数控车床刀具状态的自动监测.docVIP

数控车床刀具状态的自动监测 塔马斯鲁塞， 街8 ，鲁塞，保加利亚 本文涉及数控车床自动确定刀具磨损的问题。这个问题切割过程停了下来轴向力一个插件解决。加工过程中中断，刀具在这一时刻成为参照点。工件没有的旋转运动，尖端到瞬态面的轴线方向，停止。轴运动压到工件表面，同时相对于参照点衡量轴向力。分析结果表明轴向力和刀具刀面磨损之间的密切关系。该文件还提出了一些利用人工神经网络监测刀具状态成果。关键词：刀具;状态监测;数控车床 1导言发展可靠的刀具状态监控系统技术必须加以解决的关键问题电脑无人加工环境。多年来各种各样的监测方法。他们多数是基于遥感切削力，声发射或震动。然而，所有这些参数主要取决于切削条件和刀具几何。本文目的是尽量减少这些因素的影响。 2塑变形理论刚体成塑性变形取决于金属。插入机械（瞬态表面部分上述。刀面磨损的变的形状因此。这可用来确定刀具的条件。为了确定轴向影响刀具后刀面的磨损，进行一系列的实验。 3实验实验型数控车床上进行。安装在炮塔发电机度量工具采用了电感式非接触式换能器为这个车床测量轴向力。乌吉亚型放大器提供了放大的信号FRAM XY模拟绘图仪记录信号的回波。深度数控系统的位置。该刀具刀面磨损量光学显微镜。碳钢，铸铁及铝合金 图1刀具入工件的瞬态面4．实验说明机械加工刀具在运动被打断的存储为一个参考点为了瞬态面光滑，。瞬态面的轴线方向约毫米，此后停止。慢轴运动（ 50）被压在工件表面上，相对参考点Zp、轴向力Fx连续测量。图 1显示入工件表面的瞬。刀片的刀面磨损，每一测量。 Fx的切入深度Zp不同阶段的刀面磨损程度， VB，一个输入值。工件材料是铸铁切削过程中断前的切削深度毫米由于轴向力的速度，后者整个实验在50。可以看出，轴向力的增加，刀面磨损也不断增加。可以有两种技术解决方案：在预先衡量深度以确定轴向力或轴向力实验结果表明，有一个相对较高的（参考点）。这种影响可以忽略不计，如果轴向力和不是在开始的参考点，但轴向力达了预先确定的阈值。在这种情况下，所增加的轴向力和的Zp能够计算出的相对线性部分的Fx-Zp特征（图3 ） 铸铁切削深度2毫米的速度50 。碳钢工件材料结果显示在图 5 ，图 6为铝合金。 6数据分析获得的数据在回归实验分析使用以下五个回归模型： 使用F每一个模型的质量进行分析。表1显示了三种模式的最佳F值和常数A ， B和C的值的回归方程。 根据该模型，F值将是不够的，是1.76.每个模型和关系的条件的实现，从统计角度看模型的。然而没有意识到，条件是需要可靠的预测刀具磨损，也就是说，实验结果是分散的过大，由于磨损分布不均匀平均刀面磨损很难界定。用到碳钢刀面磨损，模型5Fx：Zp=f（VB）中的9.6，接近 。平均刀面磨损难以不影响方法的可靠性，因为可用于确定刀具条件不是计算实际刀面磨损。五个模型的平均相对误差使用T -统计进行比较。对于每一个和关系最坏的和最好的（根据自己的F值）进行比较。，的条件，从统计角度来看，各种模式没有性的差异。因此，最简单的线性方程（模式1）可用于所有情况。线性回归线图中显示。回归方程，刀具刀面磨损后可估Fx：Zp。 7.模拟人工神经网络人工神经网络也可以分析模型使用。多层感知器可以解决任意复杂的分类问题。使用神经网络模型图 7以取代分析回归模型。 神经网络是C++语言模拟的计算机程序。。备份传播- gation培训算法学习率0.1和0.5势头长期使用作为一个例子，8显示了中碳钢回归曲线神经网络模型得到的线性关系Fx ：Zp= f（VB）。比较神经网络模型的分析模型是使用F -统计量和相对平均估计误差，，之模型，计算公式： 是随着观察和预测，通过给示范反应变量效果：和的若干意见。表2 提出的价值和相对平均估计误差的关系Fx ：Zp=f（VB）中最好的三个分析模型和神经网络模型。表2可以看出，神经网络模型带来更高的F值和较低的误差比较分析模型。为了利用神经网络模型的刀具状态预测，轴向力Fx 应作为输入和刀面磨损值的输出，图 9所示。 在更先进的机器学习的环境中，一些输入参数通常会超过两个图 9 。参数，如刀具（或涂层）材料，按速度和工具尖端角度也可包括在内。 8结论在阐述一种测量轴向力数控车床刀具状态监测的方法从结果可以得出以下结论轴向力衡量一个固定的和刀面磨损有很密切的关系Fx ：Zp是已被发现的刀面磨损最大特点。 线性回归方程可用于侧翼磨损估计。阈值标准可用于确定切削工具的条件而不是计算实际刀面磨损。5神经网络模型可以取代分析转口回归方程估刀面磨损。 - 6 - 瞬态面