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与流程

本发明涉及机械加工领域，具体涉及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。

背景技术：

数控车削批量加工过程中，过度的刀具磨损会影响工件的表面质量以及加工精度；同时，随着车刀磨损量的增加，机床将会消耗更多的能量。工业统计表明，刀具失效是引起机床故障的首要因素，由此引起的停机时间占数控机床总停机时间的1/5～1/3。因此，针对数控车削批量加工过程进行刀具磨损在线监测，是智能制造背景下一个迫切需要解决的科学问题。

根据测量方法的不同，刀具磨损监测方法可分为直接测量法与间接测量法。直接测量法是指通过测量与刀具体积、形状等相关的参量来判断刀具磨损状态。封海蕊直接提取后刀面磨损图像的视觉特征，通过建立图像特征与刀具磨损之间的关系实现刀具状态的监测。等使用坐标描述符对计算机视觉系统获取的刀具磨损图像进行分割处理，并根据刀具磨损变化率对刀具磨损状态进行分类预测。xu等基于灰色关联法提取工件表面纹理特征，并通过bp神经网络对刀具磨损状态进行识别和诊断。

虽然直接测量法监测刀具磨损精度较高，但多数方法不能保证在线监测，因此监测效率低。鉴于此，一些学者提出通过间接测量法监测刀具磨损。间接测量法是指测量切削加工过程中与刀具磨损有内在联系的某些信号，通过建立这些信号与刀具磨损量之间的关系来确定刀具磨损状况。胡江林等通过提取声发射(ae)信号的累积振铃数作为监测刀具磨损的特征量，并通过实验验证了该方法的有效性。kious等通过对三个方向的切削力以及合成力信号进行频域分析，发现了合成力的主频频谱与刀具磨损状态密切相关，可用于刀具磨损在线监测。hsieh等直接采集主轴振动信号，从中提取5个与刀具磨损相关的特征量并利用反向传播神经网络对刀具磨损状态进行分类。上述方法虽然能实现刀具磨损的在线监测，然而由于信号的采集需要改变机床的结构，在一定程度上会影响机床加工过程，故而这些方法的使用受到了限制。

相比于切削力、声发射和切削振动等信号，机床功率信号的采集仅仅只需在机床电气柜安装一个功率传感器，不会改变机床结构，因此采用功率法监测刀具磨损受到了国内外大批学者的广泛关注。谢楠等通过功率传感器采集切削过程中的电流和功率信号，提出了一种基于主成分分析与c-支持向量机相结合的刀具磨损状态监测模型。bhattacharyya等通过对机床主电机电流和功率信号进行采集和处理，提取与刀具磨损相关的时域特征量，并建立特征量与刀具磨损量之间的多元线性回归模型，基于该模型实时计算刀具磨损量。cuppini等发现当加工参数一定时，切削功率与刀具磨损量之间存在着一定的关系，并通过实验拟合的方法建立了切削功率与刀具磨损量之间的关系模型。

然而，上述研究并未考虑加工参数对机床功率信号的影响，当切削过程中加工参数发生变化时，功率信号将会随之改变，此时，通过机床功率信息将难以准确判断刀具磨损状态。

技术实现要素：

本发明的目的是考虑刀具磨损量和加工参数对切削功率的影响，建立相应的回归模型，在此基础上提出一种刀具磨损在线监测方法，以监控车床在加工过程中的刀具磨损。

为实现本发明目的而采用的技术方案是这样的，即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。它包括以下步骤：

步骤1：分析刀具磨损量和加工参数对切削功率的影响；

步骤2：通过正交试验设计与响应面法建立切削功率与刀具磨损量及加工参数的回归模型；

步骤3：在建立切削功率与刀具磨损量及加工参数的回归模型的基础上，得到实时更新切削功率阈值的刀具磨损在线监测方法。

优选地，步骤1中，所述分析刀具磨损量和加工参数对切削功率的影响的过程为：

(1)分析刀具磨损量对切削功率的影响

由于刀具磨损产生的附加切削功率δpc为

δpc＝ffw·vc＝μhvbs·vc

式中，ffw为由磨损引起的刀具与工件间的摩擦力，vc为车削加工过程中刀具与工件接触点的线速度，μ为刀具与工件间的滑动摩擦系数，h为工件材料的布氏硬度，vb为刀具后刀面磨损量，s为刀具后刀面磨损带长度。

(2)分析加工参数对切削功率的影响

对于车削加工过程，切削功率pc与加工参数之间存在着指数关系：

式中：fc为切削力，vc为切削速度，ap为背吃刀量，f为每转进给量，cf、xf、yf、nf以及kf为相应的切削力影响指数。

优选地，在步骤2中，所述通过正交试验设计与响应面法建立切削功率与刀具磨损量及加工参数的回归模型的过程为：

(1)正交试验设计

使用功率传感器对切削功率进行采集监测，使用超景深三维显微系统测量车刀磨损量，在一定实验条件下进行正交试验。

将车刀后刀面磨损量vb以及车削三要素(切削速度vc、进给量f、背吃刀量ap)作为影响切削功率pc的四个因素，各因素分别设定三个水平，其中刀具磨损量vb分别用不同的数值表征刀具轻微磨损，中度磨损和严重磨损三个阶段。

(2)建立切削功率与刀具磨损量及加工参数的回归模型

响应面(theresponsesurfacemethodology，rsm)多项式回归模型采用二次回归方程，通过最小二乘法求取回归方程系数，进而构造出响应量和自变量之间的函数。

采用二阶响应曲面模型来表达切削功率与刀具磨损量及加工参数之间的关系，具体表达式如下：

式中：y表示切削功率，x表示刀具磨损量、切削速度、进给量和背吃刀量，β0，β1，...，βm表示回归方程的系数，ε表示回归值与实际值的误差。

采用minitab16软件对实验所得到的数据进行拟合，由于各自变量的变化范围不相同，为解决量纲不同给设计和分析带来的麻烦，将自变量后刀面磨损量vb、切削速度vc、进给量f、背吃刀量ap分别做线性变换(又称编码变换)，具体公式如下：

经过线性变换处理后的各自变量a、b、c、d变化范围均在[-1，1]之间。

优选地，步骤3中，所述的的一种实时更新切削功率阈值的数控车削批量加工刀具磨损在线监测方法过程为：

1)根据机床、刀具以及工件信息判断历史数据中是否已有该加工条件下的切削功率与刀具磨损量及加工参数的回归模型，如果没有，则需要通过正交实验设计以及响应面法建立模型。同时将所得模型存入历史数据库中；

(2)通过功率采集系统获取机床总功率以及主传动系统功率，并对功率信号进行滤波处理；

(3)与数控车床nc系统实现通信，同时结合机床功率信息判断机床状态；

(4)当机床处于加工状态时通过nc系统读取车削过程加工参数，同时根据工件表面粗糙度及尺寸精度要求设定适当的刀具磨钝标准(允许的最大刀具磨损量)，将加工参数以及刀具磨钝标准带入切削功率与磨损量以及加工参数的回归模型中实时计算切削功率阈值[pc]；

(5)将通过功率采集系统实时测量并计算所得的切削功率pc与切削功率阈值[pc]进行比较。若pc＜[pc]，则返回步骤4；若pc＞[pc]，则说明刀具磨损量已达到事先设定的磨钝标准，此时应该停止加工并更换刀具。

优选地，步骤3中，所述的的一种实时更新切削功率阈值的数控车削批量加工刀具磨损在线监测方法包括以下关键步骤：

(1)功率信号滤波处理

机床的功率信号中不可避免的含有各种噪声以及干扰，这些噪声和干扰将使功率信息失真。为了准确地监测加工过程中刀具磨损状况，必须对传感器采集到的功率信号进行滤波处理，消除这些噪声和干扰。

机床功率信号中的噪声和干扰分为两类：一类是频率一定的周期性干扰，另一类则是如脉冲干扰等随机性干扰。例如对于使用交流电机的数控机床而言，三相交流电动机任一相的电流、电压以及瞬时功率值可表示为：

式中：ω表示三相交流电的角频率，表示电压与电流的相位差，im表示单相绕组中的最大电流，um表示单相绕组中的最大电压。

三相交流电动机任一相瞬时功率p的基频是工频(50hz)的两倍。由此可见，在交流电动机的功率信号中将不可避免地含有工频及两倍工频的分量，它属于周期性干扰。对于周期性干扰，可采用模拟滤波的方法滤去大部分干扰，但模拟滤波电路并不能完全有效地消除随机性干扰，因此还必须使用数字滤波方法。

防脉冲干扰滑动平均算法能有效地消除由脉冲干扰所引起的采样值偏差，同时，对于周期性干扰具有良好的抑制作用，其平滑度高，适用于高频振荡系统。因此，使用防脉冲干扰滑动平均算法对功率信号进行数字滤波，其具体计算步骤如下：

1)通过功率传感器采集n个数据{m1，m2，...，mn}，并将其放入队列存储器m[n]中；

2)每隔一个采样时间间隔读取一个新的数据加入m[n]队尾，同时丢弃m[n]队首的一个数据，得到一组新的数据m’[n]＝{m’1，m’2，...，m’n}；

3)判断m’[n]中的最大值mmax与最小值mmin；

4)求取m’[n]中n个数据之和，然后减去最大值与最小值，并对剩下的n-2个数据计算算术平均值，具体公式如下：

5)将作为最后的计算结果输出，然后返回步骤2，重复上述计算过程

(2)数控机床状态判断

机床的运行状态一般包括：停机状态、待机状态、主轴启动状态、空载状态以及加工状态。如图2为一数控车床加工过程的功率曲线图，机床功率曲线实质上是机床处于不同状态时功率特性的反映，因此，由功率传感器测得的机床功率信息能实时地反映机床状态。然而，由于零漂及电压波动等原因，对于转速较低和切削量较小的加工过程难以通过功率信息准确判断机床状态。

对此，本发明提出了一种基于nc系统与功率信息相结合的机床状态判断方法：首先与数控机床nc系统进行通信，然后调用相应的api函数读取加工参数，同时结合功率采集系统采集到的功率信息判断机床运行状态。具体算法流程如图3所示

以fanuc系统为例，与nc系统通信并读取加工参数，步骤如下：首先通过pcmcia网卡实现与nc系统的硬件连接；然后调用focas函数库(focas函数是fanuc提供给用户的一组针对nc系统的api函数)中的部分函数读取加工参数，例如通过调用cnc_acts()函数和cnc_rdspeed()函数读取机床主轴的实际转速n和传动轴的实际进给速度f。

(1)主轴启动状态判断

1)当功率传感器测得机床总功率ptotal由0变为大于0时，相应地，机床状态由停机状态变为待机状态；

2)通过nc系统实时读取机床主轴转速，当转速n由0变为大于0时，则判断机床主轴开始启动。

(2)空载状态判断

1)当主轴启动之后将功率传感器测得的机床主轴实时功率psp存入一个缓存数组g[n]＝{psp1，psp2，...，pspn}；

2)判断缓存数组g[n]中的数据是否平稳，即是否满足：

c1根据机床特性以及电网电压波动情况一般取15％-25％。当缓存数组g[n]中数据平稳，则判断机床处于空载状态。同时，将此时g[n]数组的平均值作为机床当前转速下的空载功率pu。

(3)加工状态判断

1)当判断机床处于空载状态并获取空载功率pu之后，通过nc系统实时读取机床进给速度f；

2)当进给速度f大于0时，判断主轴功率psp在pu的基础上是否发生了跃变，即是否满足：

c2根据切削量大小一般取5％-10％。若上式成立，则判断机床处于加工状态。

与现有技术相比，本发明的有益效果是：

本发明考虑了加工参数对车床切削功率的影响而不仅仅考虑刀具磨损量对车床切削功率的影响，在此基础上提出的一种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能够正确实时地监控车床在加工过程中的刀具磨损量。当刀具磨损到一定程度需要更换时能够及时发现并更换，保证加工产品的质量并且节约机床能耗。

附图说明

图1数控车削批量加工刀具磨损在线监测流程框架

图2数控车床加工过程功率曲线图

图3机床状态判断流程图

图4加工零件图

图5数控车削批量加工刀具磨损在线监测系统

具体实施方式

下面结合附图和实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

本实施例以图4中φ42和φ60两个外圆的加工过程为例。

正交实验设计以重庆第二机床厂有限责任公司生产的chk460数控车床为平台，采用重庆大学自主研发的软硬件一体化的机床能效监控系统来测量机床实时功率，同时使用超景深三维显微系统测量车刀后刀面磨损量。

采用型号为chk460的数控车床，其主电机功率为11kw，主轴转速范围100-4500r/min，最大车削长度420mm，允许的最大回转直径为460mm。工件及加工方式如表1所示，选用外圆车刀，具体参数如表2所示。

表1工件及加工方式

表2刀具类型与相关参数

将车刀后刀面磨损量vb以及车削三要素(切削速度vc、进给量f、背吃刀量ap)作为影响切削功率pc的四个因素。各因素分别设定三个水平，其中刀具磨损量vb分别选取0.065mm，0.195mm以及0.325mm代表刀具轻微磨损，中度磨损和严重磨损三个阶段。具体如表3所示。

表3各因素及水平

为保证实验的有效性以及准确性，选取实验次数较多的l27(3¹³)正交表进行实验设计，正交表以及实验结果如表4所示。为了减小实验测量误差带来的影响，将实验得到的功率进行了平均处理。其中pu为空载状态下机床的主轴功率，psp为切削状态下机床的主轴功率。

表4正交表及实验数据

采用minitab16软件对实验所得到的数据进行拟合，切削功率的二阶回归模型为：

pc＝1035.63+83.5a+235.03b+246.36c+262.54d+37.02ab-34.87ac+62.14bd+47.28cd

表5切削功率函数方差分析

其中r-sq为99.29％，取值越大说明回归模型与数据拟合的越好，r-sq(adj)取值98.98％，越接近r-sq说明回归模型越可靠。同时，回归模型中各因素项的f比值均大于f0.05，说明这些项对切削功率的影响是显著的。故而分析结果表明切削功率函数拟合程度良好，能有效预测该实验条件下的切削功率大小。

加工φ42和φ60两个外圆的实验条件和加工参数信息如表6、表7所示。

表6实验条件

表7加工参数

由于该工件表面粗糙度及尺寸精度要求不高，故设定刀具磨钝标准为0.3mm。

利用表8中的数据以及刀具磨钝标准计算分别得到两个加工特征所对应的切削功率阈值为1674w和1996w。

基于上述刀具磨损在线监测方法，利用qt平台成功开发了数控车削批量加工刀具磨损在线监测系统，并利用该系统对上述加工过程进行自动在线监测。软件系统如图5所示。

首先在基本信息输入模块中输入包括机床型号、刀具型号、工件材料、各项系数以及刀具磨钝标准等基本信息；然后通过与数控车床nc系统通信实时读取加工参数，并结合功率信息判断机床状态；当机床处于加工状态时，计算切削功率阈值(图中红色曲线所示)并与实际加工过程切削功率(图中绿色曲线所示)进行比较，当实际切削功率大于阈值时报警灯变为红色，此时应停止加工并更换刀具。

由图5可知，当该批工件加工至第97件时，通过功率采集系统采集的实际切削功率已超过阈值，此时停止加工并取下车刀，使用vhx-1000型超景深三维显微系统测量后刀面磨损量，测量值为0.276mm，测量误差为8.70％。

通过上述实施例可知，本文所提出的数控车削批量加工刀具磨损在线监测方法能有效实现刀具磨损状况的在线监测；同时基于该方法开发的数控车削批量加工刀具磨损在线监测系统能有效应用于自动化生产线的刀具状态监测。