CN114043312A - 一种螺旋铣孔状态异常的在线检测识别方法及*** - Google Patents

一种螺旋铣孔状态异常的在线检测识别方法及*** Download PDF

Info

Publication number
CN114043312A
CN114043312A CN202111418274.9A CN202111418274A CN114043312A CN 114043312 A CN114043312 A CN 114043312A CN 202111418274 A CN202111418274 A CN 202111418274A CN 114043312 A CN114043312 A CN 114043312A
Authority
CN
China
Prior art keywords
frequency
array
thzlist
main shaft
value
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.)
Granted
Application number
CN202111418274.9A
Other languages
English (en)
Other versions
CN114043312B (zh
Inventor
刘璨
林建同
周本政
谭光宇
尹凝霞
刘焕牢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202111418274.9A priority Critical patent/CN114043312B/zh
Publication of CN114043312A publication Critical patent/CN114043312A/zh
Application granted granted Critical
Publication of CN114043312B publication Critical patent/CN114043312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23C—MILLING
    • B23C3/00—Milling particular work; Special milling operations; Machines therefor
    • 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
    • B23Q17/0952—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 during machining
    • B23Q17/0966—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 during machining by measuring a force on parts of the machine other than a motor

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种螺旋铣孔状态异常的在线检测识别方法及***，记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率；设置采样时间长度，设置采样频率；设置得到第一比例值；在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常，实现了通过轴向切削力组成成分的相对强弱变化识别铣孔状态是否异常，避免因切削材料量变化而误判的有益效果。

Description

一种螺旋铣孔状态异常的在线检测识别方法及***
技术领域
本发明属于数据处理技术、数据识别技术、数字化制造技术领域，具体涉及一种螺旋铣孔状态异常的在线检测识别方法及***。
背景技术
目前，在智能制造的工业化进程中，需要根据测量得到的多种参数数据，计算得到各种参数之间的线性或离散的逻辑关系，构建数学模型，以提取出数据中所包含的工艺过程异常状态信息。在螺旋铣孔工艺过程中，轴向切削力数据处理尤为重要。轴向切削力数据可能出现异常的低频成分数据，这些异常的低频成分数据与主轴转速、冷却、切削速度、排屑难度正相关，在主轴转速较大、冷却效果较差、切削深度较大、排屑较困难时，这些低频数据成分显著增强，并发展为主要的动态分量。这些异常的低频数据成分的出现预示着切削状况异常，可作为螺旋铣孔的过程状态指标参数，因此，如何通过数据处理提取出这些数据中包含的异常信息数据，是铣孔工艺过程计算机监测所需要解决的关键问题。
发明内容
本发明的目的在于提出一种螺旋铣孔状态异常的在线检测识别方法及***，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明提供了一种螺旋铣孔状态异常的在线检测识别方法及***，记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率；设置采样时间长度，设置采样频率；设置得到第一比例值；在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常。
为了实现上述目的，根据本发明的一方面，提供一种螺旋铣孔状态异常的在线检测识别方法，所述方法包括以下步骤：
S100，记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率；
S200，设置采样时间长度，设置采样频率；
S300，设置得到第一比例值；
S400，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是则判断螺旋铣孔的切削过程存在状态异常。
其中，在S100中，记录螺旋铣孔的主轴每分钟转速，以主轴每分钟转速为S，主轴每分钟转速的单位为rpm，计算并记录主轴旋转频率为fSP，计算得到主轴旋转频率的公式为，fSP=S/60，单位为Hz；记刀齿频率为fth，计算得到刀齿频率的公式为，fth=Z×fSP，Z为刀具的刀齿数，单位为Hz。
进一步地，在S200中，设置采样时间长度，设置采样频率的方法为：设置采样时间的时长为60秒的k倍即60×k秒，设置采样的频率为刀齿频率的60×k倍，其中，k为大于1的正整数。
进一步地，在S300中，设置得到第一比例值的方法为：
S301，使用测力仪采样并存储采样时间内螺旋铣孔的轴向切削力数据，将采样时间内的轴向切削力数据通过傅里叶变换得到轴向切削力的幅频谱，根据轴向切削力的幅频谱得到主轴旋转频率成分的幅值；
S302，计算得到刀具绕着孔的中心旋转的频率，在轴向切削力的幅频谱上选取从刀具绕孔心的旋转频率到主轴旋转频率之间的这一段频域范围，在这一段频域范围内做频域采样得到一组采样点，具体方法为：设置包含多个不同的采样点的一组采样点，以数组Thzlist表示所述一组采样点，每个采样点有对应的频率及其对应的幅值，数组Thzlist中各个元素表示所述一组采样点中各个不同的采样点，记数组Thzlist中元素的数量为T，数组Thzlist中元素的序号为t，t∈[1,T]，数组Thzlist中序号为t的元素为Thzlist(t)，采样点Thzlist(t)对应的频率记为Thzlist(t)p，采样点Thzlist(t)对应的频率对应的幅值记为Thzlist(t)f，设置Thzlist(t)的数值为Thzlist(t)f/Thzlist(t)p，采样点Thzlist(t)由Thzlist(t)p及Thzlist(t)f组成，记主轴旋转频率为fSP，记刀具绕着孔的中心旋转的频率为fTH，计算得到的频率中值记为fd=(fSP+fTH)/2，Thzlist(t)p的计算公式为Thzlist(t)p=fTH+(fSP-fd)*(|cos(t/T*π)|+1)/2，Thzlist(t)f即为在轴向切削力的幅频谱上Thzlist(t)p频率处对应的幅值；
S303，计算得到第一比例值的方法为：
S303-1，设数组Amplist，数组Amplist中元素的数量与数组Thzlist中元素的数量相同，数组Amplist中元素的序号与数组Thzlist中元素的序号相同，数组Amplist中元素的数量同样为T，数组Amplist中元素的序号同样为t，数组Amplist中序号为t的元素为Amplist(t)，Amplist(t)的计算公式为Amplist(t)= Thzlist(t)p/fth；
S303-2，对一组采样点进行概率特征提取，即将一组采样点转化为一组采样点的概率提取值，具体方法为：记一组采样点的概率提取值为数组Thzps，数组Thzps中元素的数量与数组Thzlist中元素的数量相同，数组Thzps中元素的序号与数组Thzlist中元素的序号相同，数组Thzps中元素的数量同样为T，数组Thzps中元素的序号同样为t，数组Thzps中序号为t的元素为Thzps(t)，Thzps(t)即为Thzlist(t)的概率提取值，Thzps(t)的计算公式为：
Figure DEST_PATH_IMAGE001
其中，函数exp()表示以自然数e为底的指数函数，由此得到Thzps即为一组采样点的概率提取值；
S303-3，对数组Amplist进行概率特征提取，即将数组Amplist转化为数组Amplist的概率提取值，具体方法为：对Amplist中的各Amplist(t)进行概率特征提取，记Amplist(t)的概率提取值为Ampps(t)，Ampps(t)的计算公式为：
Figure DEST_PATH_IMAGE002
由此得到Ampps即为数组Amplist的概率提取值；
S303-4，记第一比例值为ρ，ρ的计算公式为：
Figure DEST_PATH_IMAGE003
ρ的计算公式即为第一比例值的计算方法，由此得到第一比例值；
其中，刀具绕着孔的中心旋转的频率的计算方法为：记录切向每齿进给量（设备的切向的方向上的每齿进给量），切向每齿进给量为ft，切向每齿进给量的单位为mm/齿；记录孔的直径，孔的直径为DH，孔直径的单位为mm；记录刀具的直径，刀具的直径为DT，刀具直径的单位为mm；记刀具绕着孔的中心旋转的频率为fTH，计算得到刀具绕着孔的中心旋转的频率的公式为fTH=(ft*fth)/[π*(DH-DT)]，单位为Hz。
进一步地，在S400中，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是则判断螺旋铣孔的切削过程存在状态异常的方法为：
螺旋铣孔进行切削，在切削的过程中，采集并存储采样时间内螺旋铣孔的轴向切削力数据，对这些数据做离散傅里叶变换，得到轴向切削力的幅频谱以及主轴旋转频率成分幅值，并计算得到主轴旋转频率；
以主轴旋转频率的频率值为Hza，在轴向切削力的幅频谱中，获取幅频谱中的在Hza正负5%频率范围内的最大幅值为Fa， Fa即为指标信号；
设第一比例值为ρ，设置频率值Hzb，Hzb=Hza*ρ，在轴向切削力的幅频谱中，获取幅频谱中的在Hzb正负5%频率范围内的最大幅值为Fb，Fb即为阈值；
判断指标信号是否小于阈值，即判断是否满足约束条件Fa<Fb，若是即为螺旋铣孔的切削过程存在状态异常。
本发明还提供了一种螺旋铣孔状态异常的在线检测识别***，所述一种螺旋铣孔状态异常的在线检测识别***包括：测力仪、信号采集卡、处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种螺旋铣孔状态异常的在线检测识别方法中的步骤以此控制螺旋铣孔进行切削，所述一种螺旋铣孔状态异常的在线检测识别***可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心的计算设备中，可运行的***可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下***的单元中：
频率单元，用于记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率以及计算刀具绕孔心旋转频率；
采样单元，用于设置采样时间长度，设置采样频率；
第一比例值单元，用于设置得到第一比例值；
判断单元，用于在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常。
本发明的有益效果为：本发明提供了一种螺旋铣孔状态异常的在线检测识别方法及***，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常，由此，实现了通过轴向切削力组成成分的相对强弱变化识别铣孔状态是否异常，避免因切削材料量变化而误判的有益效果。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种螺旋铣孔状态异常的在线检测识别方法的流程图；
图2所示为一种螺旋铣孔状态异常的在线检测识别***的***结构图；
图3所示为螺旋铣孔切削的实验记录图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种螺旋铣孔状态异常的在线检测识别方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种螺旋铣孔状态异常的在线检测识别方法及***。
本发明提出一种螺旋铣孔状态异常的在线检测识别方法，所述方法具体包括以下步骤：
S100，记录螺旋式铣孔装置(例如公开号为CN103785884A、CN102689040A、CN108515216A、CN104325183A的螺旋式铣孔装置中任意一种)进行螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率；
S200，设置采样时间长度，设置采样频率；
S300，设置得到第一比例值；
S400，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常；
其中，在S100中，记录螺旋铣孔的主轴每分钟转速，令主轴每分钟转速为S，主轴每分钟转速的单位为rpm，计算并记录主轴旋转频率为fSP，计算得到主轴旋转频率的公式为，fSP=S/60，单位为Hz；记刀齿频率为fth，计算得到刀齿频率的公式为，fth=Z*fSP，Z为刀具的刀齿数，四齿铣刀的Z=4；单位为Hz；
其中，对数据的计算进行无量纲化处理。
进一步地，在S200中，设置采样时间长度，设置采样频率的方法为：采样时间的时长为60秒的k倍即60*k秒，采样的频率为刀齿频率的60*k倍，其中，k为大于1的正整数。
进一步地，在S300中，设置得到第一比例值的方法为：
使用测力仪采样并存储采样时间内螺旋铣孔的轴向切削力数据，将采样时间内的轴向切削力数据通过傅里叶变换得到轴向切削力的幅频谱，根据轴向切削力的幅频谱得到主轴旋转频率成分幅值；
计算得到刀具绕着孔的中心旋转的频率，在轴向切削力的幅频谱上选取从刀具绕孔心的旋转的频率到主轴旋转频率之间的这一段频域范围，在这一段频域范围内做频域采样得到一组采样点，具体的方法为：设一组采样点其中包含多个不同的采样点，以数组Thzlist表示一组采样点，每个采样点有对应的频率及其对应的幅值，数组Thzlist中各个元素表示一组采样点中各个不同的采样点，记数组Thzlist中元素的数量为T，数组Thzlist中元素的序号为t，t∈[1,T]，数组Thzlist中序号为t的元素为Thzlist(t)，采样点Thzlist(t)对应的频率记为Thzlist(t)p，采样点Thzlist(t)对应的频率对应的幅值记为Thzlist(t)f，Thzlist(t)的数值为Thzlist(t)f/Thzlist(t)p，Thzlist(t)=Thzlist(t)f/Thzlist(t)p，采样点Thzlist(t)由Thzlist(t)p及Thzlist(t)f组成，记主轴旋转频率为fSP，记刀具绕着孔的中心旋转的频率为fTH，计算得到 fd=(fSP+ fTH)/2， Thzlist(t)p的计算公式为Thzlist(t)p= fTH+(fSP-fd)*(cos(t/T*π)+1)/2，Thzlist(t)f即为在轴向切削力的幅频谱上Thzlist(t)p频率处对应的幅值。
进一步地，在S300中，第一比例值的计算方法还包括：
设数组Amplist，数组Amplist中元素的数量与数组Thzlist中元素的数量相同，数组Amplist中元素的序号与数组Thzlist中元素的序号相同，数组Amplist中元素的数量同样为T，数组Amplist中元素的序号同样为t，数组Amplist中序号为t的元素为Amplist(t)，Amplist(t)的计算公式为Amplist(t)= Thzlist(t)p/fth；
对一组采样点进行概率特征提取，即将一组采样点转化为一组采样点的概率提取值，具体为：记一组采样点的概率提取值为数组Thzps，数组Thzps中元素的数量与数组Thzlist中元素的数量相同，数组Thzps中元素的序号与数组Thzlist中元素的序号相同，数组Thzps中元素的数量同样为T，数组Thzps中元素的序号同样为t，数组Thzps中序号为t的元素为Thzps(t)，Thzps(t)即为Thzlist(t)的概率提取值，Thzps(t)的计算公式为：
Figure DEST_PATH_IMAGE004
其中，函数exp()表示以自然数e为底的指数函数，由此得到Thzps即为一组采样点的概率提取值；
对数组Amplist进行概率特征提取，即将数组Amplist转化为数组Amplist的概率提取值，具体为：对Amplist中的各Amplist(t)进行概率特征提取，记Amplist(t)的概率提取值为Ampps(t)，Ampps(t)的计算公式为：
Figure DEST_PATH_IMAGE005
其中，由各个Ampps(t)构成的数组Ampps即为数组Amplist的概率提取值，Ampps(t)为数组Ampps中序号为t的元素，数组Ampps中元素的数量及序号与数组Amplist中元素的数量及序号相同；
记第一比例值为ρ，ρ的计算公式为：
Figure DEST_PATH_IMAGE006
ρ的计算公式即为第一比例值的计算方法，由此得到第一比例值;
其中，关于频域采样，一组采样点中采样点的数量为T，可优选地，T的数值可设置为60。
进一步地，在S400中，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常的方法为：
螺旋铣孔进行切削，在切削的过程中，采集并存储采样时间内螺旋铣孔的轴向切削力数据，对这些数据做离散傅里叶变换，得到轴向切削力的幅频谱以及主轴旋转频率成分幅值，并计算得到主轴旋转频率；
以主轴旋转频率的频率值为Hza，在轴向切削力的幅频谱中，获取幅频谱中的在Hza正负5%频率范围内的最大幅值为Fa， Fa即为指标信号；
设第一比例值为ρ，设置频率值Hzb，Hzb=Hza*ρ，在轴向切削力的幅频谱中，获取幅频谱中的在Hzb正负5%频率范围内的最大幅值为Fb，Fb即为阈值；
判断指标信号是否小于阈值，进行判断是否满足约束条件Fa<Fb，（判断1/2主轴旋转频率附近的频率成分的最大幅值与刀齿频率成分的幅值这两个幅值之比是否大于等于1），若是即为螺旋铣孔的切削过程存在状态异常。
所述一种螺旋铣孔状态异常的在线检测识别***包括：测力仪、信号采集卡、处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种螺旋铣孔状态异常的在线检测识别方法实施例中的步骤以此控制螺旋铣孔进行切削，所述一种螺旋铣孔状态异常的在线检测识别***可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中，可运行的***可包括，但不仅限于，处理器、存储器、服务器集群。
本发明的实施例提供的一种螺旋铣孔状态异常的在线检测识别***，如图2所示，该实施例的一种螺旋铣孔状态异常的在线检测识别***包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种螺旋铣孔状态异常的在线检测识别方法实施例中的步骤用于控制螺旋铣孔进行切削，所述处理器执行所述计算机程序运行在以下***的单元中：
频率单元，用于记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率以及计算刀具绕孔心旋转频率；
采样单元，用于设置采样时间长度，设置采样频率；
第一比例值单元，用于设置得到第一比例值；
判断单元，用于在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常。
其中，关于第一比例值的数值设置，如图3的螺旋铣孔切削的实验记录图所示，根据实际实验记录数据所测，第一比例值的数值约等于0.5，可优选地，可设置第一比例值为1/2。
所述一种螺旋铣孔状态异常的在线检测识别***可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种螺旋铣孔状态异常的在线检测识别***包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种螺旋铣孔状态异常的在线检测识别方法及***的示例，并不构成对一种螺旋铣孔状态异常的在线检测识别方法及***的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种螺旋铣孔状态异常的在线检测识别***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种螺旋铣孔状态异常的在线检测识别***的控制中心，利用各种接口和线路连接整个一种螺旋铣孔状态异常的在线检测识别***的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种螺旋铣孔状态异常的在线检测识别方法及***的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明提供了一种螺旋铣孔状态异常的在线检测识别方法及***，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是即为螺旋铣孔的切削过程存在状态异常，实现了通过轴向切削力组成成分的相对强弱变化识别铣孔状态是否异常，避免因切削材料量变化而误判的有益效果。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (7)

1.一种螺旋铣孔状态异常的在线检测识别方法，其特征在于，所述方法包括以下步骤：
S100，记录螺旋铣孔时所采用的主轴转速，记录螺旋铣孔时所使用刀具的刀齿数，根据主轴转速计算得到主轴旋转频率，根据主轴旋转频率和刀具的刀齿数计算得到刀齿频率；
S200，设置采样时间长度，设置采样频率；
S300，设置得到第一比例值；
S400，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是则判断螺旋铣孔的切削过程存在状态异常；
其中，在S100中，记录螺旋铣孔的主轴每分钟转速，令主轴每分钟转速为S，主轴每分钟转速的单位为rpm，计算并记录主轴旋转频率为fSP，计算得到主轴旋转频率的公式为，fSP=S/60，单位为Hz；记刀齿频率为fth，计算得到刀齿频率的公式为，fth=Z×fSP，Z为刀具的刀齿数，单位为Hz。
2.根据权利要求1所述的一种螺旋铣孔状态异常的在线检测识别方法，其特征在于,在S200中，设置采样时间长度，设置采样频率的方法为：设置采样时间长度为60秒的k倍即60k秒，设置采样频率为刀齿频率的60k倍，其中，k为大于1的正整数。
3.根据权利要求1所述的一种螺旋铣孔状态异常的在线检测识别方法，其特征在于，在S300中，设置得到第一比例值的方法为：设置第一比例值为 1/2。
4.根据权利要求1所述的一种螺旋铣孔状态异常的在线检测识别方法，其特征在于，在S300中，设置得到第一比例值的方法还包括：使用测力仪采样并存储采样时间内螺旋铣孔的轴向切削力数据，将采样时间内的轴向切削力数据通过傅里叶变换得到轴向切削力的幅频谱，根据轴向切削力的幅频谱得到主轴旋转频率成分幅值；
计算得到刀具绕着孔的中心旋转的频率，在轴向切削力的幅频谱上选取从刀具绕孔心的旋转的频率到主轴旋转频率之间的这一段频域范围，在这一段频域范围内做频域采样得到一组采样点，具体的方法为：设一组采样点其中包含多个不同的采样点，以数组Thzlist表示一组采样点，每个采样点有对应的频率及其对应的幅值，数组Thzlist中各个元素表示一组采样点中各个不同的采样点，记数组Thzlist中元素的数量为T，数组Thzlist中元素的序号为t，t∈[1,T]，数组Thzlist中序号为t的元素为Thzlist(t)，采样点Thzlist(t)对应的频率记为Thzlist(t)p，采样点Thzlist(t)对应的频率对应的幅值记为Thzlist(t)f，Thzlist(t)的数值为Thzlist(t)f/Thzlist(t)p，Thzlist(t)=Thzlist(t)f/Thzlist(t)p，采样点Thzlist(t)由Thzlist(t)p及Thzlist(t)f组成，记主轴旋转频率为fSP，记刀具绕着孔的中心旋转的频率为fTH，计算得到 fd=(fSP+ fTH)/2， Thzlist(t)p的计算公式为Thzlist(t)p= fTH+(fSP-fd)*(cos(t/T*π)+1)/2，Thzlist(t)f即为在轴向切削力的幅频谱上Thzlist(t)p频率处对应的幅值。
5.根据权利要求4所述的一种螺旋铣孔状态异常的在线检测识别方法，其特征在于，在S300中，第一比例值的计算方法还包括：
设数组Amplist，数组Amplist中元素的数量与数组Thzlist中元素的数量相同，数组Amplist中元素的序号与数组Thzlist中元素的序号相同，数组Amplist中元素的数量同样为T，数组Amplist中元素的序号同样为t，数组Amplist中序号为t的元素为Amplist(t)，Amplist(t)的计算公式为Amplist(t)= Thzlist(t)p/fth；
对一组采样点进行概率特征提取，即将一组采样点转化为一组采样点的概率提取值，具体为：记一组采样点的概率提取值为数组Thzps，数组Thzps中元素的数量与数组Thzlist中元素的数量相同，数组Thzps中元素的序号与数组Thzlist中元素的序号相同，数组Thzps中元素的数量同样为T，数组Thzps中元素的序号同样为t，数组Thzps中序号为t的元素为Thzps(t)，Thzps(t)即为Thzlist(t)的概率提取值，Thzps(t)的计算公式为：
Figure 847833DEST_PATH_IMAGE001
其中，函数exp()表示以自然数e为底的指数函数，由此得到Thzps即为一组采样点的概率提取值；
对数组Amplist进行概率特征提取，即将数组Amplist转化为数组Amplist的概率提取值，具体为：对Amplist中的各Amplist(t)进行概率特征提取，记Amplist(t)的概率提取值为Ampps(t)，Ampps(t)的计算公式为：
Figure 585982DEST_PATH_IMAGE002
其中，由各个Ampps(t)构成的数组Ampps即为数组Amplist的概率提取值，Ampps(t)为数组Ampps中序号为t的元素，数组Ampps中元素的数量及序号与数组Amplist中元素的数量及序号相同；
记第一比例值为ρ，ρ的计算公式为：
Figure 105956DEST_PATH_IMAGE003
ρ的计算公式即为第一比例值的计算方法，由此得到第一比例值。
6.根据权利要求1所述的一种螺旋铣孔状态异常的在线检测识别方法，其特征在于，在S400中，在螺旋铣孔切削过程中，以轴向切削力的主轴旋转频率成分的幅值作为指标信号，根据第一比例值和主轴旋转频率计算得到阈值频率，在阈值频率的附近频域范围内的最大幅值作为阈值，判断指标信号是否小于阈值，若是则判断螺旋铣孔的切削过程存在状态异常的方法为：
螺旋铣孔进行切削，在切削的过程中，采集并存储采样时间内螺旋铣孔的轴向切削力数据，对这些数据做离散傅里叶变换，得到轴向切削力的幅频谱以及主轴旋转频率成分幅值，并计算得到主轴旋转频率；
以主轴旋转频率的频率值为Hza，在轴向切削力的幅频谱中，获取幅频谱中的在Hza正负5%频率变化范围内的最大幅值为Fa， Fa即为指标信号；
设第一比例值为ρ，设置频率值Hzb，Hzb=Hza×ρ，在轴向切削力的幅频谱中，获取幅频谱中的在Hzb正负5%频率变化范围内的最大幅值为Fb，Fb即为阈值；
判断指标信号是否小于阈值，进行判断是否满足约束条件Fa＜Fb，即判断1/2主轴旋转频率附近的频率成分的幅值与主轴旋转频率成分的幅值这两个幅值之比是否大于等于1，若是即为螺旋铣孔的切削过程存在状态异常。
7.一种螺旋铣孔状态异常的在线检测识别***，其特征在于，所述一种螺旋铣孔状态异常的在线检测识别***包括：测力仪、信号采集卡、处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1中的一种螺旋铣孔状态异常的在线检测识别方法中的步骤以此控制螺旋铣孔进行切削，所述一种螺旋铣孔状态异常的在线检测识别***运行于桌上型计算机、笔记本、掌上电脑及云端数据中心计算设备中，可运行的***包括处理器、存储器、服务器集群。
CN202111418274.9A 2021-11-26 2021-11-26 一种螺旋铣孔状态异常的在线检测识别方法及*** Active CN114043312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111418274.9A CN114043312B (zh) 2021-11-26 2021-11-26 一种螺旋铣孔状态异常的在线检测识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111418274.9A CN114043312B (zh) 2021-11-26 2021-11-26 一种螺旋铣孔状态异常的在线检测识别方法及***

Publications (2)

Publication Number Publication Date
CN114043312A true CN114043312A (zh) 2022-02-15
CN114043312B CN114043312B (zh) 2022-10-11

Family

ID=80211212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111418274.9A Active CN114043312B (zh) 2021-11-26 2021-11-26 一种螺旋铣孔状态异常的在线检测识别方法及***

Country Status (1)

Country Link
CN (1) CN114043312B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115741232A (zh) * 2022-11-15 2023-03-07 华中科技大学 基于微元离散的通用刀具五轴加工切削力预测方法及应用

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104476327A (zh) * 2014-12-31 2015-04-01 无锡透平叶片有限公司 一种基于稳定性分析的立铣刀结构参数优化方法
CN105414616A (zh) * 2015-12-02 2016-03-23 上海交通大学 螺旋铣孔过程中切削力预报和稳定性判别方法
CN106541301A (zh) * 2015-09-18 2017-03-29 天津航天长征火箭制造有限公司 一种变螺旋铣刀切削稳定性快速预测方法
CN106563973A (zh) * 2015-10-13 2017-04-19 桂林市君威机电科技有限公司 一种基于刀具振动位移的动态铣削力测量方法
JP2019188540A (ja) * 2018-04-25 2019-10-31 富士電機株式会社 判定装置、及び工作機械システム
CN111644900A (zh) * 2020-05-21 2020-09-11 西安交通大学 一种基于主轴振动特征融合的刀具破损实时监测方法
CN111702557A (zh) * 2020-04-30 2020-09-25 工业互联网创新中心（上海）有限公司 铣床在铣削键槽时的异常诊断方法及设备
CN112405113A (zh) * 2020-07-23 2021-02-26 哈尔滨理工大学 高能效铣刀动态切削力变化特性的识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104476327A (zh) * 2014-12-31 2015-04-01 无锡透平叶片有限公司 一种基于稳定性分析的立铣刀结构参数优化方法
CN106541301A (zh) * 2015-09-18 2017-03-29 天津航天长征火箭制造有限公司 一种变螺旋铣刀切削稳定性快速预测方法
CN106563973A (zh) * 2015-10-13 2017-04-19 桂林市君威机电科技有限公司 一种基于刀具振动位移的动态铣削力测量方法
CN105414616A (zh) * 2015-12-02 2016-03-23 上海交通大学 螺旋铣孔过程中切削力预报和稳定性判别方法
JP2019188540A (ja) * 2018-04-25 2019-10-31 富士電機株式会社 判定装置、及び工作機械システム
CN111702557A (zh) * 2020-04-30 2020-09-25 工业互联网创新中心（上海）有限公司 铣床在铣削键槽时的异常诊断方法及设备
CN111644900A (zh) * 2020-05-21 2020-09-11 西安交通大学 一种基于主轴振动特征融合的刀具破损实时监测方法
CN112405113A (zh) * 2020-07-23 2021-02-26 哈尔滨理工大学 高能效铣刀动态切削力变化特性的识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115741232A (zh) * 2022-11-15 2023-03-07 华中科技大学 基于微元离散的通用刀具五轴加工切削力预测方法及应用
CN115741232B (zh) * 2022-11-15 2024-05-14 华中科技大学 基于微元离散的通用刀具五轴加工切削力预测方法及应用

Also Published As

Publication number Publication date
CN114043312B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
JP6828626B2 (ja) 異常検出プログラム、異常検出方法、及び情報処理装置
CN111538642B (zh) 一种异常行为的检测方法、装置、电子设备及存储介质
CN114043312B (zh) 一种螺旋铣孔状态异常的在线检测识别方法及***
US20120197851A1 (en) Considering multiple lookups in bloom filter decision making
US10288653B2 (en) Time series analytics
CN106909482A (zh) 一种固态硬盘寿命检测的方法及装置
CN107463482B (zh) 确定指标关联性的方法及装置
CN111045881A (zh) 一种慢盘检测方法及***
CN110399400B (zh) 检测异常数据的方法、装置、设备以及介质
WO2023061304A1 (zh) 一种基于大数据的威胁情报预警文本分析方法及***
CN110858072A (zh) 设备运行状态的确定方法及装置
CN110672325A (zh) 一种基于概率分布的轴承工况稳定性评估方法及装置
WO2008088121A1 (en) Apparatus and method for detecting program plagiarism through memory access log analysis
Goyal et al. An intelligent self-adaptive bearing fault diagnosis approach based on improved local mean decomposition
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
CN115656700B (zh) 检测方法、训练方法、电器、监控***和存储介质
CN115295016A (zh) 一种设备运行状态监控方法、装置、设备及存储介质
CN110849644A (zh) 一种检测散热器安装异常的方法、检测装置及存储介质
TWI694344B (zh) 為一作業環境檢測影響因子之裝置及方法
CN113918370A (zh) 类别确定方法、装置、电子设备和存储介质
CN113642618B (zh) 一种用于螺杆装置状态预测模型训练的方法及设备
CN111292463A (zh) 一种纸币识别方法、装置、服务器及存储介质
CN109543150B (zh) 一种庭审笔录的处理方法和装置
JP2007226639A (ja) 多変量データ判別装置
CN117010602B (zh) 一种天然气水合物钻采井筒数据处理方法

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