CN117742245A - 刀具状态自适应监控及预测方法、系统、电子设备及介质 - Google Patents

Abstract

本发明涉及刀具状态自适应监控及预测方法、系统、电子设备及介质,包括：获取加工过程中能反应刀具状态的特征数据，以及刀具号和产品号数据；若刀具号或产品号为首次识别，则基于特征数据进行自学习，得到刀具学习模型；若刀具号和产品号均为非首次识别，则调用对应的刀具学习模型；其中，刀具状态包括磨损状态、断刀状态和/或缺刀状态；在刀具学习模型确定后的加工过程中，对采集的特征数据进行处理得到加工特征曲线，对加工特征曲线进行分析得到不同刀具状态数据，基于刀具状态数据通过刀具学习模型对刀具状态进行监控，以及基于刀具状态数据进行刀具寿命的预测。本发明对刀具状态进行自适应监控并实现对刀具寿命的预测。

Description

刀具状态自适应监控及预测方法、系统、电子设备及介质

技术领域

本发明涉及汽车机械加工技术领域，具体涉及刀具状态自适应监控及预测方法、系统、电子设备及介质。

背景技术

工业制造信息化能力正在高速的发展，数控机床设备是制造业能力的重要集中体现，而刀具作为数控机床运行中不可或缺的核心，其工作的状态和使用寿命直接关乎产品的加工质量，以及生产运营的成本。在数控机床中刀具出现的失效模式为：断刀、崩刃等，而刀具寿命在目前还无法准确预计，随着行业竞争的加剧，降低制造成本成为现在一大挑战，而数控机床中如何准确地监控刀具工作状态及最大限度的发现刀具极限寿命显得尤为重要。

目前数控机床刀具的监控主要集中于采集机床主轴的电流、电压、功率等信号，通过这些信号监测来判断刀具的状态，并采取换刀、停机措施。但目前通过这种方式来监控刀具的运用并不广泛，多数运用在过程一半途中就以失败告终，经分析主要发现有以下几点：

第一，目前监控只能对单一加工内容的刀具进行固定监控，面对机床同把刀具加工不同产品、机床产品切换频繁、工艺变更频繁的时候，无法适应。

第二，需要人工去确认调整刀具监控的数据基准和边界，才能保证数据监控和预警的准确性，耗费技术人员大量的时间，影响监控的及时性和效率。

第三，如果人工没有及时调整，则会造成新旧工艺刀具数据干涉，监控不准确，误预警等情况率。

第四，数据不准，影响技术人员对刀具状态的判断和使用，也不利于对刀具使用寿命的延长，造成技术人员不再愿意使用刀具监控，从而导致刀具监控的运用失败。

例如专利文献CN116533062A公开的一种基于功率测量的刀具磨损监测方法，该方法公开了一种采用获取机床主轴电机的电压和电流数据，并输入到刀具功率曲线模型中，得到相应的刀具功率曲线，以获取刀具的磨损状态的方法。但该方法采用直接采集机床主轴本身自带的电压和电流换算得到功率，并未通过专门的功率传感器采集数据，对功率数据也未进行进一步优化过滤，容易因机床其他部件影响主轴电压和电流的变化，造成功率数据的不准确，并且未对不同工序，多产品同种刀具加工情况下刀具数据进行过滤分析，缺少自适应学习记忆功能，需要提前人工预设不同刀具功率曲线，如果人工未及时设置，则该监控的数据会发生缺失、干涉等，影响对刀具磨损状态的判断。

又例如专利文献为CN114619104 A公开的断刀监测系统和监测方法，该方法公开了一种通过在主轴上加装功率传感器监测主轴的功率的方式，实时监测刀具的加工过程信号，并判断刀具断刀状态。但该方法只是利用基础功率数据单纯判断断刀情况，监控类型单一，但不同刀具的使用情况不一样，加工工艺也不一样，因此边界阈值就不一样，对于采用单一的阈值去预警断刀状态存在局限性，有可能造成误判，同时对于刀具崩刃、磨损等情况未进行监控，数据利用率不高，也未提高刀具使用寿命，并且加装传感器成本较高，不适合大数量设备应用。

因此，有必要提供一种新的刀具状态自适应监控及预测方法、系统、电子设备及介质。

发明内容

本发明的目的在于提供一种刀具状态自适应监控及预测方法、系统、电子设备及介质，能对刀具状态进行自适应监控并实现对刀具寿命的预测，能很好适应多产品同种刀具加工的使用情形。

第一方面，本发明所述的一种刀具状态自适应监控及预测方法,包括以下步骤：

获取加工过程中能反应刀具状态的特征数据、刀具号和产品号数据；其中，所述特征数据包括机床的功率数据、电流数据、扭矩数据和振动数据中的一种或一种以上；

基于刀具号和产品号数据识别当前的刀具号和产品号；若刀具号或产品号为首次识别，则基于采集的特征数据进行自学习得到特征学习曲线，并基于特征学习曲线配置刀具状态预警阈值，即得到包括有特征学习曲线和刀具状态预警阈值的刀具学习模型；若刀具号和产品号均为非首次识别，则基于刀具号、产品号调用对应的刀具学习模型；其中，刀具状态包括磨损状态、断刀状态和/或缺刀状态；

在刀具学习模型确定后的加工过程中，对采集的特征数据进行处理得到加工特征曲线，对加工特征曲线进行分析得到不同刀具状态数据，基于刀具状态数据通过刀具学习模型对刀具状态进行监控，以及基于刀具状态数据进行刀具寿命的预测。

可选地，所述基于刀具状态数据进行刀具寿命的预测，具体为：

根据磨损状态数据计算出刀具每次加工的磨损特征值，并累计记录形成刀具数据历史趋势曲线；

根据刀具数据历史趋势曲线预测出刀具预测寿命值。

可选地，根据刀具的第一次磨损状态数据作为基准磨损数据，根据当前刀具磨损状态数据和基准磨损数据计算最新j组磨损状态数据的斜率；以刀具的最大磨损值作为设定磨损值，并根据基准磨损数据、斜率数据计算出当前刀具的刀具预测寿命值。

可选地，还包括：

计算当前刀具的刀具预测寿命值与刀具额定寿命的比值，即得到磨损比例；

当刀具预测寿命值小于刀具额定寿命时，且磨损比例大于预设的寿命报警比例时，进行换刀的预警提示；

当刀具预测寿命值大于刀具额定寿命时，且磨损比例大于预设的寿命报警比例时，进行调整机床刀具使用寿命设置的预警提示。

可选地，还包括：

将加工特征曲线与特征学习曲线进行比较，若加工特征曲线相对于特征学习曲线的波动范围超过预设范围时，则基于所述刀具状态数据修正所述刀具学习模型的刀具状态预警阈值。

可选地，当识别出当前产品号和工具号均为非首次识别，且基于产品号判断出加工产品已切换时，调用当前刀具号、当前产品号的刀具学习模型，并根据产品号调用当前产品号下刀具的设定磨损值，并根据当前刀具磨损数据、设定磨损值调整刀具预测寿命值。

可选地，还包括：

获取前一次刀具剩余寿命值、当前刀具剩余寿命值和刀具额定寿命值；

计算当前刀具剩余寿命值与前一次刀具剩余寿命值的差值；

若该差值与刀具额定寿命值的比值大于预设比例时，则判断为正常换刀，否则判断为异常换刀。

可选地，当刀具判断为正常换刀时，根据换刀前刀具的最终磨损特征值，在对应的刀具学习模型中自动调整当前新刀具的刀具状态预警阈值。

可选地，所述基于刀具状态数据通过刀具学习模型对刀具状态进行监控，具体为：

所述刀具状态数据包括断刀状态数据、磨损状态数据和缺刀状态数据；所述刀具状态预警阈值包括断刀状态预警阈值、磨损状态预警阈值和缺刀状态预警阈值；

将断刀状态数据与断刀状态预警阈值进行比较，当断刀状态数据高于断刀状态预警阈值时，进行断刀报警；

将磨损状态数据与磨损状态预警阈值进行比较，当磨损状态数据高于磨损状态预警阈值时，进行磨损报警；

将缺刀状态数据与缺刀状态预警阈值进行比较，当缺刀状态数据在刀具整个加工过程中均低于缺刀状态预警阈值时，进行缺刀报警。

可选地，还包括：

对获取的特征数据进行加工与非加工数据的自动识别，具体为：

采集机床主轴的实际转速，当实际转速达到第一预设转速时，判断为加工的起始点，当实际转数降低到预设第二预设转速时，判断为加工的结束点，将加工的起始点到加工的结束点所获取的特征数据视为加工数据，其余视为非加工数据，其中，第一预设转速大于第二预设转速；

所述特征学习曲线和所述加工特征曲线均基于所述加工数据得到。

可选地，所述对采集的特征数据进行处理得到加工特征曲线，包括：

对获取的特征数据进行FFT处理、高/低通滤波、FFT处理滤波和SG滤波处理，得到加工特征曲线。

第二方面，本发明所述的一种刀具状态自适应监控及预测系统，包括：

数据采集模块，用于获取加工过程中能反应刀具状态的特征数据；

主控盒，用于向机床下发启动数据命令，以及接收数据采集模块所采集的特征数据和机床输出的刀具号及产品号数据，该主控盒分别与数据采集模块和机床连接，所述主控盒配置为能执行如本发明所述的刀具状态自适应监控及预测方法的步骤。

第三方面，本发明所述的一种电子设备，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时，能执行如本发明所述的刀具状态自适应监控及预测方法的步骤。

第四方面，本发明所述的一种介质，其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如本发明所述的刀具状态自适应监控及预测方法的步骤。

本发明的有益效果：

(1)当机床新增刀具时，本发明能够自动学习，并生成所对应的刀具学习模型。当刀具学习模型记录后，后续通过该刀具号加工该产品号时，系统自动调用对应的刀具学习模型即可，免去了刀具监控前设置新刀具的人工操作，并避免了新增刀具时因刀具信息更新不及时而发生数据缺失，从而造成新增刀具无法监控的问题。

(2)当机床加工的产品为新产品，本发明也能够自动启动学习功能，使所有刀具全部进入学习状态，并生成新的刀具学习模型。

(3)在机床加工的产品号和刀具号均已记录(即识别出当前产品号和工具号均为非首次识别)，只是进行产品切换时，本发明能够根据从机床获取的产品号，自动调用相应产品号下的所有刀具学习模型进行刀具监控，并根据产品号调用当前产品号下刀具的设定磨损值，并根据当前刀具磨损数据、设定磨损值调整刀具预测寿命值。从而免去人工切换数据模型的时间，保证不同加工内容的刀具监控数据及时性和准确性，避免不同加工内容的数据干涉，从而影响对刀具磨损状况的判断。

(4)本发明还能够实现对加工刀具的断刀、磨损和缺刀的监控和预警，能够根据提示进行换刀，避免因换刀不及时造成的产品质量问题；还能够根据提示调整机床刀具使用寿命的设置，以达到延长刀具使用寿命的目的，降低使用成本。

(5)本发明还能够自动判断刀具是否为正常换刀，当为正常换刀时，根据换刀前刀具的最终磨损特征值，在对应的刀具学习模型中自动调整当前新刀具的刀具状态预警阈值。使报警边界更贴近实际刀具可能会发生的异常状态数据，免去了每次换刀时人工判断并调整边界阈值的工作，提高了效率，减少误预警的情形，提高了报警信息传递的准确性和及时性。

(6)本发明还能够自动识别加工数据与非加工数据，既能够保证数据监控的准确性，也能够保证加工数据的连续性收集，以便在加工过程中发生刀具异常断刀、缺刀时，能够更加准确快速定位异常发生位置点，提高问题分析效率。

综上所述，本发明通过采集刀具加工过程特征数据及机床IO信息等机床信息数据，通过数据分析、对比、自适应学习调整等方法，对刀具状态进行自适应监控并实现对刀具寿命的预测，能很好地适应多产品同种刀具加工的使用情形，数据采集实时准确，自动高效，最大化延长刀具寿命，节约刀具成本，能够在各行业多产品数控加工设备上推广应用。

附图说明

图1是本申请实施例的流程图；

图2是本申请实施例中某刀具加工过程的实时数据波形图；

图3是本申请实施例中某刀具的各刀具状态数据波形图；

图4是本申请实施例中某刀具的特征学习曲线的示意图；

图5是本申请实施例中某刀具的各刀具状态阈值图；

图6是本申请实施例中某刀具多孔加工的刀具监控波形图；

图7是本申请实施例中某刀具的刀具数据历史趋势及寿命预测图；

图8是本申请实施例中刀具状态自适应监控及预测系统的原理框图；

图9是本申请实施例中电子设备的原理框图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本实施例中，一种刀具状态自适应监控及预测方法，包括以下步骤：

获取加工过程中能反应刀具状态的特征数据，以及刀具号和产品号数据，其中，特征数据包括机床的功率数据、电流数据、扭矩数据和振动数据中的一种或一种以上。

基于刀具号和产品号数据识别当前的刀具号和产品号；若刀具号或产品号为首次识别，则基于采集的特征数据进行自学习得到特征学习曲线，并基于特征学习曲线配置刀具状态预警阈值，即得到包括有特征学习曲线和刀具状态预警阈值的刀具学习模型(参见图5，图5中包括磨损边界线4、断刀边界线5和缺刀边界线6)；若刀具号和产品号均为非首次识别，则基于刀具号、产品号调用对应的刀具学习模型；其中，刀具状态包括磨损状态、断刀状态和/或缺刀状态。

在刀具学习模型确定后的加工过程中，对采集的特征数据进行处理得到加工特征曲线，对加工特征曲线进行分析得到不同刀具状态数据，基于刀具状态数据通过刀具学习模型对刀具状态进行监控，以及基于刀具状态数据进行刀具寿命的预测。

以下以特征数据为机床的功率数据为例进行说明：

以对象为卧式加工中心(卧式加工中心具有21把刀具，对应3种产品类型)为例，在机床主轴上安装数据采集模块，数据采集模块包括功率传感器。同时在机床电柜中布置主控盒，将主控盒分别与数据采集模块和机床建立通信连接，通过主控盒向机床下发启动数据命令，以及接收数据采集模块所采集的功率数据和机床输出IO数据(包括刀具号、产品号数据和刀具额定寿命等信息)。

其中，基于采集的功率数据进行自学习得到特征学习曲线，具体为：

首先，在学习阶段，采集的功率数据为加工首件的全过程的功率数据，如果通过首件的功率数据无法自学习到满意的特征学习曲线时，可以按照相同的方法再进行自学习，直到得到满意的特征学习曲线。

在进行自学习前，在主控盒收到数据采集模块推送的功率数据后，首先对功率数据进行解析，通过机床输出的IO数据区分刀具号、产品号和刀具额定寿命等信息，并记录在刀具基础信息表中(如表1所示)。对采集的原始功率数据采用FFT(即快速傅里叶变换)处理，接着运用高/低通滤波，再逆FFT处理滤波后的数据，最后对其进行了SG滤波(即Savitzky-Golay滤波算法，是一种数字信号处理算法，用于对信号进行平滑处理)设置，平滑数据，在不改变信号趋势、宽度的情况下进一步去除刀具以外其他原因的干扰下产生的数据。

表1

由于加工过程中的功率数据波形变化差距很大，为了避免大功率数据波形造成的影响，观察不到波形很小的数据图形。在得到的原始数据波形后，对小波形数据图形进行放大、平移；对大波形数据进行缩小、平移，取得加工特征数据，使得适配性数据值位于如图2所示中的20～30范围内，更加利于观察加工过程数据，即得到第一次加工的功率曲线。

接着，基于第一次加工的功率数据采用有监督学习模型来进行自学习，具体为：

采用多项式回归方法，并运用最小二乘法来估计回归系数。最小二乘法的核心思想是通过最小化每个数据点到拟合线的垂直偏差平方和来找到最适合当前刀具加工数据的特征学习曲线9，参见图4。具体而言，该方法会根据已知的刀具加工数据样本，建立一个多项式回归方程，通过调整回归系数来拟合数据。回归系数的调整过程就是通过最小化每个数据点到拟合线的垂直偏差平方和来实现的。最终得到的特征学习曲线，可以用于预测未知刀具的加工数据。这种基于有监督学习模型的刀具自动学习方法，可以帮助优化刀具的加工效果。

在一种可能的实施例中，基于特征学习曲线配置刀具状态预警阈值，其中，以采用功率数据学习得到的特征学习曲线为例来进行说明：

首先，将特征学习曲线转换为不同刀具状态数据，包括：

将特征学习曲线采用移动均值算法进行分析，分别得到断刀状态数据和缺刀状态数据；将获取的特征学习曲线采用域值算法进行分析，得到磨损状态数据。即针对不同的刀具状态数据采用了不同算法分析，并分别显示出来。参见图3，为某一刀具正常工作时的磨损数据曲线1、断刀数据曲线2和缺刀数据曲线3。

其中，对于断刀状态数据和缺刀状态数据，采用移动均值算法，计算公式为：

其中,n＝1,2,3···，n为时间周期，P为时间周期内k个数据点的平均值。

其中，SMA_t为刀具加工一个产品的断刀状态数据/缺刀状态数据，在计算断刀状态数据时，k取64，即将收集到的该次加工所有数据点，以64个数据点为一组(比如：1号-64号,2号-65号,3号-66号…)分别算其平均值，再将得到的每组值求和，再平均，得到最终的数据，即加工过程中的每个数据都与报警值进行比较，更好检测实时变化值，降低部分敏感数据带来的影响，提高有效数据的占比分析。当计算缺刀状态数据时，k取60，即以60个数据点为一组(比如：1号-60号,2号-61号,3号-62号…)。

对于磨损状态数据，采用域值算法(辛普森积分法)。由于在刀具加工时，磨损很小，数据加工过程磨损变化不大，采用域值算法通过对原始数据的积分观察数据变化的快慢，最终的积分结果则反映整个过程数据的累计变化量和总体的稳定程度，可以观察到异常数据的产生。

接着，基于不同刀具状态数据配置不同刀具状态预警阈值，具体为：

设置1.3倍(具体数据根据实际情况来调整)特征数据最大值作为学习到的上边界，设置0.7倍(具体数据根据实际情况来调整)特征数据最小值作为学习到的下边界，最终得到刀具学习模型。

此时，特征学习曲线和刀具状态预警阈值均已配置好，即得到了包括有特征学习曲线和刀具状态预警阈值的刀具学习模型。

在刀具学习模型确定后的加工过程中，对采集的功率数据进行处理得到加工特征曲线，其处理方式与自学习阶段一样，对获取的功率数据进行FFT处理、高/低通滤波、FFT处理滤波和SG滤波处理，得到加工功率曲线。

在刀具学习模型确定后的加工过程中，对加工功率曲线进行分析得到不同刀具状态数据，其处理方法与自学习阶段一样，将获取的功率数据采用移动均值算法进行分析，分别得到断刀状态数据和缺刀状态数据；将获取的功率数据采用域值算法进行分析，得到磨损状态数据。

本申请实施例中，除了监控每把刀具在正常使用中的过程数据，还基于刀具状态数据进行刀具寿命的预测，预测的方法为：根据磨损状态数据计算出刀具每次加工的磨损特征值(具体为：取加工数据中域值最大值作为此次加工的磨损特征值，作为刀具在每一次加工的磨损量)，并累计记录形成刀具数据历史趋势曲线7，参见图7，以方便技术人员观察刀具在使用过程中的变化趋势；根据刀具数据历史趋势曲线预测出刀具预测寿命值。

本申请实施例中，根据刀具的第一次磨损状态数据作为基准磨损数据，根据当前刀具磨损状态数据和基准磨损数据计算最新j组磨损状态数据的斜率(即刀具数据历史趋势曲线的斜率)。

在一种可能的实施例中，斜率的计算公式为：

Kcur＝(Pcur-Pbase)/j；

其中，Kcur为斜率，Pbase为基准磨损数据，Pcur为当前刀具磨损状态数据；

以刀具的最大磨损值作为设定磨损值，并根据基准磨损数据、斜率数据计算出当前刀具的刀具预测寿命值，参见图7中的刀具预测寿命值8。

在一种可能的实施例中，刀具预测寿命值的计算公式为：

Nres＝(Pset-Pcur)*Kcur；

其中，Nres为当前刀具的寿命预测值，Pset为设定磨损值。

当发生刀具状态异常或磨损到边界时的情况，系统触发报警，并且将经过偏移缩放功率数据值、相应异常刀具状态边界数据、报警状态(及报警时间)、监控状态、IO输入输出状态等信息组合，整体通过网络推送，最后人工选择相应处理措施。

本申请实施例中，所述基于刀具状态数据通过刀具学习模型对刀具状态进行监控，具体为：

所述刀具状态数据包括断刀状态数据、磨损状态数据和缺刀状态数据；所述刀具状态预警阈值包括断刀状态预警阈值、磨损状态预警阈值和缺刀状态预警阈值。将断刀状态数据与断刀状态预警阈值进行比较，当断刀状态数据高于断刀状态预警阈值时，进行断刀报警。将磨损状态数据与磨损状态预警阈值进行比较，当磨损状态数据高于磨损状态预警阈值时，进行磨损报警。将缺刀状态数据与缺刀状态预警阈值进行比较，当缺刀状态数据在刀具整个加工过程中均低于缺刀状态预警阈值时，进行缺刀报警。

本申请实施例中，一种刀具状态自适应监控及预测方法，还包括：计算当前刀具的刀具预测寿命值与刀具额定寿命的比值，即得到磨损比例。当刀具预测寿命值小于刀具额定寿命时，且磨损比例大于预设的寿命报警比例(比如：刀具预测寿命值的95％)时，进行换刀的预警提示。人工可根据提示进行换刀，避免因换刀不及时造成的产品质量问题。当刀具预测寿命值大于刀具额定寿命时，且磨损比例大于预设的寿命报警比例(比如：刀具额定寿命的95％)时，进行调整机床刀具使用寿命设置的预警提示。人工可根据提示调整机床刀具使用寿命设置，以达到延长刀具使用寿命的目的，降低使用成本。

本申请实施例中，一种刀具状态自适应监控及预测方法，还包括：将加工特征曲线与特征学习曲线进行比较，若加工特征曲线相对于特征学习曲线的波动范围超过预设范围，则基于所述刀具状态数据修正所述刀具学习模型的刀具状态预警阈值。

本申请实施例中，当机床新增刀具时，获取机床当前加工刀具号，自动对比之前已经记录的刀具号、是否学习等信息，如果发现记录中无当前刀具号，则判断当前刀具号为新增刀具，并进行自动学习，生成并记录该刀具号、该产品号所对应的刀具学习模型。当刀具学习模型记录后，后续通过该刀具号加工该产品号时，系统自动调用对应的刀具学习模型即可，免去了刀具监控前设置新刀具的人工操作，并避免了新增刀具时因刀具信息更新不及时而发生数据缺失，从而造成新增刀具无法监控的问题。

本申请实施例中，当机床加工的产品为新产品，但刀具未改变的情况时，获取机床当前加工的产品号，自动对比之前已经记录的产品号信息，如果发现记录中无当前产品号，则判断当前产品为新产品，当为新产品时，自动启动学习功能，所有刀具进入学习状态，生成新的刀具学习模型并记录。

本申请实施例中，在机床加工的产品号和刀具号均已记录(即识别出当前产品号和工具号均为非首次识别)，只是进行产品切换时，根据从机床获取的产品号，自动调用相应产品号下的所有刀具学习模型进行刀具监控，并根据产品号调用当前产品号下刀具的设定磨损值，并根据当前刀具磨损数据、设定磨损值调整刀具预测寿命值。从而免去人工切换数据模型的时间，保证不同加工内容的刀具监控数据及时性和准确性，避免不同加工内容的数据干涉，从而影响对刀具磨损状况的判断。

本申请实施例中，一种刀具状态自适应监控及预测方法，还能够自动判断换刀是否正常，具体为：

获取前一次刀具剩余寿命值、当前刀具剩余寿命值和刀具额定寿命值。计算当前刀具剩余寿命值与前一次刀具剩余寿命值的差值，若该差值与刀具额定寿命值的比值大于预设比例(一般设置为：90％＜预设比例＜100％)时，则判断为正常换刀，否则判断为异常换刀。

当刀具判断为正常换刀时，根据换刀前刀具的最终磨损特征值，在对应的刀具学习模型中自动调整当前新刀具的刀具状态预警阈值。使报警边界更贴近实际刀具可能会发生的异常状态数据，免去了每次换刀时人工判断并调整边界阈值的工作，提高了效率，减少误预警的情形，提高了报警信息传递的准确性和及时性。

在一种可能的实施例中，在多孔连续加工过程中，存在加工段和非加工段，以下以采集的特征数据为功率数据为例进行说明：

由于非加工段的功率数据远低于加工段数据，如果不区分，就会触发缺刀边界报警。因此，在边界数据处理时，需要将非加工段数据排除在外，而又不影响刀具加工完整内容的连续数据收集。为了解决此问题，本方法还设置了对获取的功率数据进行加工与非加工数据的自动识别，具体为：

采集机床主轴的实际转速，当实际转速达到第一预设转速(比如：额定转速的95％，该比例可根据实际情况设定)时，判断为加工一个孔的起始点，当实际转数降低到预设第二预设转速时(比如：额定转速的90％，该比例可根据实际情况设定)，判断为加工该孔的结束点，将加工的起始点到加工的结束点所获取的功率数据视为加工数据，其余视为非加工数据，其中，第一预设转速大于第二预设转速。本申请实施例中，特征学习曲线和加工特征曲线均基于所述加工数据得到。

在边界数据处理时，根据得到的起始点和结束点信息，自动区分本次加工时段中多孔连续加工的每一个孔的监控数据，并自动将边界单独设置于每一个加工孔段，如图6所示。这样既保证了数据监控的准确性，也保证了加工数据的连续性收集，以便在加工过程中发生刀具异常断刀、缺刀时，能更加准确快速定位异常发生位置点，提高问题分析效率。

综上，本发明实施例通过采集刀具加工过程的特征数据及机床IO信息等机床信息数据，通过数据分析、对比、自适应学习调整等方法，对刀具状态进行自适应监控并实现对刀具寿命的预测，能够很好地适应多产品同种刀具加工的使用情形，数据采集实时准确，自动高效，最大化延长刀具寿命，节约刀具成本，可在各行业多产品数控加工设备上推广应用。

如图8所示，本申请实施例中，一种刀具状态自适应监控及预测系统，包括数据采集模块和主控盒。其中，数据采集模块用于获取能反应刀具状态的特征数据。主控盒用于向机床下发启动数据命令，以及接收数据采集模块所采集的特征数据和机床输出的刀具号及产品号数据，该主控盒分别与数据采集模块和机床连接。所述主控盒配置为能执行如本发明所述的刀具状态自适应监控及预测方法的步骤。

在一种可能的实施例中，若采集的特征数据为功率数据，数据采集模块采用功率传感器，将功率传感器安装在机床主轴上。

在一种可能的实施例中，若采集的特征数据为电流数据，将数据采集模块与机床数控系统输出模块相连，通过数据采集模块接收机床数控系统输出的主轴电机电流。

在一种可能的实施例中，若采集的特征数据为扭矩数据，数据采集模块采用扭矩传感器，将扭矩传感器安装在机床主轴上。

在一种可能的实施例中，若采集的特征数据为振动数据，数据采集模块采用加速度传感器，将加速度传感器安装在机床主轴上。

如图9所示，本申请实施例中，一种电子设备，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时，能执行如本申请实施例中所述的刀具状态自适应监控及预测方法的步骤。

本申请实施例中，一种介质，其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如本申请实施例中所述的刀具状态自适应监控及预测方法的步骤。

这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

这里需要指出的是：以上介质和电子设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请介质和电子设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

上述控制器可以为目标用途集成电路、数字信号处理器、数字信号处理装置、可编程逻辑装置、现场可编程门阵列、中央处理器、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述控制器功能的电子器件还可以为其它，本申请实施例不作具体限定。

上述介质/存储器可以是只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、磁性随机存取存储器、快闪存储器、磁表面存储器、光盘、或只读光盘等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：移动存储设备、只读存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (14)

1.一种刀具状态自适应监控及预测方法，其特征在于，包括以下步骤：

获取加工过程中能反应刀具状态的特征数据，以及刀具号和产品号数据；其中，所述特征数据包括机床的功率数据、电流数据、扭矩数据和振动数据中的一种或一种以上；

基于刀具号和产品号数据识别当前的刀具号和产品号；若刀具号或产品号为首次识别，则基于采集的特征数据进行自学习得到特征学习曲线，并基于特征学习曲线配置刀具状态预警阈值，即得到包括有特征学习曲线和刀具状态预警阈值的刀具学习模型；若刀具号和产品号均为非首次识别，则基于刀具号、产品号调用对应的刀具学习模型；其中，刀具状态包括磨损状态、断刀状态和/或缺刀状态；

在刀具学习模型确定后的加工过程中，对采集的特征数据进行处理得到加工特征曲线，对加工特征曲线进行分析得到不同刀具状态数据，基于刀具状态数据通过刀具学习模型对刀具状态进行监控，以及基于刀具状态数据进行刀具寿命的预测。

2.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于：所述基于刀具状态数据进行刀具寿命的预测，具体为：

根据磨损状态数据计算出刀具每次加工的磨损特征值，并累计记录形成刀具数据历史趋势曲线；

根据刀具数据历史趋势曲线预测出刀具预测寿命值。

3.根据权利要求2所述的刀具状态自适应监控及预测方法，其特征在于：根据刀具的第一次磨损状态数据作为基准磨损数据，根据当前刀具磨损状态数据和基准磨损数据计算最新j组磨损状态数据的斜率；以刀具的最大磨损值作为设定磨损值，并根据基准磨损数据、斜率数据计算出当前刀具的刀具预测寿命值。

4.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于，还包括：

计算当前刀具的刀具预测寿命值与刀具额定寿命的比值，即得到磨损比例；

当刀具预测寿命值小于刀具额定寿命时，且磨损比例大于预设的寿命报警比例时，进行换刀的预警提示；

当刀具预测寿命值大于刀具额定寿命时，且磨损比例大于预设的寿命报警比例时，进行调整机床刀具使用寿命设置的预警提示。

5.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于，还包括：

将加工特征曲线与特征学习曲线进行比较，若加工特征曲线相对于特征学习曲线的波动范围超过预设范围时，则基于所述刀具状态数据修正所述刀具学习模型的刀具状态预警阈值。

6.根据权利要求3所述的刀具状态自适应监控及预测方法，其特征在于：当识别出当前产品号和工具号均为非首次识别，且基于产品号判断出加工产品已切换时，调用当前刀具号、当前产品号的刀具学习模型，并根据产品号调用当前产品号下刀具的设定磨损值，并根据当前刀具磨损数据、设定磨损值调整刀具预测寿命值。

7.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于，还包括：

获取前一次刀具剩余寿命值、当前刀具剩余寿命值和刀具额定寿命值；

计算当前刀具剩余寿命值与前一次刀具剩余寿命值的差值；

若该差值与刀具额定寿命值的比值大于预设比例时，则判断为正常换刀，否则判断为异常换刀。

8.根据权利要求7所述的刀具状态自适应监控及预测方法，其特征在于：当刀具判断为正常换刀时，根据换刀前刀具的最终磨损特征值，在对应的刀具学习模型中自动调整当前新刀具的刀具状态预警阈值。

9.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于：所述基于刀具状态数据通过刀具学习模型对刀具状态进行监控，具体为：

所述刀具状态数据包括断刀状态数据、磨损状态数据和缺刀状态数据；所述刀具状态预警阈值包括断刀状态预警阈值、磨损状态预警阈值和缺刀状态预警阈值；

将断刀状态数据与断刀状态预警阈值进行比较，当断刀状态数据高于断刀状态预警阈值时，进行断刀报警；

将磨损状态数据与磨损状态预警阈值进行比较，当磨损状态数据高于磨损状态预警阈值时，进行磨损报警；

将缺刀状态数据与缺刀状态预警阈值进行比较，当缺刀状态数据在刀具整个加工过程中均低于缺刀状态预警阈值时，进行缺刀报警。

10.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于，还包括：

对获取的特征数据进行加工与非加工数据的自动识别，具体为：

采集机床主轴的实际转速，当实际转速达到第一预设转速时，判断为加工的起始点，当实际转数降低到预设第二预设转速时，判断为加工的结束点，将加工的起始点到加工的结束点所获取的特征数据视为加工数据，其余视为非加工数据，其中，第一预设转速大于第二预设转速；

所述特征学习曲线和所述加工特征曲线均基于所述加工数据得到。

11.根据权利要求1所述的刀具状态自适应监控及预测方法，其特征在于： 所述对采集的特征数据进行处理得到加工特征曲线，包括：

对获取的特征数据进行FFT处理、高/低通滤波、FFT处理滤波和SG滤波处理，得到加工特征曲线。

12.一种刀具状态自适应监控及预测系统，其特征在于：包括：

数据采集模块，用于获取加工过程中能反应刀具状态的特征数据；

主控盒，用于向机床下发启动数据命令，以及接收数据采集模块所采集的特征数据和机床输出的刀具号及产品号数据，该主控盒分别与数据采集模块和机床连接，所述主控盒配置为能执行如权利要求1至11任一所述的刀具状态自适应监控及预测方法的步骤。

13.一种电子设备，包括存储器和控制器，其特征在于: 所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时，能执行如权利要求1至权利要求11任一所述的刀具状态自适应监控及预测方法的步骤。

14.一种介质，其特征在于:其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如权利要求1至权利要求11任一所述的刀具状态自适应监控及预测方法的步骤。