文章詳情
刀具磨損和破損綜合監測的技術方法介紹
日期：2025-12-19 19:45
瀏覽次數：2886
摘要：
監測原理監測參量的選取監測原理監測原理框圖監測刀具磨損和破損的方法很多，可分為直接測量法和間接測量法兩大類。直接測量法主要有：光學法、接觸電阻法、放射性法等。間接測量法主要有：切削力或功率測量法，刀具和工件測量法，溫度測量法，振動分析法，AE法，電機電流或功率測量法等。
比較現有的刀具磨損和破損的監測方法，各有優缺點，我們選取聲發射(AE)和電機電流信號作為監測參量。這是因為AE信號能避開機加工中噪聲影響*嚴重的低頻區，受振動和聲頻噪聲影響小，在感興趣區信噪比較高，便于對信號進行處理。響應速度快，靈敏度高；但重負荷時，易受干擾。而電機電流信號易于提取，能適應所有的機加工過程，對正常的切削加工沒有影響，但易受干擾，時間響應慢，輕負荷時，靈敏度低。這樣，同時選AE和電機電流為監測信號，就能利用這2個監測量的各自長處，互補不足，拓寬監測范圍，提高監測精度和判別成功率。
切削過程中，當刀具發生磨損和破損時，切削力相應發生變化，切削力的變化引起電機輸出轉矩發生變化，進而導致電機電流發生相應的變化，電流法正是通過監測電機電流的變化，實現間接在線實時判斷刀具的磨損和破損。AE是材料或結構受外力或內力作用產生變形或斷裂時，以彈性波形的形式釋放出應變能的現象。它具有幅值低，頻率范圍寬的特點。試驗及頻譜分析發現：正常切削產生的AE信號主要是工件材料的塑性變形，其功率譜分布，100kHz以下數值很大，100kHz以上較小。
當刀具磨損和破損時，100kHz以上頻率成分的AE信號要比正常切削時大得多，特別是100-300kHz之間的頻率成分更大些。為此，應通過帶通濾波器，監測100-300kHz頻率成分AE信號的變化，對刀具磨損和破損進行監測。利用AE、電機電流信號綜合對刀具磨損和破損進行判別的原理是：輕負荷區，依靠AE包絡信號，用閾值的方法進行判別；在中負荷區，這時電機電流和AE信號都起作用，用兩者結合的方法進行判別，提高判別的成功率，具體方法是：如果AE信號超過AE閾值，則置延時常數為ds(d的數值依賴于系統構成)，如果在ds時間內，電流信號也超過電流信號的閾值，則判刀具極限磨損或破損。如果在ds時間內，電流信號未超過電流信號的閾值，則不報警，由延時常數繼續監測。這種以AE為先導，AE信號和電機電流信號進行“與”的判別模式，既利用了AE信號具有實時、靈敏的特點，又考慮了電機電流信號具有滯后的性質，具有較強的抗干擾能力，提高了判別成功率。在大負荷區，則以電機電流信號為主，AE信號為輔進行判別。下圖為監測系統的線路框圖。中間一路為電網電壓監測線路，通過對電源的波動進行監測，消除由于電網電壓波動對監測的影響，提高系統的抗干擾能力。圖中虛線部分為自動減去首切電流線路，目的是自動減去首切電流，以電流的變動量為判別量，提高電流信號監測的靈敏度。
刀具磨損和破損監測線路框圖
電流信號的實際判別公式如下：I=(Ia-Ib)-F(Va-Vb)式中：I為判別電流值；F為電壓變化引起電流變化的比率，主要為消除電流、電壓硬件線路放大倍數的不一致；Va、Va分別為監測過程中采樣的電流和電壓值；Ib、Vb則為開始切削時的電流和電壓值。實驗過程和結果刀具磨損和破損的在線實時監測是自動化機加工生產線中一個困難而又重要的問題，雖然監測刀具磨損和破損的方法很多，但由于實際切削過程中環境惡劣、刀具和工件的多樣性、采集數據離散性大等因素，使得實際監測很困難。
若采用單一的監測方法，無論是直接法，還是間接法，由于受到諸如切屑、切削液和振動的影響，時間響應差和測試靈敏度的影響，材料物理性質變化的影響，切削條件的影響等，監測的有效性和判別成功率受到質疑。為此，可在總結現有監測法優缺點的基礎上，采用多參量綜合監測法，充分利用每個監測量的優點，互補不足，拓寬了監測范圍，提高了判別成功率。
我們采用AE和電機電流信號2個參量進行監測，進行了實驗，證明刀具破損監測的效果良好。在CA6410車床上的鉆孔及車削外圓實驗在Z512-D臺鉆上的鉆孔實驗為模擬在加工中心上鉆孔，鉆頭裝夾在車床主軸卡盤上，工件夾在刀架上，鉆孔實驗時，鉆頭旋轉，工件自動進給，AE傳感器安裝在小刀架上。實驗鉆削參數為：鉆頭轉速n=900-1120r/min，進給量s=0.028-0.039mm/r、s=0.1mm/r。用直徑f2.5mm以上鉆頭鉆削23次，用直徑f25mm以下鉆頭鉆削80次，總計鉆削23+80=103次，結果誤報1次，漏報2次，判斷成功率為97%。車削外圓實驗時，在40Cr鋼和45鋼的圓棒(f800mm×600mm)試件上軸向每隔20-30mm埋入直徑f1.5mm的鉆頭，為的是在正常外圓車削實驗過程中加速刀具的破損。實驗車削參數為：主軸轉速n=800r/min，刀具進給量s=0.2mm/r，切削深度ap=1-2mm。在60次破損紀錄中的判斷成功率為96.7%。工件材料為45鋼，鉆孔直徑f0.8-2.5mm。，鉆頭轉速n=480r/min，手動進給，鉆孔30次，誤判2次，判斷成功率為93.3%。
比較現有的刀具磨損和破損的監測方法，各有優缺點，我們選取聲發射(AE)和電機電流信號作為監測參量。這是因為AE信號能避開機加工中噪聲影響*嚴重的低頻區，受振動和聲頻噪聲影響小，在感興趣區信噪比較高，便于對信號進行處理。響應速度快，靈敏度高；但重負荷時，易受干擾。而電機電流信號易于提取，能適應所有的機加工過程，對正常的切削加工沒有影響，但易受干擾，時間響應慢，輕負荷時，靈敏度低。這樣，同時選AE和電機電流為監測信號，就能利用這2個監測量的各自長處，互補不足，拓寬監測范圍，提高監測精度和判別成功率。
切削過程中，當刀具發生磨損和破損時，切削力相應發生變化，切削力的變化引起電機輸出轉矩發生變化，進而導致電機電流發生相應的變化，電流法正是通過監測電機電流的變化，實現間接在線實時判斷刀具的磨損和破損。AE是材料或結構受外力或內力作用產生變形或斷裂時，以彈性波形的形式釋放出應變能的現象。它具有幅值低，頻率范圍寬的特點。試驗及頻譜分析發現：正常切削產生的AE信號主要是工件材料的塑性變形，其功率譜分布，100kHz以下數值很大，100kHz以上較小。
當刀具磨損和破損時，100kHz以上頻率成分的AE信號要比正常切削時大得多，特別是100-300kHz之間的頻率成分更大些。為此，應通過帶通濾波器，監測100-300kHz頻率成分AE信號的變化，對刀具磨損和破損進行監測。利用AE、電機電流信號綜合對刀具磨損和破損進行判別的原理是：輕負荷區，依靠AE包絡信號，用閾值的方法進行判別；在中負荷區，這時電機電流和AE信號都起作用，用兩者結合的方法進行判別，提高判別的成功率，具體方法是：如果AE信號超過AE閾值，則置延時常數為ds(d的數值依賴于系統構成)，如果在ds時間內，電流信號也超過電流信號的閾值，則判刀具極限磨損或破損。如果在ds時間內，電流信號未超過電流信號的閾值，則不報警，由延時常數繼續監測。這種以AE為先導，AE信號和電機電流信號進行“與”的判別模式，既利用了AE信號具有實時、靈敏的特點，又考慮了電機電流信號具有滯后的性質，具有較強的抗干擾能力，提高了判別成功率。在大負荷區，則以電機電流信號為主，AE信號為輔進行判別。下圖為監測系統的線路框圖。中間一路為電網電壓監測線路，通過對電源的波動進行監測，消除由于電網電壓波動對監測的影響，提高系統的抗干擾能力。圖中虛線部分為自動減去首切電流線路，目的是自動減去首切電流，以電流的變動量為判別量，提高電流信號監測的靈敏度。
刀具磨損和破損監測線路框圖
電流信號的實際判別公式如下：I=(Ia-Ib)-F(Va-Vb)式中：I為判別電流值；F為電壓變化引起電流變化的比率，主要為消除電流、電壓硬件線路放大倍數的不一致；Va、Va分別為監測過程中采樣的電流和電壓值；Ib、Vb則為開始切削時的電流和電壓值。實驗過程和結果刀具磨損和破損的在線實時監測是自動化機加工生產線中一個困難而又重要的問題，雖然監測刀具磨損和破損的方法很多，但由于實際切削過程中環境惡劣、刀具和工件的多樣性、采集數據離散性大等因素，使得實際監測很困難。
若采用單一的監測方法，無論是直接法，還是間接法，由于受到諸如切屑、切削液和振動的影響，時間響應差和測試靈敏度的影響，材料物理性質變化的影響，切削條件的影響等，監測的有效性和判別成功率受到質疑。為此，可在總結現有監測法優缺點的基礎上，采用多參量綜合監測法，充分利用每個監測量的優點，互補不足，拓寬了監測范圍，提高了判別成功率。
我們采用AE和電機電流信號2個參量進行監測，進行了實驗，證明刀具破損監測的效果良好。在CA6410車床上的鉆孔及車削外圓實驗在Z512-D臺鉆上的鉆孔實驗為模擬在加工中心上鉆孔，鉆頭裝夾在車床主軸卡盤上，工件夾在刀架上，鉆孔實驗時，鉆頭旋轉，工件自動進給，AE傳感器安裝在小刀架上。實驗鉆削參數為：鉆頭轉速n=900-1120r/min，進給量s=0.028-0.039mm/r、s=0.1mm/r。用直徑f2.5mm以上鉆頭鉆削23次，用直徑f25mm以下鉆頭鉆削80次，總計鉆削23+80=103次，結果誤報1次，漏報2次，判斷成功率為97%。車削外圓實驗時，在40Cr鋼和45鋼的圓棒(f800mm×600mm)試件上軸向每隔20-30mm埋入直徑f1.5mm的鉆頭，為的是在正常外圓車削實驗過程中加速刀具的破損。實驗車削參數為：主軸轉速n=800r/min，刀具進給量s=0.2mm/r，切削深度ap=1-2mm。在60次破損紀錄中的判斷成功率為96.7%。工件材料為45鋼，鉆孔直徑f0.8-2.5mm。，鉆頭轉速n=480r/min，手動進給，鉆孔30次，誤判2次，判斷成功率為93.3%。
