【技术实现步骤摘要】
本专利技术涉及生产制造，特别涉及一种刀具磨损监测方法、装置、设备和可读存储介质。
技术介绍
1、传统零件加工中，刀具是很重要的一环，但是目前针对刀具的更换以及零件表面精度判断，大多数都依据生产人员自身的经验来判断。尤其是到刀具磨损临界值时，生产人员需要多次停机检查刀具是否还可以继续使用，这给实际生产加工来说，降低了加工效率，同时也增加了零件破坏的概率。
2、在目前所研究的刀具磨损预测方法中，大多数使用的数据信号(例如切削力信号，声发射信号，振动信号等等)，获取的方式不仅成本高，信号的获取设备在安装上来说也是会对实际生产加工造成不必要的干扰。
3、而在预测模型的选择中，更是出现了不同的预测模型组合，比如卷积神经网络(convolutional neural networks，cnn)，循环神经网络(recurrent neural network，rnn)，长短期记忆网络(long short-term memory，lstmn)，支持向量机(support vectormachine，svm)，深度信念网络(deep belief network，dbn)，生成式对抗网络(generativeadversarial networks，gan)，反向传播网络(back propagation，bp)等等，研究人员大都只关注了模型的准确性，使用复杂的输入信号(多种传感器信号相融合的信号)进行训练，忽略了模型的训练速度以及预测速度，大大增加了训练以及预测的时间，难以做到在实际加工生产中对刀具的磨损状态进行实时监
技术实现思路
1、本专利技术实施例提供一种刀具磨损监测方法、装置、设备和可读存储介质，用以解决现有技术中，难以在实际加工过程中对刀具的磨损状态进行实时监控。
2、为了解决上述技术问题，本专利技术实施例提供如下技术方案：
3、本专利技术实施例提供一种刀具磨损监测方法，包括：
4、获取目标刀具对目标工件进行加工时的切削工艺参数和所述目标工件的表面粗糙度；
5、将所述切削工艺参数和所述表面粗糙度输入训练好的刀具磨损量模型，得到所述训练好的刀具磨损量模型输出的预测刀具磨损量；
6、将所述切削工艺参数和所述预测刀具磨损量输入训练好的刀具主轴功率模型，得到所述训练好的刀具主轴功率模型输出的预测主轴功率值；
7、根据所述预测主轴功率值与实时主轴功率值之间的对比关系，得到所述目标刀具的刀具磨损监测结果。
8、可选地，所述方法还包括：
9、将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史工件的历史表面粗糙度作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具磨损量模型。
10、可选地，所述方法还包括：
11、将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史刀具对历史工件进行加工时的历史主轴功率值作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具主轴功率模型。
12、可选地，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史工件的历史表面粗糙度作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具磨损量模型，包括：
13、根据所述历史切削工艺参数和所述历史刀具的历史刀具磨损量对所述历史工件的历史表面粗糙度的影响程度，确定第一影响度矩阵；
14、将所述历史切削工艺参数、所述历史刀具磨损量和所述第一影响度矩阵作为预设的bp神经网络模型的输入，将所述历史表面粗糙度作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具磨损量模型。
15、可选地，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史刀具对历史工件进行加工时的历史主轴功率值作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具主轴功率模型，包括：
16、根据所述历史切削工艺参数和所述历史刀具的历史刀具磨损量对所述历史主轴功率值的影响程度，确定第二影响度矩阵；
17、将所述历史切削工艺参数、所述历史刀具磨损量和所述第二影响度矩阵作为预设的bp神经网络模型的输入，将所述历史主轴功率值作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具主轴功率模型。
18、可选地，根据所述预测主轴功率值与实时主轴功率值之间的对比关系，得到所述目标刀具的刀具磨损监测结果，包括：
19、在所述实时主轴功率值减去所述预测主轴功率值大于第一预设阈值的情况下，确定所述目标刀具处于刀具破损状态；
20、在所述实时主轴功率值减去所述预测主轴功率值大于第二预设阈值，且所述实时主轴功率值减去所述预测主轴功率值小于或等于所述第一预设阈值的情况下，确定所述目标刀具处于刀具磨损状态；
21、在所述实时主轴功率值减去所述预测主轴功率值小于或等于所述第二预设阈值的情况下，确定所述目标刀具处于正常加工状态；
22、其中，所述第二预设阈值小于所述第一预设阈值。
23、可选地，所述方法还包括：
24、建立历史刀具对历史工件进行加工时历史工件的历史表面粗糙度与历史刀具的历史刀具磨损量之间的映射关系；
25、根据所述映射关系，对所述训练好的刀具磨损量模型进行验证，得到验证结果；
26、在所述验证结果指示在所述历史表面粗糙度相同的情况下，所述历史刀具磨损量与所述训练好的刀具磨损量模型输出的预测刀具磨损量之间的差值绝对值小于第三预设阈值，则确定所述训练好的刀具磨损量模型可用。
27、可选地，根据所述预测主轴功率值与实时主轴功率值之间的对比关系，得到刀具磨损监测结果之前，所述方法还包括：
28、确定历史刀具对历史工件进行加工时的历史电流的每一特征量与历史刀具对历史工件进行加工时的历史主轴功率值之间的相关系数；
29、根据所述相关系数，确定所述特征量中与所述历史主轴功率值最相关的目标特征量；
30、根据目标刀具对目标工件进行加工时的实时电流的目标特征量，得到所述实时主轴功率值。
31、可选地，获取目标刀具对目标工件进行加工时所述目标刀具的切削工艺参数和所述目标工件的表面粗糙度之前，所述方法还包括：
32、获取示教加工得到的示教刀具磨损量和示教主轴功率值；
33、根据所述示教主轴功率值与预测主轴功率值之间的对比关系，得到刀具磨损示教监测结果；
34、在所述本文档来自技高网...
【技术保护点】
1.一种刀具磨损监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的BP神经网络模型的输入，将历史工件的历史表面粗糙度作为预设的BP神经网络模型的输出，对所述预设的BP神经网络模型进行训练，得到所述训练好的刀具磨损量模型，包括：
5.根据权利要求3所述的方法，其特征在于，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的BP神经网络模型的输入，将历史刀具对历史工件进行加工时的历史主轴功率值作为预设的BP神经网络模型的输出，对所述预设的BP神经网络模型进行训练，得到所述训练好的刀具主轴功率模型，包括：
6.根据权利要求1所述的方法，其特征在于，根据所述预测主轴功率值与实时主轴功率值之间的对比关系，得到所述目标刀具的刀具磨损监测结果，包括：
7.根据权利要求1
8.根据权利要求1所述的方法，其特征在于，根据所述预测主轴功率值与实时主轴功率值之间的对比关系，得到刀具磨损监测结果之前，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，获取目标刀具对目标工件进行加工时所述目标刀具的切削工艺参数和所述目标工件的表面粗糙度之前，所述方法还包括：
10.一种刀具磨损监测装置，其特征在于，包括：
11.一种刀具磨损监测设备，包括：收发机、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；其特征在于，所述处理器执行所述程序或指令时实现如权利要求1至9中任一项所述的刀具磨损监测方法。
12.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至9中任一项所述的刀具磨损监测方法中的步骤。
...【技术特征摘要】
1.一种刀具磨损监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史工件的历史表面粗糙度作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具磨损量模型，包括：
5.根据权利要求3所述的方法，其特征在于，将历史刀具对历史工件进行加工时的历史切削工艺参数和历史刀具的历史刀具磨损量作为预设的bp神经网络模型的输入，将历史刀具对历史工件进行加工时的历史主轴功率值作为预设的bp神经网络模型的输出，对所述预设的bp神经网络模型进行训练，得到所述训练好的刀具主轴功率模型，包括：
6.根据权利要求1所述的方法，其特征在于，根据所述预测主轴功率值与实时...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。