[发明专利]基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法有效

专利信息
申请号: 201911199533.6 申请日: 2019-11-29
公开(公告)号: CN111300146B 公开(公告)日: 2021-04-02
发明(设计)人: 杜正春;陈沁心;冯晓冰;杨建国 申请(专利权)人: 上海交通大学
主分类号: B23Q17/09 分类号: B23Q17/09
代理公司: 上海交达专利事务所 31201 代理人: 王毓理;王锡麟
地址: 200240 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 主轴 电流 振动 信号 数控机床 刀具 磨损 在线 预测 方法
【说明书】:

一种基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法,通过在设有传感器的数控机床主轴上利用多把同型号刀具在同一工况下重复进行试运行加工并测得原始加工磨损数据,根据刀具的初期快速磨损阶段、正常磨损阶段和急剧磨损阶段三个磨损阶段,分别从中提取出训练用的最优特征集并对支持向量回归机预测模型进行训练,最后采用训练后的模型进行实际加工过程中的在线实时预测刀具磨损量;本发明通过多把同型号刀具在同等条件下重复实验获得的数据,不仅可以充分挖掘原始信号中各磨损阶段与刀具磨损相关的特征参数,并通过后处理方式进一步增强和刀具磨损量的关联程度,使得构建的支持向量回归机预测模型可以取得较高的预测精度和很好的推广性。

技术领域

本发明涉及的是一种机械加工领域的技术,具体是一种基于主轴电流和振动信号的高精度的数控机床刀具磨损量在线预测方法。

背景技术

数控机床是现代先进制造技术重要的基础装备,而由刀具失效引起的机床停机时间大约占机床总停机时间的1/5-1/3。而对于配备有一套相对成熟的刀具监测系统的数控机床,其故障停机时间可以减少75%,加工效率可以提高10-60%。现有的刀具状态监测技术普遍对刀具磨损状态类别能达到较精准的预测,但对磨损量的预测精度不高,且实时性、推广性较差,难以大规模应用到工业生产中。

发明内容

本发明针对现有刀具监测技术预测模型精度低且基于单把刀具实验数据建立的模型推广性差的缺陷,提出一种基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法,通过多把同型号刀具在同等条件下重复实验获得的数据,不仅可以充分挖掘原始信号中各磨损阶段与刀具磨损相关的特征参数,并通过后处理方式进一步增强和刀具磨损量的关联程度,使得构建的支持向量回归机预测模型可以取得较高的预测精度和很好的推广性。

本发明是通过以下技术方案实现的:

本发明涉及一种基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法,通过在设有传感器的数控机床主轴上利用多把同型号刀具在同一工况下重复进行试运行加工并测得原始加工磨损数据,根据刀具的初期快速磨损阶段、正常磨损阶段和急剧磨损阶段三个磨损阶段,分别从中提取出训练用的最优特征集并对支持向量回归机预测模型进行训练,最后采用训练后的模型进行实际加工过程中的在线实时预测刀具磨损量。

所述的原始加工磨损数据,包括采用加速度传感器测得的主轴振动时域信号、采用电流传感器测得的主轴单相电流时域信号、采用显微镜测得的对应的刀具磨损量。

所述的提取,包括:根据刀具磨损量和对应的走刀次数拟合得到的磨损曲线、提取主轴单相电流时域信号的时域特征、提取主轴振动时域信号的时域特征、频域特征以及时频域特征。

所述的最优特征集是指:根据所有特征与磨损曲线的相关系数,取得在多次实验中均大于阈值的相关系数对应的特征作为有效特征;优选对有效特征进行高斯加权移动平均和归一化处理得到。

所述的支持向量回归机预测模型,优选为基于遗传算法参数寻优的支持向量回归模型。

所述的训练,以部分刀具的全部走刀数据作为训练集,剩余部分作为测试集,选取模型磨损量预测的均方误差作为种群适应度,根据个体的适应度,进行选择、交叉、变异操作,产生新的种群并计算每个个体当前适应度;选出最优个体中与记录的最优适应度进行比较,决定是否更新最优参数和最佳适应度,经迭代训练得到最优预测模型。

技术效果

本发明整体所解决的技术问题是:避免使用价格高昂、工业应用性差但能最直接反映刀具磨损状况的切削力传感器,选择使用经济性好且工业应用性高的振动传感器和电流传感器进行刀具磨损预测。现有技术基于单把刀具数据建立的模型尽管预测准确度较高,但由于切削实验的复杂性和各种偶然因素的干扰,如果使用同型号的刀具在同等实验条件下重复试验,该模型的预测效果较差,即利用单把刀具建立的模型往往不适用于另一把刀,即使在完全相同的加工条件下。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海交通大学,未经上海交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911199533.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top