率段的均值、方差和总能量等，得出多个信号特征。分析刀具磨损与各个信号特征的相关性，选择其中与刀具磨损强度相关性最高的信号特征。

利用拟合学习趋势曲线模块10获得的趋势信号特征与该组学习趋势信号特征对应一组刀具加工时间点分别测量获得的一系列刀具磨损量，将该组学习趋势信号特征作为神经网络的输入，对应的一系列刀具磨损量作为神经网络的输出，通过神经网络训练，建立学习趋势信号特征与刀具磨损量之间的关系，学习刀具多次从新刀到磨损这一过程，获得刀具学习磨损规律。神经网络训练的具体实现过程为：首先确定3层神经网络隐含层节点数，一般选择3~5层即可；接着根据神经网络训练原理，设置相关权值或阈值的初始值；再将一组学习趋势信号特征作为输入，对应的一系列刀具磨损量作为输出，进行神经网络的训练。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (2)

1.一种数控加工状态自学习的刀具磨损监控系统，其特征在于，该系统包括数据获取与判断模块(1)、数据处理模块(2)、特征提取与选择模块(3)、拟合预测趋势曲线模块(4)、刀具磨损规律模块(5)、刀具磨损补偿及换刀模块(6)、刀具磨损学习模块(7)和刀具磨损规律学习库(8)；

刀具磨损规律学习库(8)用于存储刀具学习磨损规律；

数据获取与判断模块(1)与数控系统接口输出模块相连，接收数控系统输出的伺服驱动电流数字信号，并在接收到刀具磨损监控指令时将伺服驱动电流数字信号提供给数据处理模块(2)；

数据处理模块(2)识别伺服驱动电流数字信号的格式，将电流数字信号转换为后续分析所用的统一的文件格式；保存转换格式后的电流数字信号作为监控电流信号，并提供给特征提取与选择模块(3)；

特征提取与选择模块(3)采用小波包分解技术对监控电流信号进行分解，获取各个频率段的信号均值和方差，选择其中与刀具磨损强度相关的信号特征，并提供给拟合预测趋势曲线模块(4)；

拟合预测趋势曲线模块(4)通过多项式拟合建立信号特征与刀具加工寿命关系曲线，即拟合预测趋势曲线，得到趋势信号特征，并提供给刀具磨损规律模块(5)；

刀具磨损规律模块(5)从刀具磨损规律学习库(8)中获得刀具学习磨损规律；将趋势信号特征带入刀具学习磨损规律中，得出刀具磨损量，并提供给刀具磨损补偿及换刀模块(6)；

刀具磨损补偿及换刀模块(6)将监控获得的刀具磨损量与设定的刀具到达磨钝标准时的磨损量比较，若刀具磨损量达到磨钝标准时的磨损量，则提示机床更换刀具；若刀具磨损量未达到磨钝标准时的磨损量，则更改数控机床刀具补偿量的设定值，并提供给数控系统接口输入模块。

2.根据权利要求1所述的数控加工状态自学习的刀具磨损监控系统，其特征在于，刀具磨损学习模块(7)包括调用接口模块(9)、拟合学习趋势曲线模块(10)与刀具磨损规律学习模块(11)；

调用接口模块(9)用于调用数据处理模块(2)和特征提取与选择模块(3)，将与刀具磨损强度相关的信号特征提供给拟合学习趋势曲线模块(10)；

拟合学习趋势曲线模块(10)通过多项式拟合建立信号特征与刀具加工寿命关系曲线，即拟合学习趋势曲线，得到趋势信号特征，并提供给刀具磨损规律学习模块(11)；

刀具磨损规律学习模块(11)，通过神经网络训练，建立刀具磨损规律学习模型，得出刀具磨损规律，存入刀具磨损规律学习库(8)中。

Images