一种金属型材加工参数检测方法及系统与流程
本发明涉及数控加工在线监测,尤其涉及一种金属型材加工参数检测方法及系统。
背景技术:
1、在金属型材制造工业中,金属型材通常采用铝合金等轻质高强材料,通过数控机床进行精密铣削加工,由于加工过程中切削工况复杂多变,刀具磨损、材料内部硬度不均或积屑瘤等因素均会导致切削力发生异常波动,进而引发尺寸超差、表面质量下降甚至断刀撞机等严重事故,因此,对加工过程中的工艺参数进行实时监测与异常检测,对于保障生产安全和产品质量具有重要意义;
2、中国发明专利申请cn120930026a公开了一种基于深度学习的汽车铰链型材加工数据处理方法及系统,该方案通过在加工设备上部署多模态传感器,实时采集加工参数、设备运行状态及物理特性数据,利用multiscale-attentionnet模型提取数据的时空特征,以输出优化后的加工参数并进行异常报警,然而,上述基于纯数据驱动的方法在实际应用中仍存在一定的局限性,现有技术缺乏明确的物理可解释性,具体地,在切削过程中,主轴负载的异常升高可能源于刀具的磨损崩刃,也可能源于工件材料局部的硬度突变,现有的深度学习方法将截然不同的物理现象混淆为单一的负载异常信号,无法实现故障源的精确解耦与溯源,现有技术通常仅关注传感器反馈的时间序列数据,而忽略了数控加工指令本身蕴含的运动学语义信息,机床在执行直线切削与拐角加减速时,负载信号的基准特征存在本质差异,若不结合加工轨迹的几何特征与指令上下文,易将正常的瞬态加减速负载波动误判为异常,或者在高动态变化的加工段漏判微小的刀具失效信号。
技术实现思路
1、本发明解决的技术问题是:现有技术缺乏明确的物理可解释性,现有技术通常仅关注传感器反馈的时间序列数据,而忽略了数控加工指令本身蕴含的运动学语义信息,易将正常的瞬态加减速负载波动误判为异常,或者在高动态变化的加工段漏判微小的刀具失效信号。
2、为解决上述技术问题,本发明提供如下技术方案:一种金属型材加工参数检测方法,包括如下步骤:
3、步骤s1,获取金属型材加工指令文件,提取加工轨迹数据并构建包含加工区域类型标识的加工语义映射表,所述加工区域类型标识包括稳态加工段和瞬态加工段;
4、步骤s2,在加工过程中实时采集主轴负载数据与当前指令行编号,基于所述加工语义映射表判断当前时刻所属的加工区域类型;
5、若当前加工过程处于稳态加工段,执行双轨并行处理,所述双轨并行处理包括安全阈值判断轨和材料属性反演轨;所述安全阈值判断轨在主轴负载达到预设的静态极限安全阈值时判定主轴加工异常,否则进入所述材料属性反演轨;所述材料属性反演轨基于主轴负载与工艺参数构建线性观测关系,在线反演当前时刻的材料属性参数和材料属性参数置信区间;
6、若当前加工过程处于瞬态加工段,执行异常检测;所述异常检测包括:
7、计算与当前时刻离散曲率相关的几何敏感度系数,以所述几何敏感度系数与所述材料属性参数的乘积作为理论中心值,以所述几何敏感度系数的绝对值与所述材料属性参数置信区间的半径的乘积作为动态容差半径,构建随加工路径曲率实时伸缩的动态切削力容差区间,并根据实测主轴负载与所述动态切削力容差区间的比较结果判定是否发生加工参数异常;
8、步骤s3,当判定发生加工参数异常时,执行溯源操作;所述溯源操作包括:
9、构建由材料属性因子和刀具健康状态因子组成的状态向量,并构建差异化过程噪声协方差矩阵,其中,所述材料属性因子对应的过程噪声方差项被设定为趋近于零的极小值以施加材料属性冻结约束,所述刀具健康状态因子对应的过程噪声方差项被设定为允许突变的较大值;利用状态分离卡尔曼滤波算法获取卡尔曼增益,使主轴负载观测残差定向投影至所述刀具健康状态因子维度并更新状态向量,根据更新后的刀具健康状态因子的模值确定故障源类型为刀具故障或工艺扰动。
10、优选地,所述步骤s1中,生成所述加工语义映射表的过程包括:
11、提取金属型材加工指令文件中每一指令行的编号、三维坐标值、进给速度指令值、主轴转速指令值和切削深度;
12、利用二阶中心差分算法计算每一指令行的离散曲率;
13、计算每一指令行相对于前一指令行的深度变化率、进给变化率和转速变化率;
14、遍历所有指令行对应的离散曲率、深度变化率、进给变化率和转速变化率;
15、将同时满足稳态判定条件的指令行构成的连续区间,赋予稳态加工段的加工区域类型标识;
16、将不满足任一稳态判定条件的指令行构成的连续区间,赋瞬态加工段的加工区域类型标识;
17、所述稳态判定条件包括:
18、离散曲率小于预设的曲率阈值;
19、深度变化率小于预设的深度阈值;
20、进给变化率和转速变化率均小于预设的极小阈值(本实施例为10-4)。
21、建立指令行编号和加工区域类型标识之间的映射关系,生成加工语义映射表。
22、优选地,所述步骤s2包括:采集金属型材加工过程中数控机床的主轴负载,采集当前正在执行的指令行编号,根据指令行编号查询加工语义映射表,获取当前时刻所属的加工区域类型标识;
23、若当前时刻的加工区域类型标识为稳态加工段,执行双轨并行处理;
24、若当前时刻的加工区域类型标识为瞬态加工段,执行异常检测,并在判定发生加工参数异常时执行溯源操作。
25、优选地,所述双轨并行处理的过程,具体包括:
26、若实时采集的主轴负载大于等于预设的静态极限安全阈值,则判定为主轴加工异常;
27、若实时采集的主轴负载小于预设的静态极限安全阈值,则判定为安全运行,并将当前时刻的主轴负载与当前时刻的指令行对应的工艺参数存入缓存队列;
28、获取所述工艺参数的方法为:采集当前刀具的刀具齿数与刀具直径,将进给速度指令值除以主轴转速指令值与刀具齿数乘积的商值结果作为每齿进给量;
29、确定当前切削宽度,在满刀切削工况下所述切削宽度等于刀具直径;
30、将机床固有的力学常数、切削深度、每齿进给量的0.8次方和切削宽度的乘积结果作为工艺参数;
31、基于缓存队列中的主轴负载和工艺参数,构建主轴负载线性方程,所述主轴负载线性方程为以材料属性参数为自变量、以工艺参数为已知比例系数、以主轴负载为因变量的一次线性方程。
32、优选地,所述双轨并行处理的过程还包括:
33、基于主轴负载线性方程的残差,构建参数优化导向算子,参数优化导向算子的数学表达式为:
34、;
35、其中,为参数优化导向算子,为当前时刻的工艺参数,为预设的观测噪声标准差,为当前迭代步骤中的材料属性参数估计值,为当前时刻实测的主轴负载,为上一时刻的材料属性参数,为先验分布标准差。
36、优选地,所述双轨并行处理的过程还包括:
37、以上一时刻的材料属性参数为初始点,结合参数优化导向算子,执行若干次离散随机迭代,生成材料属性参数状态序列,所述离散随机迭代的数学表达式为:
38、;
39、其中,为第次迭代时的临时参数值,为预设的计算步长,是将代入参数优化导向算子的数学表达式计算得到的,是服从标准正态分布的随机噪声变量;
40、计算所述材料属性参数状态序列的算术平均值与标准差,将所述算术平均值更新为当前时刻的材料属性参数,并进行存储,并将以算术平均值为中心、以三倍标准差为半径的区间标记为当前时刻的材料属性参数置信区间。
41、优选地,所述异常检测的过程,具体包括:
42、计算当前时刻的几何敏感度系数,所述几何敏感度系数的数学表达式为:
43、;
44、其中,为几何敏感度系数,为机床基础力学常数,为切削深度,为每齿进给量,为曲率影响因子(本实施例设为0.5),为离散曲率;
45、将几何敏感度系数与最新存储的材料属性参数的乘积作为理论中心值;
46、将几何敏感度系数的绝对值与材料属性参数置信区间的半径的乘积作为动态容差半径;
47、以理论中心值为中心,以动态容差半径为半径,构建当前时刻的动态切削力容差区间;
48、若主轴负载大于等于动态切削力容差区间的上界,判定当前时刻发生了过载型异常;
49、若主轴负载小于等于动态切削力容差区间的下界,判定当前时刻发生了欠载型异常,如刀具折断和材料空缺;
50、过载型异常和欠载型异常,均为加工参数异常。
51、优选地,所述步骤s3中,所述溯源操作的过程,具体包括:
52、当检测到发生了加工参数异常时,构建状态向量,所述状态向量为由材料属性因子与刀具健康状态因子组成的二维状态列向量;
53、材料属性因子为最新存储的材料属性参数,刀具健康状态因子初始化为0;
54、构建过程噪声协方差矩阵,所述过程噪声协方差矩阵为二维对角矩阵;
55、构建状态不确定度矩阵,所述状态不确定度矩阵为过程噪声协方差矩阵与初始状态不确定度矩阵的和值;
56、利用状态分离卡尔曼滤波算法,基于状态向量,计算卡尔曼增益矩阵;
57、所述卡尔曼增益矩阵的数学表达式为:
58、;
59、其中,为卡尔曼增益,为当前时刻的状态不确定度矩阵,为当前时刻的工艺参数向量,为预设的观测噪声协方差;
60、利用所述卡尔曼增益矩阵更新状态向量,得到更新后的刀具健康状态因子;
61、计算更新后的刀具健康状态因子的模值,将其与预设的刀具失效阈值进行比对;
62、若更新后的刀具健康状态因子的模值大于等于预设的刀具失效阈值,则判定异常源为刀具故障;
63、若更新后的刀具健康状态因子的模值小于预设的刀具失效阈值,则判定异常源为工艺扰动。
64、优选地,所述状态向量的更新过程的数学表达式为:
65、;
66、其中,为更新后的状态向量,为上一时刻的状态向量,为卡尔曼增益矩阵,为当前时刻的主轴负载,为当前时刻的工艺参数向量。
67、一种金属型材加工参数检测系统,包括分段模块、监测模块和溯源模块;
68、所述分段模块,用于获取金属型材加工指令文件,提取加工轨迹数据并构建包含加工区域类型标识的加工语义映射表,所述加工区域类型标识包括稳态加工段和瞬态加工段;
69、所述监测模块,用于在加工过程中实时采集主轴负载数据与当前指令行编号,基于所述加工语义映射表判断当前时刻所属的加工区域类型;
70、若当前加工过程处于稳态加工段,执行双轨并行处理,所述双轨并行处理包括安全阈值判断轨和材料属性反演轨;所述安全阈值判断轨在主轴负载达到预设的静态极限安全阈值时判定主轴加工异常,否则进入所述材料属性反演轨;所述材料属性反演轨基于主轴负载与工艺参数构建线性观测关系,在线反演当前时刻的材料属性参数和材料属性参数置信区间;
71、若当前加工过程处于瞬态加工段,执行异常检测;所述异常检测包括:
72、计算与当前时刻离散曲率相关的几何敏感度系数,以所述几何敏感度系数与所述材料属性参数的乘积作为理论中心值,以所述几何敏感度系数的绝对值与所述材料属性参数置信区间的半径的乘积作为动态容差半径,构建随加工路径曲率实时伸缩的动态切削力容差区间,并根据实测主轴负载与所述动态切削力容差区间的比较结果判定是否发生加工参数异常;
73、所述溯源模块,用于当判定发生加工参数异常时,执行溯源操作;所述溯源操作包括:
74、构建由材料属性因子和刀具健康状态因子组成的状态向量,并构建差异化过程噪声协方差矩阵,其中,所述材料属性因子对应的过程噪声方差项被设定为趋近于零的极小值以施加材料属性冻结约束,所述刀具健康状态因子对应的过程噪声方差项被设定为允许突变的较大值;利用状态分离卡尔曼滤波算法获取卡尔曼增益,使主轴负载观测残差定向投影至所述刀具健康状态因子维度并更新状态向量,根据更新后的刀具健康状态因子的模值确定故障源类型为刀具故障或工艺扰动。
75、本发明的有益效果:本发明通过深入解析加工指令的运动学语义,将加工过程严格划分为稳态加工段与瞬态加工段,这种机制有效规避了机床在拐角、加减速等瞬态过程中因进给速度自然波动而引发的虚假报警,降低了由非故障性动力学行为导致的误报率;通过引入基于物理模型的双轨并行处理机制,能够在线反演当前工件的真实材料属性参数并构建动态切削力容差区间,通过实时计算几何敏感度系数与材料属性置信区间,生成随加工路径几何特征实时伸缩的动态阈值,能够敏锐地将正常的材料硬度波动与异常的刀具磨损区分开来;利用状态分离卡尔曼滤波算法解决了单一负载信号难以区分故障源的难题,实现了对刀具健康状态与工艺扰动的精确解耦。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com