张小翠

摘 要：文章研究了数控机床刀具磨损智能监测系统开发。作为数控机床中重要组成部分的刀具，在数控机床工作的过程中，必定会发生磨损，其磨损状态的监测已经成为数控机床工作质量的重要环节。如果使用传统的刀具磨损监测方法，不仅增加劳动力强度，降低数控机床的工作效率，还会增加材料成本以及人工成本，如果使用智能化的刀具磨损监测系统，不仅可以提高数控机床的使用率，降低工人的劳动强度，还可以降低原材料的成本，减少废品的产生。

关键词：数据机床；刀具磨损；智能监测系统

数控机床中刀具的磨损监测一直以来都是被重点关注的对象，近年来，随着科学技术的迅速发展，计算机科学技术的广泛运用，众多智能化监测系统应运而生，在数控机床中的应用也是得心应手。本文主要借助于计算机智能科学技术来实现数控机床刀具磨损的智能化监测，从而提高数控机床的使用率，降低工人的劳动强度，还可以降低原材料的成本，减少废品的产生。

1 数控机床的刀具磨损

由于数控机床的工作原因，刀具在切削材料时，刀具和材料之间发生着剧烈的碰撞和摩擦，这种工作方式注定刀具在使用过程中会发生磨损。刀具在使用过程中的磨损情况，一般分为初期初始磨损、中期正常使用磨损和末期损耗严重磨损，刀具在使用过程中的磨损曲线时间图如图1所示。

2 传统的刀具磨损监测方法

目前关于刀具磨损监测的方法主要有两种，一种是直接法，一种是间接法，前者包括放射性技术法、光学图像法、接触法、超声波法和表面粗糙法等5种方法，后者包括切削温度法、切削力法、功率法、声发射法和振动法等5种方法。每种方法都有各自的特点和适用范围，同时也各有利弊[1]。

2.1 直接法

2.1.1 放射性技术法

放射性技术法主要是使用放射性元素来实现刀具磨损监测的，具体方法是通过在刀具里注入一定量的同位素，然后对刀具的同位素进行放射性测量，通过测量的结果与原始结果对比，来判断刀具是否有磨损以及刀具的具体磨损程度。

2.1.2 光学图像法

光学图像法主要是借助于摄像机、光学传感器和光纤等设备来进行的。具体方法是通过摄像机的摄像灯或光纤发出的红光对磨损面进行照射，进而根据磨损面反射的光线强弱和路线改变来判断刀具是否有磨损以及刀具磨损的具体程度。

2.1.3 接触法

接触法主要是使用测头和磁间隙传感器来进行测量的。具体方法是通过测头上的磁间隙传感器对切削位置进行检测，使用此种方法检测时间较长，但是效果还是比较准确的。

2.1.4 超声波法

超声波法主要是通过超声波热能器和接收器来进行测量。具体方法是先使用超声波热能器对刀具所在位置发送超声波，然后使用接收器先接收通过刀具再反射回来的反射波，根据反射波的变化情况来判断刀具是否有磨损以及刀具磨损的具体程度。

2.1.5 表面粗糙法

表面粗糙法主要是使用激光或红外传感器来进行测量的。具体方法是使用激光发射器或红外发射器对刀具发射激光或红外光，然后借助激光传感器或红外传感器来接受反馈的结果，从而测得表面粗糙程度的变化量，进而根据这些变化量来判断刀具是否有磨损以及刀具磨损的具体程度[2]。

2.2 刀具磨损监测方法之间接法

2.2.1 切削温度法

切削温度法主要是利用热电偶传感器来感应刀具在工作的过程中产生的温度来进行测量的，具体方法是根据热电偶传感器来测量工件和刀具间的切削温度，根据测量的温度变化情况来判断刀具是否有磨损以及刀具磨损的具体程度。

2.2.2 切削力法

切削力法主要是使用应变化传感器来对刀具的工作状态进行测量的。具体方法是通过应变力传感器来测量刀具在工作过程中的切削力，根据测得的切削力变化来判断刀具是否发生磨损以及刀具的具体磨损程度。

2.2.3 功率法

功率法主要是使用功率传感器来对刀具的工作状态进行测量的。具体方法是通过对刀具在工作过程中主电机或步进电机功率的变化测量来判断刀具是否发生磨损以及刀具磨损的具体程度。

2.2.4 声发射法

声发射法主要是使用声发射传感器来对刀具在工作过程中的声音变化进行测量的。具体方法是根据监测到的声发射信号，分析刀具在工作过程中产生的声音大小变化测量来判断刀具是否发生磨损以及刀具磨损的具体程度。

2.2.5 振动法

振动法主要是使用加速度计和振动传感器来对刀具在工作状态进行测量的。具体方法是通过对刀具在工作过程中主电机或步进电机速度的变化和产生振动大小来判断刀具是否发生磨损以及刀具磨损的具体程度[3]。

3 智能化刀具磨损监测系统

3.1 智能化刀具磨损监测系统的开发思想

尽管刀具磨损监测的方法非常多，但是在实际应用当中，每种监测的方法都有各自的优缺点和各自的适应环境，为了更好地规避每种方法的缺点，发挥各自的优势，智能化的刀具磨损监测系统急需开发，只有开发出这种智能化的刀具磨损监测系统，才能适应目前企业的快速发展，才能使得企业节省成本，提高效率，更多地节省人力和财力[4]。

3.2 智能化刀具磨損监测系统的设计

3.2.1 智能化刀具磨损监测系统框架

为了保证智能化刀具磨损监测系统的功能能够准确无误地实现，排除刀具监测过程中出现的各类问题，我们需要提前规划好刀具磨损监测系统的框架（见图2）。

3.2.2 智能化刀具磨损监测系统的硬件设备

不管是否是智能化刀具磨损监测系统，只要进行刀具磨损监测都需要相关的硬件设备，在本智能化刀具磨损监测系统中所涉及的硬件主要包括传感器、采集卡、计算机等。其中传感器中主要用的有压电加速度传感器、振动传感器和信号调理器，振动传感需要安装在刀具的恰当位置才能起到最佳的效果。而采集卡需要满足振动传感器的振动频率才行，这样就需要达到较高的采样频率，否则采集卡将失去其工作的意义。

3.2.3 数据采集关键技术分析

为了达到数据采集的有效性，我们需要专门制定数据采集的规划流程（见图3），数据采集卡在工作的过程中需要完全按照此流程进行。

3.3 智能化刀具磨损监测的实现

本文所提的智能化刀具磨损监测的实现主要是借助神经网络的非线性映射功能，对传统的BP神经网络进行改进，从而实现振动信号特征向量和刀具磨损状态的映射关系，通过映射关系来实现智能化磨损状态的自动识别[5]。

3.3.1 刀具磨损信号特征的提取

为了准确判断出刀具磨损情况，需要对刀具磨损信号的特征有准确的数据比对，在对信号特征提取时需要在时域和频域中对振动信号进行准确无误的相关分析。其中在时域分析中，需要先进行小波变换，有时需要进行连续小波变换或离散小波变换，然后进行多分辨率分析，最后使用Mallat算法来实现小波分解与重构的快速算法，来完成刀具磨损信号特征的提取工作，从而为BP神经网络信号的输入向量做好准备工作。

3.3.2 刀具磨损状态神经网络的识别

近年来，神经网络已经成为人工智能应用领域中不可缺少的非线性处理技术，在刀具磨损监测过程中，BP神经网络是本文主要用到的神经网络模型。要实现刀具磨损状态的自动识别，需要使用由刀具磨损状态产生的具有不同能量特征的振动信号来构造训练样本。因为这些信号在经过小波包分解后，在频段上面表现出来的差别不明显，所以要通过大量的训练样本才能构造一组能量特征较明显的数据库。然后，使用Matlab程序来实现BP神经网络模型的建模工作，在建模时需要设置好输入层数、隐含层数、节点数以及输出层数。建模后，需要进行大量的网络训练，来验证刀具磨损状态的实际磨损状态是否正确。此项工作需要借助Matlab程序进行大量的仿真实验来验证刀具磨损状态是否和实际磨损状态一致。为了能够顺利实现刀具磨损状态，最好是开发一套基于C++Builder和Matlab相结合的刀具磨损状态智能识别系统。其中C++Builder用于构建用户访问界面，Matlab用于完成后台的计算工作，而基于BP神经网络系统的模型在于获取振动信号和刀具磨损状态的对应关系。

4 结语

由于篇幅所限，本文主要结合数控机床刀具的实际磨损情况，只是粗略谈及了一种基于智能化数控机床刀具磨损监测系统的开发思想。在实际应用当中还需要切合实际开发出一套完整的系统软件，以支撑本文所提的数控机床刀具磨损智能化监测系统。

[参考文献]

[1]曹赛赛，马天舒，李琳青，等.数控机床刀具磨损直接监测专利分析[J].科技风，2018（5）：156.

[2]熊昕.数控刀具全生命周期智能管理系统研究[D].重庆：重庆大学，2017.

[3]高鵬磊.数控机床刀具磨损破损检测技术研究[D].洛阳：河南科技大学，2013.

[4]方平.数控机床刀具磨损的多传感器在线实时监测的研究[D].北京：华北电力大学，2014.

[5]高鹏磊，库祥臣.数控机床刀具磨损状态特征参数提取[J].组合机床与自动化加工技术，2013（6）：65-67.