CN110549162A - 切削异常的检测方法、切削异常的检测装置 - Google Patents

Abstract

本发明提供一种切削异常的检测方法、切削异常的检测装置。该方法包括：获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。本发明采用了在加工过程中重要的刀具参数和原材料数据，能够实现更高的预测精度，降低加工过程中切削异常发生的概率，提高工件成品率。进一步地，采集了工件的表面粗糙度以用于切削异常的检测，能够进一步提高预测精度，可以避免不良品的产生。

Description

切削异常的检测方法、切削异常的检测装置

技术领域

本发明涉及金属加工领域，具体涉及一种在执行金属切削工艺的机床上的切削异常的检测装置、切削异常的检测方法。

背景技术

数控切削加工是当今制造装备行业中的重要环节之一，在当前的技术环境下，不仅要保证高效率、高精度的前提，还要做到低成本化。为配合切削加工技术的提升，近年来加工用刀具技术也随之不断提高，但随着单个刀具的寿命增加，高单价的刀具也就随之而来。

这些高价的刀具如若能安全使用，相对于过去的低价刀具固然可以降低生产成本，但在实际生产中难免因为一些干扰因素(如原材料的波动性、前加工不良、刀具尺寸波动性等)导致出现加工异常，造成的结果往往是刀具的快速磨损甚至刀具折断。此外，刀具作为金属切削过程的直接执行者，在高温和高压条件下，受工件、切屑的剧烈摩擦，不可避免地存在着刀具磨损现象，最终导致刀具状态的变化。而在刀具状态发生变化后，带来的影响是切屑力上升、工件表面粗糙度上升、加工尺寸异常等，甚至会影响整个数控加工***的正常运行，造成不可估量的损失。

针对这类突然出现的加工过程异常，一些机床设备厂商增设了过载保护来避免刀具失效，但这种方法需要设定的一定的电流阈值，一方面存在问题是当刀具长期处于较高负荷(但低于阈值)时，无法做到及时识别；另一方面当检测到高于阈值的负荷时，异常往往已经发生，此时即便紧急停机也很难做到刀具的及时保护。

现有技术中，如专利申请公开号为特许第3005663号公报，描述了避免发生加工异常的设想，但就具体如何实现这种方法、参数如何调整等并未提供技术细节。

还有一些现有技术通过机器学习来设置避免颤振和刀具损坏等异常发生的加工条件。但是在学习特征的选取上没有考虑刀具的相关特征，也没有考虑模具动刚性的相关数据，而模具的动刚性直接决定了该工况下产生颤振的加工条件区间，在缺失这些特征数据的情况下，现有技术的机器学习模型的精度难以保证。

发明内容

为了解决上述问题。本发明提供一种切削异常的检测方法、切削异常的检测装置、***、设备，可实现对切削加工过程中发生的加工异常的检测。

根据本发明的第一方面，提供一种切削异常的检测方法，包括：获取步骤，获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；确定步骤，将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

进一步地，通过以下方式建立预测模型：采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类和加工电流数据；将加工参数、刀具参数、原材料种类作为特征值，并将根据加工电流数据计算得到积分值作为目标值，通过机器学习训练预测模型。

进一步地，确定步骤包括：根据加工参数、刀具参数和原材料种类，预测机床的加工电流数据的积分值；判断预测的加工电流数据的积分值和加工数据中的加工电流数据的积分值的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常。

结合本发明的第一方面，本发明实施例的切削异常的检测方法还可以进一步包括：加工数据还包括加工成型的工件的表面粗糙度。

进一步地，通过以下方式建立预测模型：采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类、加工电流数据和表面粗糙度；将加工参数、刀具参数、原材料种类和加工电流数据作为特征值，并将表面粗糙度作为目标值，通过机器学习训练预测模型。

进一步地，确定步骤包括：根据加工参数、刀具参数、加工电流数据和原材料种类，预测工件加工成型后的表面粗糙度；判断预测的表面粗糙度是否符合预定条件；如果预测的表面粗糙度不符合预定条件，则确定刀具发生异常。

进一步地，判断预测的表面粗糙度是否符合预定条件包括：判断预测的表面粗糙度是否符合工件的设计规格；如果预测的表面粗糙度符合设计规格，则判断预测的表面粗糙度和下一个加工成型的工件的表面粗糙度的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常；如果预测的表面粗糙度不符合设计规格，则调整加工参数再次预测工件加工成型后的表面粗糙度，如果再次预测的表面粗糙度不符合设计规格，在确定刀具发生异常。

可选地，刀具参数包括刀具的刀具直径、刀具种类、刀具使用次数。

根据本发明实施例的第二方面，还提供一种切削异常的检测装置，包括：获取模块，用于获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；确定模块，用于将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

进一步地，还包括建立模块，用于建立预测模型；建立模块进一步包括：采集单元，用于采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类和加工电流数据；训练单元，用于将加工参数、刀具参数、原材料种类作为特征值，并将根据加工电流数据计算得到积分值作为目标值，通过机器学习训练预测模型。

进一步地，确定模块包括：预测单元，用于根据加工参数、刀具参数和原材料种类，预测机床的加工电流数据的积分值；判断单元，用于判断预测的加工电流数据的积分值和加工数据中的加工电流数据的积分值的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常。

结合本发明的第二方面，本发明实施例的切削异常的检测装置还可以进一步包括：加工数据还包括加工成型的工件的表面粗糙度。

进一步地，建立模块，用于建立预测模型；建立模块进一步包括：采集单元，用于采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类、加工电流数据和表面粗糙度；训练单元，用于将加工参数、刀具参数、原材料种类和加工电流数据作为特征值，并将表面粗糙度作为目标值，通过机器学习训练预测模型。

进一步地，确定模块包括：预测单元，用于根据加工参数、刀具参数、加工电流数据和原材料种类，预测工件加工成型后的表面粗糙度；判断单元，用于判断预测的表面粗糙度是否符合预定条件；如果预测的表面粗糙度不符合预定条件，则确定刀具发生异常。

本发明实施方式与现有技术相比，主要区别及其效果在于：

本发明采用了在加工过程中重要的刀具参数和原材料数据，能够实现更高的预测精度，降低加工过程中切削异常发生的概率，提高工件成品率。

进一步地，采集了工件的表面粗糙度以用于切削异常的检测，能够进一步提高预测精度，可以避免不良品的产生。

附图说明

图1是本实施本发明的方法的计算机终端的硬件结构框图。

图2示出了根据本发明实施例的切削异常的检测方法的流程图。

图3示出了根据本发明实施例的切削异常的检测装置的结构示意图。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明实施方式，提供了一种切削异常的检测方法的实施方式，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请方式所提供的方法实施方式可以在移动终端、计算机终端或者类似的运算装置(如ECU(Electronic Control Unit，电子控制单元))中执行。以运行在计算机终端上为例，图1是根据本发明实施方式的切削异常的检测方法的计算机终端的硬件结构框图。如图1所示，计算机终端100可以包括一个或多个(图中仅示出一个)处理器101(处理器101可以包括但不限于中央处理器CPU、图像处理器GPU、数字信号处理器DSP、微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于与用户交互的输入输出接口102、用于存储数据的存储器103、以及用于通信功能的传输装置104。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器103可用于存储应用软件的软件程序以及模块，如本发明实施方式中的切削异常的检测方法对应的程序指令/模块，处理器101通过运行存储在存储器103内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的切削异常的检测方法。存储器103可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器103可进一步包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置104用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端100的通信供应商提供的无线网络。在一个实例中，传输装置104包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置104可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在在上述运行环境下，本发明提供了如图2所示的切削异常的检测方法。该方法可以应用于智能终端设备中，由智能终端设备中的处理器执行，智能终端设备可以是智能手机、平板电脑等。智能终端设备中安装有至少一个应用程序，本发明实施方式并不限定应用程序的种类，可以为***类应用程序，也可以为软件类应用程序。

第一实施例

图2示出了根据本发明实施例的切削异常的检测方法200的流程图。

如图2所示，该方法具体处理流程如下所述：

S210、获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

S220、将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

此后，结束本流程。

根据本发明的一个实施例，通过以下方式建立预测模型：

采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类和加工电流数据；将加工参数、刀具参数、原材料种类作为特征值，并将根据加工电流数据计算得到积分值作为目标值，通过机器学习训练预测模型。

在步骤S220中，根据加工参数、刀具参数和原材料种类，预测机床的加工电流数据的积分值；判断预测的加工电流数据的积分值和加工数据中的加工电流数据的积分值的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常。

具体而言，首先采集用于训练预测模型的训练数据，其中包括加工参数，例如主轴回转速度/刀具转速、进刀量/进刀速度、切削量，诸如包括刀具直径、刀具种类、刀具使用次数的刀具参数，加工原材料种类、主轴加工电流数据即加工交流电流有效值。加工参数数据可以从诸如机床的加工设备中得到；而刀具参数可预先在加工设备中初始化刀具并输入刀具相关信息，便可得到刀具的相关数据；加工电流数据通过电流探头采集，采样频率约为100Hz至1000Hz左右，可选地为500Hz，此时采集到的电流数据为一组随时间变化的数据，对该数据中加工开始和结束之间部分的电流曲线和基准线的中间区域进行积分计算，得出的积分值用来衡量加工过程的电流数值的状况，其中，基准线通常可以选取加工设备空运转状态的电流曲线，该曲线一般为一条直线。

可以理解，为了确保预测模型精度，训练数据总量应不少于50组，其中，连续测量每把刀具从第一次使用开始至寿命到达额定使用次数上限得到的数据为一组数据。在训练过程中，将上述加工参数、刀具参数、原材料种类等作为训练的特征值，根据加工电流数据计算得到积分值作为目标值，利用诸如XGBoostRegressor等回归类算法进行训练。在一示例中，可采用交叉验证方式来训练模型，例如，可将随机70％的数据作为训练集，剩余30％数据作为验证集来验证预测模型的精度。算法的参数选择可利用贝叶斯优化来进行选取。完成上述的训练后可以得到预测模型。

根据本发明的实施例，计算机终端100在加工设备上执行上述检测方法，加工设备加工完一个工件后，工件加工的各项实际参数被传入预测模型，预测模型预测出加工电流数据的积分值，将该预测积分值与实际测得的加工电流数据的积分值进行比较，当预测值与实测值相差超过一预定阈值时，即可判定发生加工异常，需停机确认是否需要提前更换刀具。阈值可以根据预测模型的精度来选取，当模型精度较高时可以调低该阈值，作为一个示例，该阈值可以设置为正负20％。当预测值与实测值相差在合理范围内时则继续加工下一个工件。

如上所述，本发明的检测方法采用了在加工过程中重要的刀具参数和原材料数据，能够实现更高的预测精度，降低加工过程中切削异常发生的概率，提高工件成品率。

第二实施例

上文结合图2详细描述了根据本发明第一实施例的切削异常的检测方法200，下面将根据图2描述本发明的第二实施例的切削异常的检测方法，为了简略，与第一实施例相同部分在此省略具体描述。

在第二实施例中，加工数据还包括加工成型的工件的表面粗糙度。预测模型通过以下方式建立：采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类、加工电流数据和表面粗糙度；将加工参数、刀具参数、原材料种类和加工电流数据作为特征值，并将表面粗糙度作为目标值，通过机器学习训练预测模型。

在步骤S220中，根据加工参数、刀具参数、加工电流数据和原材料种类，预测工件加工成型后的表面粗糙度；判断预测的表面粗糙度是否符合预定条件；如果预测的表面粗糙度不符合预定条件，则确定刀具发生异常。

在一示例中，上述判断预测的表面粗糙度是否符合预定条件包括：判断预测的表面粗糙度是否符合工件的设计规格；如果预测的表面粗糙度符合设计规格，则判断预测的表面粗糙度和下一个加工成型的工件的表面粗糙度的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常；如果预测的表面粗糙度不符合设计规格，则调整加工参数再次预测工件加工成型后的表面粗糙度，如果再次预测的表面粗糙度不符合设计规格，在确定刀具发生异常。

具体而言，与第一实施例相同，首先采集用于训练预测模型的训练数据，其中训练数据相比于第一实施例进一步包括被加工件成型后的表面粗糙度。在预测模型训练时，加工参数、刀具参数、原材料种类以及加工电流数据等作为训练的特征值，被加工工件的表面粗糙度作为目标值进行训练。在训练中，采集得到的加工电流数据为一组随时间变化的数据，由于以诸如500Hz的频率采样电流数据时，在每个加工循环往往会有数千至万个数据点，若直接用于训练易造成维灾难，需先进行降维，降维过程可采用lasso算法进行特征提取。相同训练描述参见上述第一实施例。

根据本发明的实施例，计算机终端100在加工设备上执行根据本发明第二实施例的检测方法，加工设备加工完一个工件后，工件加工的各项实际参数被传入预测模型，预测模型对下一个工件的表面粗糙度进行预测。将表面粗糙度预测值同工件的设计规格进行比较，如果预测值在规格范围之外，则降低加工参数的进刀量，例如降低到80％再次进行表面粗糙度预测，如果第二次的预测值仍在规格范围之外，则确定需要更换刀具；如果预测值在规格范围之内，则对下一个工件进行加工。下一个工件加工完成后，对工件的表面粗糙度进行测量，将预测值和这个工件表面粗糙度的实测值进行比较，当预测值与实测值相差超过一预定阈值时，即可确定刀具磨损严重需要更换新刀具，如若相差不超过阈值则进入下一个加工循环。其中，该预定阈值可以根据刀具使用次数进行设定，例如，对于新使用的刀具，阈值可以设置为15％，然后该阈值可随着刀具的使用粗糙度值呈逐渐上升趋势，但具体到每个工件需考虑到一定的波动性。

如上所述，本发明的检测方法进一步采集了工件的表面粗糙度以用于切削异常的检测，能够在第一实施例的基础上进一步提高预测精度，可以避免不良品的产生。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable ArrayLogic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

第三实施例

图3是根据本发明示例性的实施例的切削异常的检测装置300的示意性框图。该检测装置用于执行上述方法流程，包括：

获取模块310，用于获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

确定模块320，用于将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

建立模块330，用于建立预测模型。

在一示例中，上述建立模块330还包括：

采集单元，用于采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类和加工电流数据；

训练单元，用于将加工参数、刀具参数、原材料种类作为特征值，并将根据加工电流数据计算得到积分值作为目标值，通过机器学习训练预测模型。

在一示例中，确定模块320进一步包括：

预测单元，用于根据加工参数、刀具参数和原材料种类，预测机床的加工电流数据的积分值；

判断单元，用于判断预测的加工电流数据的积分值和加工数据中的加工电流数据的积分值的差值是否大于预定阈值；

如果差值大于预定阈值，则确定刀具发生异常。

可选地，刀具参数包括所述刀具的刀具直径、刀具种类、刀具使用次数。

如上所述，本发明的检测装置采用了在加工过程中重要的刀具参数和原材料数据，能够实现更高的预测精度，降低加工过程中切削异常发生的概率，提高工件成品率。

第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

第四实施例

第四实施例是在第三实施例基础上进一步的变型。根据本发明第四实施例的检测装置用于执行上述方法流程，包括：

获取模块，用于获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

确定模块，用于将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

其中，加工数据还包括加工成型的工件的表面粗糙度。

建立模块，用于建立预测模型。

在一示例中，上述建立模块还包括：

采集单元，用于采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类、加工电流数据和表面粗糙度；

训练单元，用于将加工参数、刀具参数、原材料种类和加工电流数据作为特征值，并将表面粗糙度作为目标值，通过机器学习训练预测模型。

在一示例中，上述确定模块还包括：

预测单元，用于根据加工参数、刀具参数、加工电流数据和原材料种类，预测工件加工成型后的表面粗糙度；

判断单元，用于判断预测的表面粗糙度是否符合预定条件；

如果预测的表面粗糙度不符合预定条件，则确定刀具发生异常。

作为一个示例，判断预测的表面粗糙度是否符合预定条件包括：

判断预测的表面粗糙度是否符合工件的设计规格；

如果预测的表面粗糙度符合设计规格，则判断预测的表面粗糙度和下一个加工成型的工件的表面粗糙度的差值是否大于预定阈值；

如果差值大于预定阈值，则确定刀具发生异常；

如果预测的表面粗糙度不符合设计规格，则调整加工参数再次预测工件加工成型后的表面粗糙度，如果再次预测的表面粗糙度不符合设计规格，在确定刀具发生异常。

可选地，刀具参数包括刀具的刀具直径、刀具种类、刀具使用次数。

如上所述，本发明的检测装置进一步采集了工件的表面粗糙度以用于切削异常的检测，能够在第一实施例的基础上进一步提高预测精度，可以避免不良品的产生。

第二实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第二实施方式中。

进一步的，根据本发明的另一实施例，还提高一种切削加工***，该***包括如第三实施例和/或第四实施例描述的切削异常的检测装置，和与该装置连接的加工设备，例如机床。

进一步的，根据本发明的另一实施例，还提供一种非易失性存储介质，该非易失性存储介质具有存储在其中的指令，当该指令被执行时，使得处理器执行切削异常的检测方法，该指令包括：

获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

进一步的，根据本发明的另一实施例，还提供一种设备，包括存储器，存储有计算机可执行指令，处理器，处理器被配置为执行指令以实施切削异常的检测的过程，该过程包括：

获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的第一终端设备来实现。在列举了若干终端设备的单元权利要求中，这些终端设备中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管本文已公开了各种方面和实施例，但其它方面和实施例对于本领域技术人员而言将是明显的。本文公开的各种方面和实施例是为了说明的目的，而不意在进行限制，真实的范围应当由所附权利要求以及这样的权利要求所被授权的等效物的全部范围指示。还要理解，本文中使用的术语仅是为了描述特定实施例的目的，而不意在进行限制。

Claims (14)

1.一种切削异常的检测方法，其特征在于，包括：

获取步骤，获取机床的加工数据，所述加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

确定步骤，将所述加工数据输入预测模型中，以确定所述机床的刀具是否发生异常，其中，所述预测模型是通过对所述机床的多个训练数据进行机器学习得到的。

2.根据权利要求1所述的方法，其特征在于，通过以下方式建立所述预测模型：

采集多组所述训练数据，所述训练数据包括所述加工参数、所述刀具参数、所述原材料种类和所述加工电流数据；

将所述加工参数、所述刀具参数、所述原材料种类作为特征值，并将根据所述加工电流数据计算得到积分值作为目标值，通过机器学习训练所述预测模型。

3.根据权利要求2所述的检测方法，其特征在于，所述确定步骤包括：

根据所述加工参数、所述刀具参数和所述原材料种类，预测所述机床的加工电流数据的积分值；

判断预测的加工电流数据的积分值和所述加工数据中的加工电流数据的积分值的差值是否大于预定阈值；

如果所述差值大于所述预定阈值，则确定所述刀具发生异常。

4.根据权利要求1所述的检测方法，其特征在于，所述加工数据还包括加工成型的工件的表面粗糙度。

5.根据权利要求4所述的检测方法，其特征在于，通过以下方式建立所述预测模型：

采集多组所述训练数据，所述训练数据包括所述加工参数、所述刀具参数、所述原材料种类、所述加工电流数据和所述表面粗糙度；

将所述加工参数、所述刀具参数、所述原材料种类和所述加工电流数据作为特征值，并将所述表面粗糙度作为目标值，通过机器学习训练所述预测模型。

6.根据权利要求5所述的检测方法，其特征在于，所述确定步骤包括：

根据所述加工参数、所述刀具参数、所述加工电流数据和所述原材料种类，预测工件加工成型后的表面粗糙度；

判断预测的表面粗糙度是否符合预定条件；

如果预测的表面粗糙度不符合所述预定条件，则确定所述刀具发生异常。

7.根据权利要求6所述的检测方法，其特征在于，判断预测的表面粗糙度是否符合预定条件进一步包括：

判断预测的表面粗糙度是否符合所述工件的设计规格；

如果预测的表面粗糙度符合所述设计规格，则判断预测的表面粗糙度和下一个加工成型的所述工件的表面粗糙度的差值是否大于预定阈值；

如果所述差值大于所述预定阈值，则确定所述刀具发生异常；

如果预测的表面粗糙度不符合所述设计规格，则调整所述加工参数再次预测工件加工成型后的表面粗糙度，如果再次预测的表面粗糙度不符合所述设计规格，则确定所述刀具发生异常。

8.根据权利要求1-7任一项所述的检测方法，其特征在于，所述刀具参数包括所述刀具的刀具直径、刀具种类、刀具使用次数。

9.一种切削异常的检测装置，其特征在于，包括：

获取模块，用于获取机床的加工数据，所述加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；

确定模块，用于将所述加工数据输入预测模型中，以确定所述机床的刀具是否发生异常，其中，所述预测模型是通过对所述机床的多个训练数据进行机器学习得到的。

10.根据权利要求9所述的检测装置，其特征在于，还包括：

建立模块，用于建立所述预测模型；

所述建立模块进一步包括：

采集单元，用于采集多组所述训练数据，所述训练数据包括所述加工参数、所述刀具参数、所述原材料种类和所述加工电流数据；

训练单元，用于将所述加工参数、所述刀具参数、所述原材料种类作为特征值，并将根据所述加工电流数据计算得到积分值作为目标值，通过机器学习训练所述预测模型。

11.根据权利要求10所述的检测装置，其特征在于，所述确定模块包括：

预测单元，用于根据所述加工参数、所述刀具参数和所述原材料种类，预测所述机床的加工电流数据的积分值；

判断单元，用于判断预测的加工电流数据的积分值和所述加工数据中的加工电流数据的积分值的差值是否大于预定阈值；

如果所述差值大于所述预定阈值，则确定所述刀具发生异常。

12.根据权利要求9所述的检测装置，其特征在于，所述加工数据还包括加工成型的工件的表面粗糙度。

13.根据权利要求12所述的检测装置，其特征在于还包括：

建立模块，用于建立所述预测模型；

所述建立模块进一步包括：

采集单元，用于采集多组所述训练数据，所述训练数据包括所述加工参数、所述刀具参数、所述原材料种类、所述加工电流数据和所述表面粗糙度；

训练单元，用于将所述加工参数、所述刀具参数、所述原材料种类和所述加工电流数据作为特征值，并将所述表面粗糙度作为目标值，通过机器学习训练所述预测模型。

14.根据权利要求13所述的检测装置，其特征在于，所述确定模块包括：

预测单元，用于根据所述加工参数、所述刀具参数、所述加工电流数据和所述原材料种类，预测工件加工成型后的表面粗糙度；

判断单元，用于判断预测的表面粗糙度是否符合预定条件；

如果预测的表面粗糙度不符合所述预定条件，则确定所述刀具发生异常。