[发明专利]一种数控机床切削加工的刀具磨损状态识别方法

说明书

技术领域

本发明涉及工程状态识别领域，特别涉及数控机床切削加工时的刀具磨损状态识别方法。

背景技术

在数控机床切削加工过程中，刀具作为金属切削过程的直接执行者，在高温和高压条件下，受工件、切屑的剧烈摩擦，不可避免地存在着刀具磨损现象，最终导致刀具状态的变化。刀具状态的变化直接会导致切削力的增大、切削温度上升、工件表面粗糙度上升、工件尺寸超差、切削颜色变化和切削振动的产生，甚至会影响整个数控加工系统的正常运行，造成不可估量的损失。因此，对刀具状态的及时识别并监测，为保证刀具切削性能、增加刀具使用寿命、提高产品质量、降低成本、提高生产率等提供了有力保证。

在传统的机械加工过程中，加工人员对刀具状态进行识别的方法一般有：依据辨识切屑颜色、加工时的噪声以及加工时间来判断。这种人为主观方法存在的缺点：一方面，当刀具的磨损量没有达到磨钝标准时，就会使刀具没有得到充分利用而造成浪费，增加制造成本，另一方面，当刀具磨损量超过磨钝标准，而没有进行及时换刀，就会对工件的表面加工质量和尺寸精度造成影响。80年代后期，国内外学者对刀具状态监测技术进行了深入的研究，并把刀具磨损状态识别的方法分成两类：直接法和间接法。直接法通过直接测量刀具磨损面的大小或刀具破损时切削刃形状的变化来确定刀具的状态，如光学法、放射线法、电阻法、计算机视觉法等，其优点是精度高，但难以实现在线测量。间接法通过识别与刀具磨损、破损有较强内在联系的一种或几种参量，如：切削力信号、振动信号、声发射信号、电机功率或电流信号、切削温度、工件表面粗糙度等，提取特征相应的特征信息，并建立这些特征信号与加工刀具状态对应关系，利用模式识别方法(如：人工神经网络法、支持向量机、模糊聚类、隐马尔可夫模型及粗糙集等)，进行分类识别。间接法不影响切削加工过程，能完成在线实时识别并监测。

如Vallejo Jr.在《TOOL-wear monitoring based on continuous hidden Markov models》(Proceedings of CIARP.2005)一文中提出了一种基于连续隐马尔科夫模型的刀具磨损状态监测方法，处理步骤为：首先通过加速度计算获取刀具的振动信号，然后由离散傅里叶变换等特征提取方法获取输入的观察序列，最后经过连续隐马尔科夫模型的模式识别方法完成刀具状态识别与监测，但其识别的准确率只有84.19％。这是因为数控机床切削加工的研究存在许多待处理问题，如切削加工过程的复杂性、随机性和偶然性、测量的不精确性以及人类先验知识匮乏而导致识别刀具磨损状态的信息处理不确定性问题，而在以往的“间接法”处理不确定问题中通常只考虑了观测的随机性，忽略了观测信息的不完整性和先验知识的匮乏性，使刀具磨损状态的识别不精确。

专利文献201110200365.5公开了一种多域信息融合方法，并具体给出了数控机床的广义隐马尔科夫模型，但它主要是提出一种新的信息处理模型方法，没有涉及刀具磨损状态识别运用。

发明内容

本发明的目的是针对现有切削加工过程中不确定性问题的存在使得刀具磨损状态识别准确率不高的问题，提供一种能较好的处理数控机床切削加工不确定性问题，并对刀具磨损状态进行识别的方法，提高刀具磨损状态识别的准确率。

实现本发明的目的所采用的具体技术方案如下：

一种数控机床切削加工的刀具磨损状态识别方法，具体包括如下步骤：

(1)数据采集

通过测量工具获取数控机床切削加工中刀具磨损状态下的测量数据，形成刀具磨损信号数据集X＝{x₁，x₂，...，x_k}，其中k＝1，2，...，m，m为测量数据的个数；

测量数据包括可以为刀具的切削力、加速度、声发射、扭矩、电流和功率等数据中的一种或多种，其中的测量工具可以为测力仪、加速度传感器、声发射传感器、扭矩传感器、电流传感器和功率传感器等。

(2)采集数据区间化