一种基于噪声分析的切削刀具磨损状态监测方法与流程

1.本发明属于数控机床切削刀具磨损测量与监测的技术领域，特别是涉及一种基于噪声分析的切削刀具磨损状态监测方法。


背景技术：

2.机械加工过程中，随着切削刀具加工的进行，刀具不可避免的会发生磨损，当刀具磨损累积到一定范围时会引起机床的振动、工件表面质量和加工尺寸的精度下降等问题，严重的会导致废品的产生，数控机床切削刀具磨损状态实时监测技术的研究有助于减少上述问题的发生。
3.多年来，刀具磨损在线状态监测已被广泛研究，并在针对刀具磨损、工件变形、信号处理识别领域取得了一些成果，有些方法已经应用于工业生产中。然而，对于航空等领域的薄壁零件加工，仍没有成熟的刀具磨损监测方法，薄壁零件因其带有大高度比、加工易变形的加工特点，刀具磨损导致的切削力变化很容易影响零件的加工精度。
4.常用的切削刀具磨损状态监测方法主要有直接测量法和间接测量法。直接测量法是基于刀具体积损失的相关特征，通过直接接触或ccd成像等，直接识别刀具外观或表面形状的变化进而测量出刀具的磨损，该方法的结果真实准确，但易受加工环境的影响，需要停机检测，难于实现在线监测。比如中国专利文献(cn201210194166.2)所披露的名称为刀具磨损智能测量仪及测量方法，该方法通过ccd摄像头摄取设置在机床上的刀具影像，并用图像处理软件处理后，采用磨损量测量分析软件直接测得刀具的磨损量。间接测量法主要通过监测切削力、扭矩、振动以及主轴功率等与刀具磨损相关的各种信号，并建立这些信号特征与刀具磨损的对应关系，间接地实现刀具磨损的监测。利用切削力、扭矩以及通过主轴功率特征指标来监测刀具磨损状态的方法，主要用于加工参数固定的工况下，无法应用于实际的大批量生产中，尤其在加工参数存在一定波动的粗加工领域。而振动等方法存在传感器安装麻烦，甚至需要改动机床结构，影响机床的正常加工，在实际生产中推广应用难度较大。这些间接测量法比如中国专利文献(cn201010607532.3)所披露的名称为一种数控机床刀具磨损监测方法，中国专利文献(cn97192053.2)所披露的名称为刀具状态的自动监测，中国专利文献(cn201810222486.1)所披露的名称为基于小波包分析与rbf神经网络的刀具磨损在线监测方法等。


技术实现要素：

5.本发明的目的在于克服现有技术之不足，提供一种基于噪声分析的切削刀具磨损状态监测方法，通过采集数控机床加工时的噪声信号，并提取与刀具磨损强相关的磨损特征，通过实时获取切削刀具正常加工时的磨损特征当前值，然后与预设阀值比较，实现对切削刀具磨损状态的实时监测；避免了现有技术的传感器安装麻烦、影响机床正常加工、切削参数固定、难于应用于实际的大批量生产中等弊端。
6.本发明解决其技术问题所采用的技术方案是：一种基于噪声分析的切削刀具磨损
状态监测方法，包括如下步骤：
7.(1)采集切削刀具工作时对应的数控机床的噪声信号；
8.(2)将采集到的步骤(1)的所述噪声信号进行预处理，获取待监测刀具加工时的噪声信号段；
9.(3)利用预置的处理模式对步骤(2)的所述待监测刀具加工时的噪声信号段进行处理，得到多个信号特征，并选择与切削刀具磨损强相关的预测磨损特征；
10.(4)采集已磨钝失效刀具加工时的磨损特征数据，并取得这些数据的最大值；
11.(5)设定步骤(4)采集的磨损特征最大值为磨损特征标准值，依据所述磨损特征标准值，得到磨损特征阀值；
12.(6)实时采集切削刀具正常加工时的磨损特征当前值；
13.(7)比较所述磨损特征当前值是否大于所述磨损特征阀值，若是，判断所述刀具磨损；否则，返回步骤(6)。
14.进一步的，所述利用预置的处理模式对步骤(2)的所述待监测刀具加工时的噪声信号段进行处理是利用小波包分解技术对步骤(2)的所述待监测刀具加工时的噪声信号段进行处理，从而得到多个信号特征，并选择与切削刀具磨损强相关的预测磨损特征。
15.进一步的，所述多个信号特征包括摩擦特征、振动特征、功率特征和质量特征。
16.进一步的，所述选择与切削刀具磨损强相关的预测磨损特征时优选的是摩擦特征。
17.进一步的，所述步骤(1)中的采集切削刀具工作时对应的数控机床的噪声信号是采用电容式噪声传感器进行采集得到的。传感器信号的采集无需介入设备，不影响数控机床的动态特性，不影响数控机床的正常加工。
18.进一步的，所述步骤(2)中的将采集到的步骤(1)的所述噪声信号进行预处理为对传感器收集到的噪声信号进行低通滤波，以去除信号中病态、冗余的数据，进而为切削刀具磨损特征的提取提供可靠的数据。
19.进一步的，所述步骤(5)中的依据所述磨损特征标准值，得到磨损特征阀值，是将所述磨损特征标准值直接定义为磨损特征阀值。
20.进一步的，所述步骤(5)中的依据所述磨损特征标准值，得到磨损特征阀值，是由所述磨损特征标准值加上或/和减去所述标准值与设定比例的乘积来得到磨损特征阀值。
21.与现有技术相比较，本发明的有益效果是：
22.1、本发明由于采用了采集切削刀具工作时对应的数控机床的噪声信号；对噪声信号进行预处理，获取待监测刀具加工时的噪声信号段；对噪声信号段进行处理，得到多个信号特征，并选择与切削刀具磨损强相关的预测磨损特征；采集已磨钝失效刀具加工时的磨损特征数据，并取得这些数据的最大值；设定磨损特征最大值为磨损特征标准值，依据所述磨损特征标准值，得到磨损特征阀值；实时采集切削刀具正常加工时的磨损特征当前值；比较所述磨损特征当前值是否大于所述磨损特征阀值，若是，判断所述刀具磨损；否则，返回实时采集切削刀具正常加工时的磨损特征当前值步骤。本发明是通过实时采集数控机床工作时的噪声信号实现刀具磨损状态监测，无需额外的测量设备，传感器安装方便，不影响数控机床的动态特性，不影响数控机床正常加工，实现切削刀具磨损状态的实时监测。
23.2、本发明由于采用了小波包分解技术对所述噪声信号段进行处理，从而得到多个
信号特征，并选择与切削刀具磨损强相关的预测磨损特征。本发明通过小波包分解方法从噪声信号中提取多个与刀具磨损强相关的特征，监测维度多样，突破了切削条件固定的技术瓶颈，能适应切削参数波动变化的情况，提高了应用范围，能适用于实际的大批量生产。
24.以下结合实施例对本发明作进一步详细说明；但本发明的一种基于噪声分析的切削刀具磨损状态监测方法不局限于实施例。
附图说明
25.图1是本发明的实施例中所提供的基于噪声分析的切削刀具磨损状态监测方法的流程图；
26.图2是本发明的实施例中所提供的基于噪声分析的切削刀具磨损状态监测方法涉及的四个循环加工过程中的刀具磨损特征变化图；
27.图3是本发明的实施例中所提供的基于噪声分析的切削刀具磨损状态监测方法涉及的刀具摩擦特征当前值与阀值的变化曲线及对应的特征值最大值变化趋势图。
具体实施方式
28.实施例
29.参见图1所示，本发明的一种基于噪声分析的切削刀具磨损状态监测方法，是通过采集数控机床加工时的噪声信号，经过一系列的信号处理和分析，提取可以表征刀具磨损的关键特征，对比磨损特征当前值与特征阀值，实现刀具磨损状态的实时监测。
30.本实施例中，所述的基于噪声分析的切削刀具磨损状态监测方法主要包括如下步骤：
31.步骤(1)：采集切削刀具工作时对应的数控机床的噪声信号；本实施例是以监测数控铣床加工铝合金薄壁零件时的铣削刀具磨损为例来说明所述的基于噪声分析的切削刀具磨损状态监测方法。本实施例，是采用电容式噪声传感器采集切削刀具在磨钝和非磨钝状态下进行铝合金薄壁件加工时对应的数控铣床的噪声信号，可以理解，在其他实施方式中，还可以采用其他类型的噪声传感器。本实施例中，传感器信号的采集无需介入设备，不影响数控机床的动态特性，不影响数控机床的正常加工。
32.步骤(2)：对噪声信号进行预处理；将采集到的步骤(1)的噪声信号进行预处理，以提高噪声信号的可靠性。具体的，将电容式噪声传感器收集到的噪声信号进行低通滤波，去除信号中病态、冗余的数据，为后续刀具磨损特征的提取提供可靠的数据来源。
33.低通滤波是一种过滤方式，规则为低频信号能正常通过，而超过设定临界值的高频信号则被阻隔、减弱。但是阻隔、减弱的幅度则会依据不同的频率以及不同的滤波程序(目的)而改变。低通滤波可以简单的认为：设定一个频率点，当信号频率高于这个频率时不能通过，在数字信号中，这个频率点也就是截止频率，当频域高于这个截止频率时，则全部赋值为0。
34.步骤(3)：提取表征刀具磨损的特征；采用小波包分解方法从所述预处理后的噪声信号中提取出表征刀具磨损的特征。本实施例中，是采用摩擦特征作为刀具磨损强相关的特征，可以理解，在其他实施方式中，还可以采用其他类型的特征系数，比如振动特征、功率特征、质量特征等，如图2所示。
35.小波包分解(waveletpacket transform)，也被称为小波包(waveletpacket)或子带树(subband tree)及最佳子带树结构(optimal subband tree structuring)，是一种利用多次叠代的小波转换分析输入信号的技术。它可以对高频信号提供更精细的分解，这种分解既无冗余，也无疏漏，对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
36.小波包分解方法提取刀具磨损预测信号特征的过程为：
37.首先将步骤(2)中获得的噪声信号段，通过小波包分解方法在多个频率段内进行分解。一层小波包分解能将原始频率带一分为二，k层小波包能将原频率带分解为2k个频率段，实现细分频率段，提高了频率的分辨率。k值的计算公式如下：
38.式中，f为信号的采样频率
39.分别计算刀具切削噪声信号段在各个频率段的均值、方差和总能量等，得出多个信号特征。
40.分析刀具磨损与各个信号特征的相关性，选择与刀具磨损强相关的信号特征，作为监控刀具磨损状态的预测信号特征。相关性分析过程为：首先做出各信号特征随加工时间的平均曲线，得到刀具在2个生命周期的平均曲线l1(x),l2(x)；然后计算e越小说明刀具磨损与信号特征的相关性越强，选择摩擦特征信号作为预测信号特征。xi表示刀具加工时间，n表示在刀具整个生命周期内所监测的刀具加工时间点的个数。
41.步骤(4)：取得刀具磨损特征标准值；本实施例中，采集已磨钝失效刀具加工时对应数控铣床的噪声信号，从所述噪声信号中提取表征刀具磨损的摩擦特征系数，取得摩擦特征系数的最大值，得到本次数控铣床刀具磨损测量的摩擦特征的标准值。也就是说，上述摩擦特征标准值即为上述采集的摩擦特征系数最大值。
42.步骤(5)：取得刀具磨损特征阀值；在本步骤中，由上述步骤中得到的刀具磨损特征标准值得到刀具磨损特征阀值，预设的特征阀值是刀具磨钝失效标准的阀值。基本上来讲，不同数控机床在加工时得到的磨损特征有可能不同。因此，通过一个单一的数值来判断刀具磨损状态是否达到磨钝标准是不太准确的。但是，正常刀具加工时对应机床的磨损特征肯定是围绕该标准值分布的。所以，取以磨损特征标准值为中心的一定范围，作为对应刀具磨钝失效标准的阀值。具体的，是设定一个比例，例如，可以设定上述特征标准值的
±
10％，则上述的特征阀值上限为：标准值 标准值*10％；特征阀值下限为：标准值-标准值*10％。特征值处于所述阀值上限与下限之间均可作为刀具磨钝标准的阀值，具体阀值需视数控机床种类、刀具类型及加工工况而定。在本实施例中，刀具磨钝标准的阀值取磨损特征标准值，即磨损特征阀值＝磨损特征标准值。
43.步骤(6)：取得刀具磨损特征当前值；本实施例中，实时持续采集数控铣床加工铝合金薄壁零件时的磨损特征信号最大值，直到主轴停止转动或数控铣床停机。目的是为了不断地与上述磨损特征阀值比较，判断数控铣床使用的刀具的磨损状态。
44.步骤(7)：将磨损特征当前值与磨损特征阀值比较，判断刀具磨损状态；将上述取得的刀具磨损特征当前值与预设的磨损特征阀值比较，判断刀具磨损状态，若某把刀具的磨损特征当前值大于该刀具预设的磨损特征阀值，则该刀具磨损状态为已磨钝状态。本实
施例中，当提取数控铣床加工铝合金薄壁零件时的磨损特征当前值大于磨损特征标准值时，判断刀具磨损状态为已磨钝状态，进行报警，提醒及时更换刀具，如图3所示，曲线(a)和曲线(b)分别为刀具达到磨钝状态和未达到磨钝状态时的一个循环加工过程中的摩擦特征变化图，曲线(c)和曲线(d)分别为曲线(a)和曲线(b)中对应摩擦特征值最大值的变化趋势图。
45.本发明的一种基于噪声分析的切削刀具磨损状态监测方法，采用了采集切削刀具工作时对应的数控机床的噪声信号；对噪声信号进行预处理，获取待监测刀具加工时的噪声信号段；对噪声信号段进行处理，得到多个信号特征，并选择与切削刀具磨损强相关的预测磨损特征；采集已磨钝失效刀具加工时的磨损特征数据，并取得这些数据的最大值；设定磨损特征最大值为磨损特征标准值，依据所述磨损特征标准值，得到磨损特征阀值；实时采集切削刀具正常加工时的磨损特征当前值；比较所述磨损特征当前值是否大于所述磨损特征阀值，若是，判断所述刀具磨损；否则，返回实时采集切削刀具正常加工时的磨损特征当前值步骤。本发明是通过实时采集数控机床工作时的噪声信号实现刀具磨损状态监测，无需额外的测量设备，传感器安装方便，不影响数控机床的动态特性，不影响数控机床正常加工，实现切削刀具磨损状态的实时监测。
46.本发明的一种基于噪声分析的切削刀具磨损状态监测方法，采用了小波包分解技术对所述噪声信号段进行处理，从而得到多个信号特征，并选择与切削刀具磨损强相关的预测磨损特征。本发明通过小波包分解方法从噪声信号中提取多个与刀具磨损强相关的特征，监测维度多样，突破了切削条件固定的技术瓶颈，能适应切削参数波动变化的情况，提高了应用范围，能适用于实际的大批量生产。
47.上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。