CN117592976A - 一种刀具剩余寿命预测方法、装置、设备及介质 - Google Patents
一种刀具剩余寿命预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117592976A CN117592976A CN202410077634.0A CN202410077634A CN117592976A CN 117592976 A CN117592976 A CN 117592976A CN 202410077634 A CN202410077634 A CN 202410077634A CN 117592976 A CN117592976 A CN 117592976A
- Authority
- CN
- China
- Prior art keywords
- cutter
- tool
- working condition
- life
- processing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 120
- 238000003754 machining Methods 0.000 claims abstract description 113
- 238000005299 abrasion Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000001186 cumulative effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 65
- 238000005520 cutting process Methods 0.000 claims description 51
- 238000013507 mapping Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 239000000463 material Substances 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910002804 graphite Inorganic materials 0.000 description 6
- 239000010439 graphite Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000005461 lubrication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本公开涉及一种刀具剩余寿命预测方法、装置、设备及介质,该方法包括:在刀具在目标工况下的加工过程中,获取刀具在第一工况下的加工过程参数;获取刀具分别在第一工况下和目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;通过刀具寿命预测模型根据加工过程参数得到第一理论加工寿命;基于第一理论加工寿命确定累积损伤比;根据累积损伤比、第一理论加工寿命和第一刀具磨损曲线函数,确定刀具磨损剩余量;根据刀具磨损剩余量和第二刀具磨损曲线函数,预测目标加工时长;记录刀具实际的第一加工时长,在第一加工时长达到目标加工时长的情况下,确定对刀具进行换刀。本公开能够提高刀具寿命预测的准确性并降低成本。
Description
技术领域
本公开涉及数控机床刀具寿命预测技术领域,尤其涉及一种刀具剩余寿命预测方法、装置、设备及介质。
背景技术
刀具寿命直接关系到生产的进行和刀具的使用和维护,是确定换刀时间的重要依据,在实际生产应用中有重要意义。然而,目前的刀具寿命预测方法存在着成本高、准确率低、存在延迟等诸多问题。
发明内容
为了解决上述技术问题,本公开提供了一种刀具剩余寿命预测方法、装置、设备及介质。
根据本公开的一方面,提供了一种刀具剩余寿命预测方法,包括:
在刀具在目标工况下的加工过程中,获取所述刀具在前一次加工的第一工况下的加工过程参数;
获取刀具分别在所述第一工况下和所述目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;
通过预设的刀具寿命预测模型根据所述加工过程参数得到所述刀具的第一理论加工寿命;其中,所述刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;
基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比;
根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量;
根据所述刀具磨损剩余量和所述第二刀具磨损曲线函数,预测所述刀具在所述目标工况下的目标加工时长;
记录所述刀具实际的第一加工时长,在所述第一加工时长达到所述目标加工时长的情况下,确定对所述刀具进行换刀。
根据本公开的另一方面,提供了一种刀具剩余寿命预测装置,包括:
参数获取模块,用于在刀具在目标工况下的加工过程中,获取所述刀具在前一次加工的第一工况下的加工过程参数;
磨损曲线获取模块,用于获取刀具分别在所述第一工况下和所述目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;
寿命预测模块,用于通过预设的刀具寿命预测模型根据所述加工过程参数得到所述刀具的第一理论加工寿命;其中,所述刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;
损伤比确定模块,用于基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比;
刀具磨损量确定模块,用于根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量;
加工时长预测模块,用于根据所述刀具磨损剩余量和所述第二刀具磨损曲线函数,预测所述刀具在所述目标工况下的目标加工时长;
时长比对模块,用于记录所述刀具实际的第一加工时长,在所述第一加工时长达到所述目标加工时长的情况下,确定对所述刀具进行换刀。
根据本公开的另一方面,提供了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开涉及一种刀具剩余寿命预测方法、装置、设备及介质,该方法包括:在刀具在目标工况下的加工过程中,获取刀具在前一次加工的第一工况下的加工过程参数;获取刀具分别在第一工况下和目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;通过预设的刀具寿命预测模型根据加工过程参数得到刀具的第一理论加工寿命;基于第一理论加工寿命确定刀具在第一工况及其之前加工过程中产生的累积损伤比;根据累积损伤比、第一理论加工寿命和第一刀具磨损曲线函数,确定刀具在第一工况下的刀具磨损剩余量;根据刀具磨损剩余量和第二刀具磨损曲线函数,预测刀具在目标工况下的目标加工时长;记录刀具实际的第一加工时长,在第一加工时长达到目标加工时长的情况下,确定对刀具进行换刀。
本技术方案中,先利用前一次加工的第一工况下的第一刀具磨损曲线函数和加工过程参数,确定出刀具在前一次加工之后的刀具磨损剩余量;而后,由于下一次加工是在前一次加工之后的刀具磨损剩余量的基础上进行,因而可以利用该刀具磨损剩余量和第二刀具磨损曲线函数,预测刀具本次加工时在目标工况下的目标加工时长。简言之,本方案可以利用前一次加工的数据来预测本次加工的目标加工时长,这样能够在多种加工工况下实现对刀具使用寿命的预测,在多种加工工况的场景中,能够增加刀具寿命预测的准确性。同时,利用刀具寿命预测模型能够降低刀具寿命预测成本和准确性;通过记录刀具实际的第一加工时长能够及时确定换刀,增加了换刀的及时性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例所述刀具剩余寿命预测方法的流程图;
图2为本公开实施例所述刀具剩余寿命预测装置的结构框图;
图3为本公开实施例所述电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
刀具寿命预测技术大体分为两种模式:刀具断裂的实时监测和根据统计学预测刀具的使用寿命。其中,刀具断裂的实时监测可以充分利用刀具的寿命,直到刀具不满足加工条件时再停止加工;但该方式需要添加检测设备,成本较高。而且,由于刀具断裂是一瞬间的动作,机床停止加工往往存在一个过程,这样,从监测到刀具断裂到停止加工这个过程往往已经造成工件损坏。根据统计学预测刀具的使用寿命的方法,不需对机床进行改造,成本较低,且可以提前预判换刀时机,但是存在相应误差,刀具利用率较低。
刀具寿命直接关系到生产的进行和刀具的使用和维护,是确定换刀时间的重要依据,同时也是刀具几何参数和切削用量选择是否合理的重要指标。因此,通过研究和分析影响刀具寿命的因素,找出这些因素之间的互相关系并对其进行有效控制,对于得到合理的刀具寿命,保持刀具良好的切削性能非常重要。
图1为本公开实施例提供的一种刀具剩余寿命预测方法的流程图,该刀具剩余寿命预测方法可以由配置于终端的刀具剩余寿命预测装置执行,该装置可以采用软件和/或硬件实现。参照图1,刀具剩余寿命预测方法可以包括如下步骤:
步骤S102,在刀具在目标工况下的加工过程中,获取刀具在前一次加工的第一工况下的加工过程参数。其中,目标工况和第一工况是刀具在相邻两次切削加工过程中的工况,且第一工况在目标工况之前,可以将目标工况对应的加工次序记录为i,则第一工况对应的加工次序相应地记录为i-1。
本实施例获取刀具在第一工况下的加工过程参数的方式可以包括:在预设的第一工况下,当刀具进入机床开始加工后,通过机床数据采集技术采集刀具对应的加工过程参数。在实际应用中,用于控制刀具切削加工的工况是通过NC(Numerical Control,数字控制,简称数控)程序控制得到的,于是,在此可以通过NC程序控制生成第一工况,以使刀具在第一工况下进行切削加工。本实施例中的机床数据采集技术例如DNC(DistributedNumerical Control,分布式数控)技术。加工过程参数可以包括:切削速度、切削深度、切削宽度、刀具齿数、刀具直径、进给量和进给量的加速度等。
具体实施时,可以先检测机床库位中是否发生换刀动作;在发生换刀动作的情况下,检测机床库位中刀具的刀号;刀号用于唯一表示刀具的相关信息,如刀具的刀具齿数、刀具直径、前角、后角、楔角、主偏角、副偏角、刃倾角和刀尖圆弧半径等几何参数。而后,根据刀号确定刀具的几何参数,以从几何参数中获取上述刀具齿数、刀具直径。在检测到发生换刀动作,且新的刀具进入机床开始加工后,可以按照预设的采集频率(如毫秒级)实时采集刀具的切削速度、切削深度、切削宽度、进给量、进给量的加速度各自对应的第一参数值,并根据刀号获取刀具齿数、刀具直径各自对应的第一参数值,由此得到各加工过程参数的第一参数值。
业界目前针对刀具寿命预测,大都集中在单种加工参数这一苛刻模式下进行,但在实际加工中往往同一机床需要使用不同加工参数加工工件,相比于此,本实施例综合考虑以上多项加工过程参数与刀具寿命的关系,能够增加刀具寿命预测的准确性。
步骤S104,获取刀具分别在第一工况下和目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数。
刀具磨损是切削加工中的一个重要问题,刀具磨损一般用后刀面磨损量来表示,其过程分为三个阶段:初期磨损阶段、正常磨损阶段和剧烈磨损阶段。其中初期磨损阶段刀具磨损较快,正常磨损阶段磨损变小,剧烈磨损阶段的磨损又变大。刀具的整个磨损过程是非线性的,本实施例可以近似用分段线性的方法来拟合这一过程,实现对刀具磨损曲线的自动分段拟合。在实现时,可以根据实验参数和结果,利用刀具磨损的分段性拟合,模拟出单一工况下刀具磨损曲线函数,通过刀具磨损曲线函数表示刀具磨损过程。在一具体示例中,刀具磨损曲线函数可通过如下公式(1)表示:
(1)
其中,w表示刀具磨损剩余量,t表示加工时长,也可称为磨损时长,k1、k2、k3分别为初期磨损阶段、正常磨损阶段和剧烈磨损阶段的斜率,b1、b2、b3分别为初期磨损阶段、正常磨损阶段和剧烈磨损阶段的截距。
步骤S106,通过预设的刀具寿命预测模型根据加工过程参数得到刀具的第一理论加工寿命。其中,刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;刀具寿命预测模型可以为经过训练得到的神经网络模型,其训练过程将在下文展开描述。
在本实施例中,可以将加工过程参数输入至刀具寿命预测模型,刀具寿命预测模型根据上述映射关系得到刀具在当前的加工过程参数下的第一理论加工寿命;该加工过程参数与加工寿命之间的映射关系可参照如下公式(2):
(2)
其中,F( )表示映射关系,T表示刀具在加工过程参数下的第一理论加工寿命,X表示加工过程参数,其包括:v表示切削速度、d1表示切削深度、w表示切削宽度、n表示刀具齿数、d2表示刀具直径、f表示进给量、a表示进给量的加速度。
参照上述公式(2),本实施例在前一次加工的第一工况下的加工过程参数可表示为Xi-1=(vi-1,d1, i-1,wi-1,ni-1,d2, i-1,fi-1,ai-1),通过刀具寿命预测模型根据加工过程参数Xi-1得到刀具的第一理论加工寿命Ti-1。
步骤S108,基于第一理论加工寿命确定刀具在第一工况及其之前加工过程中产生的累积损伤比。
本实施例可以参照如下公式(3)计算刀具在第一工况及其之前加工过程中产生的累积损伤比:
(3)
相应地,本实施例包括:获取刀具在第一工况下实际的第二加工时长ti-1;确定第二加工时长与第一理论加工寿命之间的第一损失比值;计算刀具在第一工况之前加工过程中产生的第二损失比值:/>,Pi-2是刀具在第i-2次削切加工及其之前的加工过程中产生的累积损伤比。根据第一损失比值和第二损失比值,确定刀具在第一工况及其之前加工过程中产生的累积损伤比Pi-1。
步骤S110,根据累积损伤比、第一理论加工寿命和第一刀具磨损曲线函数,确定刀具在第一工况下的刀具磨损剩余量。
在本实施例中,可以先根据累积损伤比Pi-1和第一理论加工寿命Ti-1确定理论已加工时长;具体可根据计算理论已加工时长/>。
其次根据理论已加工时长和第一刀具磨损曲线函数,确定刀具在第一工况下的刀具磨损剩余量。具体的,参照上述公式(1),可以根据理论已加工时长和第一工况对应的第一刀具磨损曲线函数,计算刀具在第一工况下的刀具磨损剩余量wi-1。
步骤S112,根据刀具磨损剩余量和第二刀具磨损曲线函数,预测刀具在目标工况下的目标加工时长。
容易理解,第i次加工是在第i-1次加工之后的刀具磨损剩余量wi-1的基础上进行的,于是,本实施例可以将该刀具磨损剩余量wi-1直接应用于当前第i次加工过程的寿命预测中,也即:利用该刀具磨损剩余量wi-1和第二刀具磨损曲线函数,预测刀具本次加工时在目标工况下的目标加工时长。具体为,参照上述公式(1),根据刀具磨损剩余量wi-1和当前目标工况下的第二刀具磨损曲线函数,计算刀具在目标工况下的目标加工时长。
步骤S114,记录刀具实际的第一加工时长,在第一加工时长达到目标加工时长的情况下,确定对刀具进行换刀。
本实施例中,可以是实时记录刀具实际的第一加工时长,在当前的第一加工时长尚未达到目标加工时长的情况下,表示刀具的已加工时长还未达到其寿命值,可以继续加工工具。直至记录的第一加工时长达到目标加工时长时,表示刀具的加工时长已经达到其寿命值,需要及时更换刀具,保证生产的顺利进行,避免刀具过度磨损对产品质量的影响。于是,确定对刀具进行换刀。
针对目前业界内在单种加工参数这一苛刻模式下进行刀具寿命预测,导致寿命预测不准确的问题,本实施例提供的刀具剩余寿命预测方法,综合考虑切削速度、切削深度、切削宽度、进给量和进给量的加速度多项加工过程参数,对刀具寿命的影响,能够增加刀具寿命预测的准确性。
以及,上述公开实施例先利用前一次加工的第一工况下的第一刀具磨损曲线函数和加工过程参数,确定出刀具在前一次加工之后的刀具磨损剩余量;而后,由于下一次加工是在前一次加工之后的刀具磨损剩余量的基础上进行,因而可以利用该刀具磨损剩余量和第二刀具磨损曲线函数,预测刀具本次加工时在目标工况下的目标加工时长。简言之,本方案利用不同工况下不同的刀具磨损曲线函数,实现支持利用前一次加工的数据来预测本次加工的目标加工时长,这样能够在多种加工工况下实现对刀具使用寿命的预测,在多种加工工况的场景中,能够增加刀具寿命预测的准确性。同时,本公开利用刀具寿命预测模型能够降低刀具寿命预测成本,提高预测准确性;通过记录刀具实际的第一加工时长能够及时确定换刀,增加了换刀的及时性。
以下针对本实施例中的刀具寿命预测模型和刀具磨损曲线函数分别展开描述。其中,为便于理解,本实施例首先对影响刀具寿命的多项因素进行介绍,参照如下内容。
影响刀具寿命的因素较多,主要包括:加工材料、刀具材料及几何参数、切削用量、刀具的刃磨质量、润滑冷却条件。
针对加工材料,工件材料的硬度和强度越高时,加工工件时产生的切削温度就越高,导致刀具磨损速度加快,刀具寿命就缩短。此外,加工材料的延伸率和导热性也会影响刀具寿命,工件材料的延伸率越大或导热系数越低,切削温度上升越快,刀具寿命就越低。
针对刀具材料及几何参数,刀具的高温硬度越高,同等条件下刀具的磨损速度越慢,刀具的寿命也就越长。使用新型材料能使用刀具寿命显著提高。刀具的几何参数对于刀具寿命也有显著影响,例如,前角对刀具寿命的影响非常明显;如果前角太大,则刀具的强度降低,散热不好且容易崩刃破损;如果前角太小又会使切削力过度增加,从而使切削温度异常,同样影响刀具的使用寿命。或者例如,主偏角减小,会增加刀具的强度,从而提高刀具寿命。
针对切削用量,刀具的切削用量指的是切削速度、进给量和背吃刀量。切削用量越大,刀具磨损越快,刀具的寿命也就越短。切削速度、进给量和背吃刀量对切削温度的影响程度也不同,因此对刀具寿命的影响也不同。
当工件、刀具材料和刀具几何参数确定后,切削速度对刀具寿命的影响最大,增大切削速度,刀具寿命会随之降低。切削速度和刀具寿命之间的经典公式为(4):
(4)
其中,V表示切削速度,单位例如是m/min;T0表示刀具寿命;C是与刀具、工件材料和切削条件相关的系数;指数m表示切削速度对刀具寿命的影响程度,耐热性越低的刀具材料,其m值越小,切削速度对刀具使用寿命的影响越大;也就是说,切削速度稍稍增大一点,则刀具寿命的降低就很大。
在切削过程中,增大进给量和背吃刀量,刀具使用寿命将降低,其对刀具寿命的影响和上式(4)类似,在此不再具体说明。
针对刀具的刃磨质量,刀具的刃磨质量越好,刀具寿命越长。如硬质合金刀具用碳化硅砂轮刃磨后,如果不用细油石研磨,则由于刀刃有锯齿状的微小缺口、前后刀面表面粗糙度较高等原因,刀具的磨损较快,寿命缩短,有时还会崩刃。实践表明,经过仔细研磨的车刀,刀具寿命可比未研磨的提高50%左右。
针对润滑冷却条件,在金属切削过程中,合理选用切削液,可以改善金属切削过程中的界面摩擦情况,减少刀具和工件的黏结,抑制积屑瘤和鳞刺的生长,降低切削温度,减少切削力,延长刀具寿命和提高生产效率。
基于以上影响刀具寿命的因素,通过实际应用发现,虽然工件材质、形状相同,但是工件和工件之间硬度和强度差异较大,车间现场不满足每件工件打一遍硬度的条件。后在采用石墨的新试验中,由于加工材质为石墨,材料属性较为稳定,因此数据建模时可以忽略工件材料的差异。
由于针对同一厂家的同一刀具进行数据建模,在理想情况下,相同厂家生产的同一产品规格的刀具之间无差异,因此可忽略刀具材料,前角和主偏角的差异,仅考虑不同规格之间刀具齿数和刀具直径的影响。
由于刀具刃磨质量很难量化,因此本实施例选用一次报废,中间不进行刃磨的刀具进行试验,因此可以忽略刀具的刃磨质量。
在实际应用中,同一机床选用润滑剂固定,因此可忽略润滑冷却条件。
综上,本实施例选择试验环境为固定机床、相同类型刀具、不进行中间刃磨、加工材质为石墨的目标试验条件。考虑因素仅为加工过程参数不同对刀具寿命的影响,也即在对刀具寿命预测模型进行建模和训练时,本实施例考虑切削速度、切削深度、切削宽度、进给量、进给量的加速度、刀具齿数、刀具直径这几项加工过程参数对刀具寿命产生的影响。
根据上述实施例,本实施例提供一种模型训练方法,以使得到的刀具寿命预测模型可以直接用于预测刀具的目标加工时长;该方法包括以下步骤(I)-(V)。
(I)在目标试验条件下,使用刀具样本在预设的工况样本下对目标工件进行加工。其中,目标试验条件包括:试验环境为固定机床、相同类型刀具、不进行中间刃磨、加工材质为石墨;刀具样本为目标试验条件中所选择类型的刀具;目标工件为目标试验条件中加工材质为石墨的工件。工况样本可以是第一工况、第二工况或其他任意满足实际加工生产的工况,工况可以是通过加工过程参数、试验条件、实际加工条件、硬件设备的运行状况等信息来确定的。
(II)在加工过程中,采集刀具样本在多个加工时长样本下的多组数据样本,数据样本包括:加工过程参数的参数样本值以及各加工时长样本对应的磨损剩余量样本值、加工寿命样本值。数据样本的采集时间也即加工时长样本。
具体的,可以预先记录机床库位中对应的刀具样本,刀具样本的具体信息(刀具齿数、刀具直径)。通过机床数据采集技术,检测换刀动作,实时检测库位对应刀具信息的变化。从新刀具进入机床开始加工后,实时采集刀具的切削速度、切削深度、切削宽度、进给量、进给量的加速度、当前刀具样本对应的刀号,由此得到上述各项加工过程参数的参数样本值。
根据目标工件的石墨状态,记录刀具样本在各加工时长样本的磨损剩余量样本值、加工寿命样本值。
上述参数样本值和加工寿命样本值可以用于训练神经网络模型,参照如下步骤(III)和(IV);上述加工时长样本和磨损剩余量样本值可以用于模拟刀具磨损曲线函数,参照如下步骤(V)。
(III)根据参数样本值和加工寿命样本值对预设的神经网络模型进行训练,以使神经网络模型学习参数样本值和加工寿命样本值之间的映射关系。
具体的,机器学习方法主要包括以下三个基本要素:模型、学习准则、优化算法。对于本实施例中的机器学习任务,首先确认其输入空间X为参数样本值,输出空间Y为加工寿命样本值。神经网络模型学习X和Y之间的映射关系。学习准则为损失函数和风险最小化准则。优化算法是如何保证损失最小和风险最小化,一般使用梯度下降法等算法。在此情况下,根据参数样本值和加工寿命样本值,以及上述学习准则和优化算法,对神经网络模型进行训练,以使神经网络模型学习参数样本值和加工寿命样本值之间的映射关系。
(IV)将训练好的神经网络模型作为刀具寿命预测模型。
(V)基于加工时长样本和磨损剩余量样本值,模拟合成刀具样本在工况样本下的刀具磨损曲线函数。具体的,可以根据加工时长样本和磨损剩余量样本值,采用近似用分段线性的方法拟合刀具磨损曲线函数。
根据本实施例即可得到可直接使用的刀具寿命预测模型、刀具磨损曲线函数。根据本实施例提供的刀具剩余寿命预测方法,能够低成本、准确且及时的预测刀具的寿命,这在实际应用中具有重要意义,利用预测得到的寿命能够掌握刀具的可用时长、损坏情况,这样避免频繁对刀检测,减少对机床加工的效率和加工质量的影响,示例性的如几下几方面。
合理安排生产计划。在进行生产计划安排过程中,在准确预测刀具寿命的情况下,能够保证生产计划的顺利进行。
生产效率和产品质量的提升。生产的高效需要设备尽可能多的时间在进行生产,而换刀是在生产过程中必不可少的步骤,对刀具寿命做出合理准确的预测,能够在生产过程中及时更换刀具,保证生产的顺利进行,避免了刀具过度磨损对产品质量的影响。
刀具成本的核算。由于刀具价格昂贵,更换成本高,所以在进行生产成本核算时,通常会对刀具进行成本核算。刀具在实际加工中各种加工情况,超过刀具极限、生产以外等原因都有可能导致刀具报废,刀具的报废可作为刀具剩余成本的转移。因此,通过本实施例准确计算刀具的寿命值,能够有助于计算出刀具的成本。
此外,准确地预测刀具寿命还会对切削用量的选择、切削用量的选择、刀具材料的选择、刀具几何参数的选择等诸多方面产生有利影响,在此不再一一列举。
图2为本公开实施例提供的一种刀具剩余寿命预测装置结构框图,该装置用于实现上述刀具剩余寿命预测方法。参照图2,该装置可以包括:
参数获取模块202,用于在刀具在目标工况下的加工过程中,获取所述刀具在前一次加工的第一工况下的加工过程参数;
磨损曲线获取模块204,用于获取刀具分别在所述第一工况下和所述目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;
寿命预测模块206,用于通过预设的刀具寿命预测模型根据所述加工过程参数得到所述刀具的第一理论加工寿命;其中,所述刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;
损伤比确定模块208,用于基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比;
刀具磨损量确定模块210,用于根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量;
加工时长预测模块212,用于根据所述刀具磨损剩余量和所述第二刀具磨损曲线函数,预测所述刀具在所述目标工况下的目标加工时长;
时长比对模块214,用于记录所述刀具实际的第一加工时长,在所述第一加工时长达到所述目标加工时长的情况下,确定对所述刀具进行换刀。
本实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
图3为本公开实施例提供的一种电子设备的结构示意图。如图3所示,电子设备300包括一个或多个处理器301和存储器302。
处理器301可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备300中的其他组件以执行期望的功能。
存储器302可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器301可以运行所述程序指令,以实现上文所述的本公开的实施例的刀具剩余寿命预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备300还可以包括:输入装置303和输出装置304,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
此外,该输入装置303还可以包括例如键盘、鼠标等等。
该输出装置304可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置304可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图3中仅示出了该电子设备300中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备300还可以包括任何其他适当的组件。
进一步,本实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述刀具剩余寿命预测方法。
本公开实施例所提供的一种刀具剩余寿命预测方法、装置、电子设备及介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种刀具剩余寿命预测方法,其特征在于,包括:
在刀具在目标工况下的加工过程中,获取所述刀具在前一次加工的第一工况下的加工过程参数;
获取刀具分别在所述第一工况下和所述目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;
通过预设的刀具寿命预测模型根据所述加工过程参数得到所述刀具的第一理论加工寿命;其中,所述刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;
基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比;
根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量;
根据所述刀具磨损剩余量和所述第二刀具磨损曲线函数,预测所述刀具在所述目标工况下的目标加工时长;
记录所述刀具实际的第一加工时长,在所述第一加工时长达到所述目标加工时长的情况下,确定对所述刀具进行换刀。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比,包括:
获取所述刀具在所述第一工况下实际的第二加工时长;
确定所述第二加工时长与所述第一理论加工寿命之间的第一损失比值;
计算所述刀具在所述第一工况之前加工过程中产生的第二损失比值;
根据所述第一损失比值和所述第二损失比值,确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比。
3.根据权利要求1所述的方法,其特征在于,所述根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量,包括:
根据所述累积损伤比和所述第一理论加工寿命确定理论已加工时长;
根据所述理论已加工时长和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量。
4.根据权利要求1所述的方法,其特征在于,所述获取所述刀具在前一次加工的第一工况下的加工过程参数,包括:
在预设的第一工况下,当所述刀具进入机床开始加工后,通过机床数据采集技术采集所述刀具对应的加工过程参数。
5.根据权利要求1或4所述的方法,其特征在于,所述加工过程参数包括:切削速度、切削深度、切削宽度、刀具齿数、刀具直径、进给量和进给量的加速度。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测机床库位中是否发生换刀动作;
在发生所述换刀动作的情况下,检测所述机床库位中刀具的刀号;
根据所述刀号确定所述刀具的几何参数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在目标试验条件下,使用刀具样本在预设的工况样本下对目标工件进行加工;
在加工过程中,采集所述刀具样本在多个加工时长样本下的多组数据样本,所述数据样本包括:加工过程参数的参数样本值以及各加工时长样本对应的磨损剩余量样本值、加工寿命样本值;
根据所述参数样本值和所述加工寿命样本值对预设的神经网络模型进行训练,以使所述神经网络模型学习所述参数样本值和所述加工寿命样本值之间的映射关系;
将训练好的神经网络模型作为所述刀具寿命预测模型;
基于所述加工时长样本和所述磨损剩余量样本值,模拟合成所述刀具样本在所述工况样本下的刀具磨损曲线函数。
8.一种刀具剩余寿命预测装置,其特征在于,包括:
参数获取模块,用于在刀具在目标工况下的加工过程中,获取所述刀具在前一次加工的第一工况下的加工过程参数;
磨损曲线获取模块,用于获取刀具分别在所述第一工况下和所述目标工况下模拟出的第一刀具磨损曲线函数和第二刀具磨损曲线函数;其中,刀具磨损曲线函数是用于表示加工时长和刀具磨损剩余量之间的函数;
寿命预测模块,用于通过预设的刀具寿命预测模型根据所述加工过程参数得到所述刀具的第一理论加工寿命;其中,所述刀具寿命预测模型用于表示加工过程参数与加工寿命之间的映射关系;
损伤比确定模块,用于基于所述第一理论加工寿命确定所述刀具在所述第一工况及其之前加工过程中产生的累积损伤比;
刀具磨损量确定模块,用于根据所述累积损伤比、所述第一理论加工寿命和所述第一刀具磨损曲线函数,确定所述刀具在所述第一工况下的刀具磨损剩余量;
加工时长预测模块,用于根据所述刀具磨损剩余量和所述第二刀具磨损曲线函数,预测所述刀具在所述目标工况下的目标加工时长;
时长比对模块,用于记录所述刀具实际的第一加工时长,在所述第一加工时长达到所述目标加工时长的情况下,确定对所述刀具进行换刀。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077634.0A CN117592976B (zh) | 2024-01-19 | 2024-01-19 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077634.0A CN117592976B (zh) | 2024-01-19 | 2024-01-19 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592976A true CN117592976A (zh) | 2024-02-23 |
CN117592976B CN117592976B (zh) | 2024-04-26 |
Family
ID=89920541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077634.0A Active CN117592976B (zh) | 2024-01-19 | 2024-01-19 | 一种刀具剩余寿命预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592976B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158803A1 (en) * | 2001-12-20 | 2003-08-21 | Darken Christian J. | System and method for estimation of asset lifetimes |
JP2008221454A (ja) * | 2007-02-15 | 2008-09-25 | Kobe Steel Ltd | 工具磨耗の予測方法、工具磨耗予測プログラム、および工具摩耗予測システム |
CN106021796A (zh) * | 2016-06-03 | 2016-10-12 | 上海工具厂有限公司 | 一种铬钢叶片型面加工用球头铣刀的剩余寿命预测方法 |
WO2017047890A1 (ko) * | 2015-09-14 | 2017-03-23 | 서강대학교산학협력단 | 마모 모델을 이용한 프레스 공구의 마모 및 수명 예측 방법 |
JP2017205821A (ja) * | 2016-05-17 | 2017-11-24 | 株式会社リコー | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム |
CN108907896A (zh) * | 2018-06-06 | 2018-11-30 | 上海交通大学 | 一种刀具剩余寿命在线预测方法及*** |
CN111967640A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 考虑刀具磨损量和表面粗糙度的刀具剩余寿命预测方法 |
CN111967133A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 多切削阶段的刀具剩余寿命预测方法 |
WO2021040810A1 (en) * | 2019-08-23 | 2021-03-04 | Futurewei Technologies, Inc. | Device lifetime prediction |
CN113721575A (zh) * | 2021-09-08 | 2021-11-30 | 沈阳工学院 | 一种刀具寿命智能化监控***及方法 |
KR20220061340A (ko) * | 2020-11-05 | 2022-05-13 | 한국생산기술연구원 | 절삭 공구의 가용 잔여 시간 예측 방법 |
WO2022100017A1 (zh) * | 2020-11-16 | 2022-05-19 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN114676716A (zh) * | 2020-12-09 | 2022-06-28 | 电科云(北京)科技有限公司 | 刀具剩余寿命预测方法、装置和介质 |
CN115186571A (zh) * | 2022-05-15 | 2022-10-14 | 西北工业大学 | 一种基于Bi-GRU网络的不同工况下刀具剩余使用寿命预测方法 |
US20220350325A1 (en) * | 2019-09-23 | 2022-11-03 | Airbus Operations Limited | Predicting the life of consumable components |
CN116011263A (zh) * | 2023-03-27 | 2023-04-25 | 南昌新宝路航空科技有限公司 | 刀具使用寿命的预测方法及数控刀具的调度方法和*** |
CN117390398A (zh) * | 2023-11-07 | 2024-01-12 | 上海诸算科技有限公司 | 基于深度学习和疲劳理论的刀具剩余寿命预测方法和*** |
-
2024
- 2024-01-19 CN CN202410077634.0A patent/CN117592976B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158803A1 (en) * | 2001-12-20 | 2003-08-21 | Darken Christian J. | System and method for estimation of asset lifetimes |
JP2008221454A (ja) * | 2007-02-15 | 2008-09-25 | Kobe Steel Ltd | 工具磨耗の予測方法、工具磨耗予測プログラム、および工具摩耗予測システム |
WO2017047890A1 (ko) * | 2015-09-14 | 2017-03-23 | 서강대학교산학협력단 | 마모 모델을 이용한 프레스 공구의 마모 및 수명 예측 방법 |
JP2017205821A (ja) * | 2016-05-17 | 2017-11-24 | 株式会社リコー | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム |
CN106021796A (zh) * | 2016-06-03 | 2016-10-12 | 上海工具厂有限公司 | 一种铬钢叶片型面加工用球头铣刀的剩余寿命预测方法 |
CN108907896A (zh) * | 2018-06-06 | 2018-11-30 | 上海交通大学 | 一种刀具剩余寿命在线预测方法及*** |
WO2021040810A1 (en) * | 2019-08-23 | 2021-03-04 | Futurewei Technologies, Inc. | Device lifetime prediction |
US20220350325A1 (en) * | 2019-09-23 | 2022-11-03 | Airbus Operations Limited | Predicting the life of consumable components |
CN111967133A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 多切削阶段的刀具剩余寿命预测方法 |
CN111967640A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 考虑刀具磨损量和表面粗糙度的刀具剩余寿命预测方法 |
KR20220061340A (ko) * | 2020-11-05 | 2022-05-13 | 한국생산기술연구원 | 절삭 공구의 가용 잔여 시간 예측 방법 |
WO2022100017A1 (zh) * | 2020-11-16 | 2022-05-19 | 杭州景业智能科技股份有限公司 | 基于边缘计算的刀具寿命预测方法、装置和计算机设备 |
CN114676716A (zh) * | 2020-12-09 | 2022-06-28 | 电科云(北京)科技有限公司 | 刀具剩余寿命预测方法、装置和介质 |
CN113721575A (zh) * | 2021-09-08 | 2021-11-30 | 沈阳工学院 | 一种刀具寿命智能化监控***及方法 |
CN115186571A (zh) * | 2022-05-15 | 2022-10-14 | 西北工业大学 | 一种基于Bi-GRU网络的不同工况下刀具剩余使用寿命预测方法 |
CN116011263A (zh) * | 2023-03-27 | 2023-04-25 | 南昌新宝路航空科技有限公司 | 刀具使用寿命的预测方法及数控刀具的调度方法和*** |
CN117390398A (zh) * | 2023-11-07 | 2024-01-12 | 上海诸算科技有限公司 | 基于深度学习和疲劳理论的刀具剩余寿命预测方法和*** |
Non-Patent Citations (3)
Title |
---|
敖银辉等: "钻头磨损检测与剩余寿命评估", 机械工程学报, no. 01, 5 January 2011 (2011-01-05), pages 177 - 181 * |
杨广勇等: "刀具磨损耐用度分布及可靠寿命的预报", 北京理工大学学报, no. 01, 28 February 1998 (1998-02-28), pages 42 - 46 * |
赵梓涵等: "A880高压动叶片型面加工R5球头铣刀磨损机理与寿命研究", 机械设计与制造, no. 06, 8 June 2017 (2017-06-08), pages 94 - 96 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592976B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balogun et al. | Impact of un-deformed chip thickness on specific energy in mechanical machining processes | |
CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
Balogun et al. | Specific energy based evaluation of machining efficiency | |
JP5411055B2 (ja) | 工具寿命検出方法、および工具寿命検出装置 | |
JP5792649B2 (ja) | Ncプログラム生成方法 | |
Zhang et al. | Modeling flank wear progression based on cutting force and energy prediction in turning process | |
JP6193919B2 (ja) | 加工条件の変化を考慮した工具寿命管理機能を備えた数値制御装置 | |
CN114536104B (zh) | 一种刀具寿命动态预测方法 | |
CN105893760B (zh) | 基于广义磨损量的刀具磨损评价和预测方法及*** | |
Karpuschewski et al. | Determination of specific cutting force components and exponents when applying high feed rates | |
Mia et al. | Modeling of principal flank wear: an empirical approach combining the effect of tool, environment and workpiece hardness | |
Huang et al. | Estimation of power consumption in the circular sawing of stone based on tangential force distribution | |
Luan et al. | Trade-off analysis of tool wear, machining quality and energy efficiency of alloy cast iron milling process | |
Ruttimann et al. | Simulation of single grain cutting using SPH method | |
CN117592976B (zh) | 一种刀具剩余寿命预测方法、装置、设备及介质 | |
Gadekula et al. | Investigation on parametric process optimization of HCHCR in CNC turning machine using Taguchi technique | |
Twardowski et al. | Monitoring and forecasting of tool wear based on measurements of vibration accelerations during cast iron milling | |
Rana et al. | Optimization of tool wear: a review | |
Lin | The reliability analysis of cutting tools in the HSM processes | |
Anwar et al. | Optimization of surface roughness for Al-Alloy 7075-T in milling process | |
JP2004255514A (ja) | 工具摩耗量の予測方法 | |
Zagórski et al. | The influence of technological parameters on cutting force components in milling of magnesium alloys with PCD tools and prediction with artificial neural networks | |
Kundrák et al. | Analysis of material removal efficiency in face milling of aluminum alloy | |
CN112036661A (zh) | 基于刀具力学性能随机分布性的陶瓷刀具可靠度预测方法 | |
JP2010003217A (ja) | プレス加工金型寿命予測プログラムおよび金型材料設計支援プログラム |
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 |