[发明专利]切削异常的检测方法、切削异常的检测装置

说明书

本发明提供一种切削异常的检测方法、切削异常的检测装置。该方法包括：获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。本发明采用了在加工过程中重要的刀具参数和原材料数据，能够实现更高的预测精度，降低加工过程中切削异常发生的概率，提高工件成品率。进一步地，采集了工件的表面粗糙度以用于切削异常的检测，能够进一步提高预测精度，可以避免不良品的产生。

技术领域

本发明涉及金属加工领域，具体涉及一种在执行金属切削工艺的机床上的切削异常的检测装置、切削异常的检测方法。

背景技术

数控切削加工是当今制造装备行业中的重要环节之一，在当前的技术环境下，不仅要保证高效率、高精度的前提，还要做到低成本化。为配合切削加工技术的提升，近年来加工用刀具技术也随之不断提高，但随着单个刀具的寿命增加，高单价的刀具也就随之而来。

这些高价的刀具如若能安全使用，相对于过去的低价刀具固然可以降低生产成本，但在实际生产中难免因为一些干扰因素(如原材料的波动性、前加工不良、刀具尺寸波动性等)导致出现加工异常，造成的结果往往是刀具的快速磨损甚至刀具折断。此外，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。而在刀具状态发生变化后，带来的影响是切屑力上升、工件表面粗糙度上升、加工尺寸异常等，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。

针对这类突然出现的加工过程异常，一些机床设备厂商增设了过载保护来避免刀具失效，但这种方法需要设定的一定的电流阈值，一方面存在问题是当刀具长期处于较高负荷(但低于阈值)时，无法做到及时识别；另一方面当检测到高于阈值的负荷时，异常往往已经发生，此时即便紧急停机也很难做到刀具的及时保护。

现有技术中，如专利申请公开号为特许第3005663号公报，描述了避免发生加工异常的设想，但就具体如何实现这种方法、参数如何调整等并未提供技术细节。

还有一些现有技术通过机器学习来设置避免颤振和刀具损坏等异常发生的加工条件。但是在学习特征的选取上没有考虑刀具的相关特征，也没有考虑模具动刚性的相关数据，而模具的动刚性直接决定了该工况下产生颤振的加工条件区间，在缺失这些特征数据的情况下，现有技术的机器学习模型的精度难以保证。

发明内容

为了解决上述问题。本发明提供一种切削异常的检测方法、切削异常的检测装置、系统、设备，可实现对切削加工过程中发生的加工异常的检测。

根据本发明的第一方面，提供一种切削异常的检测方法，包括：获取步骤，获取机床的加工数据，加工数据包括加工参数、刀具参数、原材料种类和加工电流数据；确定步骤，将加工数据输入预测模型中，以确定机床的刀具是否发生异常，其中，预测模型是通过对机床的多个训练数据进行机器学习得到的。

进一步地，通过以下方式建立预测模型：采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类和加工电流数据；将加工参数、刀具参数、原材料种类作为特征值，并将根据加工电流数据计算得到积分值作为目标值，通过机器学习训练预测模型。

进一步地，确定步骤包括：根据加工参数、刀具参数和原材料种类，预测机床的加工电流数据的积分值；判断预测的加工电流数据的积分值和加工数据中的加工电流数据的积分值的差值是否大于预定阈值；如果差值大于预定阈值，则确定刀具发生异常。

结合本发明的第一方面，本发明实施例的切削异常的检测方法还可以进一步包括：加工数据还包括加工成型的工件的表面粗糙度。

进一步地，通过以下方式建立预测模型：采集多组训练数据，训练数据包括加工参数、刀具参数、原材料种类、加工电流数据和表面粗糙度；将加工参数、刀具参数、原材料种类和加工电流数据作为特征值，并将表面粗糙度作为目标值，通过机器学习训练预测模型。