CN117260386A - 一种智能生产线机械式数控精雕机刀具磨损监测*** - Google Patents
一种智能生产线机械式数控精雕机刀具磨损监测*** Download PDFInfo
- Publication number
- CN117260386A CN117260386A CN202311186910.9A CN202311186910A CN117260386A CN 117260386 A CN117260386 A CN 117260386A CN 202311186910 A CN202311186910 A CN 202311186910A CN 117260386 A CN117260386 A CN 117260386A
- Authority
- CN
- China
- Prior art keywords
- cutter
- wear
- historical
- value
- 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.)
- Pending
Links
- 238000003801 milling Methods 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000005299 abrasion Methods 0.000 claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000010801 machine learning Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B23Q17/0952—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
- B23Q17/0957—Detection of tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明属于刀具磨损监测技术领域，本发明公开了一种智能生产线机械式数控精雕机刀具磨损监测***；包括：第一数据收集模块，收集刀具的第一历史数据；第一模型训练模块，基于第一历史数据训练出预测刀具磨损程度值的第一机器学习模型；磨损评估模块，将第一机器学习模型预测的刀具磨损程度值与预设刀具磨损阈值进行分析，对刀具生成中度磨损标记或重度磨损标记；第二数据收集模块，收集重度磨损标记对应刀具的第二历史数据，第二历史数据包括历史第二特征数据；对历史第二特征数据进行分析生成刀具磨损评价系数，根据刀具磨损评价系数与预设刀具磨损评价系数阈值，生成正常磨损标记或异常磨损标记；节约刀具使用成本。
Description
技术领域
本发明涉及刀具磨损监测技术领域，更具体地说，本发明涉及一种智能生产线机械式数控精雕机刀具磨损监测***。
背景技术
现有技术中，发明公开号CN113997122A公开了一种刀具磨损监测方法及***，通过构建目标刀具***对应的初始刀具虚拟模型，并通过目标刀具***的切削加工试验获取试验数据，从而来修正初始刀具虚拟模型，得到目标刀具虚拟模型，从而实时监测刀具磨损情况，提高刀具磨损监测的准确度和效率。
但是，上述发明只针对刀具磨损进行了实时的检测，但是并没有对刀具磨损的原因进行监测，而如果不对刀具异常磨损原因进行监测，并不能根本的解决刀具异常磨损的问题。
鉴于此，本发明提出一种智能生产线机械式数控精雕机刀具磨损监测***以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种智能生产线机械式数控精雕机刀具磨损监测***。
为实现上述目的，本发明提供如下技术方案：
在一个优选的实施方式中，一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，包括：第一数据收集模块，收集刀具的第一历史数据；
第一模型训练模块，基于第一历史数据训练出预测刀具磨损程度值的第一机器学习模型；
磨损评估模块，将第一机器学习模型预测的刀具磨损程度与预设刀具磨损阈值进行分析，对刀具生成中度磨损标记或重度磨损标记；
第二数据收集模块，收集重度磨损标记对应刀具的第二历史数据，
对历史第二特征数据进行分析生成刀具磨损评价系数，根据刀具磨损评价系数与预设刀具磨损评价系数阈值，生成正常磨损标记或异常磨损标记；
第二模型训练模块，基于第二历史数据训练出识别异常磨损标记对应刀具异常磨损故障原因的第二机器学习模型。
进一步的，第一历史数据包括历史第一特征数据以及与历史第一特征数据对应的刀具磨损程度值，刀具磨损程度值为i＝1,2,3...I,I为大于1的数值；第一特征数据包括刀具的温度值、压力值、声音频率值和运行功率值。
进一步的，温度值通过设置在刀具附近的温度传感器采集刀具运行时的温度；
压力值通过设置在刀具雕刻件下方的工作台上的压力传感器获得，将雕刻件自身重量对压力传感器施加的压力标记为P1，在刀具运行时压力传感器检测得到的压力标记为P2，将P2减去P1得到的差值标记为压力值；
声音频率值通过设置在具附近的声级计分别采集低频声音Vl和高频声音Vh；
运行功率信息W通过多功能电力测试仪进行获取。
进一步的，基于历史第一特征数据训练出预测刀具磨损程度值的第一机器学习模型，将每组历史第一特征数据转换为对应的一组第一特征向量；
将每组第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型将每组历史第一特征数据对应的一组刀具磨损程度值预测作为输出，以每组实时第一特征数据对应的刀具的磨损程度值作为预测目标，以最小化第一机器学习模型损失函数作为训练目标；当第一机器学习模型损失函数小于等于第一目标损失值时停止训练。
进一步的，所述第一机器学习模型是二分类模型的一种。
进一步的，预设刀具磨损阈值包括二级刀具磨损阈值和一级刀具磨损阈值，二级刀具磨损阈值小于一级刀具磨损阈值，当刀具磨损程度小于二级阈值时，则对刀具不进行标记；当刀具磨损程度大于等于二级刀具磨损阈值，且小于一级刀具磨损阈值时，标记刀具磨损情况为中度磨损，生成中度磨损标记；当刀具磨损程度大于等于一级刀具磨损阈值时，标记刀具磨损情况为重度磨损标记。
进一步的，第二历史数据包括历史第二特征数据以及与历史第二特征数据对应的刀具异常磨损故障原因的编号，编号为n＝1,2,3...N，N为大于等于1整数，每一编号对应着一种刀具异常磨损故障原因；
历史第二特征数据包括异常下降深度持续时间、异常工作温度持续时间和加工材料的硬度；
异常下降深度持续时间h通过设置在刀具夹臂处的距离传感器与计时器得到；
异常工作温度持续时间s是刀具的工作温度T大于刀具的安全工作温度T1的持续时间，通过温度计与计时器获得，刀具的安全工作温度T1通过刀具的使用说明书得到；
加工材料的硬度根据不同的加工材料进行相应的设置。
进一步的，对异常下降深度持续时间、异常工作温度持续时间和加工材料的硬度归一化处理生成刀具磨损评价系数。
进一步的，当刀具磨损评价系数小于等于刀具磨损评价系数阈值，则对相应重度磨损标记对应的刀具生成正常磨损标记；当刀具磨损评价系数大于刀具磨损评价系数阈值，则对相应重度磨损标记对应的刀具生成异常磨损标记。
进一步的，基于历史第二特征数据训练出识别异常磨损标记对应刀具异常磨损故障原因的第二机器学习模型，将每组历史第二特征数据转换为对应的一组第二特征向量；将每组第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型将每组历史第二特征数据对应的一组刀具异常磨损故障原因编号作为输出，以每组实时第二特征数据对应的刀具异常磨损故障原因编号作为预测目标，以最小化第二机器学习模型损失函数作为训练目标；当第二机器学习模型损失函数小于等于第一目标损失值时停止训练。
第二机器学习模型将所输出的刀具异常磨损故障原因编号发送到磨损评估模块。
磨损评估模块对刀具异常磨损故障原因进行编号，示例性的，如，将控制刀具雕刻速度的电子元件出现故障导致刀具雕刻速度异常加快，温度过高导致刀具异常磨损标记为编号1；将控制刀具进行移动的夹臂出现故障导致刀具切削深度过大，导致超出了预定深度，出现刀具中部磨损过快，引起振动和刀具断裂标记为编号2。
本发明一种智能生产线机械式数控精雕机刀具磨损监测***的技术效果和优点：
1.可以对刀具的磨损情况进行实时的监测，并针对刀具的磨损情况不同，标记不同的刀具磨损标记，对标记了不同的刀具磨损标记的刀具进行不同的处理，可以有效的预防由于刀具磨损过于严重导致刀具加工产品质量过差的情况发生，使切削质量提高、加工精度提升。
2.针对刀具异常磨损的原因进行分析，避免只针对刀具磨损监测而不对刀具异常磨损原因监测导致的治标不治本的问题，可以排除刀具正常损耗而导致的正常磨损，对因为其它原因导致的刀具异常磨损的情况进行检测，可以有效的提高刀具的正常使用寿命，减少刀具的不必要损耗，节约刀具使用成本。
附图说明
图1为本发明的一种智能生产线机械式数控精雕机刀具磨损监测***示意图；
图2为本发明的一种智能生产线机械式数控精雕机刀具磨损监测方法示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
实施例1
请参阅图1所示，本实施例所述一种智能生产线机械式数控精雕机刀具磨损监测***，包括第一数据收集模块、第一模型训练模块、磨损评估模块、第二数据收集模块和第二模型训练模块，其中，各个模块之间通过有线和/或无线网络方式连接。
第一数据采集模块，用于收集刀具的第一历史数据，并将第一历史数据发送到第一模型训练模块。
第一历史数据包括历史第一特征数据以及与历史第一特征数据对应的刀具磨损程度值，刀具磨损程度值为i＝1,2,3...I,I为大于1的数值；第一特征数据包括刀具的温度值、压力值、声音频率值和运行功率值。
数控精雕机主要用于制作精密零部件，刀具用于对精密零部件的雕刻。设备在没有发生刀具磨损的情况下，刀具的温度值、压力值、声音频率值和运行功率值都是相对平稳的，不会有太大波动。而出现了刀具磨损的情况时，上述的数值会发生变化，变化幅度越大，说明刀具的磨损就越厉害。通过对上述信息的监控，可以实现对刀具磨损情况的预测。
历史第一特征数据包括刀具的温度值、压力值声音值和运行功率值；
温度值通过设置在刀具附近的温度传感器采集刀具运行时的温度，温度传感器可以是激光温度传感器，不会对刀具运行造成干涉，温度过高，会发生刀具磨损的情况；
压力值通过设置在刀具雕刻件下方的工作台上的压力传感器获得，刀具在发生磨损后，刀具的刃口会变钝，切削力会变大，简单来说就是刀具负责雕刻的部分的接触面积会增大，在进行作业时相应的刀具对雕刻件施加的压力也会增大；将雕刻件自身重量对压力传感器施加的压力标记为P1，在刀具运行时压力传感器检测得到的压力标记为P2，将P2减去P1得到的差值标记为压力值；
声音值通过声级计获得，声级计分为A型声级计和B型声级计，分别采集低频声音Vl和高频声音Vh，设备在运行过程中，发出的声音既有机器运转时的声音，也会有电机旋转的声音，而在刀具出现磨损后，刀具的刃口会变钝，切削力会变大，刀具在进行雕刻的过程中会出现明显的高频声音值Vh和底频声音值Vl；
运行功率值通过多功能电力测试仪进行获取，机器在长期稳定的运行过程中，它的实际功率也是相对稳定的，而在刀具出现磨损后，刀具在进行雕刻作业的过程中，由于锋利度下降，需要消耗更多的能量完成雕刻，导致设备的功率升高，首先采集刀具未磨损状态下，智能生产线机械式数控精雕机的运行功率W1，将W1作为智能生产线机械式数控精雕机的功率阈值，当W大于W1时，表示刀具处于磨损状态。
第一模型训练模块基于数控精雕机的历史第一特征数据，训练出计算刀具磨损程度预测的第一机器学习模型；
需要说明的是，基于数控精雕机的历史第一特征数据，训练出计算刀具磨损程度预测的第一机器学习模型的方法为：
将历史第一特征数据中的每组刀具特征数据转换为对应的一组第一特征向量，其中，一组生产线机械式数控精雕机刀具特征数据包括同一时刻温度值、压力值、运行功率值、低频声音值和高频声音值；
将每组第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型把每组历史特征数据对应的一组刀具磨损程度预测作为输出，以每组实时刀具特征数据对应的刀具的磨损程度作为预测目标，以最小化第一机器学习模型损失函数作为训练目标；当第一机器学习模型损失函数小于等于第一目标损失值时停止训练。
第一机器学习模型损失函数为均方误差或交叉熵；MSE1
均方误差是常用的损失函数之一，通过将损失函数公式：
最小化为目标来训练模型，使得机器学习模型更好地拟合数据，从而提高模型的性能和准确率；
损失函数中MSE1为损失函数值，p为第一特征向量租号；w为第一特征向量组数；yp为第p组第一特征向量所对应的刀具的磨损程度值，第p组第一特征向量实际所对应的刀具的磨损程度值，如，将刀具磨损程度值设置为1-10之间的数值，数值越大，磨损越严重。
优选的，所述第一机器学习模型是一种二分类模型的一种；
所述第一机器学习模型的其他模型参数，第一目标损失值、优化算法、训练集测试集验证集比例以及损失函数的优化等均通过实际的工程实现，不断地进行实验调优后获得。
所述第一机器学习模型训练完成后，第一模型训练模块即可实时的计算出刀具的预测磨损程度值，并将预测磨损程度值发送给磨损评估模块。
进一步地，设置刀具磨损阈值，将预测磨损程度与刀具磨损阈值进行比对，所述刀具磨损阈值分为二级刀具磨损阈值和一级刀具磨损阈值，其中二级刀具磨损阈值小于一级刀具磨损阈值，当刀具磨损程度小于二级阈值时，不对刀具进行标记，无需处理；当刀具磨损程度大于等于二级刀具磨损阈值，且小于一级刀具磨损阈值时，标记刀具磨损情况为中度磨损，生成中度磨损标记；当刀具磨损程度大于等于一级刀具磨损阈值时，标记刀具磨损情况为重度磨损，生成重度磨损标记。
所述刀具磨损阈值为工作人员根据刀具历史使用期限设定，历史使用期限越高，刀具磨损阈值越低，不同的区域，出于不同的考虑，对刀具的使用寿命不同。如有的区域出于刀具加工产品质量的考虑，刀具出现轻微磨损也会进行更换，那刀具的使用寿命就会较短；而有的区域出于节省成本的考虑，那怕刀具出现一些磨损也不会更换而是继续使用，这样刀具的使用期限就会更长。刀具的使用期限越长，说明刀具的工作年限越长，刀具的磨损情况越差，示例性的，某地区长期数控精雕机历史使用期限过长，对应的刀具磨损阈值则要调低，则设二级刀具磨损阈值为0.5，一级刀具磨损阈值为0.7，如某地区长期数控精雕机历史使用期限较短，对应的刀具磨损阈值则要调高，如则二级刀具磨损阈值为0.7，一级刀具磨损阈值为0.9。具体使用期限的长短一级刀具磨损阈值的设定由当地工作人员根据实际情况判断。
对生成的中度磨损标记和重度磨损标记，实施不同的处理策略：对于被标记为中度磨损标记的设备，表示其刀具有一定的磨损，在生产任务不繁忙时，可以安排技术人员对其进行检修更换；二对标记为重度磨损标记的设备，该设备的刀具磨损较严重，也影响了生产产品的效率和速度，需要立刻安排技术人员进行更换，以免影响产品的质量。
第二数据收集模块，用于收集重度磨损标记对应的刀具的第二历史数据。
重度磨损标记对应的刀具的第二历史数据包括历史第二特征数据以及与历史第二特征数据对应的刀具异常磨损故障原因的编号，编号为n＝1,2,3...N，N为大于等于1整数，每一编号对应着一种刀具异常磨损故障原因；
历史第二特征数据包括异常下降深度持续时间、异常工作温度持续时间s和加工材料的硬度。
异常下降深度持续时间通过设置在刀具夹臂处的距离传感器与计时器得到，具体方法如下：
设置刀具下降深度阈值为h1，h1由相应刀具说明书获得，将每次刀具运行时的实际高度标记为h，统计初始刀具至刀具具有重度磨损标记时间区间内，每次h大于h1持续时间之和，得到异常下降深度持续时间，h通过刀具夹臂处的距离传感器获得；当h大于h1时，说明刀具切削深度过大，刀具与加工材料的接触面积增大，摩擦力增大，刀具异常磨损的可能性增大；
异常工作温度持续时间获得方法包括：
设置刀具工作温度阈值T1，将每次刀具运行时的实际温度标记为T，统计初始刀具至刀具具有重度磨损标记时间区间内，每次T大于T1持续时间之和，得到异常工作温度持续时间，刀具工作温度阈值即为刀具的安全工作温度，通过相应刀具的使用说明书得到；异常工作温度越高，刀具异常磨损的可能性增大；初始刀具为全新刀具开始使用时间；
加工材料的硬度根据不同的加工材料进行相应的设置。
将上述的历史第二特征数据进行归一化处理，并通过公式：f＝γ1*h+γ2*s+γ3*m，生成刀具磨损评价系数f，γ1+γ2+γ3＝1；γ1、γ2与γ3取值均大于0；γ1为刀具下降深度的权重系数，γ2为异常工作温度持续时间的权重系数，γ3为加工材料的硬度的权重系数；权重系数反映了每种刀具的工作特征数据对刀具磨损评价系数的重要性，重要性越大，相应的权重系数的数值越大；反之相反；
生成刀具磨损评价系数阈值，并与刀具磨损评价系数进行比对，若刀具磨损评价系数小于等于刀具磨损评价系数阈值，则对该重度磨损标记的刀具标记为正常磨损标记；若刀具磨损评价系数大于刀具磨损评价系数阈值，则对该重度磨损标记的刀具标记为异常磨损标记。
刀具磨损评价系数阈值的生成方式为：在实验环境下，运行数控精雕机，并在符合刀具使用说明书的前提下，不断改变刀具的历史第二特征数据，对每次的历史第二特征数据进行记录，直至该刀具符合生成重度磨损标记的条件，对采集的多组历史第二特征数据通过公式生成多组刀具磨损评价系数，对多组刀具磨损评价系数，去除最大值与最小值，余下刀具磨损评价系数的平均值作为刀具磨损评价系数阈值。
第二模型训练模块基于刀具的历史第二特征数据，训练出计算刀具异常磨损故障原因编号的第二机器学习模型；
需要说明的是，基于刀具的历史第二特征数据，训练出计算刀具异常磨损故障原因编号的第二机器学习模型的方法为：
将刀具的历史第二特征数据转换为对应的一组第二特征向量，其中，一组刀具的历史第二特征数据包括刀具的异常下降深度持续时间、刀具危险工作温度持续时间和刀具加工材料硬度；
将每组第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型把每组刀具的历史第二特征数据对应的一组刀具异常磨损故障原因编号作为输出，以每组实时的历史第二特征数据对应的刀具的异常磨损故障原因编号作为预测目标，以最小化第二机器学习模型损失函数作为训练目标；当第二机器学习模型损失函数小于等于第二目标损失值时停止训练。
第二机器学习模型损失函数为均方误差或交叉熵；
均方误差是常用的损失函数之一，通过将损失函数公式最小化为目标来训练模型，使得机器学习模型更好地拟合数据，从而提高模型的性能和准确率；
损失函数中MSE2为损失函数值，x为第二特征向量组号；m为第二特征向量组数；yx为第x组第二特征向量所对应的刀具异常磨损故障原因编号，为第x组第二特征向量实际所对应的刀具异常磨损故障原因编号；
所述第二机器学习模型的其他模型参数，第二目标损失值、优化算法、训练集测试集验证集比例以及损失函数的优化等均通过实际的工程实现，不断地进行实验调优后获得。
第二机器学习模型将所输出的刀具异常磨损故障原因编号发送到磨损评估模块。
磨损评估模块对刀具异常磨损故障原因进行编号，示例性的，如，将控制刀具雕刻速度的电子元件出现故障导致刀具雕刻速度异常加快，温度过高导致刀具异常磨损标记为编号1；将控制刀具进行移动的夹臂出现故障导致刀具切削深度过大，导致超出了预定深度，出现刀具中部磨损过快，引起振动和刀具断裂标记为编号2。
本实施例通过机器学习模型，对刀具磨损进行监测，可以及时、精确的检测每个刀具的磨损情况，使切削质量提高、加工精度提升；还可以准确的把握到刀具异常磨损的故障原因，避免了刀具的异常损坏，提高了刀具的使用寿命，降低了成本。
实施例2
请参阅图2所示，本实施例未详细叙述部分见实施例一描述内容，提供一种智能生产线机械式数控精雕机刀具磨损监测方法，所述方法包括：
收集刀具的第一历史数据，第一历史数据包括历史第一特征数据以及与历史第一特征数据对应的刀具磨损程度值，刀具磨损程度值为i＝1,2,3...I,I为大于1的数值；第一特征数据包括刀具的温度值、压力值、声音频率值和运行功率值。
基于数控精雕机的历史第一特征数据，训练出计算刀具磨损程度预测的第一机器学习模型；将历史第一特征数据中的每组刀具特征数据转换为对应的一组第一特征向量，其中，一组生产线机械式数控精雕机刀具特征数据包括同一时刻温度信息、压力值、运行功率、低频声音Vl和高频声音Vh；
将每组第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型把每组历史特征数据对应的一组刀具磨损程度预测作为输出，以每组实时刀具特征数据对应的刀具的磨损程度作为预测目标，以最小化第一机器学习模型损失函数作为训练目标；当第一机器学习模型损失函数小于等于第一目标损失值时停止训练。
设置刀具磨损阈值，将预测磨损程度与刀具磨损阈值进行比对。所述刀具磨损阈值分为二级刀具磨损阈值和一级刀具磨损阈值，其中二级刀具磨损阈值小于一级刀具磨损阈值，当刀具磨损程度小于二级阈值时，不对刀具进行标记，无需处理；当刀具磨损程度大于等于二级刀具磨损阈值，且小于一级刀具磨损阈值时，标记刀具磨损情况为中度磨损，生成中度磨损标记；当刀具磨损程度大于等于一级刀具磨损阈值时，标记刀具磨损情况为重度磨损，生成重度磨损标记。
收集重度磨损标记对应的刀具的第二历史数据；
重度磨损标记对应的刀具的第二历史数据包括历史第二特征数据以及与历史第二特征数据对应的刀具异常磨损故障原因的编号，编号为n＝1,2,3...N，N为大于等于1整数，每一编号对应着一种刀具异常磨损故障原因；
历史第二特征数据包括异常下降深度持续时间h、异常工作温度持续时间s和加工材料的硬度；
将上述的历史第二特征数据进行归一化处理，并通过分析生成刀具磨损评价系数，生成刀具磨损评价系数阈值，并与刀具磨损评价系数进行比对，若刀具磨损评价系数小于等于刀具磨损评价系数阈值，则对该重度磨损标记的刀具标记为正常磨损标记；若刀具磨损评价系数大于刀具磨损评价系数阈值，则对该重度磨损标记的刀具标记为异常磨损标记；
基于刀具的历史第二特征数据，训练出计算刀具异常磨损故障原因编号的第二机器学习模型；
将刀具的历史第二特征数据转换为对应的一组第二特征向量，将每组第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型把每组刀具的历史第二特征数据对应的一组刀具异常磨损故障原因编号作为输出，以每组实时的历史第二特征数据对应的刀具的异常磨损故障原因编号作为预测目标，以最小化第二机器学习模型损失函数作为训练目标；当第二机器学习模型损失函数小于等于第二目标损失值时停止训练。
对刀具异常磨损故障原因进行编号，示例性的，如，将控制刀具雕刻速度的电子元件出现故障导致刀具雕刻速度异常加快，温度过高导致刀具异常磨损标记为编号1；将控制刀具进行移动的夹臂出现故障导致刀具切削深度过大，导致超出了预定深度，出现刀具中部磨损过快，引起振动和刀具断裂标记为编号2。
实施例3
根据示例性实施例示出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种智能生产线机械式数控精雕机刀具磨损监测方法。
实施例4
根据示例性实施例示出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的一种智能生产线机械式数控精雕机刀具磨损监测方法。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：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，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。
Claims (10)
1.一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，包括：
第一数据收集模块，收集刀具的第一历史数据；
第一模型训练模块，基于第一历史数据训练出预测刀具磨损程度值的第一机器学习模型；
磨损评估模块，将第一机器学习模型预测的刀具磨损程度值与预设刀具磨损阈值进行分析，对刀具生成中度磨损标记或重度磨损标记；
第二数据收集模块，收集重度磨损标记对应刀具的第二历史数据，第二历史数据包括历史第二特征数据；
对历史第二特征数据进行分析生成刀具磨损评价系数，根据刀具磨损评价系数与预设刀具磨损评价系数阈值，生成正常磨损标记或异常磨损标记；
第二模型训练模块，基于历史第二特征数据训练出识别异常磨损标记对应刀具异常磨损故障原因的第二机器学习模型。
2.根据权利要求1所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，第一历史数据包括历史第一特征数据以及与历史第一特征数据对应的刀具磨损程度值，刀具磨损程度值为i＝1,2,3...I,I为大于1的数值；历史第一特征数据包括刀具温度值、刀具压力值、刀具声音频率值和数控精雕机运行功率值。
3.根据权利要求2所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，刀具温度值通过设置在刀具附近的温度传感器采集刀具运行时的温度；
刀具压力值通过设置在刀具雕刻件下方的工作台上的压力传感器获得，将雕刻件自身重量对压力传感器施加的压力标记为P1，在刀具运行时压力传感器检测得到的压力标记为P2，将P2减去P1得到的差值标记为刀具压力值；
刀具声音频率值通过设置在刀具附近的声级计分别采集低频声音Vl和高频声音Vh；
数控精雕机运行功率值通过多功能电力测试仪进行获取。
4.根据权利要求3所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，基于历史第一特征数据训练出预测刀具磨损程度值的第一机器学习模型，将每组历史第一特征数据转换为对应的一组第一特征向量；
将每组第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型将每组历史第一特征数据对应的一组刀具磨损程度值预测作为输出，以每组实时第一特征数据对应的刀具的磨损程度值作为预测目标，以最小化第一机器学习模型损失函数作为训练目标；当第一机器学习模型损失函数小于等于第一目标损失值时停止训练。
5.根据权利要求4所述的一种智能生产线机械式数控精雕机刀具磨损监测方法，其特征在于，所述第一机器学习模型是二分类模型的一种。
6.根据权利要求5所述的一种智能生产线机械式数控精雕机刀具磨损监测方法，其特征在于，刀具磨损阈值包括二级刀具磨损阈值和一级刀具磨损阈值，二级刀具磨损阈值小于一级刀具磨损阈值，当刀具磨损程度值小于二级阈值时，则对刀具不进行标记；当刀具磨损程度值大于等于二级刀具磨损阈值，且小于一级刀具磨损阈值时，标记刀具磨损情况为中度磨损，生成中度磨损标记；当刀具磨损程度值大于等于一级刀具磨损阈值时，标记刀具磨损情况为重度磨损标记。
7.根据权利要求6所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，第二历史数据还包括历史第二特征数据对应的刀具异常磨损故障原因的编号，编号为n＝1,2,3...N，N为大于等于1整数，每一编号对应着一种刀具异常磨损故障原因；
历史第二特征数据包括异常下降深度持续时间、异常工作温度持续时间和加工材料的硬度；
异常下降深度持续时间获得方法包括：
设置刀具下降深度阈值为h1，将每次刀具运行时的实际高度标记为h，统计初始刀具至刀具具有重度磨损标记时间区间内，每次h大于h1持续时间之和，得到异常下降深度持续时间，h通过刀具夹臂处的距离传感器获得；
异常工作温度持续时间获得方法包括：
设置刀具工作温度阈值T1，将每次刀具运行时的实际温度标记为T，统计初始刀具至刀具具有重度磨损标记时间区间内，每次T大于T1持续时间之和，得到异常工作温度持续时间；初始刀具为全新刀具开始使用时间；
加工材料的硬度根据不同的加工材料进行相应的设置。
8.根据权利要求7所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，对异常下降深度持续时间、异常工作温度持续时间和加工材料的硬度归一化处理生成刀具磨损评价系数。
9.根据权利要求8所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，当刀具磨损评价系数小于等于刀具磨损评价系数阈值，则对相应重度磨损标记对应的刀具生成正常磨损标记；当刀具磨损评价系数大于刀具磨损评价系数阈值，则对相应重度磨损标记对应的刀具生成异常磨损标记。
10.根据权利要求9所述的一种智能生产线机械式数控精雕机刀具磨损监测***，其特征在于，将每组历史第二特征数据转换为对应的一组第二特征向量；将每组第二特征向量作为第二机器学习模型的输入，所述第二机器学习模型将每组历史第二特征数据对应的一组刀具异常磨损故障原因编号作为输出，以每组实时第二特征数据对应的刀具异常磨损故障原因编号作为预测目标，以最小化第二机器学习模型损失函数作为训练目标；当第二机器学习模型损失函数小于等于第二目标损失值时停止训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186910.9A CN117260386A (zh) | 2023-09-14 | 2023-09-14 | 一种智能生产线机械式数控精雕机刀具磨损监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186910.9A CN117260386A (zh) | 2023-09-14 | 2023-09-14 | 一种智能生产线机械式数控精雕机刀具磨损监测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117260386A true CN117260386A (zh) | 2023-12-22 |
Family
ID=89215259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311186910.9A Pending CN117260386A (zh) | 2023-09-14 | 2023-09-14 | 一种智能生产线机械式数控精雕机刀具磨损监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117260386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071334A (zh) * | 2024-04-22 | 2024-05-24 | 靖边县天润农业科技有限公司 | 一种基于物联网的甘草片制备设备运维方法及*** |
-
2023
- 2023-09-14 CN CN202311186910.9A patent/CN117260386A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071334A (zh) * | 2024-04-22 | 2024-05-24 | 靖边县天润农业科技有限公司 | 一种基于物联网的甘草片制备设备运维方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021043192A1 (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
| CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
| CN109909804A (zh) | 基于主轴驱动电流和工步的刀具磨损破损在线监测方法 | |
| TWI422460B (zh) | Tool nose detection method for cutting machine tool | |
| CN106514434B (zh) | 一种基于数据的铣削刀具磨损监测方法 | |
| CN103760820A (zh) | 数控铣床加工过程状态信息评价装置 | |
| TWI472402B (zh) | Tool flutter monitoring method | |
| CN107186547A (zh) | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 | |
| CN111113150B (zh) | 一种机床刀具状态的监控方法 | |
| CN105058165A (zh) | 基于振动信号的刀具磨损量监测*** | |
| CN205362716U (zh) | 智能刀具 | |
| CN110334728A (zh) | 一种面向工业互联网的故障预警方法及装置 | |
| CN113894617A (zh) | 一种基于机床振动信号的刀具状态监测***及方法 | |
| CN101870076A (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
| CN116596322B (zh) | 一种基于大数据可视化的物业设备管理方法及*** | |
| JP4182399B2 (ja) | 工作機械の稼働情報収集システム | |
| CN112571149A (zh) | 一种大型数控机床的冷却散热监测及报警*** | |
| CN113126563A (zh) | 数控机床数据管理***及方法 | |
| CN109725599A (zh) | 一种数控机床能效在线监测方法 | |
| CN115473331B (zh) | 一种基于动态建模的数字孪生电网用电量监管*** | |
| CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
| CN114326593B (zh) | 一种刀具寿命预测***及方法 | |
| CN109240253B (zh) | 一种在线设备诊断及预防性维护方法及*** | |
| CN104503361A (zh) | 基于多模式融合的齿轮加工过程换刀决策方法 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及*** |
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 |