CN101879690B - 一种基于多传感器信号的批量钻削工序质量监测方法 - Google Patents

Abstract

一种基于多传感器信号的批量钻削工序质量监测方法。它属于一种机械加工质量分析方法。它主要是解决现有方法存在钻削质量检测困难、成本高、或存在漏检等技术问题。其技术方案要点是：使用多传感器，对钻削过程进行监测，提取多维监测信号瞬态突变特征，构建监测信号与钻削过程瞬态特征映射模型，由此建立工序质量特征映射模型并进行特征融合，以此为基础，应用增量聚类分析方法进行模式识别，从而实现对工序质量的分析；由于建立了多维监测信号与钻削过程在时间上的映射模型，为工序质量特征映射模型的建立提供了重要的前提条件。通过钻削试验证明：信号分析结果与物理检测结果吻合较好，算法可靠，实用性强。它可广泛应用于对钻削工序进行质量监测领域。

Description

一种基于多传感器信号的批量钻削工序质量监测方法

技术领域

本发明涉及一种机械加工质量在线监测分析技术，特别是一种可用于批量钻削工序质量在线监测的质量增量聚类分析方法。

背景技术

钻削在航空航天、汽车制造、电子、医疗器械、化工等领域应用广泛，统计显示，孔加工的金属切除量占切削加工总金属切除量的比例将近30％。不仅如此，而且孔加工一般是大批量加工，各孔切削参数一致，如一架F-16战斗机参数一致的连接孔超过24万个，一架波音747参数一致的连接孔约有200万个。在这些领域，不仅对单个钻孔的工序质量要求越来越高，而且对批量钻孔加工质量的一致性要求也越来越苛刻。切削工序质量检测参数主要包括工件的尺寸精度、几何精度和表面粗糙度等。由于钻削处于封闭或半封闭加工状态，即使对于单个钻孔质量而言，这些参数的检测都比较困难，批量钻削工序质量的快速检测和分析更难于实现。目前，对于批量钻削质量检测，主要方式仍采用抽检，然后对批量质量进行统计分析、评估，并没有对所有批量钻孔进行全面检测，存在比较严重的质量隐患。

在提高单工序钻削加工质量方面，国内外学者开展了大量的研究。主要是采用传感器监控切削过程，通过分析测试数据，研究加工机理，优化切削参数；发展高效切削的刀具材料以及改进钻头的结构；监测切削过程、机床状态、刀具状态以及工件状态，提高切削加工稳定性。在应用传感器监测钻削过程中，获得的传感器信号信息丰富，它反映了钻削过程的各种状态特征。我们知道，钻削加工质量实际上是对钻削过程的一种评价，它与钻削过程各种现象密切相关。因而采用传感器监测钻削过程时，获得的反映钻削过程的监测信号一定隐含着钻削加工质量的相关信息。我们在前期研究中也发现：钻孔质量的好坏是与监测信号的波动密切相关。因此，若能从传感器监测信号中挖掘出与钻削质量相关的特征信息，在理论上就可以实现基于传感器监测信号的单工序钻削质量检测。

要实现基于传感器监测信号的单工序钻削质量检测，首先必须建立传感器监测信号与钻削过程的映射关系。但目前有关切削监控传感器信息的研究，往往只注重监测信号的异常状态分析研究，而正常切削状态下，工序过程与传感器信号在时间上的映射关系甚少涉及。其次，由于目前的理论技术有限，很难定量、全面地分析出切削监测信号波动与加工质量的内在联系，但在大量实验数据的基础上，通过定性的统计分析，对监测信号进行加工质量特征提取分析，得到基于多传感器监测信号的工序质量评判标准，理论上是可行的。

此外，对于同一机床上的批量钻削加工而言，由于钻削加工参数基本一致，在正常切削状态下，与每一个工序切削过程对应的切削监测信号数据也应该基本一致，但随着刀具的磨损和切削环境的微弱变化，批量切削加工质量也存在波动现象，这些现象也一定反映在切削监测信号的波动上，因此即使不能直接获得基于传感器监测信号的工序质量评判标准，也可采用数据挖掘的方法，提取与批量监测信号的各种特征，对信号波动进行评估分析，间接反应批量切削加工质量间的差异。

发明内容

为能够实现在线批量钻削工序的质量监测和分析，本发明的目的在于提供一种能完整系统地对批量工序进行质量监测的基于多传感器信号的批量钻削工序质量监测方法。

本发明解决其技术问题所采用的方案是：首先采用多传感器采集钻削过程监测信号，根据钻削过程采集的监测信号提取监测信号瞬态突变特征，以此为基础，分割监测信号的瞬态突变特征，并构建监测信号与钻削过程的瞬态突变特征相对应的瞬态特征映射模型；然后采用主成分分析方法或构建神经网络，对特征映射模型的统计特征、时频域特征进行特征融合和降维处理；最后应用增量聚类分析算法进行模式识别，从而实现对批量工序的在线质量监测。

本发明采用的多传感器包括霍尔功率传感器、声发射传感器、或三向振动传感器。所述瞬态特征映射模型是监测信号与钻削过程在时间上的映射关系，主要是根据钻削过程中刀刃与工件的接触位置，细分工序钻削过程，通过小波变换或正交模型分析，提取不同钻削阶段上的监测信号瞬态特征，建立与工序钻削过程对应的监测信号瞬态特征映射模型。

本发明通过对钻削过程中多批次、多组传感器信号的多种不同特征进行识别、分析，通过建立监测信号与切削过程在时间上的映射关系，进而构造批量工序过程质量与监测信号的特征映射矩阵，并通过特征融合、应用增量聚类分析算法进行模式识别方法，以实现对批量工序在线质量分布规律的监测。

本发明的多传感器安装位置可以是：在钻削具上安装与钻削电机相配合的霍尔功率传感器，并在钻削具或工件上安装声发射传感器。本发明可在钻削具或工件上安装三向振动传感器。

综上所述，本发明是一种对钻削过程多传感器监测信号进行信号特征提取、特征融合及模式识别以实现工序质量分析的方法，由于它建立了多维监测信号与钻削过程在时间上的映射模型，为工序质量特征映射模型的建立提供了重要的前提条件。通过钻削试验证明：信号分析结果与物理检测结果吻合较好，算法可靠，实用性强。它可广泛应用于对钻削工序进行质量监测领域。

附图说明

图1是本发明的原理方框图。

图2是本发明的一钻削工序的主轴功率信号(S)和声发射信号(A)与时间的映射图。

图3、4、5分别是x、y、z轴向的振动信号图。

图6是本发明的钻削工序阶段位置示意图。

图7所示为钻孔的剖面电镜图。

图8所示为监测信号(S、A)与钻削过程在时间上的匹配关系图。

图9所示为主轴功率信号(S)、声发射信号(A)、时间(Time)三类信号的三维图。

图10所示为聚类结果示意图。

图11所示是传感器的在加工过程中的安装位置示意图。

图中：1-主轴箱，2-刀具，3-声发射传感器，4-夹具，5-三向振动传感器，6-钻床床身，7-工件，8-霍尔功率传感器，9-主轴电机电缆。

具体实施方式

本通过采用多传感器采集切削过程的监测信号，并通过对工序质量特征映射模型的特征融合、模式识别实现对批量工序质量的分析。具体过程包括：通过多传感器对钻削过程进行监测，所述多传感器可以采用霍尔功率传感器、声发射传感器、三向振动传感器，霍尔功率传感器主要用于检测主轴电机功率，声发射传感器主要用于检测钻削过程声发射信号，三向振动传感器主要用于检测钻削过程工件的振动状态，然后通过提取多维监测信号瞬态突变特征，构建监测信号与切削过程瞬态特征映射模型，由此建立工序质量特征映射模型并进行特征融合、模式识别，从而对工序质量分布规律进行分析。

本发明最典型的思想是：根据钻削过程钻削刃与工件接触位置的变化，提取钻削过程多传感器监测信号的瞬态变化特征，分割多传感器监测信号，构建监测信号与批量切削过程瞬态特征映射模型，也即是建立了监测信号与批量钻削过程在时间上的映射关系。在此基础上，提取特征映射模型间接反映钻削质量的时频域各种特征，通过特征融合和降维处理，对特征映射模型进行聚类分析，可快捷迅速检测出批量钻削工序质量分布规律，实现基于钻削过程多传感器监测信号批量钻削工序质量监测。

本发明对切削过程中多批次、多组传感器信号的多种不同特征在全局上进行识别、分析，建立监测信号与切削过程在时间上的映射关系，进而构造工序过程质量与监测信号的特征映射模型，并应用了特征融合、模式识别的方法，从而实现了对工序质量分布规律的分析。其中，特征映射模型是通过钻削过程监测信号的瞬态变化特征确定的，特征融合采用了主成分分析或构建神经网络模型方法，模式识别是通过增量聚类分析算法来实现的。

下面结合附图对本发明进行进一步说明。

如附图1所示，此图为基于多传感器信号的批量钻削工序质量监测方法原理图：通过多传感器采集钻削过程中的主轴功率信号、声发射信号和三向振动信号，根据钻削过程中切削刃与工件的接触位置，细分工序钻削过程，通过小波变换或正交模型分析，提取不同钻削阶段上的监测信号瞬态特征，建立与工序钻削过程对应的监测信号瞬态特征模型，然后对特征映射模型的统计特征、时频域特征进行特征融合和降维处理，最后应用增量聚类分析方法进行模式识别，从而实现对批量工序质量的在线监测。

如附图2所示，此图为一钻削工序的主轴功率信号(S)和声发射信号(A)与时间的映射图。在此图中有三个参量：时间、主轴功率信号(S)，声发射信号(A)。其中，主轴功率信号反映了主轴能量消耗情况，通过安装在主轴电机电缆处的霍尔传感器即可采集到该信号，对机床几乎没有影响。声发射检测技术是目前应用较多的无损检测技术，尤其在刀具监测方面应用广泛。利用声发射测量分析，可以确定结构损伤或缺陷产生的位置，并且可以对损伤程度进行有效的估计。在不影响机床加工特性和固有特性的前提下，声发射传感器安装在最靠近声发射源的位置，固定在工件表面，并与工件紧密接触。

如附图3、4、5所示，这三个图分别是x、y、z轴向的加速度信号，该信号由三向振动传感器采集。

如附图6所示，此图为钻削工序阶段示意图。选定以工件为参照物，则钻削过程始终为刀具的旋转运动和轴向进给。在一个典型的钻削工序中，由于钻削工艺设计和刀具结构特征，钻削加工过程表现出一定的阶段性，如附图2所示。具体阶段划分及说明如下：

一是快速定位阶段：如附图6(1)，该阶段从主轴启动开始(a时刻)，刀具以定位速度快速运动到待加工孔的上方(b时刻)。主轴功率较低且较平缓；声信号与机床特性有关，主要与主轴电机和机床的机械特性有关，并无其他异常；机床振动也表现为机床固有特性。

二是空载进给阶段：如附图6(2)，在刀具距工件很近的位置时(b时刻)，刀具由快速定位速度调整为进给速度，从该时刻起，到刃尖接触工件瞬间(c时刻)，为空载进给阶段。此时刃尖并没有接触到工件，处于空载状态。故此时的主轴功率信号波动不大，声信号和振动信号同样与机床特性有关。

三是刃口钻入阶段：如附图6(3)，从刃尖接触刀具瞬间(c时刻)，至刃口完全接触工件(d时刻)这一阶段为刃口钻入阶段。主轴功率出现一定波动，但整体趋势是增大；声信号中出现突变，声信号表现不稳定；振动信号表现出一定的周期性。

四是全负载钻孔阶段：如附图6(4)，该阶段是从刃口完全钻入(d时刻)，到刃尖刚刚钻出这一过程(e时刻)。主轴功率高，并存在一定的动态波动；金属声发射现象频繁，声信号明显，且波动较大；机床振动相对加剧，同时处于平稳状态。

五是刃口钻出阶段：如附图6(5)，指从刃尖钻出瞬间(e时刻)，到刃口完全钻出(f时刻)，通孔形成这一过程。该过程刃口与工件接触面逐渐减小，切削力逐渐减小，主轴功率信号表现明显的回落，声发射现象仍然存在；振动信号表现无规律的变化。如附图6(6)，该阶段从刃口完全钻出(f时刻)，继续以进给速度前进一段距离，直到主轴反向快速退刀开始(g时刻)。该过程对钻削工序有利于去除尾部毛刺、光滑孔内表面。

六是退刀阶段：如附图6(7)，该过程从退刀开始(g时刻)，一直到主轴反向制动(h时刻)。这一过程对钻孔质量影响不大，主要表现为退刀时对内壁的刮伤带来的粗糙度影响。除在反转瞬间，主轴功率信号将出现大的波动外，均表现趋于平稳。

如附图7所示的所钻孔的剖面电镜图，反映出了钻孔剖面的特性。

如附图8所示，此图为监测信号(S、A)与钻削过程在时间上的匹配关系图。通过对多维监测信号的瞬态特征提取，构建了监测信号与切削过程瞬态特征映射模型，也即是建立了监测信号与切削过程在时间上的映射关系，从而可以细分工序切削过程，分阶段建立工序切削过程监测信号瞬态模型。其中，T表示钻孔加工时间，T1表示钻刃尖接触工件到钻刃刚好完全钻入工件的时间，T2表示钻刃尖钻出工件到钻刃刚好完全钻出工件的时间。

如附图9所示，此图为主轴功率信号(S)、声发射信号(A)、时间(Time)三类信号的三维图，从三个角度，直观地表现钻削过程中各类加工属性的变化。

如附图10所示，此图为聚类结果示意图。由24组钻削实验，得到24个钻孔数据。首先提取这24个钻孔数据的时频域特征并进行标准化，然后利用主成分分析法对其进行模式融合，使每个孔的特征都可以用一组二维数据表示出来，最后对这降维后的数据使用k均值聚类算法进行聚类。此次聚类中设置的类数是3类，图中的三类孔分别用“星号”、“点”、“六角星”表示。各个孔旁边的方框中标示的是实验中所钻孔的编号枛200-223。

如附图11所示，此图表现的是传感器的在加工过程中的安装位置，待加工工件固定在机床上。图示的声发射传感器，它可被固定在工件表面上，其目的是尽可能地接近加工位置，监测加工过程中的声发射信号；图示的三向振动传感器可被固定在机床床身上，监测加工过程中的机床床身在X、Y、Z三个方向的振动信号；图示的霍尔功率传感器的安装位置比较宽泛，只要使主轴电缆穿过霍尔功率传感器的检测孔即可监测主轴功率信号，一般安装在主轴箱里。

下面以具体试验为例对本发明做进一步说明。

在试验中，待加工工件如说明书附图11所示。对此工件进行24次钻孔试验，得到24个钻孔。从这24次钻孔试验中，通过霍尔功率传感器，监测加工过程中主轴功率信号；通过加速度传感器，监测加工过程中的机床床身在X、Y、Z三个方向的振动信号；通过声发射传感器，监测加工过程中的声发射信号。由此我们获得了24组加工过程信号，每组信号包含了“主轴功率信号”、“声发射信号”、“振动信号”三类监测信号。下面对这些信号进行分析。

一是提取多维监测信号瞬态突变特征，构建监测信号与切削过程瞬态特征映射模型。在钻削加工中，根据钻削加工特性、切削刃与工件的接触受力状况以及多维监测信号的初步分析，可将一个钻削过程划分为7个阶段。通过分析试验中功率信号和声发射信号在钻削过程中个阶段的变化特征，采用离散RMS分析和离散求导方法进行特征识别，提取与钻削过程7个阶段相对应的功率和声发射信号变化特征点，通过这些特征点即可在时间上把这7个钻削阶段划分开来，从而建立监测信号与切削过程瞬态特征映射模型。

二是建立工序质量特征映射模型。(1)时域统计特征分析。统计是提取信号特征的一项常规技术，对于批量钻削工序，其工序质量是过程积累的产物，提取过程统计特征将能真实地反映加工过程。因此，从信号的均值、均方根、标准差和能量四个角度提取特征。(2)频域能量特征分析。相对传统的时域统计特征分析，声信号在频域中包含的信息能更好的反映批量钻削过程的旋转、振动、刀刃碰撞过程信息，为批量钻削工序质量提供频域评估数据。(3)时频域综合分析。结合标准化后的时域统计特征和频域能量特征，建立批量钻削过程的特征矩阵，即完成了工序质量特征映射模型的构建。

三是特征融合。特征变量太多，无疑会增加分析问题的难度与复杂性。因此，采用主成分分析方法或构建神经网络，对以上建立的批量钻削过程特征矩阵进行降维处理，使得每个钻孔的特征变量减为2个。

四是模式识别。对经过特征融合的特征矩阵应用k均值聚类算法进行聚类分析，设定聚类数为3。由此得出的3类孔，是按照每个孔自身的质量特征分类的，而且不同类之间的差别较大，同一类中的差别较小，以此为基础，只需从这3类各找一个钻孔做质量检测，就可有效判断该批次钻孔质量。

Claims (5)

1.一种基于多传感器信号的批量钻削工序质量监测方法，其特征是：首先采用包括霍尔功率传感器、声发射传感器和三向振动传感器的多个传感器采集钻削过程监测信号，其中，所述霍尔功率传感器主要用于检测主轴电机功率，所述声发射传感器主要用于检测钻削过程声发射信号，所述三向振动传感器主要用于检测钻削过程中工件的振动状态，根据钻削过程采集的监测信号提取监测信号瞬态突变特征，以此为基础，分割监测信号的瞬态突变特征，并构建监测信号与钻削过程的瞬态突变特征相对应的瞬态特征映射模型；然后采用时域统计特征分析和频域能量特征分析，再进行时频域综合分析建立批量钻削过程的特征矩阵，再采用主成分分析方法对以上建立的批量钻削过程特征矩阵进行降维处理；最后应用增量聚类分析算法进行模式识别，从而实现对批量工序的在线质量监测。

2.一种基于多传感器信号的批量钻削工序质量监测方法，其特征是：首先采用包括霍尔功率传感器、声发射传感器和三向振动传感器的多个传感器采集钻削过程监测信号，其中，所述霍尔功率传感器主要用于检测主轴电机功率，所述声发射传感器主要用于检测钻削过程声发射信号，所述三向振动传感器主要用于检测钻削过程中工件的振动状态，根据钻削过程采集的监测信号提取监测信号瞬态突变特征，以此为基础，分割监测信号的瞬态突变特征，并构建监测信号与钻削过程的瞬态突变特征相对应的瞬态特征映射模型；然后采用时域统计特征分析和频域能量特征分析，再进行时频域综合分析建立批量钻削过程的特征矩阵，并构建神经网络对以上建立的批量钻削过程特征矩阵进行降维处理；最后应用增量聚类分析算法进行模式识别，从而实现对批量工序的在线质量监测。

3.根据权利要求1或2所述基于多传感器信号的批量钻削工序质量监测方法，其特征是：所述瞬态特征映射模型是监测信号与钻削过程在时间上的映射关系，主要是根据钻削过程中刀刃与工件的接触位置，细分工序钻削过程，通过小波变换或正交模型分析，提取不同钻削阶段上的监测信号瞬态特征，建立与工序钻削过程对应的监测信号瞬态特征映射模型。

4.根据权利要求1或2所述基于多传感器信号的批量钻削工序质量监测方法，其特征是：所述霍尔功率传感器安装在钻削具上并与钻削电机相配合，所述声发射传感器安装在钻削具或工件上。

5.根据权利要求1或2所述基于多传感器信号的批量钻削工序质量监测方法，其特征是：所述三向振动传感器安装在钻削具或工件上。

Images