本發(fā)明屬于數(shù)控機床刀具狀態(tài)監(jiān)控領域，更具體地，涉及一種基于數(shù)控系統(tǒng)內部數(shù)據的斷刀檢測方法。

背景技術：

數(shù)控機床加工過程中，刀具斷裂直接影響加工零件的直通率，如未及時發(fā)現(xiàn)并更換新刀具，將進一步造成后續(xù)工序的刀具斷裂，生產出大量不合格產品，浪費資源，降低加工效率，甚至會對機床本體造成一定程度的破壞。

目前，數(shù)控機床斷刀檢測的技術有兩種，一是直接識別刀刃外觀、表面品質或幾何形狀變化進行刀具狀態(tài)判斷，稱為直接法。如CN204405002U公開了一種便攜式CNC銑床刀具檢測儀，其包括支架裝置、刀具成像系統(tǒng)和圖像分析系統(tǒng)，該檢測儀通過刀具成像系統(tǒng)成像，圖像分析系統(tǒng)分析銑床刀具的圖像和顯示銑床刀具的參數(shù)，實現(xiàn)銑床刀具的在線檢測和預調。二是采集數(shù)控加工過程中能夠反映刀具狀態(tài)的信號(如切削力信號、切削溫度信號、聲發(fā)射信號、功率信號、振動信號、電流信號、主軸轉速等)進行斷刀檢測，稱為間接法。如CN104786265A公開了一種用于鉆床刀具的感應式微電流斷刀檢測電路，其檢測原理是：將由磁環(huán)線圈組成的信號發(fā)射電路和信號感應電路套在主軸外用螺絲固定在主軸座上，激勵信號產生電路輸出固定頻率的振蕩信號到發(fā)射線圈，當?shù)毒咩@到工件時感應線圈會產生感應電流，感應信號經處理后輸出一個檢測信號，同時觸發(fā)運動控制卡記錄當前位置，當設備正常運行時，每鉆一個孔，檢測回路就會有一個檢測信號輸出，同時PC機把當前位置及其平均值進行實時對比，從而判斷出鉆頭是否斷掉。再如CN203658795U公開了一種基于加速度感應器的斷刀檢測裝置，用于檢測印刷線路板數(shù)控鉆床的鉆刀是否折斷，其檢測原理是：當數(shù)控鉆床的鉆刀鉆到工件時會產生微振，固定在主軸軸承外殼上的三軸加速度感應器檢測鉆床的XY軸在不同位置時主軸鉆孔的微振深度，觸發(fā)運動控制卡記錄位置信息，PIC單片機分析主軸的鉆孔微振深度，從而檢測在鉆孔過程中鉆刀是否折斷。

綜上，目前的斷刀檢測技術主要依賴外接傳感器裝置獲取刀具幾何或狀態(tài)數(shù)據以進行斷刀檢測，存在以下不足：1)需要安裝外接傳感器裝置(包括圖像采集設備)，操作復雜，增加了勞動力和技術成本；2)外接傳感器的放置位置極易受人為因素影響，尤其在惡劣的工業(yè)環(huán)境下，刀具幾何或狀態(tài)數(shù)據和檢測結果的可信度無法保證；3)在線檢測實時性差。

技術實現(xiàn)要素：

針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供一種基于數(shù)控系統(tǒng)內部數(shù)據的斷刀檢測方法，本發(fā)明的數(shù)據源真實可信，并結合機器學習算法，實現(xiàn)了實時地準確斷刀檢測功能，避免了后續(xù)刀具及零件報廢，提高自動化生產線的產品直通率。

為實現(xiàn)上述目的，本發(fā)明提出了一種基于數(shù)控系統(tǒng)內部數(shù)據的斷刀檢測方法，包括如下步驟：

(1)采集數(shù)控系統(tǒng)內部數(shù)據作為刀具數(shù)據，同時記錄制造資源數(shù)據，對所述刀具數(shù)據進行加工狀態(tài)數(shù)據截取和濾波預處理，獲得刀具加工狀態(tài)的低頻數(shù)據；

(2)根據所述刀具加工狀態(tài)的低頻數(shù)據，提取表征刀具狀態(tài)的信號特征，形成特征向量其中，i為刀具數(shù)據樣本號，m為特征維數(shù)；

(3)根據所述特征向量及其對應的類別進行模型訓練，獲得訓練模型，根據所述訓練模型進行刀具狀態(tài)判斷，以此方式，完成斷刀的檢測。

作為進一步優(yōu)選的，所述數(shù)控系統(tǒng)內部數(shù)據包括運行狀態(tài)數(shù)據和工作任務數(shù)據，所述運行狀態(tài)數(shù)據包括主軸功率、主軸電流和主軸實際速度，所述工作任務數(shù)據包括刀具對應的刀號、G代碼程序和程序行號，所述制造資源數(shù)據包括刀具類型與材料、毛坯材料和機床類型。

作為進一步優(yōu)選的，對所述刀具狀態(tài)數(shù)據進行加工狀態(tài)數(shù)據截取和濾波預處理，獲得刀具加工狀態(tài)的低頻數(shù)據，具體為：利用刀號對刀具狀態(tài)數(shù)據以刀具為單位進行第一次截取，以分離出每把刀具所對應的狀態(tài)數(shù)據；采用微分閾值法對分離出的每把刀具所對應的狀態(tài)數(shù)據進行二次截取，以確定刀具開始加工時間點與結束加工時間點；在二次截取的數(shù)據基礎上，采用濾波器進行低通濾波，獲得刀具加工狀態(tài)的低頻數(shù)據。

作為進一步優(yōu)選的，采用微分閾值法對分離出的每把刀具所對應的狀態(tài)數(shù)據進行二次截取，以確定刀具開始加工時間點與結束加工時間點，具體為：

對分離出的每把刀具所對應的狀態(tài)數(shù)據進行平滑處理，得到平滑數(shù)據；對所述平滑數(shù)據進行微分，選擇平滑數(shù)據微分值小于閾值的數(shù)據點集，記為ind₁；對ind₁進行微分，記為diff(ind₁)，選擇diff(ind₁)最大的數(shù)據點對應的位置，記為ind₂，獲取ind₂+1位置對應的時間點即為刀具開始加工時間點；選擇diff(ind₁)第二大數(shù)據點對應的位置，記為ind₃，獲取ind₃-1位置對應的時間點即為刀具結束加工時間點。

作為進一步優(yōu)選的，所述低頻數(shù)據具體為頻率小于等于10Hz的數(shù)據，所述閾值優(yōu)選為0.04。

作為進一步優(yōu)選的，所述m優(yōu)選為10，所述表征刀具狀態(tài)的信號特征優(yōu)選為主軸功率的均方根值、功率積分、均值、峰度、相關系數(shù)和前5個峰值。

作為進一步優(yōu)選的，根據所述特征向量及其對應的類別進行模型訓練，獲得訓練模型，根據所述訓練模型進行斷刀判斷，具體包括如下步驟：

(3.1)判別初始化使i＝0，令i＝0為正常加工，y⁽⁰⁾＝1，執(zhí)行步驟(1)～(2)形成特征向量并獲得第一個樣本令i＝i+1，進入下一步；

(3.2)令i＝1為非正常加工，類別標號y⁽¹⁾＝0，執(zhí)行步驟(1)～(2)形成特征向量并獲得第二個樣本令i＝i+1，進入下一步；

(3.3)進行刀具狀態(tài)判斷：

當2≤i≤n時，其中n+1為累積樣本總數(shù)，執(zhí)行步驟(1)～(2)形成特征向量并獲得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，對所述特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}進行歸一化處理得到然后根據歸一化處理后的特征量及其對應的類別標號獲得樣本集其中利用所述樣本集對模式識別模型進行訓練，最后將代入到訓練好的模式識別模型中，輸出類別標號y⁽ⁱ⁾；

當i＞n時，執(zhí)行步驟(1)～(2)形成特征向量并獲得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，然后形成訓練樣本集X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(k)...,x^(i-1)}，其中x^(k)＝{fea^(k)；y^(k)},k＝0,1,...,i-1，在所述訓練樣本集中X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(k)...,x^(i-1)}隨機抽取q個樣本，根據抽取的樣本獲得新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}，對新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}進行歸一化處理得到然后根據歸一化處理后的特征量及其對應的類別標號獲得樣本集其中利用所述樣本集對模式識別模型進行訓練，最后將代入到訓練后的模式識別模型中，輸出類標記y⁽ⁱ⁾；

(3.4)根據刀具實際狀態(tài)，對類別標號y⁽ⁱ⁾進行修正獲得修正后的類別標號y^＇(i)，根據修正后的類別標號y^＇(i)形成樣本結束本次判別，進入下一步；

(3.5)令i＝i+1，執(zhí)行(3.3)～(3.4)，進行下一次加工刀具的斷刀檢測。

作為進一步優(yōu)選的，所述正常加工指刀具未斷，正常加工零件；所述非正常加工指刀具斷裂，異常加工零件；所述n優(yōu)選為10。

作為進一步優(yōu)選的，所述歸一化處理具體為采用線性變換將特征量等比例縮放到[0，1]區(qū)間；所述模式識別模型為隨機森林、logistic回歸、支持向量機SVM、線性判別分析LDA或神經網絡NN模型。

作為進一步優(yōu)選的，所述q的抽取比例為1/p，其中1/p為斷刀樣本量與正常樣本量的比值，優(yōu)選為1/5或1/10。

作為進一步優(yōu)選的，在判別過程中依據制造資源數(shù)據或工作任務數(shù)據中的任一數(shù)據是否發(fā)生變化，確定是否令刀具狀態(tài)判別次數(shù)i＝0，具體為：在步驟(3.4)和(3.5)之間可加入如下步驟：判斷制造資源數(shù)據或工作任務數(shù)據中的任一數(shù)據是否發(fā)生變化，若是，則令i＝0，并返回步驟(1)，進行新的斷刀檢測，若否，則進入步驟(3.5)，進行下一次斷刀檢測。

總體而言，通過本發(fā)明所構思的以上技術方案與現(xiàn)有技術相比，主要具備以下的技術優(yōu)點：

1.本發(fā)明采用數(shù)控系統(tǒng)內部數(shù)據進行斷刀檢測，無任何外接傳感器裝置，節(jié)約成本，且保證數(shù)據源真實可信。

2.本發(fā)明檢測方法簡單、直接、高效，可保證斷刀檢測與數(shù)控加工同時進行，即做到實時監(jiān)控而不影響機床正常加工。

3.本發(fā)明針對各種刀具類型、各種直徑(包括小直徑)刀具和各種復雜的工況科進行準確的斷刀判斷，適用性強。

4.本發(fā)明檢測方法可以降低斷刀引起的刀具和零件報廢損失，提高自動化生產線的產品直通率。

附圖說明

圖1是本發(fā)明的斷刀檢測方法流程圖；

圖2是主軸轉速的微分曲線；

圖3是加工狀態(tài)刀具數(shù)據截取。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。

本發(fā)明提供的一種基于數(shù)控系統(tǒng)內部數(shù)據的斷刀檢測方法，主要包括機床刀具狀態(tài)數(shù)據獲取、數(shù)據濾波與截斷預處理、特征提取、模型訓練、刀具狀態(tài)判斷、誤判樣本類別標號修正等，具體包括如下步驟：

(1)采集數(shù)控系統(tǒng)內部數(shù)據作為刀具數(shù)據，同時記錄制造資源數(shù)據；對所述刀具數(shù)據進行加工狀態(tài)數(shù)據截取和濾波預處理，獲得刀具加工狀態(tài)的低頻數(shù)據。

其中，數(shù)控系統(tǒng)內部數(shù)據包括運行狀態(tài)數(shù)據和工作任務數(shù)據，運行狀態(tài)數(shù)據Y包括主軸功率、主軸電流和主軸實際速度，工作任務數(shù)據WT包括刀具對應的刀號、每把刀具對應的加工G代碼程序和相應的加工G代碼程序對應的程序行號，所述制造資源數(shù)據MR包括刀具的類型與材料、零件的毛坯材料和機床類型。

對所述刀具狀態(tài)數(shù)據進行加工狀態(tài)數(shù)據截取和濾波預處理，獲得刀具加工狀態(tài)的低頻數(shù)據，具體為：利用刀號對刀具狀態(tài)數(shù)據(包括主軸功率、主軸電流、主軸實際速度和程序行號)以刀具為單位進行第一次截取，以分離出每把刀具所對應的狀態(tài)數(shù)據；采用微分閾值法對分離出的每把刀具所對應的狀態(tài)數(shù)據(包括主軸功率、主軸電流、主軸實際速度和程序行號)進行二次截取，以確定刀具開始加工時間點與結束加工時間點，截取開始與結束之間的數(shù)據進行研究，避免換刀和主軸加減速段信號對數(shù)據分析產生干擾；在二次截取的數(shù)據基礎上，采用巴特沃斯低通濾波器進行低通濾波，保留信號低頻成分，獲得刀具加工狀態(tài)的低頻數(shù)據((10Hz及以下))。

進一步的，對數(shù)據二次截取方法還可通過解析G代碼指令中M03和M05對應的指令行號進行截取。還可采用其他的IIR濾波器，如契比雪夫濾波器、橢圓形濾波器，或FIR濾波器進行信號濾波處理。

具體的，采用微分閾值法對分離出的每把刀具所對應的狀態(tài)數(shù)據(包括主軸功率、主軸電流、主軸實際速度和程序行號)進行二次截取，以確定刀具開始加工時間點與結束加工時間點，具體為：

(a)采用加窗平滑濾波對分離出的每把刀具所對應的狀態(tài)數(shù)據(例如主軸實際速度)進行平滑處理，得到平滑數(shù)據；

(b)對所述平滑數(shù)據進行微分，微分曲線如圖2所示；

(c)選擇合適的閾值，選取平滑數(shù)據微分值小于閾值的數(shù)據點集，記為ind₁；

(d)對ind₁進行微分，記為diff(ind₁)，選擇diff(ind₁)最大的數(shù)據點對應的位置，記為ind₂，獲取ind₂+1位置對應的時間點(例如主軸實際速度對應的時間點)即為刀具開始加工時間點(即加工狀態(tài)的起始點)；

(e)選擇diff(ind₁)第二大數(shù)據點對應的位置，記為ind₃，獲取ind₃-1位置對應的時間點即為刀具結束加工時間點(即加工狀態(tài)的結束點)，由此確定刀具加工狀態(tài)數(shù)據。

其中，閾值選取與數(shù)控系統(tǒng)有關，本實施例通過觀察主軸實際速度(即主軸轉速)的微分曲線，設置閾值為0.04。圖3中的第2段即為本實施例截取的刀具加工狀態(tài)段數(shù)據，即主軸實際速度穩(wěn)定段。圖中①-④依次為主軸加速段、主軸穩(wěn)速段、主軸減速段、換刀段的數(shù)據，其中O表示主軸穩(wěn)速段的起始點和終止點。需要說明的是，本發(fā)明所屬的主軸轉速不是真實的主軸轉速，而是從數(shù)控機床獲取的原始數(shù)據。假設主軸轉速為sActSpeed，從數(shù)控機床直接獲取的數(shù)據為sMeasuredSpeed，則二者之間的關系為：

sActSpeed＝sMeasuredSpeed*60000/(360000/dist_s)/pulse_s(1)

其中，dist_s/pulse_s為電子齒輪比，dist_s、pulse_s均由數(shù)控機床本體確定。從式(1)可以看出sActSpeed與sMeasuredSpeed之間呈線性關系，直接使用sMeasuredSpeed并不影響后續(xù)數(shù)據的處理，且節(jié)約計算時間。

此外，為保留信號低頻成分，削弱高頻噪聲影響，本實施例采用截止頻率為10Hz的巴特沃斯低通濾波器進行主軸轉速穩(wěn)定段數(shù)據的濾波處理。

(2)根據刀具加工狀態(tài)的低頻數(shù)據，提取表征刀具狀態(tài)的信號特征，形成特征向量其中，i為刀具數(shù)據樣本號，樣本包括特征向量和類別標號y⁽ⁱ⁾(即類別)，第i個樣本x⁽ⁱ⁾＝{fea⁽ⁱ⁾；y⁽ⁱ⁾}，樣本集X＝{x⁽¹⁾,x⁽²⁾,...,x⁽ⁱ⁾}，m為特征維數(shù)，y⁽ⁱ⁾∈{0,1}，若y⁽ⁱ⁾＝0，則判斷刀具為斷刀狀態(tài)，若y⁽ⁱ⁾＝1，則判斷刀具為正常狀態(tài)。

優(yōu)選的，本發(fā)明提取主軸功率的均方根值、功率積分、均值、峰度、相關系數(shù)和前5個峰值等10維特征用于表征刀具狀態(tài)，即m＝10，第i個樣本的特征向量記為此外，還可提取峰值對應的G指令程序行號作為信號特征。

(3)根據所述特征向量及其對應的類別進行模型訓練，獲得訓練模型，根據所述訓練模型進行刀具狀態(tài)，以此方式，完成斷刀的檢測。

具體包括如下步驟：

(3.1)判別初始化使i＝0，并令y⁽⁰⁾＝1，即為正常加工，執(zhí)行步驟(1)～(2)形成特征向量并獲得第一個樣本令i＝i+1，進入下一步；

(3.2)此時i＝1，令y⁽¹⁾＝0，即為非正常加工，執(zhí)行步驟(1)～(2)形成特征向量并獲得第二個樣本令i＝i+1，進入下一步；其中，正常加工條件是指刀具未斷，正常加工零件；非正常加工條件是指刀具斷裂情況，為異常加工零件；

(3.3)進行刀具狀態(tài)判斷：

當2≤i≤n時，其中n+1為累積樣本總數(shù)，執(zhí)行步驟(1)～(2)形成特征向量并獲得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，對所述特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}進行歸一化處理得到然后根據歸一化處理后的特征量及其對應的類別標號獲得樣本集其中利用所述樣本集對模式識別模型進行訓練，最后將代入到訓練好的模式識別模型中，輸出類別標號y⁽ⁱ⁾；為防止正負樣本失衡，優(yōu)選n＝10；

當i＞n時，執(zhí)行步驟(1)～(2)形成特征向量并獲得特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}，結合已知的{y⁽⁰⁾,y⁽¹⁾,...,y^(i-1)}形成訓練樣本集X＝{x⁽⁰⁾,x⁽¹⁾,...x^(k)...,x^(i-1)}，其中x^(k)＝{fea^(k)；y^(k)},k＝0,1,...,i-1。為保證訓練樣本集中正負樣本相對均衡、加快模型參數(shù)訓練速度，在所述訓練樣本集X＝{x⁽⁰⁾,x⁽¹⁾,...,x^(i-1)}中按斷刀樣本與正常樣本量1/p的比例進行隨機抽樣，抽樣數(shù)為q，獲得新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}，其中f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q)分別代表抽取出的q個樣本對應的特征量，對新的特征量{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}進行歸一化處理得到然后根據歸一化處理后的特征量及其對應的類別標號獲得樣本集其中利用所述樣本集對模式識別模型進行訓練，最后將代入到訓練后的模式識別模型中，輸出類別標號y⁽ⁱ⁾。

其中，歸一化處理采用線性變換將特征量{fea⁽⁰⁾,fea⁽¹⁾,...,fea^(i-1),fea⁽ⁱ⁾}或{f＇ea⁽⁰⁾,f＇ea⁽¹⁾,...,f＇ea^(q),fea⁽ⁱ⁾}等比例縮放到[0，1]區(qū)間，保證不同來源的數(shù)據統(tǒng)一到同一個尺度范圍內。

其中，為保證訓練樣本集中正負樣本相對均衡、加快模型參數(shù)訓練速度，本發(fā)明對隨機抽取的樣本量按斷刀樣本與正常樣本量1/p的比例進行隨機抽樣，即隨機抽取的樣本量與所選取的供抽取的樣本總量的比為1/p。優(yōu)選地，選擇斷刀樣本與正常樣本量比值為1/5或1/10。

進一步的，模式識別模型可以是隨機森林、logistic回歸、支持向量機SVM、線性判別分析LDA、神經網絡NN等有監(jiān)督的分類模型，本實施例優(yōu)選采用logistic回歸分類模型進行刀具狀態(tài)判斷。

(3.4)根據刀具實際狀態(tài)，對類別標號y⁽ⁱ⁾進行修正獲得修正后的類別標號y^＇(i)，根據修正后的類別標號y^＇(i)形成樣本結束本次判別，進入下一步。

進一步地，本發(fā)明依據刀具實際狀態(tài)進行誤判樣本類別修正，如圖1所示，如果y⁽ⁱ⁾＝1，即沒有檢測到斷刀，而實際上刀具發(fā)生了斷裂(可采用人工觀察)，則將其類別標號修正為y⁽ⁱ⁾＝0；如果判別結果為y⁽ⁱ⁾＝0，即檢測到斷刀，而實際上刀具沒有發(fā)生斷裂，則將其類別標號修正為y⁽ⁱ⁾＝1；其余兩種正確判別結果不予修正。

(3.5)令i＝i+1，執(zhí)行(3.3)～(3.4)，進行下一次加工刀具的斷刀檢測。實際檢測中，機床開啟時即可開始檢測，機床停機時即結束檢測。

此外，在判別過程中可依據制造資源數(shù)據或工作任務數(shù)據中的任一數(shù)據是否發(fā)生變化，確定是否令刀具狀態(tài)判別次數(shù)i＝0，當制造資源或工作任務數(shù)據發(fā)生變化，歷史刀具數(shù)據將不再可以用來進行刀具狀態(tài)檢測，此時令刀具狀態(tài)判別次數(shù)i＝0，開始新的斷刀檢測，即在步驟(3.4)和(3.5)之間可加入如下步驟：判斷制造資源數(shù)據或工作任務數(shù)據中的任一數(shù)據是否發(fā)生變化，若是，則令i＝0，并返回步驟(1)，進行新的斷刀檢測，若否，則進入步驟(3.5)，進行下一次斷刀檢測。

本領域的技術人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內。