CN101532902A - 用于冷冲模具的质量监测和故障诊断方法 - Google Patents
用于冷冲模具的质量监测和故障诊断方法 Download PDFInfo
- Publication number
- CN101532902A CN101532902A CN200910029479A CN200910029479A CN101532902A CN 101532902 A CN101532902 A CN 101532902A CN 200910029479 A CN200910029479 A CN 200910029479A CN 200910029479 A CN200910029479 A CN 200910029479A CN 101532902 A CN101532902 A CN 101532902A
- Authority
- CN
- China
- Prior art keywords
- computing machine
- signal processing
- genetic algorithm
- signal
- cold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种用于冷冲模具的质量监测和故障诊断方法,在冷冲模具的上下模板处各放两个声发射传感器,模具的振动信号通过该声发射传感器输入与该声发射传感器连接的前置放大器,再输入与所述前置放大器连接的数据采集卡进行A/D转换,最后输入与所述采集卡连接的计算机进行分析诊断,本发明采用基于模糊可能性理论的模糊诊断法,能显著缩短故障诊断时间,提高故障诊断效率。
Description
技术领域
本发明涉及一种基于声发射技术的状态监测及故障诊断技术,特别涉及用于冷冲模具的质量监测与故障诊断方法。
背景技术
冷冲模具是工业生产的主要工艺装备,用模具生产制件所表现出来的高精度、高复杂程度、高一直性、高生产率和低消耗,是其它加工制造方法所不能比的。模具的质量好坏直接影响制件的质量,影响企业的工作的安全、效率和成本。由于模具的工作环境极其恶劣,在工作中存在多种激励振源,如模具往复运动振源、模具对制件的撞击以及各种环境的干扰等,表现在承受高接触压力和剧烈的摩擦,循环加载引起的应力、应变和温度的周期性变化而使模具产生疲劳失效,因此对其进行故障诊断具有较大的难度。
目前,模具工作状态的好坏全靠现场工人和技术人员的经验来判断。由于模具的结构复杂,只能采取故障维修和定期维修的方法对设备进行维修。这两种维修方法的缺陷是:故障维修是在设备出现故障后进行的,这时设备往往已经损坏到相当的程度,存在巨大的安全隐患,既不安全,也给维修带来了很大难度,给企业造成了巨大的经济损失。定期维修比故障维修可以有效地预防设备的潜在故障,但它具有很大的盲目性,首先,对于早期故障损失缺乏科学的预见环节,不能从根本上防止突发事故;其次,定期维修实际上只是为了维修已损坏的部件,对于没有故障的部件和设备这种维修却是一种浪费;再次,定期维修需要对设备的每一个部件都要进行监查,这种在离线情况下的监查很难发现设备在实际工况下的故障;维修中的装配不当和频繁装拆也会对整个设备的精度和性能带来不利影响,从而导致潜在故障依然存在。
发明内容
本发明的目的是为克服现有技术的缺陷,提供一种新的用于冷冲模具的质量监测和故障诊断方法,该方法较方便地对模具进行质量监测和故障诊断,准确率高,适合现场使用。
本发明采用的技术方案是:在冷冲模具的上下模板处各放两个声发射传感器,模具的振动信号通过该声发射传感器输入与该声发射传感器连接的前置放大器,再输入与所述前置放大器连接的数据采集卡进行A/D转换,最后输入与所述采集卡连接的计算机进行分析诊断。
具体采用如下步骤:
1)将所述声发射传感器传出的声发射信号输入前置放大器中的滤波器进行A/D转换;
2)将采集卡采集的时域信号输入计算机中进行数据的归一化处理,取其平均值=0,准偏差=1;
3)在计算机中的信号处理中采用贝分为3小波基将信号的采样频率分解到三层;
4)在计计算机中的信号处理中以小波包分析技术对对预处理的信号进行分解与重构;
5)在计算机中的信号处理中对重构后的声发射信号进行特征成分的提取,提取声发射信号的能量特征向量,把各频带内的能量与总能量之比作为特征参数;
6)在计算机中的信号处理中运用遗传算法对特征参数进行参数的优化,生成初始遗传因子,计算适应度;
7)在计算机中的信号处理中运用遗传算法对特征参数进行参数的优化,在遗传算法的优化算法中实现淘汰、交叉和变异;
8)在计算机中的信号处理中运用遗传算法对特征参数进行参数的优化,在遗传算法的优化算法中生成遗传算法特征参数从而对初始参数进行优化;
9)在计算机中的信号处理中利用概率理论以及可能性理论决定状态辨别用的概率密度函数以及可能性分布函数;
10)在计算机的信号处理中,存储或输出找到优良遗传算法特征参数;
11)在计算机中的信号处理中实现对模具状态判定及故障诊断。
本发明的有益效果是:
1、在冷冲模具的上下模板各放两个声发射传感器对模具的故障进行定位,可用于其他锻造、粉末冶金模具等状态监测和故障辨别。
2、监测硬件的结构简单、可靠,携带方便、适合于现场使用,具有较大的安全性和和经济性,适于批量生产。
3、采用基于模糊可能性理论的模糊诊断法,能显著缩短故障诊断时间,提高故障诊断效率。
附图说明
下面将结合附图和具体实施方式对本发明作进一步详细描述。
图1是本发明的硬件部分整体结构连接图。
图2是本发明方法流程图。
图1中:1.凸模;2.凹模;3.液压机床;4.采集卡;5.计算机;6.前置放大器;7.声发射传感器。
具体实施方式
如图1-2所示,在液压机床3的凸模1和凹模2的上下模板上分别安装声发射传感器7,将发射传感器7通过前置放大器6和采集卡4连接计算机5。本发明针对冷冲模具的具体情况,结合所作的实验研究工作,在液压机床3这一完整的振动测试平台上采用不同的信号处理方法,具体实施方式是:
(A)由于冷冲模具的凸模1和凹模2在工作过程中往复运动和在一个周期内受力振动,以及模具内部产生应力波的影响,所以模具的振动信号通过该声发射传感器7输入与该声发射传感器7连接的前置放大器6。本发明采用灵敏度很高的声发射传感器7,产生裂纹时能对其相应的信号进行捕捉,以直接获取模具的状态信息。对于模具发生故障时的定位问题,可以通过声源传播到声发射传感器7的时差来进行故障的定位。
(B)对步骤(A)中声发射传感器7获取的模具的状态信息输入前置放大器6中的滤波器进行A/D转换以及信号放大,可获取测试分析及进行数据处理保存处理。
(C)在对声发射传感器7收集到的信号测试分析后,由于无量纲参数不容易受测定条件以及工况变动的影响,测定比较稳定,故将采集卡4采集的时域信号输入与采集卡4连接的计算机5中,在计算机5软件系统中进行数据的归一化处理,取其平均值=0,标准偏差=1。
(D)为尽量保留声发射传感器7收集到的声发射信号信息,本发明对声发射信号的采样频率为2MHz,则其奈奎斯特频率为1MHz,小波包分解尺度过少,不能有效提取故障特征;分解尺度过多,特征向量的维数偏大,会影响诊断速度。故本发明采用db(贝分)3小波将信号的采样频率分解到三层,则每层每节点的所对应的频率带宽为125KHz。小波包分解后的结果并不是正确按照频率顺序排列(即频率由低到高排列),而是按佩利(Paley)序号排列,要得到正确的结果,还需要对分解结果进行重新排序,将佩利序号通过格雷(Gray)编码排序转换为沃尔什(Walsh)序号,使频率按照由低到高的顺序排列,以便于进行信号分析和信号特征成分的提取。由式(1)和(3)可以得到冲压模具声发射信号经小波包分解后各个不同频带的能量和能量百分比。
式中:xk,m(k=0,1,2,…,2j-1;m=1,2,…,n,n为信号的理想采样点数)为重构信号Sj,k的离散点的幅值。E0为分析信号的总能量。
(E)为了对模具的状态进行准确判定,本发明采用遗传算法对小波包分解所获得的特征参数(各频带的能量百分比)进行重组优化,以获得最优特征参数。先提取声发射信号的特征成分,生成初始遗传因子,计算适应度,实现淘汰、交叉和变异后生成遗传算法特征参数,再存储或输出找到的优良的遗传算法特征参数,利用概率理论以及可能性理论决定状态辨别用的概率密度函数以及可能性分布函数,最后对模具状态进行判定及故障诊断。
由于特征参数用于识别两种状态时,[设x1和x2分别是根据测量状态1和状态2的信号计算得到的某一特征参数的值,并且x1和x2分别服从正态分布N(μ1,σ1 2)和N(μ2,σ2 2)。],分辨指数 越大时,表示两状态的分布距离越大。此外,当分辨指数的值在1.65以上时,可以得到95%以上的识别率。鉴于此,本发明的遗传算法操作步骤为:
1)初始化基因型种群生成初始遗传因子,计算适应度
为了开始遗传算法操作,需随机产生初始化基因型种群。
2)淘汰、交叉与变异
本发明的变异的概率为1%~0.5%。
3)终止条件
遗传算法操作满足以下其中一个条件就会终止。
1)最大的分辨指数(DI)经过一定的代数没有发生变化(如:60代)。
2)分辨指数如果大于一个给定的值(如1.65),因为如果分辨指数大于1.65,那么辨别率P0>95%
(F)在诊断识别时,特征参数的数值xy′可以由在未知状态中所测得的信号计算出来。状态的可能性级别Wy由下式算出:
于是模糊诊断的结论如下:
如果:Wy=Wn=max{Wn,Wf1,…,Wfk,…,Wfm} (5)
则该状态y是n(正常normal);
如果:Wy=Wfk=max{Wn,Wf1,…,Wfk,…,Wfm} (6)
则该状态y是fk(状态k)。
Claims (2)
1.一种用于冷冲模具的质量监测和故障诊断方法,其特征是:在冷冲模具的上下模板处各设置两个声发射传感器(7),模具的振动信号通过该声发射传感器(7)输入与该声发射传感器(7)连接的前置放大器(6),再输入与所述前置放大器(6)连接的数据采集卡(4)进行A/D转换,最后输入与所述采集卡(4)连接的计算机(5)进行分析诊断。
2.根据权利要求1所述的用于冷冲模具的质量监测和故障诊断方法,其特征是具体采用如下步骤:
1)将所述声发射传感器(7)传出的声发射信号输入前置放大器(6)中的滤波器进行A/D转换;
2)将采集卡(4)采集的时域信号输入计算机(5)中进行数据的归一化处理,取其平均值=0,标准偏差=1;
3)在计算机(5)中的信号处理中采用贝分为3小波基将信号的采样频率分解到三层;
4)在计计算机(5)中的信号处理中以小波包分析技术对对预处理的信号进行分解与重构;
5)在计算机(5)中的信号处理中对重构后的声发射信号进行特征成分的提取,提取声发射信号的能量特征向量,把各频带内的能量与总能量之比作为特征参数;
6)在计算机(5)中的信号处理中运用遗传算法对特征参数进行参数的优化,生成初始遗传因子,计算适应度;
7)在计算机(5)中的信号处理中运用遗传算法对特征参数进行参数的优化,在遗传算法的优化算法中实现淘汰、交叉和变异;
8)在计算机(5)中的信号处理中运用遗传算法对特征参数进行参数的优化,在遗传算法的优化算法中生成遗传算法特征参数从而对初始参数进行优化;
9)在计算机(5)中的信号处理中利用概率理论以及可能性理论决定状态辨别用的概率密度函数以及可能性分布函数;
10)在计算机(5)的信号处理中,存储或输出找到优良遗传算法特征参数;
11)在计算机(5)中的信号处理中实现对模具状态判定及故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910029479A CN101532902A (zh) | 2009-04-14 | 2009-04-14 | 用于冷冲模具的质量监测和故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910029479A CN101532902A (zh) | 2009-04-14 | 2009-04-14 | 用于冷冲模具的质量监测和故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101532902A true CN101532902A (zh) | 2009-09-16 |
Family
ID=41103634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910029479A Pending CN101532902A (zh) | 2009-04-14 | 2009-04-14 | 用于冷冲模具的质量监测和故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101532902A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949895A (zh) * | 2010-08-20 | 2011-01-19 | 江苏大学 | 一种金属拉深件微小裂纹冲击性信号的识别方法 |
CN101996316A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 一种用于辨别拉深件裂纹的模糊识别方法 |
CN107144634A (zh) * | 2017-04-12 | 2017-09-08 | 滁州市东华模具制造有限公司 | 一种用于冷冲模具的质量监测和故障诊断方法 |
CN108760892A (zh) * | 2018-05-28 | 2018-11-06 | 菏泽市产品检验检测研究院 | 一种超薄板微成形模具的ae信号检测系统装置 |
CN109465314A (zh) * | 2018-11-01 | 2019-03-15 | 上海工程技术大学 | 一种板料弯曲成形工艺分析测试平台及工艺参数测试方法 |
CN109525258A (zh) * | 2017-09-20 | 2019-03-26 | 费希尔控制国际公司 | 用于传送时间平均信号数据的带宽可选择的声发射装置和方法 |
CN113263098A (zh) * | 2021-05-25 | 2021-08-17 | 成都宏明双新科技股份有限公司 | 一种厚材不锈钢冲裁工艺 |
-
2009
- 2009-04-14 CN CN200910029479A patent/CN101532902A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949895A (zh) * | 2010-08-20 | 2011-01-19 | 江苏大学 | 一种金属拉深件微小裂纹冲击性信号的识别方法 |
CN101949895B (zh) * | 2010-08-20 | 2012-08-15 | 江苏大学 | 一种金属拉深件微小裂纹冲击性信号的识别方法 |
CN101996316A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 一种用于辨别拉深件裂纹的模糊识别方法 |
CN107144634A (zh) * | 2017-04-12 | 2017-09-08 | 滁州市东华模具制造有限公司 | 一种用于冷冲模具的质量监测和故障诊断方法 |
CN109525258A (zh) * | 2017-09-20 | 2019-03-26 | 费希尔控制国际公司 | 用于传送时间平均信号数据的带宽可选择的声发射装置和方法 |
CN108760892A (zh) * | 2018-05-28 | 2018-11-06 | 菏泽市产品检验检测研究院 | 一种超薄板微成形模具的ae信号检测系统装置 |
CN109465314A (zh) * | 2018-11-01 | 2019-03-15 | 上海工程技术大学 | 一种板料弯曲成形工艺分析测试平台及工艺参数测试方法 |
CN113263098A (zh) * | 2021-05-25 | 2021-08-17 | 成都宏明双新科技股份有限公司 | 一种厚材不锈钢冲裁工艺 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
CN101532902A (zh) | 用于冷冲模具的质量监测和故障诊断方法 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN102765010A (zh) | 刀具破磨损状态检测方法及其检测系统 | |
CN102155988B (zh) | 设备监诊方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN102778358A (zh) | 故障预测模型建立方法及系统、风机监测预警系统及方法 | |
CN111024527B (zh) | 一种基于多传感器数据融合的裂纹扩展监测方法 | |
CN105116872A (zh) | 一种工业过程中基于度量学习与时间序列的故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
CN107451515A (zh) | 一种旋转机械设备故障识别方法及系统 | |
CN102607641A (zh) | 一种燃气轮机的聚类异常检测方法 | |
CN104863840A (zh) | 一种基于emd-pca的往复压缩机智能诊断方法 | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN107977679A (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
CN112683774B (zh) | 一种用于新能源汽车车身的自冲铆接质量检测装置和方法 | |
CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN116296305A (zh) | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090916 |