阅读说明：本技术 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 (Milling cutter wear state identification method based on spindle driving current and irrelevant to working conditions ) 是由 王民 宋铠钰 刘利明 于 2020-05-14 设计创作，主要内容包括：本发明公开了一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法,该方法基于刀具磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果,利用傅里叶级数拟合将主轴驱动电流波形分解为反映电流有效值准静态变化的谐波成分和反映铣刀刃口和后刀面磨损状态以及振动异常的电流杂波信号,然后将电流杂波信号输入到卷积神经网络中进行铣刀状态特征提取和分类。通过上述方式,本发明能够实现复杂工况变切削条件下的铣刀状态的在线准确辨识,为复杂工况下预测铣刀剩余寿命和科学合理制定铣刀更换规则打下基础。(The invention discloses a milling cutter wear state identification method based on spindle driving current and irrelevant to working conditions, which is based on the test result that irregular clutter components appear in spindle driving current signals due to cutter wear and vibration abnormity. Through the mode, the milling cutter state online accurate identification under the condition that the complex working condition is changed into the cutting condition can be realized, and a foundation is laid for predicting the residual life of the milling cutter under the complex working condition and scientifically and reasonably formulating the milling cutter replacement rule.)

一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法

技术领域

本发明涉及一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法，属于数控机床状态检测技术领域。

背景技术

在金属铣削加工过程中，铣刀的后刀面及刀刃受切削应力与工件摩擦会逐渐累积磨损。同时，刀具与工件之间会产生相对振动，刀具磨损和振动异常不仅直接影响被加工表面质量和加工精度，使工件表面粗糙度增大，并且随着刀具磨损以及振动的加剧导致切削力不断的增大，严重的会造成刀具破损，致使工件报废、机床损坏，甚至影响工厂生产正常进行，给企业带来经济损失。目前国内外的刀具状态监测方法主要分为直接法和间接法两类。直接法采用测量刀刃外观、几何尺寸等，虽然对刀具状态识别精度高，但是大部分直接监测法需要停机检测，只适用于非加工过程，不能满足在线监测的要求，在实际生产加工过程中实用性不强。而间接法主要通过采集与刀具磨损相关的物理信号，例如，力信号、振动信号、电流信号和声发射信号等，然后运用信号处理技术提取与刀具磨损状态相关的特征，达到准确识别刀具磨损状态的目的。间接法主要优势在于可以实时监测刀具磨损状态，提高了生产效率。但是间接监测方法对切削力、振动信号的采集需要将传感器安装在机床加工区域内，干扰机床的正常加工，同时并不适用于复杂工况变切削条件下的铣刀磨损状态在线辨识。

发明内容

本发明的目的是为了解决现有技术不足的问题，设计了一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法。

为解决上述技术问题，本发明所采用技术的方案为一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法。该方法基于刀具磨损以及振动异常会导致主轴驱动电流信号出现不规则杂波成分的试验结果，利用傅里叶级数拟合提取与加工工艺参数相关的反应铣削力准静态变化的主轴驱动电流基波成分，然后剔除这部分电流成分对不同工况下刀具磨损状态在线辨识的影响，将剩余的与工况无关的反映铣刀磨损和振动状态的主轴驱动电流杂波信号输入到一维卷积神经网络中进行刀具磨损状态特征提取和分类。

铣削加工过程中的铣刀磨损状态分为正常磨损、急剧磨损、磨损振动异常和锋利振动异常四种状态。

数据采集是通过嵌入式数字采集系统与霍尔电流互感器以及三相加速度传感器建立通信获取金属铣削加工过程中的主轴驱动电流信号和主轴振动信号。

在保证拟合准确率和拟合效率的前提下，将获取到的主轴驱动电流信号经过四阶傅里叶级数拟合得到主轴驱动电流基波成分。

主轴驱动电流杂波信号是通过在主轴驱动电流原始信号中剔除电流基波成分后得到。

数据归一化处理将提取到的主轴驱动电流杂波信号限制在0到1范围内，保证程序运行时收敛加快。

深度学***层，一层全连接层以及输出层组成。其中输入层是128*1的输入矩阵，两层卷积层分别使用的是24个9×1的卷积核和48个9×1的卷积核进行图像过滤。池化层使用的是6×1的池化核来对上一层数据图缩放，池化方式为最大池化。激活函数采用Relu函数，使用Softmax分类器对提取到的特征分类。最后根据实际分类与样本分类构建损失函数，利用逐层反向传播算法来调整网络的参数。

通过对比分析同磨损阶段不同工况下的主轴驱动电流基波成分，当加工工艺参数发生改变时，主轴驱动电流基波成分会随之改变。

对不同工况下的主轴驱动电流杂波成分进行对比分析得到，当刀具处于相同磨损阶段时，主轴驱动电流杂波信号在一定范围内波动；当刀具处于不同磨损阶段时，主轴驱动电流杂波成分会随着刀具磨损以及振动的加剧而变大。

本发明的显著效益是基于铣刀磨损和振动异常会导致主轴驱动电流信号出现不规则杂波成分的实验结果，通过四阶傅里叶级数拟合提取铣削加工过程中的电流杂波信号并输入到卷积神经网络中进行刀具磨损状态特征提取和分类，实现了数控机床复杂工况变切削条件下刀具磨损状态的准确在线辨识。一方面可以降低工件废品率和机床故障率，减少工厂成本，另一方面也为复杂工况下科学合理制定换刀规则以及铣刀剩余寿命的在线预测打下基础。

附图说明

图1为本发明的刀具磨损状态识别流程图。

图2为本发明的电流原始信号拟合图。

图3为本发明的不同状态下主轴驱动电流杂波信号。

图4为本发明采用的卷积神经网络结构图。

图5为本发明电流有效值曲线与刀具状态分类图。

具体实施方式

下面结合附图，对本发明进一步详细说明，以下实例仅用于解释本发明，并不构成对本发明保护范围的限定。

如图1所示为本发明的刀具磨损状态识别流程图。本发明提供的是一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法，包括以下步骤：

a.采集金属铣削加工时主轴驱动电流的原始信号和主轴的振动信号；

b.对采集到的主轴驱动电流的原始信号通过傅里叶级数拟合，得到一种与工况无关的主轴驱动电流杂波信号；

c.将获取到的杂波信号经过数据归一化处理，使所有的信号幅值都处于0到1之间；

d.将处理后的数据输入到一维卷积神经网络中进行训练，根据实际分类与样本分类构建损失函数，利用逐层反向传播算法来调整网络的参数；

e.将测试数据输入到已训练完成的深度学习神经网络中进行铣刀磨损状态识别。

金属铣削加工过程中的数据采集首先在数控机床上安装三相加速度传感器和霍尔电流传感器，然后通过嵌入式数字采集系统与传感器之间建立通信采集铣削加工过程中的振动和电流的连续时域信号。

金属铣削加工过程中采集到的主轴驱动电流信号由电流基波和电流杂波两部分组成，其中电流基波信号反映的是铣削加工过程中的准静态铣削力分量，电流杂波信号反映的是铣削加工过程中的动态铣削力分量。准静态铣削力分量反映了由切削工艺参数、加工用量决定的随铣刀旋转和进给运动将金属材料从工件表面剥离下来所需的切削力；而动态铣削力分量一方面包含了铣削过程中刀具与工件之间相对振动导致的动态切削力，另一方面也包含了因刃口钝化和后刀面不规则磨损引起的铣削力的动态波动量。随着铣刀磨损和振动的加剧，动态铣削力变动量会逐渐变大，主轴转速出现波动，进一步引起电流信号出现波动。因此，随着铣刀磨损和振动加剧，动态铣削力增大会导致电流信号变化程度加大。

如图2所示为发明的电流原始信号拟合图，对铣削实验过程中采集到的主轴驱动电流信号使用不同阶次傅里叶级数进行拟合对比发现，采用四阶傅里叶级数拟合既能保证拟合准确率，最小化原始数据与电流趋势项的误差平方和，同时又能保证拟合效率，节省数据处理时间，所以原始信号拟合采用的是四阶傅里叶级数依据最小二乘法进行拟合。

如图3为本发明的在不同状态下主轴驱动电流杂波信号图，通过将不同状态下的电流杂波信号对比发现，在金属铣削平稳加工过程中，随着铣刀磨损程度加剧，电流杂波信号波动增大；而在非平稳加工过程中，刀具与工件之间相对振动加剧也会造成动态铣削力增大导致电流杂波波动增大。

如图4为本发明采用的一维卷积神经网络结构图。考虑到本次铣刀磨损状态分类样本有正常磨损、急剧磨损、磨损振动异常和锋利振动异常四类，所以对原有的LeNet-5模型进行了相应的修改。修改后的卷积神经网络由一个输入层、两个卷积层、两个池化层、一个扁平层、一个全连接层和一个输出层组成。其中两层卷积层分别使用的是24个9×1的卷积核和48个9×1的卷积核进行图像特征提取，池化层使用的是6×1的池化核来对上一层数据图缩放，激活函数由sigmoid函数改为Relu函数，池化层的采样方式改为最大池化，加快收敛速度，缓解了梯度消失现象，节省了训练时间。然后使用Softmax分类器根据提取到的刀具磨损状态特征进行分类，最后根据实际分类与样本分类的误差构建损失函数，并利用逐层反向传播算法来优化神经网络的参数，使整个网络达到最好的识别效果。

图5为本发明电流有效值曲线与刀具状态分类图。根据铣刀后刀面磨损量和工件加工表面质量等将刀具状态分为了正常磨损、急剧磨损、磨损振动异常以及锋利振动异常四种。正常磨损和急剧磨损是指在平稳加工过程中发生的后刀面以及刃口的磨损；磨损振动异常是指当刀具磨损严重时，后刀面和刃口出现蹦刃现象导致振动异常；而锋利振动异常指加工时由于切削工艺参数选择不合适导致的切削振动异常现象。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。