[发明专利]一种机床刀具状态的监控方法

说明书

本发明公开了一种机床刀具状态的监控方法，通过对机床主轴电机的电流信号进行处理，通过统计学中的概率分布理论得到正常刀具切削时电流信号的上下边界曲线，以此上下边界曲线作为监测主轴电机的电流信号的标准，通过识别主轴电机的电流信号的细微变化来监测机床刀具的磨损程度，可以有效监测刀具状态，并且，上下边界曲线是在机床加工过程中通过自学习获得的，因此，本发明提供的上述监控方法具有适应各种加工条件的优势，此外，本发明提供的上述监控方法通过测量电流信号来对刀具状态进行监测，而非力信号、振动信号和声发射信号，因此，无需在机床加工环境内额外设置传感器和布线等，从而可以避免对正常的切削加工产生额外影响。

技术领域

本发明涉及机械制造技术领域，尤其涉及一种机床刀具状态的监控方法。

背景技术

刀具是数控机床加工的重要部件。在加工过程中产生的高温和切削力，使得刀具出现磨损或断裂成为不可避免的问题，这也是数控机床加工技术中问题的重要和常见来源。在加工过程中，如果不能及时发现刀具的急剧磨损或断裂并让机床停止工作，就会导致加工精度降低、机床或者工件损坏等问题，从而带来额外的经济损失。为了尽量避免这种损失，对加工过程中刀具的状态进行监测成为必然要求。

目前，在刀具状态监测领域，大部分国内外学者都是通过对机床运行的一些信号，例如力信号、振动信号、声发射信号和电流信号等，进行处理、分析与监测获得与刀具状态相关的特征信息，以此来监测刀具的状态。刀具状态监测主要由信号获取、信号处理、特征提取以及分类或磨损值估计这四个部分组成，其中，分类或磨损值估计这一部分可以使用数据线性拟合、高斯拟合、神经网络、卷积神经网络、马尔可夫模型、支持向量机和最小二乘支持向量机等方法，关于刀具状态的分类主要是机器学习的一些智能算法。

在刀具状态监测领域，机器学习的样本是刀具在磨损的各个阶段进行切削所获得的切削力、电流(功率)、声发射、振动和声音等信号，这些信号会因切削加工(切削速度，切削深度，进给速率)条件的不同而变化，也会因被加工工件材料的不同而变化，还会因数控机床的不同而变化，因此，对于特定的加工参数、特定的工件材料以及特定的数控机床，需要训练出一个该特定条件下的刀具状态监测模型。为了保证训练出的特定条件下的刀具状态监测模型的准确性，需要增大机器学习的训练样本的数量。那么，针对不同的加工参数、不同的工件材料以及不同的数控机床的所有训练样本会变得非常巨大，这需要投入相当大的人力、物力和财力。正是由于这个原因，以机器学习为决策的刀具状态监测并没有被广泛地应用到实际生产中，而较多的是被研究人员在实验室中所采用。

现有的刀具状态监测方法不能根据不同切削条件进行自适应地刀具状态监测，并且，力信号、振动信号和声发射信号等的测量需要在机床加工环境内额外设置传感器和布线等，这些会对正常的切削加工产生较大的影响。

发明内容

有鉴于此，本发明提供了一种机床刀具状态的监控方法，用以提供一种能够根据不同切削条件进行自适应地监测刀具状态的监控方法。

因此，本发明提供了一种机床刀具状态的监控方法，包括以下步骤：

S1：实时采集机床主轴电机的电流信号，根据机床刀具前M次切削过程中采集的电流信号，获得电流信号的上下边界曲线；其中，M为正整数；

循环迭代步骤S2和步骤S3；

S2：判断机床刀具第M+1次切削过程中采集的电流信号是否超出上下边界曲线；若是，则执行步骤S3；若否，则M＝M+1，回到步骤S2；

S3：判断超出上下边界曲线的部分的数量是否大于阈值；若是，则执行步骤S4；若否，则M＝M+1，回到步骤S2；

S4：将机床停机。

在一种可能的实现方式中，在本发明提供的上述监控方法中，步骤S1，根据机床刀具前M次切削过程中采集的电流信号，获得电流信号的上下边界曲线，具体包括：