840D系统龙门加工中心深孔钻削时刀具过载保护的研究

数控龙门加工中心有很多优点，例如性能优越，结构简单，刚性好，加工效率高，操作方便等，所以在机械制造领域，龙门加工中心应用非常广泛。转向架是轨道客车上的一个重要部件，其上有很多深孔，我们用数控龙门加工中心加工深孔时，经常出现刀具折断。经过分析得出，造成刀具折断的原因是在深孔加工过程中，由于刀杆的直径小，长度大，刚性差，强度低，所以钻削时刀杆会产生振动，就很容易折断。另外在深孔钻削过程中，必然会出现排屑困难，又因为冷却液难以输入到切削区，所以导致切屑缠绕在刀具上和切削温度升高，长时间加工会使刀具的扭矩增大，最终会导致刀具折断，工件报废，有时会伤及操作人员，造成严重的安全问题。所以，为了保证顺利完成深孔钻削和加工质量，必须研究一套刀具过载保护系统，能够使机床在刀具折断之前主动停机，避免刀具和工件损坏，从而降低加工成本和提高加工效率。

经过多次现场试验发现，刀具折断时刀杆扭矩会突然增大导致机床主轴电机的功率增大，所以我们可以采集主轴电机的功率信号，用小波算法提取功率信号特征参数，建立刀具状态监测系统，使在刀具过载之前，机床主动报警和停机，避免了刀具折断。

1 总体方案设计

图片.png

图 1 刀具过载保护系统结构示意图

刀具过载保护系统采集到机床主轴功率的模拟量数据，则可以实时监测机床主轴功率的变化。监测系统对于不同的刀具、工件和切削用量，设定了不同的阈值。当功率达到一定数值时，就可以判断刀具处于过载状态，此时过载保护系统向 PLC 发出报警和停机信号，PLC 会命令 840D 系统执行自动退刀和停机的数控加工程序，刀架自动退出，机床自动停止运转，避免了刀具折断。

2 信号的采集方式

840D 数控系统机床内部有很多开放式的通用的软硬件接口，功率相关信息的采集可通过设置 840D 的工作参数，在 PLC上可以检出来刀具在切削工件时主轴产生的 i(t)和 u(t)信号，i(t)和 u(t)信号经过 lowpass 后分别进行检测到的主轴产生的 i(t)和u(t)信号波形变换、整形，即可获得两个可调节的方波脉冲和直流电平信号。两个方波和直流信号经过 A/D 转换器后变成数字信号，最后在终端的 CPU 得到主轴电机的功率值。

3 信号的处理方式

3.1 我们采集了大量的功率功率信号，之后用 matlab 软件处理了采集到的数据得到了功率变化（图 2）和功率信号频谱分析变化（图 3），从这些变化中可以看出功率信号中包含脉冲干扰信号和非平稳随机噪声，从中可以看出功率信号中含有很多低频成分的信号，这些干扰信号会降低刀具状态数据的准确性和可靠性，所以必须处理掉这些干扰信号，才能准确地判断刀具的切削状态。

图片.png

图 2 图 3

我们采用基于小波包的防脉冲干扰滑动平均消噪法来消除干扰信号和随机噪声。这种新的方法可以消除两种干扰信号，且处理过的信号中仍然保留了原始信号的信号特征。

通过对比可以发现利用这种新的方法去除了两种干扰信号，并且保留了原始信号中有用的信息。

3.2 刀具状态信号特征提取

经过处理的数据其数量非常庞大和分散，并且包含很多无用的信息，所以我们只需从这些数据中提取那些能真实反映刀具切削状态的特征参数。在本文中，我们选择基于小波变换的功率信号提取方法。小波变换是一种时频分析工具，利用这种方法提取刀具在正常磨损、严重磨损、崩刃三种状态下的功率信号的特征参数。我们用 Mallat 算法对采集到的信号进行小波分解和重构。

综合以上各式，功率信号特征向量可以构造成：

T = [E , K ]K (i = 1, 2, 3, 4, 5, 6, 7)

由x_ik 可以罗列出各个重构信号的幅值，将这些幅值计算公式中就可以计算出刀具在正常磨损、严重磨损、崩刃状态下各层小波系数的能量和峭度。通过观察这组数值发现：在d5,d6,a6 构成的频段中，能量随着刀具的磨损量成比例增大，因此我们选用特征向量来表征刀具的切削状态。

5 刀具状态的识别

我们选用RBF 神经网络来建立模型。利用此模型可以在特征参数与刀具切削状态之间建立映射关系，通过特征参数就能判断出刀具的切削状态。一个 RBF 网络包括隐含层的层数、神经元个数和激活函数、训练算法等。根据深孔钻削的特点，我们设计RBF 网络结构。其中，中间层为单隐层，隐含层的转换函数为 Sigmoid 函数，输出层的转换函数为线性激活函数，R 为输入特征向量的维数，S1 为隐层神经元数，S2 为输出层神经元数。

用下面公式来确定隐含层节点数量：

图片.png

上式中，m 代表输入节点数目；n 代表输出节点数目

根据前面的研究结果，我们选用频带能量特征向量作为表征刀具磨损状态的特征向量。特征向量确定了之后，输入特征向量，通过观察 RBF 网络的训练结果，我们发现隐含层节点数为 4 时，RBF 神经网络训练结果的误差最小，所以我们决定选用隐层节点数为 4 的 RBF 神经网络来识别刀具状态，这时向其中输入一个特征向量，就能获得一个反映刀具状态的实际输出值。最后，为了减小误差，需要把实际的输出向量元素转化成标准的输出向量元素，标准输出向量的元素是 0 或者 1。最终我们是用标准的输出量来判断刀具的实际状态。已经建立的 RBF 网络模型，其标准输出是一个的矩阵，所以假设网络的实际输出是，转化之后的输出为，其中，函数命令表示取绝对值，表示极限在阈值。根据已有的数据，我们可以计算出实际输出和理想输出的均方根。令oi = 36作为极限阈值，极限阈值为o = 0.014，o = 0.025, o = 0.038 ，这时我们就可以对特征参数的实际输出值进行标准化。

6 刀具过载保护

我们得到了表征刀具在三种切削状态下的标准化的特征向量。当刀具正常磨损时；当刀具出现严重磨损时；当刀具发生崩刃时；根据这三个特征向量，我们编写了刀具过载保护的 PLC 程序。

结束语

本文通过研究 840D 数控系统和深孔钻削的特点，做出了一套基于功率信号的刀具过载保护系统。采集了机床主轴的功率信号，运用小波算法对功率信号做了消噪处理，运用 Mallat 算法对处理后信号进行小波分解和重构，提取了反映刀具切削状态的特征参数，进而建立了基于 RBF 神经网络的刀具状态监测系统，最后根据识别结果编写了 PLC 程序，开发出了一套刀具过载保护控制系统。

840D系统龙门加工中心深孔钻削时刀具过载保护的研究

龙门加工中心相关内容

CNC龙门加工中心的专项修理方案

龙门加工中心两线一硬系列2

龙门加工中心方滑枕系列

840D系统龙门加工中心深孔钻削时刀具过

龙门加工中心整机动态特性分析

产品中心

U260T五轴钻攻中心

U350V五轴加工中心

U500S五轴加工中心

联系我们

关注官方微信

840D系统龙门加工中心深孔钻削时刀具过载保护的研究

龙门加工中心 相关内容

CNC龙门加工中心的专项修理方案

龙门加工中心两线一硬系列2

龙门加工中心方滑枕系列

840D系统龙门加工中心深孔钻削时刀具过

龙门加工中心整机动态特性分析

产品中心

U260T五轴钻攻中心

U350V五轴加工中心

U500S五轴加工中心

联系我们

关注官方微信

龙门加工中心相关内容