CN108857577B - 刀具磨损状态监控方法及设备 - Google Patents
刀具磨损状态监控方法及设备 Download PDFInfo
- Publication number
- CN108857577B CN108857577B CN201811013995.XA CN201811013995A CN108857577B CN 108857577 B CN108857577 B CN 108857577B CN 201811013995 A CN201811013995 A CN 201811013995A CN 108857577 B CN108857577 B CN 108857577B
- Authority
- CN
- China
- Prior art keywords
- cutter
- wear
- current value
- state
- states
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000005299 abrasion Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 24
- 238000003801 milling Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000946 synaptic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明的目的是提供一种刀具磨损状态监控方法及设备，本发明从成本以及实现方面归纳出对实际生产工况最有效的主轴电流信号的信号采集类型，然后对采集到的主轴电流信号进行小波包分析处理得到高频部分的信号，这些高频成分的信号能够很好地反应刀具的磨损状态，最后通过Softmax回归算法或BP神经网络进行磨损状态的判断，形成了一套合理有效地解决方案，本发明大大地降低了人为因素的产生，这样就避免了工人进行频繁换刀导致的设备停机率和综合使用率，从而大大地增加了设备使用率，更进一步地减少了工厂的能耗成本。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种刀具磨损状态监控方法及设备。
背景技术
在工业机器人全自动生产过程中，目前是通过长期的生产经验来设置铣刀的使用次数，超过该次数后就进行强制换刀措施，这样虽然能够初步地解决刀具磨损对铣削质量的问题，但这样的措施是不稳定的而且是不受控制的，因为当刀具磨损程度低于磨钝标准时，换刀势必会大大地增加工厂的能耗，而如果当刀具大于磨钝标准时，虽然延长了刀具的使用寿命，但是其对铣削工艺质量势必会造成很大的影响。
发明内容
本发明的一个目的是提供一种刀具磨损状态监控方法及设备。
根据本发明的一个方面，提供了一种刀具磨损状态监控方法，该方法包括：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
进一步的，上述方法中，采集驱动刀具的主轴的电流值，包括：
采集控制所述主轴的变频器电流的大小，作为所述驱动刀具的主轴的电流值。
进一步的，上述方法中，采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态，包括：
预先在编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms对主轴的电流值的采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到多个主轴的电流值的个样本数据，并对每个样本数据对应的刀具磨损状态进行记录。
进一步的，上述方法中，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，包括：
利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析。
进一步的，上述方法中，利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值，包括：
利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到3层共8个频段的能量谱；
利用各个频段的能量谱的数值大小，作为所述刀具的的磨损状态的特征向量值。
进一步的，上述方法中，根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
根据刀具的磨损状态的特征向量值，并基于Softmax回归算法，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数。
进一步的，上述方法中，根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
根据刀具的磨损状态的特征向量值，并基于BP神经网络，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数
根据本发明的另一方面，还提供了一种刀具磨损状态监控设备，该设备包括：
第一装置，用于采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
第二装置，用于对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
第三装置，用于根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
第四装置，用于根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
根据本发明的另一方面，还提供了一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
与现有技术相比，本发明从成本以及实现方面归纳出对实际生产工况最有效的主轴电流信号的信号采集类型，然后对采集到的主轴电流信号进行小波包分析处理得到高频部分的信号，这些高频成分的信号能够很好地反应刀具的磨损状态，最后通过Softmax回归算法或BP神经网络进行磨损状态的判断，形成了一套合理有效地解决方案。
本发明对于设备使用率而言，刀具磨损状态的检测是通过外部传感器信号采集后对数据进行有效科学地分析后得出来的结果然后决定工人换刀，这大大地降低了人为因素的产生，这样就避免了工人进行频繁换刀导致的设备停机率和综合使用率，从而大大地增加了设备使用率，更进一步地减少了工厂的能耗成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一实施例的一种刀具磨损状态监控方法的流程图；
图2示出根据本发明一实施例的小波包分解树示意图；
图3示出根据本发明一实施例的轻度磨损信号三层分解能量谱示意图；
图4示出根据本发明一实施例的中度磨损信号三层分解能量谱示意图；
图5示出根据本发明一实施例的重度磨损信号三层分解能量谱示意图；。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本发明提供一种刀具磨损状态监控方法，包括：
步骤S1，采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
在此，本步骤提供一种主轴电流与功率检测法，实验表明刀具磨损时，切削力就会增大，造成切削功率和扭矩的增加，从而使得主轴电机电流增大；
主轴电流的检测方式十分简单，成本十分低廉，不需要改变设备的结构，在工业机器人铣削设备应用中，可采用变频器来进行对主轴的控制，故可以通过采集变频器电流的大小对刀具磨损状态进行识别。
综上所述，利用主轴电流检测法为依据来建立刀具磨损状态检测的实验平台，主要以下原因：
①成本低廉，不需要改变设备的构造，也不需要额外增加硬件成本，只需采集主轴电流信号即可。
②维护方便，若某一部件损坏更换，并不需要像计算机视觉、切削力检测那样重新校准参数，只需更换部件即可使用。
③改造容易，目前市场上的工业机器人铣削设备都是变频器控制主轴电机的控制方式，那么只要在模型机器上实现刀具磨损检测的方法，只需改变相应的参数即可推广至整个市场；
具体的，本发明的一具体的应用实施例中，实验平台的建立包括：
机器人铣削实验平台由六轴机器人、主轴电机、变频器、气动装置以及电气元器件组成，
一、六轴工业机器人
六轴工业机器人可选取ABB公司销售的IRB2600机器人，该机器人的具体型号IRB2600-20/1.65，其工作范围覆盖1.65米，有效载荷在20千克以内，该六轴机器人的重复定位精度为0.05毫米，重复循环精度0.13毫米，符合尾门板加工工艺要求；
二、高速电主轴
高速电主轴可以采用是JAGER公司生产的Z80-H445.06 S5W2/2高速电机作为机器人末端的铣削工具，其额定转速达到45000转/分，额定电流为10A，频率为1500Hz；
三、主轴变频器
该主轴变频器可以是有SIEB&MEYER公司出品的SLC-41-04型变频器；
具体的，本发明的一具体的应用实施例中，主轴电流信号计算机采集方式，包括：
通过对变频器的电流的检测达到对主轴切削力的间接检测效果，因为主轴的电流的变化反映了刀具磨损的程度大小，可以利用计算机通过RS-232数据线与SLC-41-04型变频器进行连接，从而实时地对主轴的电流值进行数据采集；
预先在编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms对主轴的电流值的采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到多个主轴的电流值的个样本数据，并对每个样本数据对应的刀具磨损状态进行记录，后续可对采集和记录的数据进行小波包分析分解，得到明显的特征向量值。
具体的，机器人铣削实验平台的加工条件可如下：
铣刀类型：直径6mm铣刀；
机器人进给速度：200mm/s；
主轴转速：30000rad/min；
该实验中分别用轻度磨损、中度磨损以及重度磨损这三种不同磨损状态进行对刀具磨损程度地数据采集，在这三组状态下采集多组数据进行分析，每组数据实际对应的刀具磨损状态可通过显微镜以及游标卡尺现场实际测量该铣刀的直径，然后进行分组对应着三种不同的数据组。
①轻度磨损：铣削厚度为0.50mm；
②中度磨损：铣削厚度为2.00mm；
③重度磨损：铣削厚度为4.00mm。
步骤S2：对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
在此，虽然采集的电流信号灵敏度不高，有时无法识别刀具的磨损变化，但可以利用小波包分析对电流值进行有效地精细化处理，使得主轴电流的特征信号更为显著；
基于Matlab，对采集的所述电流值及对应的记录刀具磨损状态进行小波包分析；
可以在进行小波包分析前，需要选择合适的小波基，目前在工程中使用最普遍的是Daubechie小波、Symlets小波和Coieflets小波，经过试验这三种系列的小波都能对主轴的电流信号进行小波包分解，但是其中利用db7作为小波包分解的小波基得到分解结果较其他类型的小波基更为理想。如图2所示，本发明利用db7作为小波包的小波基将主轴的电流值分解为3层共8个频段的能量谱。
由图3～5所示，对铣刀在三种磨损状况下的电流值进行小波包三层分解所得到的各个频段的能量谱的数据虽然在数值上相差的不多，但是还是有明显的差异性，所以可以利用小波包分解后的各个频段的能量谱的数值大小，作为刀具的的磨损状态的特征向量值。
以下是利用主轴电流幅值信号对其进行小波包三层分解得到的能量谱所获取的样本数据，如下表的特征信号实验数据所示：
| 序号 | 频段1 | 频段2 | 频段3 | 频段4 | 频段5 | 频段6 | 频段7 | 频段8 | 磨损 |
| 1 | 99.42 | 0.04 | 0.03 | 0.03 | 0.01 | 0.02 | 0.14 | 0.32 | 轻度 |
| 2 | 99.60 | 0.06 | 0.05 | 0.03 | 0.01 | 0.03 | 0.05 | 0.16 | 轻度 |
| 3 | 99.67 | 0.02 | 0.04 | 0.08 | 0.02 | 0.04 | 0.02 | 0.11 | 轻度 |
| 4 | 99.51 | 0.11 | 0.03 | 0.04 | 0.03 | 0.05 | 0.07 | 0.17 | 轻度 |
| 5 | 99.52 | 0.07 | 0.03 | 0.06 | 0.03 | 0.03 | 0.07 | 0.18 | 轻度 |
| 6 | 99.49 | 0.09 | 0.02 | 0.06 | 0.04 | 0.06 | 0.07 | 0.17 | 轻度 |
| 7 | 99.54 | 0.07 | 0.06 | 0.03 | 0.02 | 0.03 | 0.10 | 0.16 | 轻度 |
| 8 | 99.65 | 0.08 | 0.02 | 0.05 | 0.02 | 0.02 | 0.02 | 0.13 | 轻度 |
| 9 | 99.66 | 0.06 | 0.02 | 0.02 | 0.01 | 0.02 | 0.03 | 0.19 | 轻度 |
| 10 | 99.62 | 0.03 | 0.02 | 0.03 | 0.02 | 0.02 | 0.05 | 0.21 | 轻度 |
| 11 | 97.99 | 0.08 | 0.32 | 0.13 | 0.16 | 0.17 | 1.06 | 0.07 | 中度 |
| 12 | 97.50 | 0.05 | 0.95 | 0.16 | 0.20 | 0.11 | 0.95 | 0.09 | 中度 |
| 13 | 97.55 | 0.13 | 0.69 | 0.32 | 0.12 | 0.12 | 1.02 | 0.06 | 中度 |
| 14 | 97.15 | 0.08 | 0.94 | 0.09 | 0.26 | 0.19 | 1.19 | 0.10 | 中度 |
| 15 | 97.77 | 0.02 | 0.86 | 0.11 | 0.06 | 0.09 | 0.91 | 0.18 | 中度 |
| 16 | 97.39 | 0.04 | 0.88 | 0.04 | 0.23 | 0.13 | 1.19 | 0.10 | 中度 |
| 17 | 97.49 | 0.01 | 0.87 | 0.28 | 0.14 | 0.15 | 0.89 | 0.16 | 中度 |
| 18 | 97.30 | 0.04 | 1.28 | 0.30 | 0.24 | 0.11 | 0.67 | 0.06 | 中度 |
| 19 | 97.21 | 0.41 | 0.66 | 0.21 | 0.16 | 0.17 | 1.10 | 0.07 | 中度 |
| 20 | 97.47 | 0.71 | 0.84 | 0.30 | 0.07 | 0.16 | 0.39 | 0.06 | 中度 |
| 21 | 98.09 | 0.07 | 0.15 | 0.18 | 0.14 | 0.34 | 0.39 | 0.64 | 重度 |
| 22 | 97.65 | 0.09 | 0.15 | 0.11 | 0.13 | 0.47 | 0.68 | 0.73 | 重度 |
| 23 | 98.10 | 0.07 | 0.13 | 0.07 | 0.11 | 0.25 | 0.35 | 0.93 | 重度 |
| 24 | 98.13 | 0.06 | 0.17 | 0.12 | 0.13 | 0.23 | 0.30 | 0.86 | 重度 |
| 25 | 97.60 | 0.13 | 0.14 | 0.19 | 0.14 | 0.39 | 0.60 | 0.82 | 重度 |
| 26 | 97.70 | 0.11 | 0.16 | 0.21 | 0.14 | 0.20 | 0.74 | 0.73 | 重度 |
| 27 | 97.58 | 0.04 | 0.08 | 0.07 | 0.33 | 0.19 | 0.69 | 1.02 | 重度 |
| 28 | 98.08 | 0.07 | 0.07 | 0.06 | 0.12 | 0.42 | 0.63 | 0.54 | 重度 |
| 29 | 98.27 | 0.09 | 0.09 | 0.06 | 0.07 | 0.19 | 0.54 | 0.69 | 重度 |
| 30 | 97.88 | 0.05 | 0.06 | 0.06 | 0.06 | 0.21 | 0.67 | 1.01 | 重度 |
步骤S3，根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
在此，得到刀具的的磨损状态的特征向量值后，然后可以进行更进一步地根据刀具的磨损状态的特征向量值，进行模式识别，最终得到刀具的磨损状态的类别和对应的参数。
一实施例中，步骤S3，根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
步骤S31，根据刀具的磨损状态的特征向量值，并基于Softmax回归算法，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数。
在此，softmax回归算法是逻辑回归算法在多分类上的推广及一般化，适用于K分类标签的问题，第k类的参数为向量θk，组成的二维矩阵为θk*n。
softmax函数的本质就是将一个K维的任意实数向量映射到另一个K维的实数向量，其中，向量中的每个元素取值都介于(0，1)之间。
softmax回归对于每一个样本估计其所属的类别的概率函数如下式所示：
那么Softmax回归算法的损失函数如下式所示：
其中，I{y＝j}表示的是当y属于第j类时，I{y＝j}＝1，否则I{y＝j}＝0。
Softmax算法通过梯度下降法来对θ进行更新，其过程如下式所示：
刀具的特征向量值经过Softmax回归算法训练由下表4.1所示：
表4.1-Softmax实验分类结果数据
综上所述，Softmax算法将磨损状态的特征向量值区分开来，可以对刀具的磨损状态的特征向量值进行类别识别。
一实施例中，步骤S3，根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
步骤S32，根据刀具的磨损状态的特征向量值，并基于BP神经网络，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数。
具体的，BP神经网络算法可以如下：
神经元在n次迭代后也即训练第n个样本时所输出的误差信号：
ej(n)＝dj(n)-yj(n) (4.12)
其中，ej(n)表示在n次迭代后神经元j的输出误差信号，dj(n)表示神经元j的期望的目标输出，yj(n)表示迭代n次后神经元j的实际输出信号。
整个误差能量的瞬间值(即迭代n次后瞬间误差的平方和)ε(n)表示输出层的所有神经元的误差能量瞬间值的和：
其中，集合C表示包括网络输出层的所有神经元。
关于所有n个训练集的ε(n)的平均值(即均方误差能量)为：
BP神经网络学习训练样本及学习过程的目的就是调整其神经网络中的自由参数使得εav最小化。
在神经元j的激活函数输入处产生的诱导局部域的表达式如下：
其中，vj(n)表示所有突出输入的加权和加上的偏置，m表示多层感知器第l层的大小即节点数目，wji(n)(其中偏置为wj0(n)＝bj(n))为突触权值是迭代n次后从神经元i的输出连接到神经元j的输入。
迭代n次后出现在神经元j输出处的函数信号为：
其中，
表示用来描述神经元j的非线性输入——输出函数关系的激活函数，常用的激活函数为Sigmoid函数。
反向传播算法是对突触权值wji(n)应用一个修正值Δwji(n)，如下式所示：
其中Δwji(n)代表一个敏感因子，决定突触权值wji(n)在权值空间上的搜索方向。再分别对以下公式进行求偏导：
由以上的偏导公式，可得：
其中，η称为反向传播神经网络的学习率参数。
将式(4.19)代入式(4.20)，可得：
输出神经元j的局部域梯度δj(n)等于该神经元相应误差信号ej(n)和相应激活函数的导数的乘积。
当神经元j是隐藏节点，神经元k是输出节点时，其局部域梯度可得：
以此类推，故由神经元i连接到神经元j的突触权值的校正值如下所示：
Δwji(n)＝η·δj(n)·yi(n) (4.26)
一实施例中，步骤S32中，基于BP神经网络，对刀具的磨损状态进行分类，包括：
确定所述BP神经网络的网络隐含层层数、网络隐含层的神经元数、初始权值和学习速率；
基于BP神经网络的网络隐含层层数、网络隐含层的神经元数、初始权值和学习速率，对刀具的磨损状态进行分类。
具体的，BP神经网络设计包括：
①网络隐含层层数的确定
从BP神经网络原理来看，具有偏差与至少一个S型隐含层加上一个线性输出层的网络结构都能够逼近任何一个有理数，虽然增加隐含层的层数能够提高计算精度从而降低误差，但同时也大大复杂了网络的结构，从而增加了网络权值参数的训练时间。误差的提高也可以通过增加神经元数目的方法来获得，它的效果比增加层数的效果更容易观察和调整。综上所述，本实验先从一个隐含层的BP网络进行设计，如果增加隐含层的神经元数目无法满足误差要求，则再通过增加隐含层来提高精度。
②网络隐含层的神经元数确定
因为在网络结构上的实现以及训练时间的长短等因素考虑，增加神经元数要比增加隐含层的层数要简单的多。但是目前从理论上还没有明确规定选取多少隐含层节点数才符合设计要求，所以一般采用尝试法，通过选取不同隐含层神经元数来进行训练，最终选出合适的神经元数来匹配该网络。
当然目前有一个选取神经元数的经验公式可以参考，如下式所示：
其中，h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1-10之间的调节常数。
③网络初始权值的选取
网络初始权值的选取就是确定了网络的训练从误差曲面的哪一点开始通过梯度下降的方法到达最小值，在很大程度上回会影响训练是否达到局部最小值，从而影响该网络是否能够收敛以及训练时间的长短。所以一般情况下，可以选取区间为[-1,1]之间的随机数作为初始权值的大小。
④网络学习速率的确定
梯度下降算法的每次迭代受到学习率的影响，如果学习率α过小，则达到收敛所需的迭代次数会非常高，可能导致收敛很慢，但是如果学习率α过大，每次迭代可能不会减小代价函数，可能会越过局部最小值导致无法收敛，从而导致***的不稳定。综上所述，一般从较小的学习速率进行选取，先保证***的稳定性的情况下，选取区间在[0.01,0.8]中的α＝0.01,0.03,0.3,0.6,1,3,10的参数进行粗调整，然后再进行细调整。
刀具的特征向量值经过BP网络训练由下表4.2所示：
表4.2-BP神经网络实验分类结果数据
综上所述，相比于Softmax回归算法，BP神经算法能够使网络训练得误差较小，当在循环步数为910步左右时，其网络训练误差可小于6.5e-4，所以BP神经网络可以对刀具的磨损信号进行较好地状态识别。
步骤S4，根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
综上所述，本发明从成本以及实现方面归纳出对实际生产工况最有效的主轴电流信号的信号采集类型，然后对采集到的主轴电流信号进行小波包分析处理得到高频部分的信号，这些高频成分的信号能够很好地反应刀具的磨损状态，最后通过Softmax回归算法或BP神经网络进行磨损状态的判断，形成了一套合理有效地解决方案，
本发明对于设备使用率而言，刀具磨损状态的检测是通过外部传感器信号采集后对数据进行有效科学地分析后得出来的结果然后决定工人换刀，这大大地降低了人为因素的产生，这样就避免了工人进行频繁换刀导致的设备停机率和综合使用率，从而大大地增加了设备使用率，更进一步地减少了工厂的能耗成本。
根据本发明的另一方面，还提供了一种刀具磨损状态监控设备，该设备包括：
第一装置，用于采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
第二装置，用于对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
第三装置，用于根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
第四装置，用于根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
根据本发明的另一方面，还提供了一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (7)
1.一种刀具磨损状态监控方法，其中，该方法包括：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
根据刀具的磨损状态的特征向量值，并基于Softmax回归算法或BP神经网络算法，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态，包括：
预先编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms算法对主轴的电流值进行采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到主轴的电流值的多个样本数据，并对每个样本数据对应的刀具磨损状态进行记录。
2.根据权利要求1所述的方法，其中，采集驱动刀具的主轴的电流值，包括：
采集控制所述主轴的变频器电流的大小，作为所述驱动刀具的主轴的电流值。
3.根据权利要求1所述的方法，其中，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，包括：
利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析。
4.根据权利要求3所述的方法，其中，利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值，包括：
利用db7作为小波包分解的小波基，对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到3层共8个频段的能量谱；
利用各个频段的能量谱的数值大小，作为所述刀具的磨损状态的特征向量值。
5.一种刀具磨损状态监控设备，其中，该设备包括：
第一装置，用于采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态，包括：预先编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms对主轴的电流值进行采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到主轴的电流值的多个样本数据，并对每个样本数据对应的刀具磨损状态进行记录；
第二装置，用于对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
第三装置，用于根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，其中，所述第三装置根据刀具的磨损状态的特征向量值，并基于Softmax回归算法或BP神经网络算法，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
第四装置，用于根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型。
6.一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
根据刀具的磨损状态的特征向量值，并基于Softmax回归算法或BP神经网络算法，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态，包括：
预先编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms对主轴的电流值进行采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到主轴的电流值的多个样本数据，并对每个样本数据对应的刀具磨损状态进行记录。
7.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，所述计算机可执行指令被处理器执行时，使得所述处理器执行如下步骤：
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态；
对采集的所述电流值及记录的对应的刀具磨损状态进行小波包分析，得到刀具的磨损状态的特征向量值；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
根据刀具的各类磨损状态及对应的参数，对待检测刀具进行类型识别，得到待检测刀具的磨损状态的对应类型；
根据刀具的磨损状态的特征向量值，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数，包括：
根据刀具的磨损状态的特征向量值，并基于Softmax回归算法和BP神经网络，对刀具的磨损状态进行分类，得到刀具的各类磨损状态及对应的参数；
采集驱动刀具的主轴的电流值及记录对应的刀具磨损状态，包括：
预先编写好一段刀具轨迹程序，该刀具轨迹程序能够使主轴驱动刀具按照预设的进给速度进行稳定铣削，并每隔100ms对主轴的电流值进行采集，直到运行完第一次的刀具轨迹程序，并采集到主轴的电流值的第一个样本数据，并使用显微镜及卡尺观察第一次的刀具磨损程度，记录第一个样本数据对应的刀具磨损状态；再次反复进行多次实验，将主轴的电流值进行多次数据采集，得到主轴的电流值的多个样本数据，并对每个样本数据对应的刀具磨损状态进行记录。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811013995.XA CN108857577B (zh) | 2018-08-31 | 2018-08-31 | 刀具磨损状态监控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811013995.XA CN108857577B (zh) | 2018-08-31 | 2018-08-31 | 刀具磨损状态监控方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108857577A CN108857577A (zh) | 2018-11-23 |
| CN108857577B true CN108857577B (zh) | 2021-08-10 |
Family
ID=64322915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811013995.XA Active CN108857577B (zh) | 2018-08-31 | 2018-08-31 | 刀具磨损状态监控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108857577B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110421408B (zh) * | 2019-07-02 | 2021-07-02 | 绍兴安迪自动化设备有限公司 | 一种刀具磨损状态的监测方法 |
| CN111300146B (zh) * | 2019-11-29 | 2021-04-02 | 上海交通大学 | 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 |
| CN111626385A (zh) * | 2020-05-12 | 2020-09-04 | 北京杰西慧中科技有限公司 | 手术刀头、手术刀头识别***及方法 |
| CN111993155B (zh) * | 2020-06-16 | 2021-07-20 | 华南理工大学 | 一种基于激光雷达的机床防碰撞***及方法 |
| CN113312988B (zh) * | 2021-05-11 | 2022-12-09 | 清华大学 | 信号特征筛选及降维方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999058076A1 (de) * | 1998-05-08 | 1999-11-18 | Heribert Schmid | Arbeitsgerät für bohr-, schneid- und schraubwerkzeuge zu medizinischen zwecken |
| CN106181579B (zh) * | 2016-08-23 | 2018-04-17 | 西安交通大学 | 一种基于多传感器电流信号的刀具磨损监测方法 |
-
2018
- 2018-08-31 CN CN201811013995.XA patent/CN108857577B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108857577A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108857577B (zh) | 刀具磨损状态监控方法及设备 | |
| Cao et al. | Unsupervised domain-share CNN for machine fault transfer diagnosis from steady speeds to time-varying speeds | |
| Cao et al. | Combining translation-invariant wavelet frames and convolutional neural network for intelligent tool wear state identification | |
| Chen et al. | Predicting tool wear with multi-sensor data using deep belief networks | |
| Huda et al. | An ensemble oversampling model for class imbalance problem in software defect prediction | |
| Wang et al. | A kMap optimized VMD-SVM model for milling chatter detection with an industrial robot | |
| Kuo et al. | Multi-sensor integration for on-line tool wear estimation through radial basis function networks and fuzzy neural network | |
| Liang et al. | Data-driven anomaly diagnosis for machining processes | |
| Zheng et al. | Chatter detection in milling process based on the combination of wavelet packet transform and PSO-SVM | |
| Wang et al. | Force sensor based online tool wear monitoring using distributed Gaussian ARTMAP network | |
| Dorj et al. | A bayesian hidden markov model-based approach for anomaly detection in electronic systems | |
| Li et al. | Milling tool wear state recognition based on partitioning around medoids (PAM) clustering | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| CN113378725A (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
| CN111782624A (zh) | 基于人工智能和大数据的机床刀具振动监控和分析方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN114986258B (zh) | 刀具状态监测方法、装置、计算机设备及*** | |
| CN110928237A (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| Żabiński et al. | CNC milling tool head imbalance prediction using computational intelligence methods | |
| CN114227382B (zh) | 基于新型胶囊网络的刀具破损监测***及方法 | |
| Qin et al. | A novel online tool condition monitoring method for milling titanium alloy with consideration of tool wear law | |
| Maeda et al. | Method for automatically recognizing various operation statuses of legacy machines | |
| Gao et al. | New tool wear estimation method of the milling process based on multisensor blind source separation | |
| Cardoz et al. | Random forests based classification of tool wear using vibration signals and wear area estimation from tool image data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |