[发明专利]基于切削功率的数控车削批量加工刀具磨损在线监测方法

说明书

技术领域

本发明涉及机械加工领域，具体涉及基于切削功率的数控车削批量加工刀具磨损在线监测方法。

背景技术

数控车削批量加工过程中，过度的刀具磨损会影响工件的表面质量以及加工精度；同时，随着车刀磨损量的增加，机床将会消耗更多的能量。工业统计表明，刀具失效是引起机床故障的首要因素，由此引起的停机时间占数控机床总停机时间的1/5～1/3。因此，针对数控车削批量加工过程进行刀具磨损在线监测，是智能制造背景下一个迫切需要解决的科学问题。

根据测量方法的不同，刀具磨损监测方法可分为直接测量法与间接测量法。直接测量法是指通过测量与刀具体积、形状等相关的参量来判断刀具磨损状态。封海蕊直接提取后刀面磨损图像的视觉特征，通过建立图像特征与刀具磨损之间的关系实现刀具状态的监测。等使用坐标描述符对计算机视觉系统获取的刀具磨损图像进行分割处理，并根据刀具磨损变化率对刀具磨损状态进行分类预测。Xu等基于灰色关联法提取工件表面纹理特征，并通过BP神经网络对刀具磨损状态进行识别和诊断。

虽然直接测量法监测刀具磨损精度较高，但多数方法不能保证在线监测，因此监测效率低。鉴于此，一些学者提出通过间接测量法监测刀具磨损。间接测量法是指测量切削加工过程中与刀具磨损有内在联系的某些信号，通过建立这些信号与刀具磨损量之间的关系来确定刀具磨损状况。胡江林等通过提取声发射(AE)信号的累积振铃数作为监测刀具磨损的特征量，并通过实验验证了该方法的有效性。Kious等通过对三个方向的切削力以及合成力信号进行频域分析，发现了合成力的主频频谱与刀具磨损状态密切相关，可用于刀具磨损在线监测。Hsieh等直接采集主轴振动信号，从中提取5个与刀具磨损相关的特征量并利用反向传播神经网络对刀具磨损状态进行分类。上述方法虽然能实现刀具磨损的在线监测，然而由于信号的采集需要改变机床的结构，在一定程度上会影响机床加工过程，故而这些方法的使用受到了限制。

相比于切削力、声发射和切削振动等信号，机床功率信号的采集仅仅只需在机床电气柜安装一个功率传感器，不会改变机床结构，因此采用功率法监测刀具磨损受到了国内外大批学者的广泛关注。谢楠等通过功率传感器采集切削过程中的电流和功率信号，提出了一种基于主成分分析与C-支持向量机相结合的刀具磨损状态监测模型。Bhattacharyya等通过对机床主电机电流和功率信号进行采集和处理，提取与刀具磨损相关的时域特征量，并建立特征量与刀具磨损量之间的多元线性回归模型，基于该模型实时计算刀具磨损量。CUPPINI等发现当加工参数一定时，切削功率与刀具磨损量之间存在着一定的关系，并通过实验拟合的方法建立了切削功率与刀具磨损量之间的关系模型。

然而，上述研究并未考虑加工参数对机床功率信号的影响，当切削过程中加工参数发生变化时，功率信号将会随之改变，此时，通过机床功率信息将难以准确判断刀具磨损状态。

发明内容

本发明的目的是考虑刀具磨损量和加工参数对切削功率的影响，建立相应的回归模型，在此基础上提出一种刀具磨损在线监测方法，以监控车床在加工过程中的刀具磨损。

为实现本发明目的而采用的技术方案是这样的，即基于切削功率的数控车削批量加工刀具磨损在线监测方法。它包括以下步骤：

步骤1：分析刀具磨损量和加工参数对切削功率的影响；

步骤2：通过正交试验设计与响应面法建立切削功率与刀具磨损量及加工参数的回归模型；

步骤3：在建立切削功率与刀具磨损量及加工参数的回归模型的基础上，得到实时更新切削功率阈值的刀具磨损在线监测方法。

优选地，步骤1中，所述分析刀具磨损量和加工参数对切削功率的影响的过程为：

(1)分析刀具磨损量对切削功率的影响

由于刀具磨损产生的附加切削功率ΔP_c为

ΔP_c＝F_FW·v_c＝μHVBs·v_c

式中，F_FW为由磨损引起的刀具与工件间的摩擦力，v_c为车削加工过程中刀具与工件接触点的线速度，μ为刀具与工件间的滑动摩擦系数，H为工件材料的布氏硬度，VB为刀具后刀面磨损量，s为刀具后刀面磨损带长度。

(2)分析加工参数对切削功率的影响

对于车削加工过程，切削功率P_c与加工参数之间存在着指数关系：