K-means閾值算法下數控車床功率監控系統的研究

韓廷超 仇 健 葛任鵬 李 帥

(沈陽機床(集團)有限責任公司高檔數控機床國家重點實驗室，遼寧沈陽110142)

數控技術的迅速發展為數控機床的智能制造、網絡化生產等自動化制造模式提供了便捷服務，同時對數控加工的可靠性、安全性等提出更高的要求，如何降低設備故障率成為數控設備生產企業面臨的難題[1]。

數控機床加工狀態監控可以保證機床持續高效、安全運行，優化加工工藝參數，提高加工質量。因此，機床狀態監控受到越來越廣泛的關注。

機床加工狀態監控主要監測機床加工過程中的電流、功率[2]、切削力、溫度、轉矩等信號，評估機床運行狀態，優化加工工藝和預測機床故障。機床功率可以監控機床的運行狀態，監測機床加工過程，故障預測與分析[3]。劉飛等[4]提出利用機床主傳動系統功率監控大工件加工狀態的方法。Vijayaraghavan[5]提出通過主軸輸入功率監測機床能耗與加工狀態的方法。上述方法主要關注機床主軸輸入功率的監控，無法實現動態監控。

本文通過監控主軸輸出功率的方法實現對機床加工狀態的實時監控。在搭建數控車床主軸輸出功率監測系統的條件下，利用K-means聚類算法[6-7]預測不同加工參數下的機床功率閾值，利用LabView監控平臺實現對機床加工狀態的功率監控。

1 數控車床主軸功率監控

1.1 數控車床主軸功率監控原理

機床加工過程中能量信息的變化是切削加工狀態的綜合反映[8]。機床能效監控一直作為判斷機床實時工況的重要手段。通過監測主軸輸入功率，經過一系列算法的計算后得到切削功率，進而對其實時監測，掌握機床加工狀態，監控流程圖如圖1所示。

首先通過實驗獲取不同加工條件下的主軸功率以及不同主軸轉速下的空載功率，形成主軸轉速、進給速度、切削量等與主軸功率相對應的矩陣[9]。借助K-means聚類算法計算功率監控閾值，形成加工參數對應的切削功率聚類中心。在機床加工時，將采集到的主軸功率信號，經過處理后，去除機床空載功率，把得到的切削功率信號與加入安全系數的切削功率監控值比較，若大于監控值則報警。

1.2 切削功率閾值算法

監控指標閾值是判斷監控目標對象狀態是否正常的關鍵因素。依靠個人經驗的恒閾值監控會因加工條件的變化而導致誤判。K-means聚類算法通過迭代對監控指標值進行數據離散化，將每組數據劃分到不同的組別，不斷調整計算后得到聚類中心。

研究通過功率傳感器獲取不同加工參數下的切削功率、主軸輸出功率和空載功率，如表1所示。運用Matlab的K-means算法將試驗獲取的不同參數劃分至不同聚類中心點中，并將其加入安全系數后得到切削功率監控閾值。聚類法聚類中心數目K值的選取方式為貪婪準則法，獲取最優解。聚類中心的計算采用迭代方式，將切削功率值相似的切削參數歸結為同一聚類中心，如圖2所示。

表1 不同加工參數下的主軸功率及切削功率

1.3 監控系統建立

數控車床主軸切削功率監控系統采用LabView軟件程序編寫，實現功率信號的采集、分析處理。其前面板如圖3所示，主要包括:采樣頻率和采樣通道的選定，監控安全系數的設定，監測信號的數據存儲，主軸電動機三相電流的實時顯示，采樣數、采樣時間、主軸轉速、進給速度以及功率最大值的實時顯示，切削功率的監控值顯示，主軸功率輸出的實時顯示，切削功率頻譜的顯示，越限報警提示。

機床功率監控系統的數據采集、分析處理和信號顯示的程序圖如圖4所示。先從設備上讀取主軸的電流值和電壓值，經過濾波器濾波后經過計算后得到主軸功率輸出值，除去空載功率即可得到切削功率。通過主軸和進給軸轉速檢測程序得到主軸轉速和進給速度參數，將得到的切削參數作為輸入量輸入至K-means聚類算法得出切削功率監控系統的上限值，將切削功率計算值和監控上限值比較，當切削功率超過監控上限值即發出報警。

2 監控結果分析

機床功率監控平臺能夠保證監測機床加工狀態準確性的關鍵因素之一就是功率閾值的可靠性。此監控平臺的功率閾值來源于K-means聚類分析后對不同加工參數下切削功率的預測值。如圖5和圖6所示為不同轉速下的切削功率和機床空載功率的測量值與預測值分布圖，每個轉速下進行5次功率值預測。從分布圖可以看出預測值與實際值最大不超過20%，主要是由于空載功率的取值是在機床未切削工件的情況下獲取的，存在一定的差異?？梢酝ㄟ^安全系數的設置避免預測誤差產生的誤報警。

切削功率監控界面如圖7所示，為不同進給速度下的切削功率曲線，隨著進給速度的提升切削功率不斷增加，K-means算法會改變聚類中心點，監控閾值相應改變，當達到一定速度時會超過切削功率監控閾值，此時即會發出警報。

3 結語

本文基于LabView和Matlab聯合編程建立數控車床功率監控平臺，利用 LabView的信號處理與Matlab的K-means算法能夠適應不同加工參數下的機床加工狀態監控。經試驗研究得出如下結論:

(1)切削功率監控系統能夠實時監測機床的切削狀態，及時發現設備故障，為加工參數的設定提供參考依據。

(2)K-means聚類算法能夠有效劃分各切削功率梯度，提高監控效率及準確性。K-means算法作為機床切削功率監測的一種解決方案需要足夠量的數據支持以滿足監控的準確性。

(3)K-means算法一般需要事先給定K值，初始中心的選擇的隨機性都會引起機床切削功率監控閾值中心的不穩定。有效選取功率樣本值以及選定代表性強的K值都可以提高聚類結果的準確性和穩定性。