关键词:
铣刀磨损
机器视觉
图像配准
注意力机制
误差补偿
摘要:
随着现代制造业的发展,对数控机床的加工精度要求越来越高。尤其在难加工材料的铣削过程中,铣刀磨损非常严重,是加工误差的主要来源。因此,监测铣刀磨损状态,并针对不同磨损状态进行补偿,对于提高加工精度和效率具有重要的意义。本文以自动化、智能化的检测-加工-补偿一体化集成为目标,研究了在铣削加工过程中的刀具磨损检测以及磨损造成的误差补偿技术。首先,本文搭建了基于机器视觉的铣刀磨损检测系统并开发了相应软件。根据在加工间隙监测铣刀磨损情况的需求,使用远心镜头及环形光源捕捉铣刀表面图像,使用变焦镜头及背光源采集铣刀轮廓图像。然后基于Spring Boot及React JS框架,将相应功能集成于“南高云”数控机床智能化云平台,实现整个分析流程的云端监控及管理。其次,本文提出了一种基于特征点输入的图像快速配准合成算法。先进行SURF特征点检测,并找到待配准图像的局部中心对称点作为铣刀刀尖的参考点,将多张待配准图像的刀尖点作为已知量输入。再从刀尖点附近开始搜索特征点匹配对,经过反复迭代,得到匹配效果最好的配准特征点对。该创新方法将刀尖点作为已知点输入,因此无需在多张待配准图像中随机搜索,提高了配准效率和精度,同时降低了误匹配点数量。然后,针对铣刀刀刃磨损情况,本文提出了一种基于边缘检测和轮廓建模的磨损图像在线处理工作流,对铣刀旋转包络面形状进行建模以分析磨损形态。通过多次获取刀具整体轮廓图像,经过畸变矫正、滤波和图像增强后,采用Canny算子及改进Zernike矩方法获得铣刀边缘的精确定位。然后重建铣刀高速旋转时形成的与工件直接接触的包络面轮廓模型,以此作为磨损造成误差的补偿依据。该创新工作流解决了磨损造成的铣刀形态变化难以在线建模的问题,使得在线采集的铣刀轮廓图像不仅可以作为铣刀磨损状态监测的依据,也能作为对铣削过程中磨损造成误差进行补偿的模型基础。再次,针对铣刀磨损状态分类任务,本文提出了改进的注意力分支网络(ABN)。通过优化ABN的网络结构,并改进训练损失函数的计算方式,使其更适用于铣刀磨损状态分类这一细腻度图像分类任务。通过引入注意力机制,将注意力图作为训练过程中的反馈,提升了模型的可解释性。同时,针对注意力区域的训练,将寻找最佳注意区域作为模型训练的目标之一,将注意力权重在原图中标注形成的注意力图作为增强特征,使模型的关注区域从整张图片缩小到铣刀表面图像的磨损区域,因此可以将磨损特征与其他特征解耦,提升了铣刀图像磨损状态分类任务的准确性和模型的泛化能力。最后,针对铣削加工代码自动生成技术及铣刀磨损造成误差的补偿策略进行研究。为保证处理流程的自动化,本文开发了铣削加工代码自动生成模块,以作为补偿的参考。首先针对原料和工件的三维模型图STL文件进行对比分析,获得去除部分材料的形状和尺寸,然后拾取轮廓的关键点坐标,根据输入的工艺参数,采用分层铣削的思想,生成铣削轨迹及加工代码。然后对刀轴轨迹面和铣刀旋转包络面的几何关系进行建模分析,采取不同的策略完成侧铣加工和点铣加工刀路的修正及加工参数的优化。