今日頭條
官方微信
官方抖音
案例頻道采用很高的主軸轉速、刀具進給速度以及不使用切削液，使得加工過程變得更加復雜和充滿變數，刀具的磨損、崩刃、溫度過高等危險性顯著增加。因此出于加工的效率、精度、安全性和綠色制造方式考慮，研究一套性能穩定功能齊全的在線加工過程監控系統成為一個挑戰。
解決方案:
通過虛擬儀器軟件開發環境(LabVIEW)設計出具有信號實時采集和存儲、采集參數設置、信號動態顯示、信號基本特征的實時抽取等基本功能的各類虛擬儀器面板。對切削過程中各加工信號進行可視化采集和綜合分析處理。
"虛擬儀器以計算機為統一的硬件平臺，配以具有測試和控制功能硬件接口卡，通過系統管理軟件的統一指揮調度來實現傳統測控儀器的功能。與傳統儀器相比，虛擬儀器在智能化程度、處理能力、性能價格比、可操作性等方面都具有明顯的技術優勢。"
介紹：
目前大型、整體航空結構件加工周期很長，如果加工過程中出現問題，導致零件報廢，成本損失很大。另外出于安全性的考慮，相當一部分的高速機床主軸實 際轉速偏低，切削用量欠優化，高速機床低速使用，一方面造成設備和機床功率的浪費，另一方面使高速主軸因長期承受重載荷而壽命降低。但采用很高的主軸轉 速、刀具進給速度以及不使用切削液，使得加工過程變得更加復雜和充滿變數，刀具的磨損、崩刃、溫度過高等危險性顯著增加。所以對加工過程的在線監控，實時 掌握并控制加工進程中的狀態，據此來研究、優化工藝參數，預報和避免一些危險狀態的出現顯得尤為重要。
一、項目背景：
該課題是航空科學基金項目，項目編號：2007ZE56008。
我國自20世紀90年代初開始高速切削技術方面的研究，工業發達國家在20世紀90年代中期把研究和開發的重點轉向了干加工。干式切削是指在切削加 工中不使用切削液的工藝方法。從目前國內外的情況來看，采用純粹的干切削特別是高速干切削還存在一定困難。因為沒有切削液,其冷卻、潤滑及排屑作用就會喪 失, 產生更多的摩擦和粘附現象,使得刀具壽命變短、生產效率降低。所以,其應用范圍還很有限。而傳統的濕式切削又有諸多不足。因此介于兩者之間的最少量潤滑技 術MQL有著極為廣闊的應用前景。
目前國內外在高速切削和干切削方面的研究主要側重在刀具材料、涂層、裝夾以及機床等方向。在加工過程監控方面重視不夠。本項目主要對高速干切削（采用MQL）過程用多種傳感器進行監測，并對其進行主動模糊控制。
建立了基于多傳感器的飛機結構件高速銑削過程監測軟硬件系統。對數據采集卡、傳感器（振動、功率、溫度）型號及安裝位置進行了論證；基于LABVIEW，用面向組件的方法建立了數據采集虛擬儀器系統。
用不同磨損狀態的銑刀，基于不同的切削參數和切削條件，對碳鋼、航空鋁合金材料進行了多次高速銑削試驗；對所采集的信號進行了時域、頻域和時-頻域 分析，總結了不同銑削狀態所對應的信號特征；基于Kolmogorov-Smimov檢驗理論(KS檢驗)，能夠對刀具磨損狀態進行在線識別。
二、系統整體框架簡介
整個系統分為硬件平臺（實驗平臺）和軟件平臺（開發環境及應用環境）兩部分。
1、硬件平臺設計與實現
系統總體硬件框圖如下：
圖1 系統總體硬件框圖
由圖1可以看出硬件部分主要由振動傳感器、溫度傳感器、功率傳感器、信號調理模塊、MQL系統和數據采集卡等組成。
該系統主要由數據采集卡PCI-6220通過各個傳感器分別采集到高速干切削加工過程中的振動信號、溫度和功率信號，將采集到的信號反饋到主控計算 機，由預先編制好的虛擬儀器（LabVIEW）程序進行實時數據處理提取其特征值并存儲，通過LabVIEW程序中的模糊控制模塊間接控制MQL系統以實 現冷卻潤滑物噴射到干切削工作臺的流速大小，從而完成整套閉環系統。系統運行現場參見圖2：
圖2 系統運行現場
2、軟件平臺設計與實現
2.1 系統軟件框架
基于LABVIEW平臺構建信號采集、顯示、存儲、分析的數據監測軟件系統。軟件設計采用了面向組件的設計思想，把一個完整的程序分成若干個功能相 對獨立的較小的程序模塊抽象出來，各個程序模塊分別進行設計、編制和調試，最后再將各個模塊鏈接起來總調，采用DMA處理方式保證了刀具狀態識別的實時 性。系統由以下組件組成：系統初始化和自檢模塊，參數設置模塊（傳感器參數、通道增益及采樣頻率和采樣點數等設置），信號分析與處理模塊，數據管理與診斷 模塊和模糊控制模塊等。其結構和系統界面如圖3，4所示:
圖3 高速干銑削過程監測軟件模塊結構圖
圖4 高速干銑削過程監測系統界面
2．2 數據分析與管理
監測系統對各個傳感器拾取的加工信號進行實時采集，并對采集到的信號進行數據分析，其中對測點主要包括時域分析、頻域分析、時頻分析和時間序列分 析,同時運用NI公司提供的Sound and Vibration工具包進一步將采集到的聲音和振動信號做聲音和振動級別測量、頻率、順態分析和倍頻分析。將得到的各個傳感器信號的特征值錄入數據庫。 數據庫管理系統能夠實現對信號特征數據的查詢、管理及調用，系統還可根據不同需要做相應變動已達到最終目的，可擴展性強。其數據分析界面、數據庫管理界面 和部分數據分析原程序分別如圖5、6，7所示：
圖5 數據分析界面
圖6 數據庫管理界面
圖7 數據分析部分程序界面
2.3 MQL系統的模糊控制實現
模糊控制模塊設計采用NI公司的LabVIEW PID 工具包，模糊控制算法直接在Labview軟件內實現，采用查表法，使模糊控制器可以保證控制的實時性。控制過程是：切削過程中的各類加工信號通過NI PCI-6220采集卡以數字信號的形式被采進主控計算機后，并對其進行預處理求其特征值，在主控計算機的Labview環境中，與設定的標準值比較后求 出誤差和誤差的變化，通過查詢事先做好的模糊控制表，得到一個模糊控制的輸出量，再通過NI PCI-6220的一個數字輸出口，從而控制MQL系統。圖7為模糊控制的核心程序框圖。
圖8 模糊控制的核心程序框圖
2.4、基于KS(Kolmogorov-Smirnov)智能刀具磨損狀態識別
Kolmogorov-Smimov檢驗(KS檢驗)是一種非參數統計，它用于描述兩個獨立統計樣本的相似性，目前已成功運用于航天、生物工程等許多領域。項目將KS檢驗的方法應用于刀具磨損狀態識別，取得了滿意的效果，且效率較高，完全可以滿足在線智能診斷的要求。
從采集到的數據中分別提取如下三種不同磨損刀具的振動信號分別記為樣本A（新刀振動數據）、樣本B（微磨損刀具振動信號）和樣本C（嚴重磨損刀具振 動信號），時域波形見圖8到圖11。在從嚴重磨損刀具振動信號中取一段信號記為樣本D，樣本D是待識別的振動信號，用來進行磨損識別檢驗。上面所有樣本信 號產生的切削三要素、工件材料等切削條件都相同。樣本信號都經過預處理的樣本數據。樣本數據的長度都為1024個數據點，采樣頻率為20KHz。
圖9樣本A信號時域波形圖
圖10樣本B信號時域波形圖
圖11樣本C信號時域波形圖
圖12樣本D信號時域波形圖
首先，要準備磨損樣本識別庫，將不同磨損劃分刀具的振動信號存入磨損樣本實例庫中，這樣就得到三種磨損（新刀、微磨損、嚴重磨損）狀態庫。在相同的切削條件下，將待檢樣本D按照圖12流程進行分類識別。
從表1中可知，在取統計距離D=0.0601，顯著性水平 =0.05為門檻值，則識別的結果完全正確。
圖13磨損狀態識別流程圖
三、總結：
虛擬儀器以計算機為統一的硬件平臺，配以具有測試和控制功能硬件接口卡，通過系統管理軟件的統一指揮調度來實現傳統測控儀器的功能。與傳統儀器相 比，虛擬儀器在智能化程度、處理能力、性能價格比、可操作性等方面都具有明顯的技術優勢。本文利用虛擬儀器技術，建立了刀具磨損的在線監控系統，實時掌握 并控制加工進程中的狀態，并能夠動態地采集、存儲和分析數據，經多次試驗認證可以準確地監控刀具磨損狀態，避免一些危險狀態的出現，具有實際工程的應用價值。
北京市公安局海淀分局備案號：11010802023656號