数控车床用的刀具认识报警指定刀具寿命已用完怎么解决

来源：蜘蛛抓取(WebSpider) 时间：2020-03-25 01:48 标签： 数控车床用的刀具认识

Mate-TD系统的刀具寿命管理的应用有效的提高了数控设备自动化水平， 对于提高产品加工过程中质量控制和加工精度很有意义本文分析了刀具寿命管理应用的一 些关键技术問题。 关键词：数控车床用的刀具认识；刀具寿命；数控系统 中图分类号：TM921．41 文献标识码：A 文章编号：(2ol 2)3(下)一0030-02 Doi：1 0．3969／J．issn．1 009-01 34．201 2．3(下)．09 0 引言 #6813=0 刀具壽命数据表总容量0=128 目前高档数控系统中都具有刀具寿命管理功 拍580o．O {j}68oo．1 最大组数 实际刀具组数 刀具组内刀具数量 能此功能可有效的提高数控机床设备的自动化 O 0 16 1／8 (#6813) 1～16 水平，同时可以提升产品加工质量过程控制机 1 0 32 1／4 f 6813) 1～8 床设备制造商和多数机床用户往往忽略此功能， 0 1 64 1／2 f拍813) 1～4 1 1 128 1 (#6813) 1～2 或應少数用户的需求才增加此功能的使用总丽 言之，充分使用好此功能在实际产品加工中非常 #6800．2=1 刀具寿命计数类型按时间予以 有意义本攵将结合公司研发的斜床身式数控车 指定 (0为按次数计数) 床SL50的刀具寿命管理功能调试，重点阐述此功 #6800．4=1 本参数被设定为 “1”时即 能使用的方法及关键问题的分析。 使是在清除刀具寿命管理一览画面中的执行数据 1 刀具寿命管理功能介绍 的 “擦除操作”的情况下也清除已被登錄所有组 的执行数据。 将用户刀具群分类为几个组在每个组中事 #刀具寿命管理忽略号 (刀具调 先指定刀具的寿命 (使用次数或者使用时间)。並 用号超过该值时扣除该值的为刀具组号) 且，在每次使用属于各组的刀具时计数其寿命 #刀具寿命计数再启动 当寿命快到尽头时，在相哃组内自动选择被事先 #3032=8 T代码的最大位数 按照一定顺序排列的新刀具由此，便可以一边 管理刀具的寿命一边继续进行加工。管理刀具

本发明属于数控机床刀具寿命预測领域更具体地，涉及数控机床的刀具寿命实时预测方法

刀具是数控机床最重要的部件之一，在现代化生产线的生产过程中如果刀具发生损坏，将严重影响生产效率和加工质量因此，刀具的使用寿命是一个重要的参数在加工的过程中，如能有效、准确地对刀具的壽命进行预测将极大地提高企业的生产效率并降低生产成本。

传统的刀具寿命预测依靠以往的加工经验和理论公式计算刀具寿命效率低下，又很难与实际情况符合目前，在刀具寿命预测领域又出现了一些新方法但也存在很多局限性。例如专利文献CN公开的方法没有考慮加工过程和生产环境但是这些因素却影响着刀具寿命，因此其预测精度很低。例如专利文献CN公开的方法仅通过主轴的电流信号去反應刀具的使用寿命而没有考虑更为敏感的振动信号和温度信号，虽然省掉了外接传感器的麻烦但是却降低了寿命预测的准确性。影响刀具使用寿命的因素很多现有的方法都很难达到很高的预测精度，降低了其工业应用价值

因此，针对以上问题本领域急需一种预测精度高、操作性强且能在加工过程中实时预测的方法。

本发明针对上述现有技术中的问题提出一种数控机床的刀具寿命实时预测方法。該方法主要针对大批量零件加工过程中某一单一工序而言这样就大大减少刀具寿命的影响因素，提高预测精度同时，其本身作为一种方法而言可以同时应用在生产线上的其他工序中并能获得很好的效果。

为实现上述目的本发明提出一种数控机床刀具剩余寿命实时预測方法，包括如下步骤：

S1、建立数据库：把某一加工工序所用刀具信息、加工参数信息、采样参数信息输入数据库；

S2、信号采集与处理：通过传感器重复采集同类型机床中同种加工工序的信号并将其存储到步骤S1中的数据库中，并以健康度指标(H)对所采集的信号进行标记最後用一维卷积神经网络搭建的智能模型对信号进行训练，建立刀具寿命预测模型

本步骤中，所述信号是指加速度传感器采集刀具的振动加速度信号、电流传感器实时采集的主轴电流信号、红外温度传感器实时采集的刀具温度信号数据采集卡将这些信号数字化后导入数据庫中。

由于刀具不同磨损状态下的信号表征是不同的而振动、电流、温度的改变是刀寿命衰退最直接和最原始的体现。本发明中所用智能模型的输入是3个通道的一维信号分别是原始的振动、电流和温度信号。通过多层的卷积池化运算卷积结构从3个角度对表征刀具磨损狀态的特征进行了层级式提取和浓缩。通过不同角度(振动、温度、电流的角度)对信号进行联合分析能有效地提取到三种信号中的共性不變特征，以此提高模型的泛化能力

S3、在线寿命预测：机床加工过程中，将实时采集的振动信号、电流信号和温度信号作为样本输入刀具壽命预测模型得到当前刀具的寿命预测结果。

所述步骤S1中的刀具信息包括刀具材料的硬度、刀具直径、前角、主偏角

所述步骤S1中的加笁参数信息包括主轴转速、走刀速度和步进量。

所述步骤S1中的采样参数信息包括各采集参数的采样率以及采样点位置

进一步的，所述步驟S2中的温度传感器为红外温度传感器

所述步骤S2中的智能模型为基于一维卷积神经网络框架搭建并以所述刀具振动信号、主轴电流信号和刀具温度信号作为输入，所述刀具健康度指标作为标签建立训练样本采用梯度下降法训练得到的。

所述的一维卷积神经网络包括输入层、卷积层、池化层、全连接层以及softmax层；

较佳的输入层的大小为，输出层的大小为max(Ti),第一个隐藏层过滤器的尺寸为256*1深度为16，第二个隐藏层過滤器的尺寸为128*1深度为8，池化层过滤器的尺寸为2*1步长为1；卷积过程使用ReLU激活函数去线性化。

相较于现有技术本发明具有以下优点：

1、本发明提供的刀具寿命实时预测方法，使用传感器采集了刀具振动、温度和主轴电流信号等参数并将这些信号进行联合分析，多角度、全方位地反映刀具在加工过程中的变化情况较传统的单一信号分析方法相比，增加了模型输入信号的维度和信息量最终提高了预测嘚精度。

2、本发明提供的刀具寿命实时预测方法采用了一维卷积神经网络搭建的模型来进行预测，不需要对原始数据进行大量的预处理運算减少了因预处理算法选择不当所带来的预测精度降低问题。

3、本发明提供的刀具寿命实时预测方法仅针对大批量零件加工过程中某一单一工序而言，这样就大大减少了刀具寿命的影响因素提高了预测精度。同时其本身作为一种方法而言可以同时应用在生产线上嘚其他工序中，并能获得很好的效果

图1为本发明方法的流程示意图；

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本發明方法为前提进行实施给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例

一种数控机床的刀具寿命实时预测系统，包括加速度传感器、电流传感器、红外温度传感器和数据采集卡所述的加速度传感器安装在刀柄上，所述的电流传感器安装在主轴电机的单向导线上所述的温度传感器安装在主轴箱上，所述的数据采集卡分别与加速度传感器、电流传感器、温度传感器連接

所述的加速度传感器采集刀具的振动加速度信号。

所述的电流传感器采集主轴电流信号

所述的温度传感器采集刀具的温度信号。

所述的数据采集卡用于接收从加速度传感器、电流传感器和温度传感器传送来的测量数据，并将这些数据进行相应的A/D转换处理成需要嘚数字信号。

本发明前期需要采集大量同类型机床中同种加工工序的加速度信号、电流信号和温度信号同时将这些原始一维信号作为输叺，对应刀具的健康度指标作为输出对卷积神经网络搭建的智能模型进行训练。

如图1所示针对一道工序如数控车床用的刀具认识上的車外圆工序对刀具进行实时寿命预测，具体包括以下步骤：

S1、建立数据库：把这道工序所用刀具信息、加工参数信息、采样参数信息输入數据库；

所述的刀具信息包括本道工序所用刀具的材料硬度、直径、前角、主偏角所述的加工参数信息包括本道工序所采用的主轴转速、走刀速度和步进量。

所述的采样参数信息包括各采集参数的采样率以及采样点位置由于不同加工工序所使用的刀具、加工参数和采样參数是不同的。在数据库中输入这些参数是为了记录这种工序的特点，便于在后期维护数据库时对振动、温度、电流信号能有一个整體认识，因为这些信号中也蕴含了刀具、加工等信息

S2、信号采集与处理：采用加速度振动传感器采集刀具加工过程中的振动信号，采用電流互感器采集加工过程中主轴的电流信号采用红外温度传感器采集加工过程中刀具表面的温度信号，将采集到的原始振动信号、电流信号和温度信号存储到步骤S1中的数据库中然后以健康度指标对所采集的信号进行标记，其中Ti为当前刀具可加工的工件数量ti为当前刀具嘚累计加工工件数量，针对每一组采集到的信号计算出一个H值,信号采集过程是振动、温度、电流同步采集采集时间为1分钟，这一分钟的信号就是一组信号最后用一维卷积神经网络搭建的智能模型对信号进行训练，建立刀具寿命预测模型

较佳的，一维卷积神经网络的输叺层的大小为输出层的大小为max(Ti),第一个隐藏层过滤器的尺寸为256*1，深度为16第二个隐藏层过滤器的尺寸为128*1，深度为8池化层过滤器的尺寸为2*1，步长为1；卷积过程使用ReLU激活函数去线性化

S3、在线寿命预测：机床加工过程中，将实时采集的振动信号、电流信号和温度信号作为样本輸入刀具寿命预测模型得到当前刀具的寿命预测结果。

本发明方法在预测过程中也不断地把新的数据存到数据库中。当新存放的数据達到一定的数量时又重新调用之前用于预测的智能模型进行训练，从而不断提高模型预测的准确度

综上，本发明的数控机床刀具寿命實时预测方法可以在不影响生产的情况下，取得较好的预测效果

此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些實施例是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内

我要回帖

更多关于 数控车床用的刀具认识 的文章

 

随机推荐