智能识别挤压丝锥微崩刃的方法与流程

1.本发明涉及机械加工领域，尤其涉及一种智能识别挤压丝锥微崩刃的方法。


背景技术：

2.在汽车零部件的转向系统核心件，齿条上的双端内螺纹的攻丝加工过程，需要用到挤压丝锥，对已完成预钻孔的底孔进行内螺纹加工，在这个加工过程中，由于被加工材料在特定的丝锥旋转进给的工况下，发生了挤压并形成了内螺纹孔，整个加工过程只有短短的2秒钟，丝锥在其整个寿命周期内的状态好与坏，将直接影响到被加工产品的质量。
3.目前现有技术针对丝锥加工过程的监控，只能识别到刀具的断裂，无法监控其异常磨损、微小崩刃等细微的变化，而这些变化可能会导致被加工零件的内螺纹孔出现异常，出现批量性零件报废的情况。如果减少刀具的额定寿命，对被加工的零件质量可以进行有效的控制，但对于加工的成本会增加30％或者更多。需要解决的技术问题在于：如何识别丝锥在加工过程中的异常磨损及微小崩刃，从而避免被加工零件的报废。


技术实现要素：

4.为了解决上述技术问题，本发明提供一种智能识别挤压丝锥微崩刃的方法，包括：
5.步骤s1，建立挤压丝锥状态判断模型；
6.步骤s2，在所述挤压丝锥加工时，采集伺服电机主轴电流负载值；
7.步骤s3，将所述电流负载值与挤压丝锥状态判断模型进行比较判断；
8.步骤s4，根据判断结果输出预设信息。
9.优选地，所述步骤s1中建立挤压丝锥状态判断模型的方法如下：收集单个挤压丝锥生命周期加工过程中伺服电机主轴电流负载值，运用数据拟合的方法，将所述电流负载值进行整合，得到电流负载集值；收集所述挤压丝锥加工零件的测量数据；将电流负载集值与零件的测量数据相关联，形成电流负载集值曲线；收集n套所述电流负载集值和所述零件的测量数据，建立挤压丝锥状态判断模型。
10.优选地，所述零件的测量数据为零件内螺纹孔的有效螺纹深度尺寸。
11.优选地，在所述步骤s1中，还对每套所述电流负载集值和所述零件的测量数据进行标记，用于关联加工过程和加工记数。
12.优选地，所述n大于100。
13.优选地，根据电流负载集值计算得到电流负载值在单个挤压丝锥生命周期过程中的电流负载集值波动率曲线。
14.优选地，在所述步骤s3中，当电流负载集值波动曲线中的值超过所述判断模型的第一阈值，所述步骤s4输出预警信息。
15.优选地，在所述步骤s3中，当电流负载集值波动曲线中的值超过所述判断模型的第二阈值，所述步骤s4输出报警信息，提示需要更换挤压丝锥。
16.与现有技术相比，本发明通过建立判断模型，自动采集伺服电机主轴电流负载值
并判断挤压丝锥的健康状态，从而能及时识别挤压丝锥在加工过程中的异常磨损及微小崩刃，从而避免被加工零件的报废。
附图说明
17.图1为一种智能识别挤压丝锥微崩刃的方法步骤示意图；
18.图2为挤压丝锥单个零件加工过程伺服电机主轴电流负载曲线图；
19.图3为单个挤压丝锥全生命周期过程中电流负载集值曲线图；
20.图4为单个挤压丝锥全生命周期过程中的电流负载集值波动率曲线图。
具体实施方式
21.如图1所示，本具体实施例提供一种智能识别挤压丝锥微崩刃的方法，包括：
22.步骤s1，建立挤压丝锥状态判断模型；
23.步骤s2，在所述挤压丝锥加工时，采集伺服电机主轴电流负载值；
24.步骤s3，将所述电流负载值与挤压丝锥状态判断模型进行比较判断；
25.步骤s4，根据判断结果输出预设信息。
26.如何建立挤压丝锥状态判断模型，一个示例性地方法如下：
27.通过研究发现，丝锥的微崩刃状态与丝锥的驱动部件，伺服主轴旋转电机的电流负载有关联。当丝锥没有异常磨损或没有微崩刃的状态下，其伺服主轴的电流负载的每个加工件变化不大，重合度非常高。
28.如图2为挤压丝锥单个零件加工过程伺服电机主轴电流负载曲线图，其中横坐标为加工时间轴，纵坐标为电流负载值。丝锥整个加工过程，且根据加工时间分为进刀阶段、反转阶段及退刀阶段
29.图2中罗列出健康丝锥(无异常磨损)、微崩刃丝锥、严重崩刃丝锥三种状态的曲线，可明显看出不同状态的丝锥在进刀阶段有较为明显的区别。
30.根据这微小的区别配合上丝锥在不同加工寿命阶段微崩刃的可能性并根据测量的零件内螺纹孔的有效螺纹深度尺寸，可以有效识别出实际加工环境下，丝锥的实时状态是健康，还是微崩刃或严重崩刃。
31.收集单个挤压丝锥生命周期加工过程中伺服电机主轴电流负载值，运用数据拟合的方法，将所述电流负载值进行整合，得到电流负载集值；收集所述挤压丝锥加工零件的测量数据；将电流负载集值与零件的测量数据相关联，形成电流负载集值的寿命波动曲线，如图3所示，横坐标为累积寿命值，纵坐标为电流负载集值；收集100套以上所述电流负载集值和所述零件的测量数据，建立挤压丝锥状态判断模型。此外还对每套所述电流负载集值和所述零件的测量数据进行标记，用于关联加工过程和加工记数。其中包含了正常状态的刀具及异常刀具的状态。
32.优选地，还根据电流负载集值计算得到电流负载集值在单个挤压丝锥生命周期过程中的波动率，如图4所示。
33.图4为单个挤压丝锥全生命周期过程中的电流负载集值波动率曲线图，横坐标为每一把丝锥的加工寿命，纵坐标为电流负载集值波动率。当电流负载集值波动曲线中的值(即纵坐标的值)超过所述判断模型的第一阈值，输出预警信息。当电流负载集值波动曲线
中的值(即纵坐标的值)超过所述判断模型的第二阈值，输出报警信息，提示需要更换挤压丝锥。在本实施例中第一阈值为60，第二阈值为80。
34.通常判断模型的建立是从历史数据中，找出未发生崩刃或磨损的丝锥，提取电流负载曲线中加工区域的电流负载积分值，通过智能算法或传统的回归分析方法，计算得到正常丝锥电流负载特征及其方差与寿命的曲线模型。在此基础，使用同样方法提取实时加工中的电流负载曲线特征值，计算其与参考曲线距离，结果与n倍均方差值相除，换算成百分比后得到判断阈值。这里n取3.3，根据噪声分析理论，该范围可覆盖白噪声96％的点；取值应根据实际情况合理取值。在训练样本足够大的情况下，也可通过智能算法确定该值。
35.通过以上模型的建立，可以有效识别出丝锥的异常磨损状态，通过建立程序来收集建立模型所需的原始电流负载值数据，也可以通过专用电流负载采集卡来收集电流负载值数据，并通过plc传输给边缘计算机。通过同步通过工厂数据中心，收集丝锥加工零件后的零件的测量数据。归总后的数据通过数据清洗，转换成为有效、简化的数据流。
36.将数据流实时导入模型，通过模型判断，显示实时的刀具状态，当模型判断出刀具的异常值时，向设备端的plc报警模块发出提醒信息，根据不同的输出结论，显示不同的状态灯，操作工根据状态灯的提示及时检查或更换丝锥。
37.本方法通过收集并利用丝锥加工过程中其旋转主轴伺服电机的电流负载值数据，同时结合丝锥实际的寿命记数，并附上被加工零件内螺纹孔的螺纹测量深度数据进行复合型分析，在前期对每一把丝锥进行标签式标注，从而建立有效的数学模型，利用基础模型加迭代模型及多源数据，可以形成一套行之有效的识别模式，该模式可以搭载在一台边缘计算机上，针对每一个丝锥加工过程进行判断，能有效识别出丝锥当前是否有异常磨损、微崩刃等异常变化，通过计算机反馈给设备plc进行亮灯预警。