发明内容
本发明的目的是针对目前内螺纹冷挤压加工过程中对所加工出的内螺纹检验难度大,耗时长的问题,发明一种简洁易行的内螺纹冷挤压加工质量在线预测方法。
本发明的技术方案是:
一种内螺纹冷挤压加工质量在线预测方法,其特征是针对同一种类的被加工基材和丝锥应分别采用在线学习和在线预测两步进行,其中在线学习包括:
首先,在加工装置上安装用于检测扭矩和温度的传感器进行信号的采集;
其次,将每次加工过程中采集的信号送入计算机中采用泛归一化的处理方法进行特征量的融合,构建出加工过程状态的典型参数集,并根据最终加工产品的质量,确定各加工过程状态下的加工质量,并将加工质量划分成不同的模式状态,计算各模式状态的聚类中心,据此作为下一步实际加工质量预测的依据;
所述的在线预测包括:
首先,也在加工装置上安装用于检测扭矩和温度的传感器进行信号的采集;
其次,实时提取反映加工状态的特征值,并与学习阶段建立的模式状态进行比较,在模式状态识别过程中采用基于最小风险的类中心欧氏距离法,根据提取的特征值向量与模式中心向量的欧氏距离的分布情况实现对加工状 态的模式划分,预测出工件的加工质量。
所述的特征量的融合过程为:
对于加工过程典型参数集X,有
X={x1,x2,x3,…xN}
其中,x为各加工过程状态的特征向量,有:
x=[M1,T1,M2,T2]
对于典型参数集X,其各参数变化范围如下所示:
ΔM1=max(M1)-min(M1)
ΔT1=max(T1)-min(T1)
Δm2=max(M2)-min(M2)
ΔT2=max(T2)-min(T2)
在特征融合过程中,对于加工过程典型参数集X,有
X={x1,x2,x3,…xN}
其中,x为各加工过程状态的特征向量,有:
x=[M1,T1,M2,T2]
其中,M、T分别为内螺纹冷挤压加工过程中的扭矩和温度,一般地,内螺纹冷挤压加工过程由两道工序组成,分别对应为M1、T1、M2、T2;
对于典型参数集X,其各参数变化范围如下所示:
ΔM1=max(M1)-min(M1)
ΔT1=max(T1)-min(T1)
ΔM2=max(M2)-min(M2)
ΔT2=max(T2)-min(T2)
在特征融合过程中,设max(ΔM1,ΔT1,ΔM2,ΔT2)=ΔM1,则在泛归一化处理过程,设泛归一化调整向量为Z,有:
Z=[1,ΔM1/ΔT1,ΔM1/ΔM2,ΔM1/ΔT2]
对于任一加工过程状态的特征向量S,其泛归一化可用如下公式进行:
S′=X(1,:)+(S-X(1,:))·*Z。
本发明的有益效果:
本发明根据内螺纹冷挤压加工过程中的扭矩、加工区平均温度等信息,由多信息融合技术确定冷挤压加工过程中各加工状态的特征向量,检验各加工状态下的工件加工质量,通过合理的模式划分,实现对加工质量的预测。该方法考虑了加工过程的各物理信号之间的相互影响关系,能够有效区分各加工模式,基于最小风险的模式分类,可用于内螺纹冷挤压工件加工质量的预测。
本发明简单,易行,可提高在线检测的速度和准确,有利于提高机械加工的自动化水平和效率。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-9所示。
一种内螺纹冷挤压加工质量在线预测方法,应根据被加工材料和所使用的丝锥进行分类,对于不同的被加工材料和不同材料的丝锥均要分别采用以下方法进行,实施本发明的方法,首先要建立一个内螺纹冷挤压加工在线检测系统,通过电阻应变片、热电偶实现对冷挤压加工过程中的扭矩、加工区平均温度的测量,由数据采集卡输入到计算机,并实现数据的实时显示与存储;通过设定扭矩最大值Mmax,针对加工过程中的意外情况,系统停止加工并退出丝锥以实现保护机床及刀具功能。其次要建立一个内螺纹冷挤压加工质量预测系统,预测系统又包括学习和预测二个步骤,在学习和预测二个步骤中均要用到前面建立的在线检测系统进行数据的采集,其中学习阶段要通过建立加工过程的典型参数集,根据成型工件的质量,确定各加工过程状态下的加工质量,划分不同的模式状态,求出各模式的聚类中心;在预测阶段,通过多传感器信号的采集与处理,提取加工过程的特征向量,作为输入向量,进行模式识别,实现对此加工过程状态下工件质量的预测。详述如下:
本发明所用到的内螺纹冷挤压加工在线检测系统的结构如图1所示,加工过程中的扭矩和加工区平均温度分别通过电阻应变片和热电偶进行测量,通过信号调理电路由数据采集卡输入到计算机,计算机通过对扭矩信号的实时检测,检查其是否达到最大设定限度,当实时扭矩M>Mmax时,计算机发出指令,经数据采集卡,实现停机并安全退出丝锥。
本发明的内螺纹冷挤压加工质量预测过程如图2所示,主要分为学习以及预测两部分。在学习阶段通过对冷挤压丝锥的正常加工过程进行特征值提取,融合,建立典型参数集,确定加工过程状态与加工质量的分类模式及聚类中心,在预测阶段则通过在线检测系统多传感器信息的采集处理,采用基于最小风险的类中心欧氏距离法进行加工过程状态的模式识别,以此预测工件的加工质量。
图3是学习阶段的主要过程示意图,它可分为以下几个步骤:
(1)参数采集、特征提取:通过内螺纹冷挤压加工在线检测系统对加工过程的扭矩以及加工区平均温度进行测量采集,依据加工过程曲线,取其峰值作为每个参数的特征值。一般来说,内螺纹冷挤压加工过程分为两道工序,即一个工件的完整加工过程产生特征向量x:
x=[M1,T1,M2,T2]
其中,M1、M2为两次加工过程中扭矩的峰值;T1、T2为两次加工过程加工区平均温度的峰值。设某一丝锥加工工件数目为N,则其典型参数集X可表示为:
X={x1,x2,x3,…xN}
其中,x反映了丝锥从开始加工直至严重磨损的加工过程状态的特征向量变化情况。
(2)特征融合:在两次加工过程中,由于所关心参数的变化范围不一致,当采用欧氏距离法进行模式识别时,会造成小变化信号的湮灭,本发明中采用泛归一化的方法来提高小变化幅度信号的区分度,其实现过程主要如下:对于加工过程典型参数集X,有
X={x1,x2,x3,…xN}
其中
x=[M1,T1,M2,T2]
对于典型参数集x,其各参数变化范围如下所示:
ΔM1=max(M1)-min(M1)
ΔT1=max(T1)-min(T1)
ΔM2=max(M2)-min(M2)
ΔT2=max(T2)-min(T2)
在特征融合过程中,设max(ΔM1,ΔT1,ΔM2,ΔT2)=ΔM1,则在泛归一化处理过程,设泛归一化调整向量为Z,有:
Z=[1,ΔM1/ΔT1,ΔM1/ΔM2,ΔM1/ΔT2]
一般来讲,对于任一加工过程状态的特征向量S,其泛归一化可用如下公式进行:
S′=X(1,:)+(S-X(1,:))·*Z ………(1)
(3)模式分类:在对内螺纹加工质量进行检测的过程中,本发明采用分析成型牙形完整度的方法,通过牙形的金相照片,准确测量各参数,据此将内螺纹的加工质量划分为三个等级,图4所示即为内螺纹冷挤压加工成型后的典型牙形,其中,(a)为加工质量好的螺纹牙形,其特征主要是牙形完整,顶部无明显凹槽;(b)为加工质量一般的螺纹牙形,其特征主要是牙形较完整,几何尺寸符合要求,顶部凹槽有较小缺陷;(c)为加工质量差的螺纹牙形,其主要特征是牙形不完整,不符合尺寸配合要求。
(4)聚类中心:在已知分类的模式识别中,聚类中心的特征值等于该类所有样本特征值的平均值,求解聚类中心按如下公式计算:
图5是预测过程示意图,它分为以下几个步骤:
(1)参数采集、特征提取、特征融合:在加工过程中,通过所述的内螺纹冷挤压加工在线检测系统,实现对过程参数的采集存储,按照所述的内螺纹冷挤压加工质量预测系统的学习阶段提供的特征提取、融合方法,实现对加工过程特征量的提取与融合;
(2)模式识别:本发明中采用基于最小风险的类中心欧氏距离法进行加工状态的模式识别。对于某一加工过程的特征向量x,设某一模式类别的中心向量为P,P由泛归一化后的典型参数集通过公式(2)求得,x到P的欧氏距离为D,则有:
其中的内螺纹加工质量划分模式按成型牙形质量状况可以分为三个等级,其各模式内加工过程状态特征向量到每个模式中心向量的欧氏距离分布示意图如图6所示,分为三个聚类中心,三个可信区域以及两个怀疑区域,
图6中可信区域1、可信区域2、可信区域3分别对应于工件加工质量的三个等级,对于欧氏距离落于怀疑区域1内的特征向量按其划分方法,可能是成型质量好的加工状态,也可能是成型质量一般的加工状态,根据实际应用情况,按照最小风险原则,将其划归加工质量一般的模式,同样,对于欧氏距离落于怀疑区域2内的特征向量则划归于加工成型质量差的模式类内。
具体的模式识别过程如图7所示,其主要包括以下步骤:
①在实现对特征向量的采集融合处理后得到特征向量S,首先求S与模式1的中心向量间的欧氏距离D,如果D属于模式1则判断结束,输出判断结果,否则进入第二步;
②求S与模式2的中心向量之间的欧氏距离,如果D不属于模式1,不属于模式2且S与模式1中心向量间的欧氏距离小于模式1与模式2聚类中心向量之间的欧氏距离,则其属于模式2,判断结束,输出判断结果,否则进入第三步;
③如果D属于模式2,判断结束,输出判断结果,否则进入第四步;
④对于不属于上述情况的加工状态的特征向量,归于模式3,判断结束,并输出判断结果。例如,当D大于模式1与模式2聚类中心向量之间的欧氏距离,且不属于模式2时,即处于怀疑区域2范围内,则其属于模式3状态。
表1是一个工件做热处理之后的内螺纹冷挤压加工过程中的采集到的典型参数集,可通过上述的内螺纹冷挤压加工在线检测系统实现,主要包括每个工件两道加工工艺的最大扭矩以及加工平均区的最大温度,根据其成型牙形的完整度,对其加工质量进行划分,1代表加工质量良好,2代表加工质量一般,3代表加工质量差。
由表1可知,各特征量在典型参数集中的变化范围如下:
ΔM1=326-248=78
ΔT1=152-103=49
ΔM2=168-110=58
ΔT2=104-52=52
则其归一化调整向量Z可表示为:
Z=[1,ΔM1/ΔT1,ΔM1/ΔM2,ΔM1/ΔT2]
=[1,78/49,78/58,78/52]
按照所述泛归一化方法,其泛归一化后的典型参数集Y如表2所示。
根据公式(2)、公式(3),其中心向量及特征向量相互之间的欧氏距离分布情况如表3所示。表中d表示在同一模式内各特征向量到该模式中心向量的欧氏距离,X12、X23分别表示模式1中心向量与模式2中心向量,模式2中心向量与模式3中心向量之间的欧氏距离,d12表示模式2中的各特征向量到模式1中心向量间的欧氏距离,d21表示模式1中的各特征向量到模式2中心向量间的欧氏距离,d23表示模式3中的各特征向量到模式2中心向量间的欧氏距离,d32表示模式2中的各特征向量到模式3中心向量间的欧氏距离,其各欧氏距离分布示意图如图8所示。遵循风险最小原则,其欧氏距离落于可信区域1内时,预测结果输出为模式1,落于怀疑区域1以及可信区域2时,预测结果输出为模式2,其他情况下预测结果输出为模式3。
表4即为内螺纹冷挤压加工过程中加工状态特征向量及其加工质量情况,表5为各特征向量经过泛归一化后的结果及其质量预测情况,图9为各特征向量模式识别的欧氏距离分布示意图,图9中Ii(i=1,2…,8)依次为各预测向量按所述模式识别流程运行后的分布情况。可以看出,系统在基于最小风险原则的情况下能够预测内螺纹的加工质量,保证其使用性能。
表1 内螺纹冷挤压加工过程典型参数集
工件编号 |
一次扭矩 M1(Nm) |
一次温度 T1(℃) |
二次扭矩 M2(Nm) |
二次温度 T2(℃) |
加工质量 等级 |
1 |
248 |
103 |
110 |
52 |
1 |
2 |
254 |
105 |
113 |
53 |
1 |
3 |
259 |
108 |
117 |
57 |
1 |
4 |
265 |
110 |
122 |
59 |
1 |
5 |
272 |
113 |
126 |
62 |
1 |
6 |
280 |
119 |
130 |
69 |
1 |
7 |
282 |
121 |
132 |
72 |
2 |
8 |
285 |
123 |
135 |
74 |
2 |
10 |
287 |
123 |
138 |
73 |
2 |
11 |
291 |
125 |
140 |
76 |
2 |
12 |
294 |
127 |
143 |
79 |
2 |
13 |
292 |
125 |
141 |
78 |
2 |
14 |
295 |
128 |
145 |
81 |
2 |
15 |
298 |
129 |
146 |
83 |
2 |
16 |
304 |
131 |
149 |
86 |
3 |
17 |
310 |
138 |
154 |
93 |
3 |
18 |
317 |
142 |
160 |
97 |
3 |
19 |
321 |
147 |
165 |
100 |
3 |
20 |
326 |
152 |
168 |
104 |
3 |
表2 螺纹冷挤压加工过程泛归一化后的典型参数集
工件编号 |
一次扭矩 M1(Nm) |
一次温度 T1(℃) |
二次扭矩 M2(Nm) |
二次温度 T2(℃) |
加工质量 等级 |
1 |
248 |
103 |
110 |
52 |
1 |
2 |
254 |
106.2 |
114 |
53.5 |
1 |
3 |
259 |
111 |
119.4 |
59.5 |
1 |
4 |
265 |
114.1 |
126.1 |
62.5 |
1 |
5 |
272 |
118.9 |
131.5 |
67 |
1 |
6 |
280 |
128.5 |
136.9 |
77.5 |
1 |
7 |
282 |
131.7 |
139.6 |
82 |
2 |
8 |
285 |
134.8 |
143.6 |
85 |
2 |
9 |
284 |
133.2 |
140.9 |
82 |
2 |
10 |
287 |
134.8 |
147.6 |
83.5 |
2 |
11 |
291 |
138 |
150.3 |
88 |
2 |
12 |
294 |
141.2 |
154.3 |
92.5 |
2 |
13 |
292 |
138 |
151.7 |
91 |
2 |
14 |
295 |
142.8 |
157 |
95.5 |
2 |
15 |
298 |
144.4 |
158.4 |
98.5 |
2 |
16 |
304 |
147.6 |
162.4 |
103 |
3 |
17 |
310 |
158.7 |
169.1 |
113.5 |
3 |
18 |
317 |
165 |
177.2 |
119.5 |
3 |
19 |
321 |
173 |
183.9 |
124 |
3 |
20 |
326 |
181 |
188 |
130 |
3 |
表3 典型参数集欧氏距离分布表
表4 加工过程特征向量及其加工质量情况表
工件编号 |
一次扭矩 M1(Nm) |
一次温度 T1(℃) |
二次扭矩 M2(Nm) |
二次温度 T2(℃) |
加工质量 等级 |
1 |
252 |
103 |
111 |
53 |
1 |
2 |
278 |
117 |
127 |
68 |
1 |
3 |
280 |
120 |
132 |
70 |
1 |
4 |
286 |
122 |
135 |
73 |
2 |
5 |
294 |
124 |
146 |
78 |
2 |
6 |
300 |
131 |
148 |
85 |
2 |
7 |
315 |
141 |
158 |
94 |
3 |
8 |
322 |
150 |
165 |
101 |
3 |
表5 泛归一化后的加工过程特征向量及其加工质量预测情况表
工件编号 |
一次扭矩 M1(Nm) |
一次温度 T1(℃) |
二次扭矩 M2(Nm) |
二次温度 T2(℃) |
加工质量 等级 |
预测质量 等级 |
1 |
252 |
103 |
111.3 |
53.5 |
1 |
1 |
2 |
278 |
125.3 |
132.9 |
76 |
1 |
1 |
3 |
280 |
130 |
139.6 |
79 |
1 |
2 |
4 |
286 |
133.2 |
143.6 |
83.5 |
2 |
2 |
5 |
294 |
136.4 |
158.4 |
91 |
2 |
2 |
6 |
300 |
147.6 |
161.1 |
101.5 |
2 |
3 |
7 |
315 |
163.5 |
174.6 |
115 |
3 |
3 |
8 |
322 |
177.8 |
184 |
125.5 |
3 |
3 |
本发明还可用于丝锥寿命的预测。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。