CN210878880U - 一种数控车床刀具磨损监测系统 - Google Patents
一种数控车床刀具磨损监测系统 Download PDFInfo
- Publication number
- CN210878880U CN210878880U CN201922122064.XU CN201922122064U CN210878880U CN 210878880 U CN210878880 U CN 210878880U CN 201922122064 U CN201922122064 U CN 201922122064U CN 210878880 U CN210878880 U CN 210878880U
- Authority
- CN
- China
- Prior art keywords
- numerical control
- control lathe
- monitoring
- wear
- cutter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000005520 cutting process Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 22
- 238000005299 abrasion Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000000354 decomposition reaction Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007514 turning Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Landscapes
- Automatic Control Of Machine Tools (AREA)
Abstract
本实用新型公开了一种数控车床刀具磨损监测系统，该数控车床刀具磨损监测系统包括：通过传输线依次连接的加速度传感器、便携式恒流适配器、数据采集卡以及笔记本电脑，本申请中提供的数控车床刀具磨损监测系统及方法其信号处理方法采用经验模态分解(empirical mode decomposition,简称EMD)方法，摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号，可以在时间和频率同时达到很高的精度，对局部特征反映更为准确,在很大程度上弥补了传统信号分析方法的不足；该系统简单适用,操作方便,并且使用的传感器比较通用、价格适中,易于组建试验系统,大大减少了监测成本,并能较为有效地识别刀具的磨损状态。
Description
技术领域
本实用新型涉及刀具磨损检测领域，特别涉及一种数控车床刀具磨损监测系统及方法。
背景技术
装备制造业是推动社会发展和技术进步的基础产业,它牵动着人民生活的方方面面,关系着国计民生。数控车床在装备制造中应用十分广泛，而且是生产流程上的关键设备。而数控车床切削加工是大功率、大切削用量、高速切削,刀具材料多为新材料,工件多为难加工材料,使得加工过程中的危险性比普通车床大得多。而刀具又是制造业中的关键部件,是加工过程中最常见也是最重要的加工要素之一，它对制造业的发展起着决定性的作用,其磨损状态直接影响了加工工件的质量和精度。因刀具失效而造成的故障停机率约占数控车床总故障率的22.4％,所以数控车床刀具磨损监测便成了装备制造和机械故障诊断及状态监控技术的重大关键技术难题之一,至今尚未得到很好解决。装备制造业的发展迫切要求在加工过程中对数控车床刀具的磨损状态进行实时地监测,以便及时地采取各种相应的控制措施来保证加工质量和减少经济损失。
目前国内外关于数控车床刀具磨损监测的主要技术路线是：(1)信号采集(2)信号处理(3)特征提取(4)智能决策。其中，信号处理是关键环节。但现有文献中：传统的傅里叶变换、短时傅里叶变换、小波变换等信号处理方法存在以下不足：
(1)傅里叶变换只能处理线性非平稳的信号，小波变换虽然在理论上能处理非线性非平稳信号，但在实际算法实现中却只能处理线性非平稳信号。
(2)不具有自适应性。
(3)傅里叶变换的频率是全局性的，小波变换是区域性的，不能对信号局部特征进行精确的分析。
为了克服现有技术中存在的不足，本实用新型提供一种数控车床刀具磨损监测系统及方法。
实用新型内容
实用新型的目的在于提供一种数控车床刀具磨损监测系统及方法，解决了背景技术中提到的问题。
本实用新型是这样实现的，一种数控车床刀具磨损监测系统及方法，该数控车床刀具磨损监测系统包括：通过传输线依次连接的加速度传感器、便携式恒流适配器、数据采集卡以及笔记本电脑。
本实用新型的进一步技术方案是：所述加速度传感器采用压电式加速度传感器。
本实用新型的进一步技术方案是：该数控车床刀具磨损监测方法包括以下步骤：
步骤A：建立样本集；
步骤B：寻优与训练并得到磨损识别模型；
步骤C：在线传递实时数据至刀具磨损识别模型并进行刀具磨损程度的判断。
本实用新型的进一步技术方案是：所述步骤A中的建立样本集中的每个样本均包含如下5个特征：振动信号经过经验模态分解(EMD)后提取的第1阶和第2阶内禀模态函数(Intrinsic Mode Function,简称IMF)分量IMF1和IMF2的均方根值rms1,rms2以及切削参数，所述切削参数为主轴转速n,进给量f,切削深度ap。
本实用新型的进一步技术方案是：所述步骤A中的建立样本集中的每个样本均有对应的样本标签，分别为0,1；其中0代表不需要更换刀片包括刀片的初期磨损和正常磨损,1代表需要更换刀片即刀片的严重磨损。
本实用新型的进一步技术方案是：将建立好的样本集随机划分成训练集和测试集。
本实用新型的进一步技术方案是：所述步骤B中的寻优与训练并得到刀具磨损识别模型是：利用支持向量机(Support Vector Machine，简称SVM)对训练集进行参数寻优和训练，并对测试集中的样本进行识别且获得识别准确率，得到刀具磨损识别模型。
本实用新型的进一步技术方案是：所述步骤C为：将信号采集系统在线采集到的实时振动信号处理后形成特征向量(rms1,rms2,n,f,ap)并将其传递至所述刀具磨损识别模型,即可判断出刀具的磨损状态。
本实用新型的有益效果：本申请中提供的数控车床刀具磨损监测系统及方法其信号处理方法采用经验模态分解(EMD)方法，它彻底摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号，可以在时间和频率同时达到很高的精度，对局部特征反映更为准确,在很大程度上弥补了传统信号分析方法的不足；该系统简单适用,操作方便,并且使用的传感器比较通用、价格适中,易于组建试验系统,大大减少了监测成本,并能较为有效地识别刀具的磨损状态。
附图说明
图1是本实用新型提供的一种数控车床刀具磨损监测系统示意图；
图2是本实用新型提供的一种数控车床刀具磨损监测方法的流程框图。
具体实施方式
以下通过特定的具体实例说明本实用新型的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本实用新型的其他优点与功效。本实用新型还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本实用新型的精神下进行各种修饰或改变。
需要说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本实用新型可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本实用新型所能产生的功效及所能达成的目的下，均应仍落在本实用新型所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本实用新型可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本实用新型可实施的范畴。
实施例一：图1示出了一种数控车床刀具磨损监测系统，该系统包括压电式加速度传感器，便携式恒流适配器，数据采集卡，笔记本电脑。压电式加速度传感器安放在车刀刀头右侧，监测车刀的加速度振动信号。车刀在切削加工过程中产生的加速度振动信号依次经过便携式恒流适配器和数据采集卡后存储在笔记本电脑中,供后续处理与分析。
实施例二：图2示出了一种数控车床刀具磨损监测方法，该数控车床刀具磨损监测方法包括以下步骤：步骤A：建立样本集；步骤B：寻优与训练并得到刀具磨损识别模型；步骤C：在线传递实时数据至刀具磨损识别模型并进行刀具磨损程度的判断；所述刀具磨损识别模型的训练过程如下:
对信号进行经验模态分解(EMD),取内禀模态函数(IMF)分量的第1阶和第2阶分量，分别计算其均方根值，得到两个特征值rms1,rms2,以上提取的特征值结合切削参数即主轴转速n,进给f,切削深度ap，组成的特征向量可表示为:(rms1,rms2,n,f,ap),共包含5个特征值,即得到支持向量机(SVM)的输入特征向量。将4500个对应刀具不同磨损区间的特征向量(即样本)组成的样本集随机分为训练集和测试集。
对训练集进行优化训练,以上述5个特征值作为支持向量机(SVM)的输入特征,对支持向量机(SVM)的惩罚因子c和核函数参数g进行优化,两个参数的寻优范围分别设置为2-10≤c≤210和2-10≤g≤210,最终确定的寻优结果为：c＝512,g＝256。利用优化后的刀具磨损识别模型对测试集进行识别并获得识别准确率。
本申请提供的数控车床刀具磨损监测系统,利用经验模态分解(EMD)方法,自适应地提取反映刀具当前磨损状态的特征信息,判断刀具的磨损程度。
本申请提出了基于经验模态分解(EMD)的刀具磨损特征自适应获取方法,该方法对原始振动信号进行经验模态分解(EMD),在某一组确定的切削参数下,以振动信号经验模态分解(EMD)后的第1阶和第2阶内禀模态函数(IMF)分量IMF1和IMF2的均方根值，即两个特征值rms1,rms2反映刀具磨损状态的主要特征信息，从而有效识别刀具的磨损状态,并决定是否更换刀具。
测试中信号的采集：信号采集在华中数控车床HNC-818A上进行,刀片材料为涂层硬质合金,工件材料为45钢。选择二组切削参数采集信号,如表1所示。第一组切削参数下采集1386个对应刀具不同磨损区间的数据样本，第二组切削参数下采集3114个对应刀具不同磨损区间的数据样本,一共4500个样本。并测量刀片磨损值。设置以下磨损区间——初期磨损：VB值小于0.1mm；正常磨损：VB值在0.1mm-0.3mm之间；严重磨损：VB值大于0.3mm。因为初期磨损和正常磨损不需要更换刀片，只有严重磨损才需要更换刀片，所以其实是两分类问题。即0：不需要更换刀片包括刀片初期磨损和正常磨损，1：需要更换刀片即刀片严重磨损。用支持向量机(SVM)进行分类时，将三分类问题最终化为两分类问题。切削参数见表1：
表1
该种数控车床刀具磨损监测系统适用于普通车床刀具的监测，该系统简单适用,操作方便,并且使用的传感器比较通用、价格适中,易于组建试验系统,大大减少了监测成本,并能较为有效地识别刀具的磨损状态。
以上所述仅为本实用新型的较佳实施例而已，并不用以限制本实用新型，凡在本实用新型的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本实用新型的保护范围之内。
Claims (2)
1.一种数控车床刀具磨损监测系统，其特征在于，该数控车床刀具磨损监测系统包括：通过传输线依次连接的加速度传感器、便携式恒流适配器、数据采集卡以及笔记本电脑。
2.根据权利要求1所述的一种数控车床刀具磨损监测系统，其特征在于，所述加速度传感器采用压电式加速度传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201922122064.XU CN210878880U (zh) | 2019-11-29 | 2019-11-29 | 一种数控车床刀具磨损监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201922122064.XU CN210878880U (zh) | 2019-11-29 | 2019-11-29 | 一种数控车床刀具磨损监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN210878880U true CN210878880U (zh) | 2020-06-30 |
Family
ID=71313361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201922122064.XU Expired - Fee Related CN210878880U (zh) | 2019-11-29 | 2019-11-29 | 一种数控车床刀具磨损监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN210878880U (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110744359A (zh) * | 2019-11-29 | 2020-02-04 | 湖南工业职业技术学院 | 一种数控车床刀具磨损监测系统及方法 |
| CN112059725A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨理工大学 | 一种基于emd-svm的刀具磨损监测方法 |
-
2019
- 2019-11-29 CN CN201922122064.XU patent/CN210878880U/zh not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110744359A (zh) * | 2019-11-29 | 2020-02-04 | 湖南工业职业技术学院 | 一种数控车床刀具磨损监测系统及方法 |
| CN112059725A (zh) * | 2020-09-11 | 2020-12-11 | 哈尔滨理工大学 | 一种基于emd-svm的刀具磨损监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
| CN110153801A (zh) | 一种基于多特征融合的刀具磨损状态辨识方法 | |
| CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
| CN111761409A (zh) | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 | |
| CN110059442A (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
| CN106020158A (zh) | 一种项目型产品加工工艺大数据支持系统 | |
| CN106647629A (zh) | 一种基于数控系统内部数据的断刀检测方法 | |
| CN109298680A (zh) | 一种数控机床刀具检测的数据采集系统 | |
| CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
| CN104794492B (zh) | 基于功率特征模型的机床设备加工运行状态在线识别方法 | |
| CN210878880U (zh) | 一种数控车床刀具磨损监测系统 | |
| CN209157874U (zh) | 刀具受损状态监控系统 | |
| Zhou et al. | Tool condition monitoring in milling using a force singularity analysis approach | |
| CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
| CN111660141A (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
| CN111230740B (zh) | 一种航空发动机叶片机器人磨削烧伤预测方法及装置 | |
| CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
| Khairnar et al. | Supervision of carbide tool condition by training of vibration-based statistical model using boosted trees ensemble | |
| CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
| CN112720071B (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
| CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
| Xu et al. | Intelligent recognition method of turning tool wear state based on information fusion technology and BP neural network | |
| CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
| CN104503361A (zh) | 基于多模式融合的齿轮加工过程换刀决策方法 | |
| CN108956783A (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |