[发明专利]一种基于累积和控制理论的刀具失效状态监测方法

说明书

本发明属于机床上的指示或测量装置技术领域，公开了一种基于累积和控制理论的刀具失效状态监测方法，以信息熵和相关性为控制量，通过经验模态分解方法对原始切削力信号进行分析重构，有效减小随机误差对分析参数的干扰，为切削力信号的提取与分析提供了可靠依据；提取重构切削力信号中的信号平均功率和摩擦系数，对刀具的磨损和破损状态进行表征，并对其中的关键参数进行定义，通过改进的累积和控制图形成完善的刀具失效状态分析方法；通过开展多种材料加工的刀具磨损实验，与传统测量方法进行对比，证明其在超高强度钢和不锈钢半精加工工况下的实用性和可靠性，可作为一种快速可靠的刀具磨损状态实时监测方法在切削数据服务系统中进行使用。

技术领域

本发明属于机床上的指示或测量装置技术领域，尤其涉及一种基于累积和控制理论的刀具失效状态监测方法。

背景技术

目前，业内常用的现有技术是这样的：

随着传感技术的迅速发展，需要用户对采集的信息做出及时处理，切削数据分析和决策的实时性愈发受到关注。切削过程的数据分析建立在传感信号的快速提取与分析基础上，通过信号采集、数据转换、特征提取等步骤发现其中的问题表征量，并使用一定的模拟与训练方法进行自适应应用。该理论的最初应用为机床故障诊断问题，例如，使用决策树提取压电传感器获取的齿轮振动信号，并通过模糊分类器实现故障识别；通过无线网络传输采集切削力、振动、声音信号，利用分布式故障检测模型对数控机床进行故障诊断；使用信号的自适应小波和可变窗口降噪的理论结合，对齿轮箱振动和损伤信号进行提取识别。故障诊断中的信号分析和决策理论可以推广到和切削直接相关的过程变量，决定切削参数和刀具参数等内容的选取。例如，通过构建可供加工过程采集与反馈的STEP-NC数据模型，使用模型中的反馈信息作为依据对过程进行优化；切削力在线监测系统，通过修改刀具角度和切削用量保持切削过程的平稳性；Y 一种特征提取与深度学习系统，利用过程信息进行刀具磨损监测和加工表面质量预测。上述方法是在对传感信号的特征提取基础上，通过智能分析方法监测和分析切削过程变量，对加工过程进行辅助。由于高强度钢等难加工材料切削区域摩擦剧烈、刀具磨损严重的特点，其加工过程中的刀具磨损和失效监测成为切削性能分析的关键环节。常用的刀具磨损和失效分析方法分为直接监测方法和间接分析监测两种。直接分析方法是基于光学和形貌监测手段对刀具进行图像分析，通过图像识别技术进行刀具磨损和失效信息提取。例如，运用几何分形理论提取已加工表面纹理特征，并以此构建隐马科夫模型识别刀具工作状态；一种使用视觉设备线上拍摄刀具形貌图片的方法，通过计算磨损与刀具边缘位置进行磨损量分析；一种基于图像裁剪和影像处理的测量系统，对拉削过程中的刀具磨损进行计算。间接分析方法则是基于不同过程信号对刀具磨损量进行表征，通过构建过程参数与刀具状态的映射关系并进行模型训练以实现准确监测。间接分析方法基于切削力、切削振动、主轴功率、声发射信号等信号手段实现。例如，利用加工过程中的切削力信号进行分析，开发出刀具磨损状态增量学习和在线分类的监控系统；利用加工过程中的振动信号进行分析，计算其平均功率监测刀具失效状态；利用电机电流进行分析，建立其与刀具破损之间的模型用于预测刀具的破损；利用声发射信号进行分析，按照不同刀具磨损状态下的采样频率进行分类训练。为达到精确识别，间接磨损分析需要结合适当的信号分类方法对信号进行训练和分解。典型的应用实例为，使用切削力信号，开发出多层感知器神经网络模型进行刀具磨损表征；利用支持向量机非线性回归算法，设计出刀具磨损特征分类模块；通过将监测数据转换成相应的动态贝叶斯网络模型捕获刀具失效时间。训练和分解方法的选择需要注重准确性和迅速性，以保证在线刀具磨损分析的实时性。

综上所述，现有技术存在的问题是：

(1)基于光学和形貌监测手段对刀具磨损和失效分析的方法，存在平台搭建的硬件难度大、切削液与切屑影响对切削过程的拍摄效果、而且难以进行实时分析，从而无法广泛用于实际生产；

(2)基于不同切削过程信号对刀具磨损量进行表征的方法，存在刀具磨损影响因素多、不确定性大，难以建立准确的刀具磨损量数学模型，从而影响了刀具磨损状态的有效预测。