CN111347292B - 数控机床刀具状态监测及控制***与方法 - Google Patents
数控机床刀具状态监测及控制***与方法 Download PDFInfo
- Publication number
- CN111347292B CN111347292B CN202010108296.4A CN202010108296A CN111347292B CN 111347292 B CN111347292 B CN 111347292B CN 202010108296 A CN202010108296 A CN 202010108296A CN 111347292 B CN111347292 B CN 111347292B
- Authority
- CN
- China
- Prior art keywords
- tool
- cutter
- state
- machine tool
- abnormal
- 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 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000003754 machining Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 57
- 238000006073 displacement reaction Methods 0.000 claims description 42
- 238000005096 rolling process Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000007405 data analysis Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000003672 processing method Methods 0.000 abstract description 2
- 208000035874 Excoriation Diseases 0.000 description 19
- 238000005299 abrasion Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000009434 installation Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000004804 winding Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000003014 reinforcing effect Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003801 milling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了数控机床刀具状态监测及控制***与控制方法,实时采集到刀具加工过程中的异常振动信号;利用刀具状态预判断的模型对异常情况进行状态预判断并确定刀具发生异常的时间点;在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具图像的采集,实现对刀具异常状态做出准确判断。本公开的***在刀具状态判断上分为状态预判断及刀具的精确判断,且***在工作过程中占用短暂的设备正常运行时间,有效提高了机床的工作效率;本公开的***中刀具状态预判断基于机器学习理论原理,刀具状态的精确判断基于图像比对及分析处理方法。
Description
技术领域
本发明属于数控设备状态监测领域,尤其涉及数控机床刀具状态监测及控制***及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
机床作为制造加工行业的基础设备,对其进行状态监测具有重要意义。在数控加工过程,产品质量的保障及加工过程的安全性离不开对数控设备刀具的实时监测,其状态监测是数控设备监测的一个重要组成部分,如果不能对加工过程中刀具突发状况进行实时监测和采取有效的控制措施,则会对加工过程的连续性产生不同程度的影响,对整个制造产业造成不可估量的损失。
通过对相关文献查阅发现,设备刀具在加工过程中发生的非正常损坏,即刀具磨、破损情况的发生,如果得不到及时控制将直接导致所加工零件的损坏及报废,尤其是在刀柄及刀片加工过程中体现尤为明显,如果设备刀具发生异常不能及时检测及采取有效控制措施,可能导致成批量加工的刀柄及刀片不满足工艺要求,无法保证购买者在后续机加工中零件的精度及相关刀具使用寿命,并且在某些特殊加工工序中甚至会对机床设备造成不同程度的损伤。为了避免以上情况的发生,开发一套有效的刀具状态在线监测和控制***显得尤为重要,通过此***可以实现对刀具的有效管理,提高刀具的使用寿命,降低生产成本,提高加工效率,进而增加企业的生产效益。
刀具损坏是机床在加工过程中最常见的故障类型,许多机床生产商在制造过程中通常设计添加监测单元,包括对刀具状态的监测。然而由于加工制造工艺的***,所选用刀具也各不相同,故设备自身的监测***对刀具监测的适应性及准确率较低。
发明人在研究中发现,现有的刀具检测***存在采用检测切削力作为状态判断的依据,使***整体的分辨率较低,导致加工过程中切削力变化的因素十分复杂,故此***容易对刀具状态做出误判,影响机床正常的加工。
还有的刀具检测***需要在***中添加不同种类的传感器,开发的***需要将多个传感器进行融合,降低了***工作过程的稳定性。同时由于传感器的安装需要贴近刀具及其附近连接件,传感器与***处理器需要连线进行数据传输,很大程度上干扰机床的正常加工,阻碍了此种刀具状态监测方法在实际生产的应用。
还有的刀具检测方法可以对异常刀具状态进行有效的监测,但是随着企业传统制造向智能制造步伐的持续迈进,对刀具状态监测的精度要求越来越高同时实时性也要满足生产要求,故单独对刀具的异常状态的有效监测已经不再满足企业自动化产线向智能产线转变的技术要求,因此对刀具在线状态监测提出了精度更高,实时性更好的技术要求。
另外由于在实际加工过程中,刀具回转的速度变化范围较大,且存在加工过程中切削润滑方式等因素变化的情况,使现有装置在某些工况下无法起到很好的刀具状态监测功能。
现有技术中的机器视觉的机床刀具在位检测***的检测节奏不能实现自主化,或者由人工参与进行检测时间节点的设置,或者根据以往历经验设置自动检测节拍,在此方面的自动化检测中智能化程度相对欠缺。
发明内容
为克服上述现有技术的不足,本发明提供了数控机床刀具状态监测及控制***,该***能够在实现对刀具状态精确监测的同时,极大压缩刀具异常诊断过程的停机时间,提高机床的生产效率。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
数控机床刀具状态监测及控制***,包括:数据采集单元及数据分析处理单元;所述数据采集单元包括振动状态检测装置及机器视觉采集装置;
所述振动状态检测装置实时采集到刀具加工过程中的异常振动信号并传输至数据分析处理单元;
所述数据分析处理单元利用刀具状态预判断的模型对异常情况进行状态预判断并确定刀具发生异常的时间点;
所述机器视觉采集装置在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具图像的采集并传输至数据分析处理单元,实现对刀具异常状态做出准确判断。
本公开的实施例子还公开了数控机床刀具状态监测及控制***的控制方法,包括:
实时采集到刀具加工过程中的异常振动信号;
利用刀具状态预判断的模型对异常情况进行状态预判断并确定刀具发生异常的时间点;
在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具图像的采集,实现对刀具异常状态做出准确判断。
进一步的技术方案,对刀具进行状态预判断时,针对不同的故障类型分别处理,对于刀具破损,通过实时监测振动信号的瞬时变化情况即可实现对刀具破损状态的监测,对刀具磨损量的监测则通过机器学习SVM进行实时监测。
进一步的技术方案,对刀具磨损量的监测则通过机器学习SVM进行实时监测时,对采集的振动信号进行特征提取,作为SVM的输入,刀具磨损量作为输出,训练适合本***要求的刀具状态预判断的模型。
进一步的技术方案,以EMD经验模态分解和主成分分析两种信号处理方式结合的方法进行振动信号特征提取:
经过EMD方法分解就将原始电流振动信号分解成一系列IMF以及剩余部分的线性叠加;
采用主成分分析方法对EMD分解后得到的固有模态函数进行主成分分析,即将EMD分解后的各阶固有模态函数作为各组不相关的向量处理,最终得出EMD分解后电振动信号的主成分。
进一步的技术方案,根据实时监测的信号输入到SVM得到刀具磨损的估计值,设置磨损量阈值,当刀具磨损量大于设定阈值后,刀具会进入急剧磨损阶段。
进一步的技术方案,在机床发生刀具异常状态下,根据当前状态下刀具的参数信息从数据库中调取标准刀具几何图像与机器视觉采集的图像运用数据处理单元中专业图像处理功能模块进行多角度,多方位的几何尺寸对比计算,得出刀具是否发生异常及对异常刀具状态的具体量化,主要指刀具磨损量的具体数值及刀具是否发生破损。
进一步的技术方案,机床在加工过程中出现刀具异常状态后,发出机床停转指令,刀具上升至安全位置;
与此同时,机床同时向机器视觉采集装置发出开始工作指令,机器视觉采集装置根据机床内部传输的刀具位置坐标,将CCD相机快速输送至刀具周边位置后,向机床工作***发出刀具图像采集低速间歇旋转指令,主轴慢速间歇旋转,在主轴旋转间歇过程中刀具处于静止状态下,CCD相机进行快速对焦并在短时间内完成图像采集,此过程,主轴间歇旋转运动与镜头采集图像频率及动态图像采集情况下的对焦时间在节拍上契合,图像信号采集结束后,再次向机床发出主轴停转指令,使***处于非工作状态。
进一步的技术方案,机器视觉采集装置包括磁座部分,通过磁座部分将采集装置安装固定至工作刀台上,在刀台上将固定位置原点设置为机床中一个工件坐标系,作为整个机器视觉采集装置在机床坐标系中的一个工件坐标系,称其为零点坐标,在此零点坐标的串联下将外置的机器视觉采集装置的与机床坐标系建立连接,使图像采集装置成为数控加工***中的一部分;
固定位置为圆柱形刀台的圆周线与X轴方向的交点位置,保证其Y轴坐标点与刀具坐标点一致,在后续机器视觉采集装置工作过程中,只进行Z轴和X轴两个方向的运动即可满足此***的运动性能的要求,对刀具底部轴向方向的图像采集通过CCD镜头与刀杆连接部安装的旋转机构实现镜头沿Y轴线上下旋转。
进一步的技术方案,机器视觉采集装置只进行周向及轴向两个方位角度的图像采集;
在处于工作状态时通过X和Y方向轴上的导杆实现工作区域任意空间位置的到达,在两轴导杆的末端内部设置有位移传感器,通过位移传感器得出X轴和Z轴在工作时的坐标值,结合零点坐标在机床工件坐标系中位置数据,计算得出镜头位置在机床中的坐标,实现后续图像采集过程中的位置自动判断及调整。
以上一个或多个技术方案存在以下有益效果:
本公开将机器学习理论与机器视觉检测方法进行有机的结合。利用机器学习技术对传感器一维信号与刀具状态的映射关系对刀具进行状态预判断,其具有正确性较高及速度快的优点,然而基于机器学习理论的模型训练准确率难以达到万无一失,这样会对异常刀具的后续处理增加额外工作负担,在此基础上增加机器视觉监测模块,其作为一种直接监测方式,能够有效保证准确率,然而现代图像实时处理技术的速度难以达到工业现场生产的加工速度要求。本发明***能在数控设备加工过程中对机床刀具进行实时监测,当刀具状态异常发生,机器学习诊断模型能快速对异常情况进行异常监测与响应,机床停机,图像视觉***在短时间内完成刀具图像的采集后,进行换刀,继续加工,保证加工的连续性。数据分析处理单元后续对采集的刀具图像进行图像分析处理,最终实现刀具状态的精确判断,同时对刀具状态的预判断进行验证。通过两种技术的有效结合,实现了本***所提出的优益功能。本发明***各部分之间进行通讯连接,工作过程中根据不同状态各单元都实时进行状态的更新,通过智能控制计算机对加工过程进行实时智能控制。
本公开的***在刀具状态判断上分为状态预判断及刀具的精确判断,且***在工作过程中占用短暂的设备正常运行时间,有效提高了机床的工作效率。
本公开的***中刀具状态预判断基于机器学习理论原理,刀具状态的精确判断基于图像比对及分析处理方法。
本公开的数据采集单元由内置传感器的智能刀柄及由磁座固定在机床上可拆卸的机器视觉采集装置构成,内置传感器的智能刀柄保证检测刀具发生异常的精确时间点,机器视觉采集装置通过对刀具的图像采集及信息比对以保证对刀具状态做出精确判断;
本公开的智能刀柄安装有永久磁体,通过内部设计安装的由旋转滚动体及轴承等组成的减速机构,使内部线圈机构在加工过程中能通过电磁感应效应发电,使智能刀柄具有自供电功能。同时内部集成的传感器连接无线发射装置,解决了加工区域部分线路走线问题,不压缩机床正常工作空间;
本公开的机器视觉装置中采用CCD相机进行图像的采集,通过两个垂直连接的电动伸缩杆可将CCD相机输送至***指定检测位置完成图像采集,电动伸缩杆上装有位移传感器,可以对CCD相机位置坐标进行监测,使CCD空间坐标能在***中实时监测与控制;
本公开的数据库单元与其他各单元都进行通讯连接,使本***中各单元的数据信息能够实时共享,并且保证决策及控制单元根据实时信息对各单元进行有效控制;
本公开的***中各种硬件装置及软件***与现有的大多数机床匹配度高,并且安装方便,不需要对机床设备在很大程度上进行改造。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本公开实施例子的刀具在线状态检测及控制***结构图;
图2为本公开实施例子的视觉检测装置轴测图;
图3(a)-图3(b)为本公开实施例子的磁座与Z轴电动伸缩杆轴测图;
图3(c)为本公开实施例子的相机数据线收放装置固定箱体;
图4(a)为本公开实施例子的位移传感器与伸缩杆连接板;
图4(b)为本公开实施例子的图4(a)所示连接板A-A截面剖视图;
图5(a)为本公开实施例子的电动伸缩杆,连接部件及传感器装配图;
图5(b)为本公开实施例子的图5(a)B-B截面剖视图;
图5(c)为本公开实施例子的图5(a)ⅰ出局部放大图;
图6(a)为本公开实施例子的伸缩杆连接部件轴测图;
图6(b)为本公开实施例子的伸缩杆连接部件主视图;
图6(c)为本公开实施例子的图6(b)ⅱ处局部放大图;
图6(d)为本公开实施例子的图6(b)处C-C截面剖视图;
图7为本公开实施例子的圆锥销;
图8为本公开实施例子的X轴电动伸缩杆轴测图;
图9(a)为本公开实施例子的相机旋转支架固定装置;
图9(b)为本公开实施例子的相机旋转支架固定装置俯视图;
图9(c)为本公开实施例子伸缩杆连接装置,伸缩杆及相机旋转支架固定装置装配图;
图9(d)为本公开实施例子的图9(c)ⅲ处局部放大图;
图10(a)为本公开实施例子的相机旋转支架轴测图;
图10(b)为本公开实施例子的相机旋转支架及固定装置装配图;
图11为本公开实施例子的相机数据线收放装置***图;
图12(a)为本公开实施例子的相机数据线收放装置外壳;
图12(b)为本公开实施例子的滚轮安装箱下箱体;
图12(c)为本公开实施例子的滚轮安装箱下箱体俯视图;
图12(d)为本公开实施例子的图12(c)D-D截面剖视图;
图13(a)为本公开实施例子的滚轮安装箱轴测图;
图13(b)为本公开实施例子的滚轮安装箱上箱体轴测图;
图13(c)为本公开实施例子的滚轮安装箱下箱体轴测图;
图13(d)为本公开实施例子的滚轮安装箱装配主视图;
图13(e)为本公开实施例子的图13(d)处E-E截面剖视图;
图13(f)为本公开实施例子的滚轮安装箱法兰盖主视图;
图13(g)为本公开实施例子的图13(f)处F-F截面剖视图;
图14(a)为本公开实施例子的滚轮单元装配俯视图;
图14(b)为本公开实施例子的图14(a)处G-G截面剖视图;
图15为本公开实施例子的滚轮驱动电机轴测图;
图16(a)为驱动电机连接板主视图;
图16(b)为本公开实施例子的图16(a)处H-H截面剖视图;
图16(c)为本公开实施例子的图16(a)ⅳ处局部放大图;
图16(d)为本公开实施例子的电机与连接板连接示意图;
图16(e)为本公开实施例子的图16(d)ⅴ处局部放大图;
图17(a)为本公开实施例子的智能检测刀柄轴测图;
图17(b)为本公开实施例子的智能检测刀柄***图;
图18(a)与图18(b)为本公开实施例子的智能刀柄可替换安装的两种刀盘轴测图;
图19(a)与图19(b)为本公开实施例子的两种可转位式刀片轴测图;
图19(c)为本公开实施例子的刀片切削工件轴测图;
图20(a)为本公开实施例子的智能刀柄中部内部部件结构图;
图20(b)为本公开实施例子的智能刀柄中部主视图;
图20(c)为本公开实施例子的图20(b)处I-I截面剖视图;
图20(d)为本公开实施例子的智能刀柄中部剖视图
图21(a)为本公开实施例子的发电装置内部线圈轴测图;
图21(b)为本公开实施例子的线圈组装单元主视图;
图21(c)为本公开实施例子的图21(b)处J-J截面剖视图;
图21(d)为本公开实施例子的图21(b)ⅵ处局部放大图;
图22(a)为本公开实施例子的振动传感器单元轴测图;
图22(b)为本公开实施例子线圈固定轴承;
图23为本公开实施例子***各单元连接示意图;
图24为本公开实施例子初判断刀具异常后机床工作流程图;
图25为本公开实施例子可换位刀具刀片磨损示意图;
图26为本公开实施例子数控设备换刀装置轴测图;
图27为本公开实施例子刀具初判断模块原理图;
图28为本公开实施例子智能刀库单元轴测图;
图中Ⅰ、数据采集单元,Ⅱ、数据分析处理单元,Ⅲ、智能刀库单元,Ⅳ、异常刀具输送单元,Ⅴ、显示单元,Ⅵ、决策及控制单元、Ⅶ、数据库单元。
Ⅰ-01-磁座,Ⅰ-02-Z轴电动伸缩杆,Ⅰ-03-Z轴位移传感器连接板,Ⅰ-04-Z轴位移传感器,Ⅰ-05-滚轮安装箱,Ⅰ-06-滚轮安装箱固定壳,Ⅰ-07-伸缩杆连接部件,Ⅰ-08-圆锥销,Ⅰ-09-X轴电动伸缩杆,Ⅰ-10-X轴位移传感器连接板,Ⅰ-11-X轴位移传感器,Ⅰ-12-相机旋转支架固定装置,Ⅰ-13-X轴伸缩杆端固定螺母,Ⅰ-14-X轴伸缩杆端固定圆头螺母,Ⅰ-15-垫片,Ⅰ-16-CCD相机,Ⅰ-17-相机旋转支架;
Ⅰ-18-刀柄固定部,Ⅰ-19-加强环固定螺栓,Ⅰ-20-刀柄连接处加强环,Ⅰ-21-刀柄工作部,Ⅰ-22-加强环固定螺母,Ⅰ-23-刀盘安装止挡螺栓,Ⅰ-24-刀盘安装止挡快,Ⅰ-25-加工刀盘,Ⅰ-26-刀盘安装部。
Ⅰ-0101-固定凹槽,Ⅰ-0102-侧壁螺纹孔,Ⅰ-0103-磁座旋钮,Ⅰ-0201-固定凸台,Ⅰ-0202-第一螺纹孔,Ⅰ-0203-第二螺纹孔,Ⅰ-0204-圆锥销孔,Ⅰ-0601-水平侧壁连接通孔,Ⅰ-0602-底板连接通孔,Ⅰ-0603-垂直侧壁连接通孔,Ⅰ-0301-连接板通孔,Ⅰ-0302-阶梯孔,Ⅰ-0401-传感器连接头,Ⅰ-0201-伸缩杆圆锥销孔,Ⅰ-0701-伸缩杆链接部件圆锥销孔,Ⅰ-0702-传感器连接头固定螺纹孔,Ⅰ-0703-X轴伸缩杆固定孔,Ⅰ-0801-圆锥销拆卸螺纹孔,Ⅰ-0901-伸缩杆连接头,Ⅰ-0902固定键槽,Ⅰ-0903-连接螺纹孔,Ⅰ-1201-相机支架连接螺纹孔,Ⅰ-1202-连接键槽通孔,Ⅰ-1203-传感器连接头固定螺纹孔,Ⅰ-1701-相机固定卡扣,Ⅰ-1702-相机旋转驱动装置,Ⅰ-1703-连接螺纹孔;
Ⅰ-0501-滚轮箱体顶板,Ⅰ-0502-法兰盖连接固定螺栓,Ⅰ-0503-联轴节连接螺母,Ⅰ-0504-联轴节,Ⅰ-0505-平键,Ⅰ-0506-顶板连接螺栓,Ⅰ-0507-联轴节连接螺栓,Ⅰ-0508-滚轮驱动步进电机,Ⅰ-0509-电机固定螺栓,Ⅰ-0510-垫片,Ⅰ-0511-联轴节螺栓垫片,Ⅰ-0512-电机固定板,Ⅰ-0513-滚轮主箱体,Ⅰ-0514-滚轮主箱体部件连接螺栓,Ⅰ-0515-六角螺母,Ⅰ-0516-垫片,Ⅰ-0517-滚轮箱体下壳,Ⅰ-0518-滚轮箱体上下壳连接螺母,Ⅰ-0519-绕线滚轮,Ⅰ-0520-深沟球轴承,Ⅰ-0521-轴承套,Ⅰ-0522-滚轮箱体上壳,Ⅰ-0523-滚轮箱体上下壳连接螺栓,Ⅰ-0524-滚轮箱体端盖;
Ⅰ-051301-滚轮箱体下壳连接通孔,Ⅰ-050101-图像信号数据线孔,Ⅰ-050102-滚轮驱动电机电源线孔,Ⅰ-051201-驱动电机连接板固定孔,Ⅰ-051301-滚轮箱体下壳阶梯孔,Ⅰ-052201-滚轮箱体上壳侧壁螺纹孔,Ⅰ-052202-上下壳连接通孔,Ⅰ-050801-驱动电机固定螺纹孔,Ⅰ-051201-连接板固定电机连接孔,Ⅰ-051202-连接板及下壳连接通孔;
Ⅰ-2101-无线射频器,Ⅰ-2102-射频器固定架,Ⅰ-2103-固定架装配轴承,Ⅰ-2104-线圈上端支承轴承,Ⅰ-2105-旋转滚动体上端支承轴承,Ⅰ-2106-电源模块,Ⅰ-2107-旋转滚动体,Ⅰ-2108-旋转滚动体下端支撑轴承,Ⅰ-2109-法兰盖,Ⅰ-2115-信号发射孔,Ⅰ-2116-传感器数据线孔,Ⅰ-211001-线圈绕线凸台,Ⅰ-210401-电源储电模块,Ⅰ-210402-电源整流模块,Ⅰ-211002-电线输送管,Ⅰ-2112-中轴传送线管,Ⅰ-2113-振动传感器,Ⅰ-2114-振动传感器固定夹,Ⅰ-211401-固定夹定位孔,Ⅰ-211402-数据线孔,Ⅰ-2111-线圈固定轴承,Ⅰ-211101-固定夹定位螺纹孔,Ⅰ-211102-线圈固定槽,Ⅰ-211103-传感器固定孔,,Ⅰ-211104-轴承滚动体及支架,Ⅰ-211105-轴承底部外圈。
Ⅲ-01-智能刀库固定孔,Ⅲ-02-刀套,Ⅲ-03-刀库换刀口,Ⅲ-04-刀库换刀驱动装置,Ⅲ-05-刀库固定架,Ⅲ-06换刀固定台,Ⅲ-07-换刀旋转轴,Ⅲ-08-换刀夹手。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
参见附图1所示,本实施例公开了数控机床刀具状态监测及控制***,包括数据采集单元Ⅰ,数据分析处理单元Ⅱ,Ⅶ数据库单元,Ⅵ决策及控制单元,智能刀库单元Ⅲ,显示单元Ⅴ及异常刀具输送单元Ⅳ。***通过数据采集和数据分析处理单元可以实现刀具状态的精确判断,智能刀库单元和决策及控制单元实现机床刀具异常情况下新刀具的更换及异常刀具的精确判断分类及后续智能处理。
在一实施例子中,图23为***各单元连接示意图;数据采集单元包括功率传感器、数据采集卡、工业CCD相机及AD转换器,完成数据的采集并传输至数据分析及处理单元,数据分析及处理单元包括工业计算机及工业计算机运行的软件处理模块,数据分析及处理单元与决策及控制单元通信,决策及控制单元包括工业计算机中央处理器及数控机床控制***,决策及控制单元与智能刀库单元通信,智能刀库单元包括盘行刀库、换刀装置及刀库智能模块,辅助设备为工业机械抓手,智能刀库单元、决策及控制单元及数据分析及处理单元、数据库服务器分别与显示单元通信,进行所需数据的显示。
具体实施例子中,数据采集单元结构及部件连接方式如下:数据采集单元Ⅰ分为两部分,包括振动状态检测装置及视觉检测装置,视觉检测装置主体由电动伸缩杆及拉绳式位移传感器组成,通过其他辅助装置组装成可拆卸的外置式图像视觉采集装置。
视觉检测装置的实现方式参见附图2所示,视觉检测装置包括相机、X轴位移传感器Ⅰ-11、Z轴位移传感器Ⅰ-04及磁座Ⅰ-01;
所述Z轴位移传感器Ⅰ-04通过Z轴电动伸缩杆Ⅰ-02固定在磁座的一侧,磁座的底侧通过伸缩杆连接部件Ⅰ-07连接至X轴电动伸缩杆,X轴电动伸缩杆连接有X轴位移传感器,X轴电动伸缩杆还连接至相机旋转支架固定装置,所述相机旋转支架固定装置Ⅰ-12上安装有相机旋转支架,相机旋转支架Ⅰ-17上安装有相机,所述磁座安装固定至工作刀台上。
其中,磁座的一侧还安装有滚轮安装箱Ⅰ-05,滚轮安装箱安装在滚轮安装箱固定壳Ⅰ-06内,伸缩杆连接部件上设置有圆锥销Ⅰ-08,Z轴位移传感器与Z轴电动伸缩杆通过Z轴位移传感器连接板Ⅰ-03依靠螺栓进行固定安装,X轴位移传感器与X轴电动伸缩杆Ⅰ-09通过X轴位移传感器连接板Ⅰ-10依靠螺栓进行固定安装,X轴电动伸缩杆的一端利用X轴伸缩杆端固定圆头螺母Ⅰ-13、X轴伸缩杆端固定螺母Ⅰ-14及垫片Ⅰ-15安装在相机旋转支架固定装置上。
在一实施子中,相机采用CCD相机Ⅰ-16,X轴位移传感器、Z轴位移传感器采用拉绳式位移传感器。
具体实施例子中,磁座与Z轴电动伸缩杆轴测图参见附图3(a)、3(b)所示,图3(a)中,磁座Ⅰ-01侧壁开有侧壁螺纹孔Ⅰ-0102,磁座的另一侧中部开有固定凹槽Ⅰ-0101,磁座的顶部安装有磁座旋钮Ⅰ-0103,
图3(b)中,Z轴电动伸缩杆的杆体的一端开设有圆锥销孔Ⅰ-0204,Z轴电动伸缩杆的杆体的另一端为固定凸台,固定凸台两个侧面上分别设置有第一螺纹孔Ⅰ-0202及第二螺纹孔Ⅰ-0203。
具体实施例子中,图3(c)为相机数据线收放装置固定箱体结构示意图,该箱体上底板上开设有底板连接通孔Ⅰ-0602,垂直侧壁上开设有垂直侧壁连接通孔Ⅰ-0603,另一垂直侧壁的上边缘向外水平延申,形成水平侧壁,开设有水平侧壁连接通孔Ⅰ-0601。
具体实施例子中,图4(a)为位移传感器与伸缩杆连接板结构图;图4(b)为图4(a)所示连接板A-A截面剖视图;
X轴位移传感器连接板及Z轴位移传感器连接板为相同的结构,板上分别开设有连接板通孔Ⅰ-0301及阶梯孔Ⅰ-0302,在一实施例子中,阶梯孔为4个,位于连接板的中部,连接板通孔为4个,两个一组,分别位于连接板的靠近两端的结构上。
位移传感器主体部分固定在电动伸缩杆的驱动设备上,另一端固定于伸缩杆末端。CCD相机与X轴电动伸缩杆末端通过旋转控制器连接,能实现Y轴方向旋转,配合X轴及Y轴的直线位移即可实现对刀具图像的有效采集。
具体实施例子中,图5(a)为电动伸缩杆,连接部件及传感器装配图;图5(b)为图5(a)B-B截面剖视图;图5(c)为图5(a)ⅰ出局部放大图;
伸缩杆连接部件Ⅰ-07开设的伸缩杆圆锥销孔Ⅰ-0204与伸缩杆链接部件Ⅰ-07圆锥销定位孔Ⅰ-0701相匹配,伸缩杆连接部件Ⅰ-07还设置有传感器连接头固定螺纹孔Ⅰ-0702,用于固定传感器,Z轴位移传感器Ⅰ-04的下端为传感器连接头Ⅰ-0401。
具体实施例子中,图6(a)为伸缩杆连接部件轴测图;图6(b)为伸缩杆连接部件主视图;图6(c)为图6(b)ⅱ处局部放大图;图6(d)为图6(b)处C-C截面剖视图;
伸缩杆连接部件Ⅰ-07的端部底座的侧壁上开设有X轴伸缩杆固定孔Ⅰ-0703。
具体实施例子中,图7为圆锥销结构,圆锥销的底部开设有圆锥销拆卸螺纹孔Ⅰ-0801。
图8为X轴电动伸缩杆轴测图;X轴电动伸缩杆的一端为伸缩杆连接头Ⅰ-0901,伸缩杆连接头上开有固定键槽Ⅰ-0902,X轴电动伸缩杆的另一端的底座上开设有连接螺纹孔Ⅰ-0903。
图9(a)为相机旋转支架固定装置;图9(b)为相机旋转支架固定装置俯视图;图9(c)为伸缩杆连接装置,伸缩杆及相机旋转支架固定装置装配图;图9(d)为图9(c)ⅲ处局部放大图;
相机旋转支架固定装置的上部支撑结构上开设相机支架连接螺纹孔Ⅰ-1201,用于与相机固定,中部支撑结构开设连接键槽通孔Ⅰ-1202,用于与X轴电动伸缩杆固定键槽相连,底部支撑结构上开设传感器连接头固定螺纹孔Ⅰ-1203。
图10(a)为相机旋转支架轴测图;图10(b)为相机旋转支架及固定装置装配图;相机旋转支架上设置有相机固定卡扣Ⅰ-1701,相机旋转驱动装置Ⅰ-1702,机旋转驱动装置上开设有连接螺纹孔Ⅰ-1703,用于与相机支架连接螺纹孔Ⅰ-1201配合,实现与相机旋转支架固定装置的连接。
图11为相机数据线收放装置***图;相机数据线收放装置包括滚轮主箱体Ⅰ-0513,所述滚轮主箱体上为滚轮箱体顶板Ⅰ-0501,利用顶板连接螺栓Ⅰ-0506将滚轮箱体顶板固定在滚轮主箱体上,滚轮主箱体采用滚轮主箱体部件连接螺栓Ⅰ-0514固定。
轴承套Ⅰ-0521、深沟球轴承Ⅰ-0520、绕线滚轮Ⅰ-0519、滚轮箱体端盖Ⅰ-0524、法兰盖连接固定螺栓Ⅰ-0502、联轴节连接螺母Ⅰ-0503、联轴节Ⅰ-0504、Ⅰ-0511-联轴节螺栓垫片、平键Ⅰ-0505、联轴节连接螺栓Ⅰ-0507、滚轮驱动步进电机依次配合连接,滚轮驱动步进电机Ⅰ-0508利用电机固定螺栓Ⅰ-0509及垫片Ⅰ-0510固定在电机固定板Ⅰ-0512上,滚轮箱体下壳Ⅰ-0517及滚轮箱体上壳Ⅰ-0522通过滚轮箱体上下壳连接螺母Ⅰ-0518、滚轮箱体上下壳连接螺栓Ⅰ-0523、六角螺母Ⅰ-0515、垫片Ⅰ-0516进行固定连接。
图12(a)为相机数据线收放装置外壳;图12(b)为滚轮安装箱下箱体;图12(c)为滚轮安装箱下箱体俯视图;图12(d)为图12(c)D-D截面剖视图;
滚轮主箱体上开设有滚轮箱体下壳连接通孔Ⅰ-051301、图像信号数据线孔Ⅰ-050101、滚轮驱动电机电源线孔Ⅰ-050102、驱动电机连接板固定孔Ⅰ-051201、滚轮箱体下壳阶梯孔Ⅰ-051301。
图13(a)为滚轮安装箱轴测图;图13(b)为滚轮安装箱上箱体轴测图;图13(c)为滚轮安装箱下箱体轴测图;图13(d)为滚轮安装箱装配主视图;图13(e)为图13(d)处E-E截面剖视图;图13(f)为滚轮安装箱法兰盖主视图;图13(g)为图13(f)处F-F截面剖视图;
滚轮安装箱上箱体上开设有滚轮箱体上壳侧壁螺纹孔Ⅰ-052201及上下壳连接通孔Ⅰ-052202。
滚轮箱体下壳上开设有上下壳连接通孔1Ⅰ-051701、法兰盖连接螺纹孔Ⅰ-051702及滚轮箱体下壳与滚轮主箱体连接通孔Ⅰ-051703。
上下壳连接通孔1Ⅰ-051701及上下壳连接通孔2Ⅰ-052202相配合安装螺栓,实现滚轮安装箱。
图14(a)为滚轮单元装配俯视图;图14(b)为图14(a)处G-G截面剖视图;
滚轮单元装配时,利用深沟球轴承外圈Ⅰ-052001、深沟球轴承内圈Ⅰ-052002、法兰盖连接定位孔Ⅰ-052401及法兰盖内顶圈Ⅰ-052402进行定位装配。
图15为滚轮驱动电机轴测图;电机固定板上开设有连接板固定电机连接孔Ⅰ-051201、连接板及下壳连接通孔Ⅰ-051202,滚轮驱动步进电机利用驱动电机固定螺纹孔安装在电机固定板上。
图16(a)为驱动电机连接板主视图;图16(b)为图16(a)处H-H截面剖视图;图16(c)为图16(a)ⅳ处局部放大图;图16(d)为电机与连接板连接示意图;图16(e)为图16(d)ⅴ处局部放大图。
图17(a)为智能检测刀柄轴测图;图17(b)为智能检测刀柄***图;刀柄包括刀柄固定部Ⅰ-18、刀柄工作部及加工刀盘。刀柄固定部、刀柄工作部之间设置有刀柄连接处加强环,刀柄连接处加强环Ⅰ-20通过加强环固定螺栓Ⅰ-19、加强环固定螺母Ⅰ-22固定,刀柄工作部Ⅰ-21与加工刀盘之间设置有刀盘安装止挡螺栓Ⅰ-23、刀盘安装止挡块Ⅰ-24,加工刀盘Ⅰ-25安装在刀盘安装部Ⅰ-26上,刀盘安装部与刀柄工作部螺纹连接。
图18(a)为侧边铣刀盘轴测图,图18(b)为平面铣刀盘轴测图;图19(a)为一种平面铣可转位刀片轴测图;图19(b)为一种开槽加工刀具可更换刀片轴测图;图19(c)为刀片切削工件轴测图。
图20(a)为智能刀柄中部内部部件结构图,图20(b)为智能刀柄中部主视图;图20(c)为图20(b)处I-I截面剖视图;图20(d)为智能刀柄中部剖视图。
智能刀柄内部依次设置有无线射频器Ⅰ-2101,射频器固定架Ⅰ-2102,固定架装配轴承Ⅰ-2103,线圈上端支承轴承Ⅰ-2104,旋转滚动体上端支承轴承Ⅰ-2105,电源模块Ⅰ-2106,旋转滚动体Ⅰ-2107,旋转滚动体下端支撑轴承Ⅰ-2108,法兰盖Ⅰ-2109,上述部件依次装配安装在智能刀柄内部。
智能刀柄的柄壳上开设有信号发射孔Ⅰ-2115及传感器数据线孔Ⅰ-2116。
图21(a)为发电装置内部线圈轴测图;图21(b)为线圈组装单元主视图;图21(c)为图21(b)处J-J截面剖视图;图21(d)为图21(b)ⅵ处局部放大图。
发电装置包括线圈绕线凸台Ⅰ-211001;
线圈上端支承轴承上分别安装有电源储电模块Ⅰ-210401、电源整流模块Ⅰ-210402,电线输送管Ⅰ-211002、振动传感器固定夹Ⅰ-2114、振动传感器Ⅰ-2113、换向轴承Ⅰ-2111。
图22(a)振动传感器单元轴测图;发电装置内部线圈:数据线孔Ⅰ-211402、振动传感器Ⅰ-2113、固定夹定位孔Ⅰ-211401、中轴传送线管Ⅰ-2112;数据线孔Ⅰ-211402通过中轴传送线管Ⅰ-2112保持在同一轴线上,螺栓通过固定夹定位孔Ⅰ-211401固定振动传感器。
图22(b)线圈固定轴承;线圈组装单元包括:固定夹定位螺纹孔Ⅰ-211101,线圈固定槽Ⅰ-211102,传感器固定孔Ⅰ-211103,轴承滚动体及支架Ⅰ-211104,轴承底部外圈Ⅰ-211105。固定夹定位螺纹孔Ⅰ-211101与固定夹定位孔Ⅰ-211401通过螺栓将传感器紧紧固定在线圈单元上。将振动传感器Ⅰ-2113安装在传感器固定孔Ⅰ-211103中定位并用粘合剂固定,保证刀具振动信号的有效传递。
图26为数控设备换刀装置轴测图;数控设备换刀装置包括换刀固定台Ⅲ-06及换刀夹手Ⅲ-08,换刀固定台Ⅲ-06及换刀夹手Ⅲ-08通过换刀旋转轴Ⅲ-07连接。
图28为智能刀库单元轴测图;智能刀库单元包括刀库固定架Ⅲ-05,所述刀库固定架内设置有刀套Ⅲ-02,刀库固定架的底部为刀库换刀口Ⅲ-03,刀库固定架上开设有智能刀库固定孔Ⅲ-01,刀库固定架还设有刀库换刀驱动装置Ⅲ-04。
在具体实施例子中,磁座Ⅰ-01侧壁开有侧壁螺纹孔Ⅰ-0102,与滚轮安装箱固定壳上水平侧壁连接通孔Ⅰ-0601配合安装固定螺栓,同时Z轴电动伸缩杆上第二螺纹盲孔Ⅰ-0203与垂直侧壁连接通孔Ⅰ-0603安装固定螺栓,通过以上两处连接可将滚轮安装箱Ⅰ-05安装至固定壳内,使其处于指定工作位置。磁座跟Z轴电动伸缩杆通过固定凹槽Ⅰ-0101和固定凸台Ⅰ-0201配合安装,依靠重力等完成伸缩杆的轴向固定安装,通过以上连接方式实现了可拆卸方便,便于对装置损坏部件进行更换,提高了装置的使用寿命,并且使其安装操作简单。Z轴位移传感器与电动伸缩杆通过Z轴位移传感器连接板Ⅰ-03依靠螺栓进行固定安装,普通螺栓通过连接板通孔Ⅰ-0301将连接板固定在电动伸缩杆上,通过穿过连接板阶梯孔Ⅰ-0302的沉头螺钉固定住位移传感器,装配图如图5(a)电动伸缩杆,连接部件及传感器装配图所示,固定后传感器连接头Ⅰ-0401与伸缩杆连接部件Ⅰ-07上连接头螺纹孔保持在同一轴线上,使连接后的拉绳保持与水平面垂直,此种安装方式保证测量相机的竖直位移的准确性。
同理,X轴拉绳式位移传感器与伸缩杆的连接方式与上述所述方法相同,X轴位移传感器连接头以同样的连接方式固定在相机旋转支架固定装置Ⅰ-12传感器连接头固定螺纹孔Ⅰ-1203处,使X轴传感器的拉绳方位与水平面平行,保证测量相机的水平位移的准确性。相机两个方位的直线移动是通过两个电动伸缩杆来完成,并且两个伸缩杆通过伸缩杆连接部件Ⅰ-07进行连接,Z轴伸缩杆通过杆部底端的螺纹与连接部件内部螺纹孔连接起来,螺纹连接的剖视图如图5(b)中图5(a)中B-B截面的剖视图所示,并通过圆锥销Ⅰ-08进行锁定,避免在往复直线运动中部件之间出现松动等不良情况,X轴电动伸缩杆通过螺栓穿过X轴伸缩杆固定孔Ⅰ-0703固定在螺纹孔Ⅰ-0903处,前后端面共计四个螺纹连接部位,保证连接强度。X轴电动伸缩杆末端螺纹杆Ⅰ-0901上开有键槽Ⅰ-0902,通过安装平键对安装的相机旋转支架固定装置Ⅰ-12进行周向定位,同时通过v垫片Ⅰ-15,固定螺母Ⅰ-13及圆头螺母Ⅰ-14对其进行轴向定位,采用双螺母紧固结构能够在很大程度上起到防松作用。相机旋转支架固定装置连接了相机部分与平移装置部分。
整个X轴及直接连接部件的装配图如图9(c)伸缩杆连接装置,伸缩杆及相机旋转支架固定装置装配图所示。相机旋转支架Ⅰ-17通过沉头螺钉Ⅰ-1201固定在相机旋转支架固定装置Ⅰ-12上,如图10(b)相机旋转支架及固定装置装配图所示。相机支架旋转装置Ⅰ-1702,内置步进电机及控制单元驱动相机按指定角度进行绕机床Y轴旋转,在安装方式及部件结构能够实现特定角度的图像采集。相机支架卡扣Ⅰ-1701,方便CCD相机的拆卸更换,满足***按照不同功能要求更换相机。
视觉***滚轮部分主要满足伸缩杆运动过程中相机数据线及电机电源线等动态长度调整,运动过程在下文中相机运动功能设计中详细阐述。所有部件都集成安装在滚轮安装箱Ⅰ-05内,主体结构为连接有控制单元的步进电机Ⅰ-0508驱动线滚轮Ⅰ-0519,根据***指令线收放长度,控制单元控制步进电机旋转对应转数,线束缠绕在滚轮滚槽中,通过电机的正反转实现线束的收放,绕线滚轮Ⅰ-0519安装滚轮箱体Ⅰ-0517下壳中,下壳通过其定位通孔及箱体阶梯孔Ⅰ-051201进行定位安装,由沉头螺栓Ⅰ-0514,螺母Ⅰ-0515及垫片Ⅰ-0516进行螺栓连接,同理驱动电机安放在电机连接板上,电机连接板同样按照螺栓连接方式安装固定在滚轮主箱体,保证了滚轮及电机主轴轴线重合,两轴通过联轴节Ⅰ-0504和平键Ⅰ-0505进行连接,使电机能带动滚轮旋转。滚轮Ⅰ-0519安放在滚轮箱体内,箱体分上下两部分,内部铸造出设计特定结构的型腔,配合轴承套Ⅰ-0521,深沟球轴承Ⅰ-0521,端部法兰盖Ⅰ-0524及特定结构的型腔完成滚轮的装配,装配后的剖视图如图14(b)中图14(a)G-G截面剖视图所示,最终滚轮箱体上下壳及法兰盖由特定位置螺栓完成连接及整个结构的封装。
在具体实施例子中,振动信号采集由智能刀柄完成,智能刀柄内置振动传感器,并且通过旋转带动机构实现加工过程中智能刀柄的自发电,供给振动传感器及顶部无线信号发射装置使用。智能刀柄主体由刀柄固定部Ⅰ-18,刀柄核心工作部Ⅰ-21刀盘固定部Ⅰ-26组成。刀柄核心工作部Ⅰ-19为中空部件,内部集成各种工作部件,上下两端口处为螺纹孔,刀柄上下两部分都加工有螺纹,通过螺纹连接实现三个部分的整体连接。为了保证刀柄整体强度,在螺纹连接处通过刀柄加强环Ⅰ-20对连接处进行部件固定,保证刀柄在加工过程中拥有足够的抗变形强度。刀盘用以安装各种刀片,根据不同加工过程可更换不同的刀盘,如图18所示两种不同刀盘,不同刀盘可安装不同型号的刀片,如图19(a)与图19(b)可转位式刀片轴测图所示,实现***对各种安装不同刀片的监测功能。
刀柄工作部Ⅰ-21内部有发电装置,发电原理为电磁感应原理,刀柄在加工过程中高速旋转,带动内部发电装置滚动体Ⅰ-2107跟随旋转,其跟随旋转主要通过圆柱滚动体与工作部内壁摩擦力作用,滚动体Ⅰ-2107轴测图如图20(a)智能刀柄中部内部部件结构图所示,其顶部与底部采用如图22(b)智能刀柄中部主视图所示的轴承,此轴承滚动体及保持架Ⅰ-211104如图22(b)智能刀柄中部主视图中相应部件所示,滚动体上下两个支撑体为内、外圈,规定上部为内圈,下部为外圈。在滚动体作用下内、外圈可相对旋转。此发电装置中所有轴承均采用此种类型的轴承。滚动体及两端轴承安装在刀柄工作部中空部分内,底部通过法兰盖将滚动体封装在工作部中空型腔内,旋转滚动体Ⅰ-2107内安装线圈,线圈轴测图如图21(a)发电装置内部线圈轴测图所示,线圈固定在安装在旋转滚动体下端封闭实体上的减速轴承上减速轴承底部外圈与封闭实体过渡配合,减速轴承Ⅰ-211102凹槽形状跟线圈凸起部分形状相同,可实现***式安装。刀柄高速旋转带动旋转滚动体跟随旋转,旋转滚动体带动减速轴承底部外圈旋转,顶部内圈在滚动体摩擦力的作用下同样跟随旋转,在通过此机构后,刀柄高速旋转,然而内部线圈以很慢的速度跟随旋转,两者产生一个很大转差率,在刀柄中空内部安装永久磁铁,线圈部分集成闭合线圈,在此种旋转状态下永久磁铁由于旋转产生变化的磁场,使闭合线圈切割磁感线,产生电流,闭合线圈产生的电流通过图21(c)中21(b)J-J截面剖视图所示,电流输送部分Ⅰ-211002输送至电流整流模块Ⅰ-210402进行整流后储存在储电模块Ⅰ-210401中,通过内部供电管路由电源线给振动传感器及无线射频发射装置提供电源。发电装置及上部无线信号发射装置中间有特定材料制成的磁场屏蔽板,用以屏蔽发电装置磁场对无线射频装置在信号传输过程中的磁场干扰。线圈内部集成振动传感器,通过固定架Ⅰ-2114固定在减速轴承上,用以获取加工过程中由于刀具变化实时产生的振动信号,线圈内部集成部件装配剖视图如图21(c)中21(b)线圈组装单元主视图所示。
各单元通过智能模块进行通讯以实现信息互通,进而实现总控***在不同阶段对动作进行优先级的排序,以保障机床的正常运转。如图24初判断刀具异常后机床工作流程图所示,当机床刀具状态异常时,机器视觉***与机床伺服***进行连接,伺服***接受机器视觉***的动作指令,配合机器视觉***完成图像的采集后,断开连接,恢复机床正常加工。同时能实现各个单元对加工参数的实时获取,以实现各部分按照加工要求完成既定工作。如向***输入加工精度后,刀具监测单元实时获取,则对刀具异常预判断阈值进行实时更改,保证机床的刀具能一直处于有效状态。
***核心运算部分由外置工业计算机执行,包括对各个子***实时数据的实时获取与分析判断决策,针对不同工况向各个子***的命令发送传达,各个机床不同阶段动作的执行及子***工作的协调分配等。
数据库单元Ⅶ用以对智能监控过程中产生的海量数据进行储存,在此***中主要针对刀具监测过程中采集的振动信号及机器视觉采集的图像信号进行信号数据的存储及与***之间的传输,同时本单元中数据库同时完成数控机床加工中设计及工艺参数,该数据多数情况下呈现动态模式,需要在设计及制造过程中随机储存。本***最终实现的功能要求除了在显示界面进行实时显示之外,还应具备相关制造及企业管理人员能随时对数控设备信息进行实时查询,故本***选取基于C/S结构的Web数据库***作为数据库单元的主要工作载体,通过与整个***的通讯连接实现数据的输入储存及数据的输出,成为各个***运行的中转站,极大的节省了工业计算机的内存负荷,为***的正常稳定运行提供保障,同时能实现相关人员通过手机等智能设备通过Web客户端实现设备信息的实时获取。由于现代数据库已经具备全面的数据中心处理的能力,飞快的性能以及无限制的虚拟化能力,使得本***中的数据库可以在完成本***数据库功能的同时兼顾数控设备其他***数据存储的功能要求,即此模块在实际应用中拥有可扩展能力。
决策及控制单元Ⅵ主要由外置工业计算机及数控设备内部控制***组成。当专业计算机内部处理器对采集数据进行如上所述的智能分析后得出决策,进而通过给机床控制***下达指令完成不同的动作。
智能刀库单元Ⅱ基于ARM微处理器进行开发。设计自动换刀***,能根据机床换刀指令进行自动换刀动作。本实施例通过盘形刀库为例进行刀库功能介绍,加工过程中所用的不同类型刀具在盘形刀库中进行备份安装,相同类型的两把刀具就近安装,便于刀具管理。选刀方式采用任意选刀方式,根据程序指令的要求来选择所需要的刀具,即当正在加工过程中的刀具发生异常时,根据决策单元发出的程序换刀指令,从刀库指定选定备用刀具进行更换。智能刀库单元中的自动换刀***中有刀具识别装置。刀具的识别主要通过对刀库中不同刀座进行编号,不同编号的刀座安装不同类型的刀具并且在加工之前输入到ARM换刀***中。智能刀库能根据数据分析模块对刀具的状态识别后进行标定。当数据分析单元分析得出刀具异常后,该单元对该刀具所在的刀座号进行异常标定,更换刀具,异常刀具入库。当图像信号数据分析完成得出刀具精确状态后,传送至智能刀库单元进行异常状态的信息更新。然而当确认刀具状态预判断模块为误判时,则将信息传送至智能刀库单元对标定异常的刀具进行异常标定解除。
本单元的换刀装置由两个朝向相反的机械手装置,通过驱动装置对旋转轴的定向旋转完成刀库与工作台之间刀具的更换。
异常刀具输送单元Ⅳ主要指工业机械抓手,如ABB工业机器人等设备。通过将工业机器人与智能刀库建立通讯连接实现信息的相互传递共享,指导辅助设备完成既定工作。具体工作为:当智能刀库对标定的异常刀具进行精确状态更新后,机械手根据不同刀具的异常类型进行分类输送至刀具处理区域,如刀具刀刃发生破损则将刀具输送至换刀区域;当刀具刀刃变钝将刀具输送至刀具刃磨区域等。
实施例二
该实施例子公开了数控机床刀具状态监测及控制方法,图24为初判断刀具异常后机床工作流程图;图25为可换位刀具刀片磨损示意图;图27为刀具初判断模块原理图;包括:
数据采集单元及数据分析处理单元分为两个子***部分,分别用以刀具状态的预判断及精确判断。
刀具状态的预判断实现方式如下所述:
通过智能刀柄内部的振动传感器,检测加工过程中振动信号并以此作为***刀具检测预判断的信号输入。
振动传感器集成在智能刀柄内部,并在刀柄内部采用无线传输,采用此装置不会压缩机床正常的工作空间,不干涉工作运动部件的方向及角度移动,适合运用在实际生产中。振动传感器采集的信号通过无线设备实时传输至外置工业计算机中进行数据的处理分析与判断。数据的分析处理判断主要通过工业计算机中的相关软件完成,如数据处理分析时采用matlab软件等。
在实际加工过程中,刀具的故障类型主要分为刀片的过度磨损及刀具破损两种情况。刀具磨损会使刀具的几何形状发生改变,刀刃变钝,在切削过程中切削力会发生变化,进而导致工件加工区域产生不同程度的振动。当刀具破损时,刀具切削部分变形明显,切削力在瞬间会发生急剧变化,振动信号同样会发生急剧变化,此状态只要实时监测振动信号的瞬时变化情况即可实现对刀具破损状态的监测。而刀具磨损量的变化过程是一个渐进过程,在实际加工过程中,刀具后刀面最易发生磨损,则刀具的状态监测通常选取后刀面磨损量最为监测对象。后刀面磨损过程曲线与浴盆曲线的形状基本相似,如图25所示,磨损分为三个阶段,初期磨损,正常磨损,急剧磨损三个阶段。
刀具状态的预判断模块对刀具磨损量的监测则通过机器学***面对空间中不同种类的向量进行划分,在此实施例中即对上述所述的刀具三种磨损向量进行超平面的选取划分。该分类超平面可以作为上述所述数据分析处理单元中相对应的分类器,最优分类超平面可以表示为ωTΦ(x)+b=0,其中ω是可调的权重向量;b是偏置参数,决定相对于原点的偏移值;Φ(x)为特征映射函数。此监测方式是一种间接测量,通过刀具磨损历史实验数据进行机器学习训练,得出满足***需求的机器学习模型。为了避免机床加工过程其他因素对采集的振动信号的影响,对采集的信号进行特征提取,作为SVM的输入,刀具磨损量作为输出,训练适合本***要求的刀具状态预判断的模型。为了使最终训练的模型准确性高,在特征提取部分采取信号特征多方法融合提取方法以最大程度的去除噪声干扰及有效信息的提取。
本实施例中以EMD经验模态分解和主成分分析两种信号处理方式结合的方法进行信号振动信号特征提取的说明。EMD是近几年兴起的一种新的非平稳信号希尔伯特-黄变换的重要组成部分,即适合线性、平稳信号的分析,也适应非线性、非平稳信号的分析。此方法的实质是通过特征时间尺度来识别信号中所内含的所有振动模态,在这一过程中,特征时间尺度及IMF的定义都具有一定的经验性和近似性。与其他方法相比,EMD方法具有直观的、间接的、后验的、自适应的,其分解所用的特征时间尺度是源自于原始信号的,即信号来源于机床内部主轴等驱动电机采集的随时间尺度变化的电振动信号,其具体分解过程如下:
(1)找到电流振动信号x(t)所有的极值点;
(2)用3次样条曲线拟合出上下极值点的包络线emax(t)和emin(t),并求出上下包络线的平均值m(t),在x(t)中减去它:h(t)=x(t)-m(t);
(3)根据预设判据判断h(t)是否为IMF;;
(4)如果不是,则以h(t)代替x(t),重复以上步骤直到h(t)满足判据,则h(t)就是需要提取的IMF;
(5)每得到一阶IMF,就从原信号中扣除它,重复以上步骤;直到信号最后剩余部分rn就只是单调序列或者常值序列。
这样,经过EMD方法分解就将原始电流振动信号x(t)分解成一系列IMF以及剩余部分的线性叠加:
采集的电流振动信号经过EMD分解后得到各阶固有模态函数涵盖了加工过程中刀具磨损的所有信息,为了降低机器学习算法的特征维度,提高机器学习的效率及避免机器学习的过拟合问题,采用主成分分析方法对EMD分解后得到的固有模态函数进行主成分分析。主成分分析是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫做主成分。在此方案中,即将EMD分解后的各阶固有模态函数作为各组不相关的向量处理,最终得出EMD分解后电振动信号的主成分。通过不同成分的贡献率的计算,选取信息贡献率到达85%以上的前几阶主成分作为机器学习中向量的输入。
在加工过程中,根据实时监测的信号输入到SVM可以得到刀具磨损的估计值,根据加工精度要求***自动设置磨损量阈值,对于大多数情况一般取刀具后刀面磨损量VB=0.3mm为默认阈值,当刀具VB>0.3mm后,刀具会进入急剧磨损阶段,对加工精度的影响较大,特别的当对加工精度要求很高时,在人工界面可进行参数要求输入,此时刀具状态预判断模块根据参数要求自动调整VB磨损阈值,以保证机床刀具对加工精度的要求。
近年来随着机器学***的不断提高,人工智能对设备状态监测方面的识别准确性越来越高。然而为了达到刀具状态的精准识别,直接检测方法是一种不二选择。故本***通过基于机器学***。
在预判断之后,进行刀具状态的精准判断实现方式如下所述:
所采用的刀具直接测量方法为刀具视觉图像采集及后续图像比对。在***数据库单元中储存数控机床智能刀库中所有刀具的标准几何尺寸图像。在机床发生刀具异常状态下,数据分析模块可根据当前状态下刀具的参数信息从数据库中调取标准刀具几何图像与机器视觉采集的图像运用数据处理单元中专业图像处理功能模块进行多角度,多方位的几何尺寸对比计算,得出刀具是否发生异常及对异常刀具状态的具体量化,此***中主要指刀具磨损量的具体数值及刀具是否发生破损。随着对加工过程刀具监测状态的分类,本模块可进行扩展。
为了实现图像采集,需要对CCD相机的支撑运动部件进行相关运动功能及视觉***实现图像采集的性能要求进行设计,具体设计措施及方案如下所述:
(1)机器视觉采集装置包括磁座部分,通过磁座部分将采集装置安装固定至工作刀台上,在刀台上将固定位置原点类似于机床坐标形式将其设置为机床中一个工件坐标系,作为整个机器视觉***在机床坐标系中的一个工件坐标系,称其为零点坐标,在此零点坐标的串联下将外置的机器视觉采集装置的与机床坐标系建立连接,使图像采集装置成为数控加工***中的一部分。固定位置为圆柱形刀台的圆周线与X轴方向的交点位置,保证其Y轴坐标点与刀具坐标点一致。在后续机器视觉***工作过程中,只进行Z轴和X轴两个方向的运动即可满足此***的运动性能的要求,对刀具底部轴向方向的图像采集通过CCD镜头与刀杆连接部安装的旋转机构实现镜头沿Y轴线上下旋转。机器视觉***只进行周向及轴向两个方位角度的图像采集技能满足图像处理模块中几何尺寸比对的要求。机器视觉***整体设计有可伸展压缩的工作导杆,在处于工作状态时可以通过X和Y方向轴上的导杆实现工作区域任意空间位置的到达。在两轴导杆的末端内部设置有直线拉绳式位移传感器,通过直线拉绳式位移传感器得出X轴和Z轴在工作时的坐标值,结合零点坐标在机床工件坐标系中位置数据,计算得出镜头位置在机床中的坐标,实现视觉***后续图像采集过程中的位置自动判断及调整。机器视觉***与数控***建立通讯连接,使机器视觉***的镜头位置能像刀具一样受到数控***的实时监测与控制。当***处于非工作状态时,各工作导杆处于收缩状态,此时***整体所占空间体积最小,不压缩机床正常的工作空间。
工作导杆采用电动伸缩杆装置以实现Z轴及X轴方向的移动,在电动伸缩杆头部装置拉绳式位移传感器,以检测计算相机镜头位置坐标。安装时,将直线拉绳式位移传感器的测杆与电动伸缩杆的驱动器直接连接,驱动器带动传感器内部滑动电刷发生位移变化,输出呈线性变化的直流电压信号,提供给***进行相机镜头位置坐标的计算储存至数控***内部,同时在显示板进行坐标显示。由于CCD相机与***之间需要连线,为避免杆在伸缩过程中对线的损害,设计连接线收放装置,其原理为设计带有凹槽的滚轮,线通过凹槽缠绕在滚轮上,根据***检测伸缩杆伸缩长度自动驱动滚轮电机进行正反转实现线束的收放,从而避免数据线在伸缩过程中面临的过度拉扯或蜷曲问题。
(2)机器视觉***的正常运行的前提是有较强的自动聚焦能力。为了使机器视觉***拥有结构简单,***稳定且鲁棒性强的特点,此***选用CCD相机采用被动式自动聚焦技术,根据成像清晰度进行自动对焦以满足图像采集要求。由于此***主要功能的实现是对初期监测判断的异常刀具类别进行进一步状态确认及异常程度计算量化,初期的刀具异常状态主要来源于刀具切削刃区域,故视觉***的聚焦窗口大小根据数控***实时状态参数数据进行自动判断,例如根据刀具对刀点坐标判断视觉***镜头工作中心位置,根据数控***传输的目前刀具号进行工作刀具的参数检录,使机器视觉***根据目前刀具本身参数特点进行聚焦区域窗口的自动判断划分及图像采集过程中采样频率等相关参数进行自行决策设置,通过以上手段以保证采集图像的有效性及准确率,避免采集图片信息的冗余或者缺失。
(3)机器视觉***的核心是图像的采集和处理,图像本身的质量对整个***的影响极为关键。而照明光源则是决定机器视觉***图像质量的最重要因素,通过选择合适的光源,可以使图像中的目标特征与背景信息得到最佳分离,从而大大降低图像处理的难度,提高***的稳定性和可靠性。本着结构设计简单及光源稳定且服役时间较长等优点,本机器视觉***采用LED光源,根据机床刀具的几何特征,光学属性等工程要求进行光源的选择以满足此机器视觉***的要求。
(4)机床在加工过程中出现刀具异常状态后,主控***将发出机床停转指令,刀具上升至安全位置。与此同时,机床同时向机器视觉***发出开始工作指令,机器视觉***处于工作状态,根据机床内部传输的刀具位置坐标,通过***内部位置判断功能模块及控制***模块将CCD相机快速输送至刀具周边位置后,向机床工作***发出刀具图像采集低速间歇旋转指令,主轴慢速间歇旋转,在主轴旋转间歇使刀具处于静止状态下,CCD相机进行快速对焦并在短时间内完成图像采集,此过程,主轴间歇旋转运动与镜头采集图像频率及动态图像采集情况下的对焦时间在节拍上高度契合,避免转速过快影响采集图像的质量,过慢增加采集过程时间,影响机床后续换刀及加工过程。图像采集接受后,将采集的图片信息送至数据信息处理模块,并且再次向机床发出主轴停转指令,并且***工作导杆全部收回,使***处于非工作状态。
整个机器视觉***采用嵌入式***进行开发,来实现图像数据采集,数据传输,部件控制及通讯等功能,嵌入式***技术包括集成电路技术,***结构技术,传感与检测技术及实时操作***等技术,在此***的技术支持下能实现上述机器视觉***所述的全部功能。
此***与整个数控设备中多个模块***都进行通讯连接,与数据分析处理模块连接实现图像信息的进一步分析,完成刀具异常状态的精确诊断。与机床控制***通讯连接以完成图像采集过程中机床配合动作的完成。与数据存储模块连接以实现数据的保存及数据库内容的不断填充更新。与显示模块连接以实现图像数据采集过程中的过程监控显示。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.数控机床刀具状态监测及控制***,其特征是,包括:数据采集单元及数据分析处理单元;所述数据采集单元包括振动状态检测装置及机器视觉采集装置;所述振动状态检测装置实时采集到刀具加工过程中的异常振动信号并传输至数据分析处理单元;
所述振动状态检测装置包括智能刀柄,所述智能刀柄内安装有发电装置;
所述发电装置包括滚动体,所述滚动体上下两个支撑体为内、外圈,上部为内圈,下部为外圈;所述滚动体及两端轴承安装在刀柄工作部中空部分内,底部通过法兰盖将滚动体封装在工作部中空型腔内;所述滚动体内安装线圈,所述线圈固定在安装在滚动体下端封闭实体上的减速轴承上减速轴承底部外圈与封闭实体过渡配合;
刀柄高速旋转带动滚动体跟随旋转,滚动体带动减速轴承底部外圈旋转,顶部内圈在滚动体摩擦力的作用以很慢的速度跟随旋转;刀柄内部安装永久磁铁,线圈部分集成闭合线圈,在此种旋转状态下永久磁铁由于旋转产生变化的磁场,使闭合线圈切割磁感线,产生电流;
所述数据分析处理单元利用刀具状态预判断的模型对异常情况进行状态预判断并确定刀具发生异常的时间点;
所述机器视觉采集装置在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具图像的采集并传输至数据分析处理单元,实现对刀具异常状态做出准确判断。
2.数控机床刀具状态监测及控制方法,其特征是,使用了如权利要求1所述的数控机床刀具状态监测及控制***,该方法包括:
实时采集到刀具加工过程中的异常振动信号;
利用刀具状态预判断的模型对异常情况进行状态预判断并确定刀具发生异常的时间点;
在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具图像的采集,实现对刀具异常状态做出准确判断。
3.如权利要求2所述的数控机床刀具状态监测及控制方法,其特征是,对刀具进行状态预判断时,针对不同的故障类型分别处理,对于刀具破损,通过实时监测振动信号的瞬时变化情况即可实现对刀具破损状态的监测,对刀具磨损量的监测则通过机器学习SVM进行实时监测。
4.如权利要求3所述的数控机床刀具状态监测及控制方法,其特征是,对刀具磨损量的监测则通过机器学习SVM进行实时监测时,对采集的振动信号进行特征提取,作为SVM的输入,刀具磨损量作为输出,训练刀具状态预判断的模型。
5.如权利要求4所述的数控机床刀具状态监测及控制方法,其特征是,以EMD经验模态分解和主成分分析两种信号处理方式结合的方法进行振动信号特征提取:
经过EMD方法分解就将原始电流振动信号分解成一系列IMF以及剩余部分的线性叠加;
采用主成分分析方法对EMD分解后得到的固有模态函数进行主成分分析,即将EMD分解后的各阶固有模态函数作为各组不相关的向量处理,最终得出EMD分解后电振动信号的主成分。
6.如权利要求2所述的数控机床刀具状态监测及控制方法,其特征是,根据实时监测的信号输入到SVM得到刀具磨损的估计值,设置磨损量阈值,当刀具磨损量大于设定阈值后,刀具会进入急剧磨损阶段。
7.如权利要求2所述的数控机床刀具状态监测及控制方法,其特征是,在机床发生刀具异常状态下,根据当前状态下刀具的参数信息从数据库中调取标准刀具几何图像与机器视觉采集的图像运用数据处理单元中专业图像处理功能模块进行多角度,多方位的几何尺寸对比计算,得出刀具是否发生异常及对异常刀具状态的具体量化,主要指刀具磨损量的具体数值及刀具是否发生破损。
8.如权利要求2所述的数控机床刀具状态监测及控制方法,其特征是,机床在加工过程中出现刀具异常状态后,发出机床停转指令,刀具上升至安全位置;与此同时,机床同时向机器视觉采集装置发出开始工作指令,机器视觉采集装置根据机床内部传输的刀具位置坐标,将CCD相机快速输送至刀具周边位置后,向机床工作***发出刀具图像采集低速间歇旋转指令,主轴慢速间歇旋转,在主轴旋转间歇过程中刀具处于静止状态下,CCD相机进行快速对焦并在短时间内完成图像采集,此过程,主轴间歇旋转运动与镜头采集图像频率及动态图像采集情况下的对焦时间在节拍上契合,图像信号采集结束后,再次向机床发出主轴停转指令,使***处于非工作状态。
9.如权利要求8所述的数控机床刀具状态监测及控制方法,其特征是,机器视觉采集装置包括磁座部分,通过磁座部分将采集装置安装固定至工作刀台上,在刀台上将固定位置原点设置为机床中一个工件坐标系,作为整个机器视觉采集装置在机床坐标系中的一个工件坐标系,称其为零点坐标,在此零点坐标的串联下将外置的机器视觉采集装置的与机床坐标系建立连接,使图像采集装置成为数控加工***中的一部分;
固定位置为圆柱形刀台的圆周线与X轴方向的交点位置,保证其Y轴坐标点与刀具坐标点一致,在后续机器视觉采集装置工作过程中,只进行Z轴和X轴两个方向的运动即可满足此***的运动性能的要求,对刀具底部轴向方向的图像采集通过CCD镜头与刀杆连接部安装的旋转机构实现镜头沿Y轴线上下旋转。
10.如权利要求9所述的数控机床刀具状态监测及控制方法,其特征是,机器视觉采集装置只进行周向及轴向两个方位角度的图像采集;
在处于工作状态时通过X和Y方向轴上的导杆实现工作区域任意空间位置的到达,在两轴导杆的末端内部设置有位移传感器,通过位移传感器得出X轴和Z轴在工作时的坐标值,结合零点坐标在机床工件坐标系中位置数据,计算得出镜头位置在机床中的坐标,实现后续图像采集过程中的位置自动判断及调整。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108296.4A CN111347292B (zh) | 2020-02-21 | 2020-02-21 | 数控机床刀具状态监测及控制***与方法 |
PCT/CN2020/089260 WO2021164137A1 (zh) | 2020-02-21 | 2020-05-08 | 数控机床刀具状态监测及控制***与方法 |
ZA2021/06684A ZA202106684B (en) | 2020-02-21 | 2021-09-09 | Cutter state monitoring and control system and method for numerical control machine tool |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108296.4A CN111347292B (zh) | 2020-02-21 | 2020-02-21 | 数控机床刀具状态监测及控制***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111347292A CN111347292A (zh) | 2020-06-30 |
CN111347292B true CN111347292B (zh) | 2023-04-11 |
Family
ID=71194118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108296.4A Active CN111347292B (zh) | 2020-02-21 | 2020-02-21 | 数控机床刀具状态监测及控制***与方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111347292B (zh) |
WO (1) | WO2021164137A1 (zh) |
ZA (1) | ZA202106684B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7200037B2 (ja) * | 2019-04-17 | 2023-01-06 | 株式会社日立製作所 | 機械の自動運転制御方法、及びシステム |
CN113941901B (zh) * | 2020-07-17 | 2024-04-23 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
CN111999181B (zh) * | 2020-08-31 | 2024-06-11 | 内江职业技术学院 | 一种螺纹承载强度检测*** |
CN113146358B (zh) * | 2021-02-23 | 2022-12-27 | 翊腾电子科技(昆山)有限公司 | 一种可具备加工刀具磨损程度监测预警功能的数控机床 |
CN113110297B (zh) * | 2021-03-31 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种在数控加工过程中防止原点使用错误的方法 |
CN113231886B (zh) * | 2021-04-30 | 2022-03-15 | 成都飞机工业(集团)有限责任公司 | 一种机床对刀检测方法 |
CN115414977B (zh) * | 2021-05-13 | 2023-10-10 | 南京智欧智能技术研究院有限公司 | 一种智能移液***及移液方法 |
CN113255074B (zh) * | 2021-05-20 | 2022-09-13 | 中国建筑第五工程局有限公司 | 基于梁-弹簧单元的静态tbm&epb刀具磨损反分析方法 |
CN113427321A (zh) * | 2021-07-22 | 2021-09-24 | 南京理工大学 | 一种加工中心用刀具实时检测装置及其检测方法 |
CN113478007A (zh) * | 2021-08-09 | 2021-10-08 | 安徽奔腾五金制造有限公司 | 一种空调加工用铝卷开平截断机构 |
CN113608482A (zh) * | 2021-08-13 | 2021-11-05 | 重庆允成互联网科技有限公司 | 一种精密加工刀具智能监控方法、***及管理*** |
CN113687764A (zh) * | 2021-09-09 | 2021-11-23 | 合肥钛柯精密机械有限公司 | 半导体产品加工机及加工方法 |
CN113909998B (zh) * | 2021-10-29 | 2024-06-18 | 齐齐哈尔精工伟业机床有限公司 | 一种数控定梁式龙门镗铣床用刀具形变监测*** |
CN114378644B (zh) * | 2021-12-08 | 2023-05-16 | 鸿富锦精密电子(成都)有限公司 | 找零装置、刀具异常检测***及方法 |
CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测***及方法 |
CN114923923B (zh) * | 2021-12-31 | 2024-05-14 | 厦门理工学院 | 一种用于刀具的伸缩式立体视觉检测方法 |
CN114273976B (zh) * | 2022-01-06 | 2024-04-26 | 高崎智能装备(丽水)有限公司 | 一种数控加工中心在线监测智能调控管理云*** |
CN114406800B (zh) * | 2022-01-21 | 2022-11-11 | 重庆理工大学 | 基于图像识别的刀具磨损自动检测装置及其使用方法 |
CN114563151B (zh) * | 2022-01-25 | 2024-04-23 | 中铁工程装备集团技术服务有限公司 | 全断面隧道掘进机刀具异常振动静态检测试验台及方法 |
CN114623780B (zh) * | 2022-01-26 | 2023-06-27 | 深圳职业技术学院 | 刀尖三维重建的检测装置及在线检测方法 |
CN114346759B (zh) * | 2022-03-10 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 一种用于孔在线检测与孔精加工的装置及其加工方法 |
CN114633321A (zh) * | 2022-03-17 | 2022-06-17 | 江阴市澄东锻造有限公司 | 法兰防锈检测平台 |
CN114800039B (zh) * | 2022-04-08 | 2023-03-14 | 山东大学 | 一种在线监测薄壁件铣削刀具状态的特征强化方法及*** |
CN114803681B (zh) * | 2022-04-12 | 2023-06-02 | 江南大学 | 一种基于自动送丝的自适应排线设备及方法 |
CN114833585B (zh) * | 2022-05-27 | 2023-10-20 | 广东腾兴智能装备有限公司 | 一种多角度切割磨边数控机床 |
CN115365943B (zh) * | 2022-07-20 | 2024-05-24 | 鸿富锦精密电子(成都)有限公司 | 外观修复***及方法 |
CN115105154B (zh) * | 2022-08-02 | 2024-06-14 | 朔崛(江苏)医疗科技有限公司 | 椎体终板处理装置 |
CN115509177B (zh) * | 2022-09-22 | 2024-01-12 | 成都飞机工业(集团)有限责任公司 | 一种零件加工过程异常监控方法、装置、设备及介质 |
CN115415851B (zh) * | 2022-10-08 | 2023-09-26 | 清华大学 | 一种基于函数型数据主成分分析的刀具健康监测方法 |
CN115942090A (zh) * | 2023-01-10 | 2023-04-07 | 格致汽车科技股份有限公司 | 龙门加工中心图像采集刀柄及其取像方法 |
CN115842848B (zh) * | 2023-03-01 | 2023-04-28 | 成都远峰科技发展有限公司 | 一种基于工业物联网的动态监控***及其控制方法 |
CN115993366B (zh) * | 2023-03-24 | 2023-07-07 | 枣庄市大猫电子科技有限公司 | 基于传感设备的加工件表面检测方法及*** |
CN116165966B (zh) * | 2023-04-21 | 2023-07-07 | 沈阳精锐数控机床有限公司 | 一种数控机床信息化自适应物料调控方法及*** |
CN116309602B (zh) * | 2023-05-24 | 2023-08-04 | 济南章力机械有限公司 | 基于机器视觉的数控钻铣床工作状态检测方法 |
CN117197036B (zh) * | 2023-07-25 | 2024-02-13 | 钛玛科(北京)工业科技有限公司 | 图像检测方法及装置 |
CN116734817B (zh) * | 2023-08-11 | 2023-11-21 | 沂水华辰房地产测绘有限公司 | 一种基于无人机设计的工程测量标杆装置及其使用方法 |
CN117300908B (zh) * | 2023-08-16 | 2024-05-24 | 浙江野牛工具有限公司 | 一种钻头生产异常工况监测控制*** |
CN117170306B (zh) * | 2023-10-31 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种刀具状态监控方法、***、电子设备及存储介质 |
CN117742242B (zh) * | 2023-12-26 | 2024-05-17 | 巨野县职业中等专业学校 | 一种数控机床动态调控方法和*** |
CN117549138B (zh) * | 2024-01-12 | 2024-04-05 | 盛安(苏州)汽车部件有限公司 | 多轴联动汽车模具cnc精密加工*** |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3965656B2 (ja) * | 1997-06-25 | 2007-08-29 | 豊和工業株式会社 | デ−タ収集方法及びシステム |
CN202411967U (zh) * | 2011-12-13 | 2012-09-05 | 常州翰力信息科技有限公司 | 旋转刀具在线监测*** |
CN102528561B (zh) * | 2012-02-28 | 2014-10-15 | 上海大学 | 回转体刀具全加工周期磨破损在线自动检测装置 |
CN103345198B (zh) * | 2013-05-10 | 2015-10-21 | 南京航空航天大学 | 基于特征的数控加工监测触发检测的方法 |
CN104015098B (zh) * | 2014-04-29 | 2016-08-03 | 天津大学 | 用于机加工中刀杆振动信号的实时监测装置及其监测方法 |
CN103971001A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于emd分解的刀具运行状态可靠性评估方法 |
CN206154004U (zh) * | 2016-10-11 | 2017-05-10 | 哈尔滨理工大学 | 一种刀具检测装置 |
CN106774157A (zh) * | 2016-11-29 | 2017-05-31 | 无锡易通精密机械股份有限公司 | 一种具有故障诊断与预警功能的数控机床 |
CN106625023A (zh) * | 2017-02-24 | 2017-05-10 | 苏州新泰克智能科技有限公司 | 一种机床在线监控设备 |
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估***及方法 |
CN108818154A (zh) * | 2018-07-09 | 2018-11-16 | 安徽江机重型数控机床股份有限公司 | 一种具有零件检验功能的数控机床 |
CN109894931A (zh) * | 2019-04-10 | 2019-06-18 | 河源市蓝海米克模具刀具有限公司 | 一种带有检测装置的数控刀具自动化生产设备 |
CN110340733A (zh) * | 2019-07-19 | 2019-10-18 | 南京理工大学 | 一种清洁切削环境下刀具损伤在线与在位检测***及方法 |
-
2020
- 2020-02-21 CN CN202010108296.4A patent/CN111347292B/zh active Active
- 2020-05-08 WO PCT/CN2020/089260 patent/WO2021164137A1/zh active Application Filing
-
2021
- 2021-09-09 ZA ZA2021/06684A patent/ZA202106684B/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021164137A1 (zh) | 2021-08-26 |
ZA202106684B (en) | 2021-10-27 |
CN111347292A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111347292B (zh) | 数控机床刀具状态监测及控制***与方法 | |
CN213196754U (zh) | 基于振动信号及图像采集的数控机床刀具状态监测装置 | |
CN110434671B (zh) | 一种基于特征测量的铸造件表面机加工轨迹校准方法 | |
CN111843505B (zh) | 现场机器人在位测量-铣磨修复一体化工艺方法与*** | |
CN111230593B (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
CN110091333B (zh) | 复杂曲面表面焊缝特征识别和自动磨抛的装置及方法 | |
CN108931961B (zh) | 一种基于机器视觉的整体式立铣刀磨破损检测方法 | |
CN109187249B (zh) | 一种回转刀具的在机视觉检测方法及其检测装置 | |
CN111468989A (zh) | 一种五轴联动数控机械手抛光控制***及方法 | |
CN108490880A (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN108536094A (zh) | 机床性能检测***、方法及数控机床 | |
CN111069976A (zh) | 一种车间或产线用刀具损伤智能化移动监测***及方法 | |
CN112264839A (zh) | 一种用于制造物联网的切削刀具磨损在位测量装置及方法 | |
CN109501084B (zh) | 用于风力发电机组叶片的飞边切割***和方法 | |
CN111815611A (zh) | 一种面向铆钉孔测量点云数据的圆孔特征提取方法 | |
CN117282580A (zh) | 一种用于喷涂流水线的智能机械手及控制方法 | |
CN110728655A (zh) | 基于机器视觉的数控机床工件异常检测方法及装置 | |
CN115464669A (zh) | 基于智能焊接机器人的智能光学感知处理***及焊接方法 | |
CN112902872A (zh) | 基于激光传感器的轴承内孔测量装置及方法 | |
CN117067227A (zh) | 一种机器人智能修边*** | |
Dayam et al. | In-process dimension monitoring system for integration of legacy machine tools into the industry 4.0 framework | |
CN114670061A (zh) | 一种基于机器视觉的复材刀具服役寿命监测***及方法 | |
CN113433129B (zh) | 一种六轴机器人去毛刺刀具检测机构及其方法 | |
CN115717868A (zh) | 一种实时在线的三维自动化扫描测量*** | |
CN113074633B (zh) | 一种物料外形尺寸的自动检测***及其检测方法 |
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 |