CN102765010B - 刀具破磨损状态检测方法及其检测系统 - Google Patents

刀具破磨损状态检测方法及其检测系统 Download PDF

Info

Publication number
CN102765010B
CN102765010B CN201210227543.8A CN201210227543A CN102765010B CN 102765010 B CN102765010 B CN 102765010B CN 201210227543 A CN201210227543 A CN 201210227543A CN 102765010 B CN102765010 B CN 102765010B
Authority
CN
China
Prior art keywords
signal
vibration
cutter
time
vibration signal
Prior art date
Application number
CN201210227543.8A
Other languages
English (en)
Other versions
CN102765010A (zh
Inventor
吕苗荣
陆健
Original Assignee
常州大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 常州大学 filed Critical 常州大学
Priority to CN201210227543.8A priority Critical patent/CN102765010B/zh
Publication of CN102765010A publication Critical patent/CN102765010A/zh
Application granted granted Critical
Publication of CN102765010B publication Critical patent/CN102765010B/zh

Links

Abstract

本发明涉及一种刀具破磨状态损检测方法,包括以下步骤:①测量刀具切削、磨削过程中的振动信号;②对所述的振动信号进行模式滤波法计算;③对所述的振动信号时频子波进行分类整理与特征提取;④对所述时频子波进行分类、聚集和信号分离处理,对各类时频子波进行信号重构,再统计各类信号的峭度指标(Cq)和峰值指标(Ip),根据各类分离信号指标参数在Cq—Iq平面的动态分布情况来检测刀具的破磨损和机床运行状态,实现刀具破磨损状态的识别检测与定量化预警、预报。本发明通过简单的监测设备,实现刀具磨损状况的检测;信号识别稳健性好,保证机械加工生产的安全,提高加工零件的精度,提高机床生产率与机床利用效率。

Description

刀具破磨损状态检测方法及其检测系统
技术领域
[0001] 本发明涉及机械加工中刀具磨损监测、诊断与维护领域,特别涉及一种刀具破磨损状态检测方法及其检测系统。
背景技术
[0002] 工业统计表明,刀具失效是引起机床故障的首要因素,由此引起的停机时间占数控机床总停机时间的1/5〜1/3。研究表明,数控机床配备刀具监测系统后可减少75%的故障停机时间,提高生产率10%〜60%,提高机床利用率50%以上,节约加工费用达30%。
[0003]目前,国内外对刀具的破、磨损检测已经开展了大量的研究,德国、美国、日本、意大利和瑞典各大公司也都开发了各自的刀具破磨损检测仪。刀具破磨状态损检测方法主要有两大类:直接法和间接法。直接法主要是指接触法和光学图像法,这类技术虽然在近几年得到了很大的发展,但由于测试条件的限制,需要中断机加工过程,所需硬件设施复杂、投入大。间接法主要包括测试切削力、刀具振动、进给电机的电流、声发射或声波等信号,采用信号处理的方法提取刀具切削、磨削过程中的特征信息,来判别刀具的破磨损状态。现有的各类方法均有不足之处,例如,由于切削力和刀具材料、切削深度、切削速度、刀具结构等都有关系,干扰因素多且复杂,不容易准确判别刀具的破磨损状态。
发明内容
[0004] 本发明要解决的技术问题是:克服现有技术中之不足,间接检测刀具破磨损的方法干扰因素多且复杂,不容易准确判别刀具的破磨损状态的不足,本发明提供一种刀具破磨损状态检测方法及其检测系统,通过刀具在切削、磨削过程中产生的振动来实时检测和判别刀具的破磨损状态。
[0005] 本发明解决其技术问题所采用的技术方案是:一种刀具破磨损状态检测方法,包括以下步骤:
[0006] ①测量刀具切削、磨削过程中的振动信号,并对所述振动信号进行采集、放大、传输与显不;
[0007] ②对所述的振动信号进行模式滤波法计算,实现振动信号的最优分解处理;
[0008] ③对所述的振动信号时频子波进行分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号;
[0009] ④对所述时频子波进行分类、聚集和信号分离处理,对各类时频子波进行信号重构,再统计各类信号的峭度指标(Cq)和峰值指标(Ip),根据各类分离信号指标参数在C「IP平面的动态分布情况来检测刀具的破磨损和机床运行状态,实现刀具破磨损状态的识别检测与定量化预警、预报。
[0010] 步骤②中对振动信号进行模式滤波计算之前,先采用高低分频方法分离机床和切屑产生的低频干扰信号,高低分频方法采用多阶5点与7点数据平滑处理,边界点采用5点平滑处理,中间点采用7点平滑处理,处理阶数应大于200。
[0011] 步骤②中对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号
[0012]
y(f) - /(A1 orJ)X g(J^β, xf.'Λ) ( I )
ri
[0013] 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为8_2为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ;
[0014] 聚类处理平面为“ β 2_ α ” 二维特征平面。
[0015] 对各类时频子波进行重构形成分类分离信号,计算各类信号的峰值指标(Ip)和峭度指标(Cq)数值,根据各类分离信号指标参数在Cq — Ip平面的动态分布情况来检测刀具的破磨损和机床运行状态。
[0016] 刀具振动信号时频子波在“β2_α ”二维特征平面归为A〜Q共17类,这17类时频子波根据刀具工作过程中的不同表现又归为四类:1强冲击类(1、Μ、O类时频子波);II分散类(Α、F、H、P类时频子波);111过渡类(B、C、D、J类时频子波);IV磨损类(E、G、K、L、N、Q类时频子波)。各类分离信号指标参数在所述的Cq — Ip平面上划分为强冲击衰减区、弱冲击衰减区、低频中衰减强冲击区、过渡区和磨损特征区五个特征区域。与此同时,强冲击类时频子波1、M、O的Cq值增大,而Ip近似线性下降;当这些散点的Cq超过某一数值后就应当考虑更换刀具。利用磨损特征区中的E、G、K、L、N、Q类时频子波的分类信号(Cq, Ip)散点分布来建立刀具磨损的各种量化图表,利用这些图表来定量预测刀具的磨损。同时,利用过渡类时频子波(B、C、D、J)和分散类时频子波(A、F、P、H)分类信号的(C,,Ip)散点特征分布来检测刀具的破损状态,并结合强冲击类时频子波分类信号的散点分布特征来定性判别机床与刀具工作的状态。并将这些信息进行汇总、整理,由此形成刀具的破磨损状态知识库。
[0017] 分散类分离信号Cq-1p的分布用以判别刀具车削、磨削金属时机床与刀具的运动状态,强冲击类分离信号Cq—Ip的分布情况用以判别因刀具过度磨损而出现的机床抖动和大幅度异常振动,过渡类分离信号Cq — Ip的分布情况用以判别刀具在初期磨损、正常磨损和急剧磨损阶段之间的转变,而磨损类分离信号Cq — Ip的分布情况用来定量确定刀具的磨损量。对于所述刀具破磨损状态与分类时频子波及对应信号之间的联系,大体可以进行以下描述:如果是新刀具,则C、J类时频子波占主要成分,并在较短的时间内迅速衰减,并伴随弱衰减区少量、稀疏的H、Q类时频子波信号参数散点分布。当刀具处于稳定磨损状态时,随着刀具的不断磨损第L类时频子波分类信号的Cq — Ip散点分布会按照某种特定的形式变化,据此可以定量确定刀具的磨损量。
[0018] 还包括步骤⑤:对所述的振动信号采用数字化音频测试技术,辅助识别各种特征信号。
[0019] 一种基于上述刀具破磨损状态检测方法的检测系统,包括
[0020] 加速度传感器,设置在所述刀具的刀杆上,用来测量刀具切削、磨削过程中产生的振动信号;
[0021] 振动信号采集模块,与所述的加速度传感器相连,对刀具的振动信号进行采集、放大;
[0022] 振动信号传输模块,与信号采集处理模块相连,对所述的振动信号采集模块发送的振动信号进行传输和变送,传输方式为无线传输或有线传输;
[0023]振动信号接收模块,接收来自所述的振动信号传输模块发送的振动信号;
[0024] 振动信号分析处理模块,与振动信号接收模块相连,对振动信号接收模块传送的振动信号进行信号最优分解的模式滤波计算,以及信号的模式滤波处理,实现时频子波的分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号;
[0025] 刀具破磨损状态知识库,存储有通用的刀具破磨损状态特征的分类信息;
[0026] 振动信号识别模块,与振动信号分析处理模块和刀具破磨损状态知识库相连,对振动信号分析处理模块分离出的刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号进行定量统计,然后将统计结果与刀具破磨损状态知识库中的特征模式进行检索匹配,确定刀具的破磨损状态;
[0027] 控制信息发送模块,与振动信号识别模块相连,传输刀具破磨损状态识别结果;
[0028] 控制信息接收模块,接收来自控制信息发送模块的信息。
[0029] 所述的振动信号分析处理模块中包括用于将时域信号中机床振动与切屑产生的低频干扰进行滤除的高低分频器,所述的高低分频器对数据进行多阶5点与7点平滑处理,边界点以5点平滑处理,中间点以7点平滑处理,处理阶数大于200。
[0030] 所述的振动信号分析处理模块中,按照式(I)对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号
[0031]
2
y(f) 二 f(AaJ)xgC2i0.Kf.''1) ( I )
1-1
[0032] 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为8_2为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ;
[0033] 聚类处理平面为“ β 2_ α ” 二维特征平面。
[0034] 还包括处理系统终端显示子模块,与振动信号识别模块相连,用于显示振动信号分析、识别的结果;
[0035] 预警显示子模块,与所述的控制信息接收模块相连,接收、显示控制信息接收模块发送的控制信号;
[0036] 数字化音频信号测试模块,测试、识别振动信号分析处理模块分离出的刀具振动信号成分,以及刀具破磨损特征分类信号,定性诊断刀具的破磨损情况。
[0037] 本发明的有益效果是,本发明的刀具破磨损状态检测方法及其检测系统,通过简单的监测设备,实现刀具磨损状况的检测;模式滤波信号处理技术使得信号处理的速度与准确度明显提高,信号识别稳健性好,可以实现刀具破磨损状态的在线动态监测,保证机械加工生产的安全,提高加工零件的精度,提高机床生产率与机床利用效率。信号的模式滤波法是一种新的信号处理方法,也是一种实现信号最优分解的优秀算法,它突破了目前信号处理算法基函数离散、有限度的近似,处理过程中存在的模糊、交叉、分辨能力有限等问题。以此法为基础,针对刀具这一特殊的应用领域进行改进完善,本发明能够很好地提取刀具的各种破磨损信息,实现刀具故障的准确诊断与定量化预测。
附图说明
[0038] 下面结合附图和实施例对本发明进一步说明。
[0039] 图1是本发明刀具破磨损状态检测系统及其检测方法的检测、诊断流程示意图;
[0040] 图1中A、机床端,B、处理端,C、信号模式滤波处理,D、状态检测识别。
[0041] 图2是刀具振动信号时频子波在“ β 2_ α ” 二维特征平面划分图;
[0042] 图3是振动彳目号米集流程不意图;
[0043] 图4是不同磨损级别条件下磨损类分离信号Cq — Ip平面分布示意图;
[0044]图中:刀具磨损量 hfl〈hf2〈hf3〈hf4〈hf5〈hf6
[0045]图5是分散类分离信号Cq — Ip平面分布示意图;
[0046]图6是过渡类分离信号Cq — Ip平面分布示意图;
[0047]图7是强冲击类分离信号Cq — Ip平面分布示意图;
[0048] 图8是刀具振动分类信号Cq — Ip平面特征区域示意图;
[0049] 图9是本发明中刀具磨损检测系统的结构示意图。
[0050] 图中:1.卡盘,2.工件,3.刀具,4.加速度传感器,5.振动信号采集模块,6.振动信号传输模块,7.振动信号接收模块,8.控制信息发送模块,9.振动信号分析处理模块,10.振动信号识别模块,11.处理系统终端显示子模块,12.刀具破磨损状态知识库,13.控制信息接收模块,14.预警显示子模块,15.溜板箱,16.机床床身。
具体实施方式
[0051] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
[0052] 本发明的刀具破磨状态损检测方法,包括以下步骤:
[0053] ①测量刀具切削、磨削过程中的振动信号,并对振动信号进行采集、放大、传输与显示;
[0054] ②对振动信号进行模式滤波法计算,实现振动信号的最优分解处理;
[0055] ③对振动信号时频子波进行分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号;
[0056] ④对时频子波进行分类、聚集和信号分离处理,对各类时频子波进行信号重构,再统计各类信号的峭度指标(Cq)和峰值指标(Ip),根据各类分离信号指标参数在Cq — Ip平面的动态分布情况来检测刀具的破磨损和机床运行状态,实现刀具破磨损状态的识别检测与定量化预警、预报。
[0057] 步骤②中对振动信号进行模式滤波计算之前,先采用高低分频方法分离机床和切屑产生的低频干扰信号,高低分频方法采用多阶5点与7点数据平滑处理,边界点采用5点平滑处理,中间点采用7点平滑处理,处理阶数应大于200。
[0058] 步骤②中对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号
[0059]
*2
Cl)
/-1
[0060] 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为s_2为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ;
[0061] 聚类处理平面为“ β 2_ α ” 二维特征平面。
[0062] 对各类时频子波进行重构形成分类分离信号,计算各类信号的峰值指标(Ip)和峭度指标(Cq)数值,根据各类分离信号指标参数在Cq — Ip平面的动态分布情况来检测刀具的破磨损和机床运行状态。
[0063] 步骤④刀具振动信号时频子波在“β2_α ”二维特征平面归为A〜Q共17类,这17类时频子波根据刀具工作过程中的不同表现又归为四类:1强冲击类;II分散类;III过渡类;IV磨损类;各类分离信号指标参数在Cq — Ip平面上划分为强冲击衰减区、弱冲击衰减区、低频中衰减强冲击区、过渡区和磨损特征区五个特征区域。
[0064] 分散类分离信号Cq — Ip的分布用以判别刀具车削、磨削金属时机床与刀具的运动状态,强冲击类分离信号Cq—Ip的分布情况用以判别因刀具过度磨损而出现的机床抖动和大幅度异常振动,过渡类分离信号Cq — Ip的分布情况用以判别刀具在初期磨损、正常磨损和急剧磨损阶段之间的转变,而磨损类分离信号Cq — Ip的分布情况用来定量确定刀具的磨损量。
[0065] 还包括步骤⑤:对振动信号采用数字化音频测试技术,辅助识别各种特征信号。
[0066] 如图9所示,工件2夹装在机床床身16的卡盘I上,刀具3安装在机床床身16的溜板箱15上。
[0067] 本发明的基于刀具破磨损状态检测方法的检测系统,包括加速度传感器4,设置在刀具3的刀杆上,用来测量刀具3切削、磨削过程中产生的振动信号;振动信号采集模块5,与加速度传感器4相连,对刀具3的振动信号进行采集、放大;振动信号传输模块6,与振动信号采集模块5相连,对振动信号采集模块5发送的振动信号进行传输和变送,传输方式为无线传输或有线传输;振动信号接收模块7,接收来自振动信号传输模块6发送的振动信号;振动信号分析处理模块9,与振动信号接收模块7相连,对振动信号接收模块7传送的振动信号进行信号最优分解的模式滤波计算,以及信号的模式滤波处理,实现时频子波的分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号;刀具破磨损状态知识库12,存储有通用的刀具破磨损状态特征的分类信息;振动信号识别模块10,与振动信号分析处理模块9和刀具破磨损状态知识库12相连,对振动信号分析处理模块9分离出的刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号进行定量统计,然后将统计结果与刀具破磨损状态知识库12中的特征模式进行检索匹配,确定刀具的破磨损状态;控制信息发送模块8,与振动信号识别模块10相连,传输刀具破磨损状态识别结果;控制信息接收模块13,接收来自控制信息发送模块的信息8。
[0068] 振动信号分析处理模块9中包括用于将时域信号中机床振动与切屑产生的低频干扰进行滤除的高低分频器,高低分频器对数据进行多阶5点与7点平滑处理,边界点以5点平滑处理,中间点以7点平滑处理,处理阶数大于200。
[0069] 振动信号分析处理模块9中,对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号
[0070]
2
,♦) ^ /(A7 d) X g(艺爲 X 广1) ( I )
[0071] 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为8_2为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ;
[0072] 聚类处理平面为“ β 2_ α ” 二维特征平面。
[0073] 还包括处理系统终端显示子模块11,与振动信号识别模块10相连,用于显示振动信号分析、识别的结果;预警显示子模块14,与控制信息接收模块13相连,接收、显示控制信息接收模块13发送的控制信号;数字化音频信号测试模块,测试、识别振动信号分析处理模块分离出的刀具振动信号成分,以及刀具破磨损特征分类信号,定性诊断刀具的破磨损情况。
[0074] 图1给出了本发明的刀具破磨状态损检测方法结合其检测系统进行刀具破磨损状态检测、诊断流程示意图,具体说明如下:
[0075] 步骤S1:加速度传感器4检测到刀具3切削、磨削加工过程中产生的振动信号。本实施例中,如图3所示,采用加速度传感器4分别对机电转子专用液压车床的刀具3进行振动信号采集。其中,刀具3型号为CY8632 ;加速度传感器4为江苏联能电子技术有限公司生产,型号为CA-YD-180压电加速度传感器;无线采集仪为NI WLS9234无线四通道振动信号采集发送器;计算机为带无线网卡的笔记本电脑,笔记本电脑上采用LabVIEW虚拟仪器接收无线采集仪发送过来的采集信号。
[0076] 步骤S2:振动信号采集模块5将刀具3的加速度振动信号进行采集、放大与滤波处理。
[0077] 步骤S3:振动信号传输模块6接收来自振动信号采集模块5的振动信号,并且以无线或有线的方式发送振动信号。
[0078]步骤S4:振动信号接收模块7接收到来自振动信号传输模块6的振动信号。
[0079] 振动信号分析处理模块9接收来自振动信号接收模块7的信号后,开展信号的分
[0080] 析处理工作,即步骤S5〜S9。
[0081] 步骤S5:对振动信号进行基于多阶5点和7点数据平滑的高低分频处理,其中边界点采用5点、中间点采用7点平滑处理,处理阶数大于200。
[0082] 步骤S6:对滤除机床基础低频振动和切屑干扰振动成分后的振动信号进行模式滤波计算处理,将振动信号分解为由一系列时频子波表示的分解信号。
[0083] 步骤S7:对模式滤波处理过程中分离出的各种振动信号采用数字化音频测试技术,建立数字化音频信号测试模块,测试人员根据听到的振动声音,结合经验,可以定性地辅助识别各种特征信号。
[0084] 步骤S8:根据图2所示的分区情况,对步骤S6获得的时频子波按照图3的“ β 2— α ” 二维特征平面划分情况进行分类、聚集和信号分离处理,并利用数字化音频测试技术来识别各类信号。
[0085] 步骤S9:对分类后的时频子波进行信号的重构,形成相应的分类、分离信号。
[0086] 步骤SlO:对分类后的时频子波分离信号计算其峰值指标(Ip)和峭度指标(Cq)数值。
[0087] 步骤Sll和S12:对步骤SlO获得的各类分离信号峰值指标和峭度指标定量统计结果与刀具破磨损状态知识库12中的模式信息进行优化匹配,确定出刀具的破磨损类型,以及破磨损定量化指标。图4〜图7是步骤SI中的刀具在不同磨损阶段的分离信号典型分布示意图。
[0088] 刀具3振动受大量因素的影响,但当外界影响因素比较稳定时,不同磨损条件下刀具3的振动具有一定的变化规律。例如,如果是新刀具,则图6的C、J类时频子波占主要成分,并在较短的时间内迅速衰减,在弱衰减区会有少量、稀疏的H、Q类时频子波信号参数散点分布。当处于正常、稳定的磨损状态时,随着刀具的不断磨损,第L、N、Q等类时频子波的信号Cq — Ip散点会以特定的方式发生变化,图4就是其中的一个实例。与此同时,强冲击类时频子波Ι、Μ、0的Cq值增大,而Ip下降;当这些散点的Cq超过某一特定数值时,就应当考虑更换刀具。
[0089] 本发明利用磨损特征区中的E、G、K、L、N、Q类时频子波的分类信号(C,,Ip)散点分布来建立刀具磨损的各种量化图表,并将这些参数存入数据库,利用这些图表来定量预测刀具的磨损。同时,利用过渡类时频子波化、(:、0、1)和分散类时频子波(4^、!0分类信号的(C,,Ip)散点特征分布来检测刀具的破损状态,并结合强冲击类时频子波分类信号的散点分布特征来定性判别机床与刀具工作的状态。
[0090] 步骤S13:将步骤Sll获得的刀具破磨损状态处理结果实时地在处理系统终端显示子模块11显示。
[0091] 步骤S14:控制信息发送模块8从振动信号识别模块10中实时地获得刀具状态信息。
[0092] 步骤S15:控制信息接收模块13从控制信息发送模块8中接收刀具控制信息。
[0093] 步骤S16:预警显示子模块14显示从控制信息接收模块13中获取的信息,显示刀具的破磨损状态,警示是否更换刀具。
[0094] 以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。

Claims (11)

1.一种刀具破磨损状态检测方法,其特征在于,包括以下步骤: ①测量刀具切削、磨削过程中的振动信号,并对所述振动信号进行采集、放大、传输与显示; ②对所述的振动信号进行模式滤波法计算,实现振动信号的最优分解处理; ③对所述的振动信号时频子波进行分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号; ④对所述时频子波进行分类、聚集和信号分离处理,对各类时频子波进行信号重构,再统计各类信号的峭度指标(Cq)和峰值指标(Ip),根据各类分离信号指标参数在Cq — Ip平面的动态分布情况来检测刀具的破磨损和机床运行状态,实现刀具破磨损状态的识别检测与定量化预警、预报。
2.根据权利要求1所述的刀具破磨损状态检测方法,其特征在于:步骤②中对振动信号进行模式滤波计算之前,先采用高低分频方法分离机床和切屑产生的低频干扰信号,高低分频方法采用多阶5点与7点数据平滑处理,边界点采用5点平滑处理,中间点采用7点平滑处理,处理阶数应大于200。
3.根据权利要求1或2所述的刀具破磨损状态检测方法,其特征在于:步骤②中对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号 2 y(f) = /(或CM)X客(艺ι> ίI) /-1 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为ίΓ2 ; β i为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ; 聚类处理平面为“ β 2_ α ” 二维特征平面。
4.根据权利要求1所述的刀具破磨损状态检测方法,其特征在于:对各类时频子波进行重构形成分类分离信号,计算各类信号的峰值指标(Ip)和峭度指标(Cq)数值,根据各类分离信号指标参数在Cq — Ip平面的动态分布情况来检测刀具的破磨损和机床运行状态。
5.根据权利要求1所述的刀具破磨损状态检测方法,其特征在于:步骤④刀具振动信号时频子波在“β2_α ”二维特征平面归为A〜Q共17类,这17类时频子波根据刀具工作过程中的不同表现又归为四类:1强冲击类;II分散类;III过渡类;IV磨损类;各类分离信号指标参数在所述的Cq — Ip平面上划分为强冲击衰减区、弱冲击衰减区、低频中衰减强冲击区、过渡区和磨损特征区五个特征区域。
6.根据权利要求1所述的刀具破磨损状态检测方法,其特征在于:分散类分离信号C-1p的分布用以判别刀具车削、磨削金属时机床与刀具的运动状态,强冲击类分离信号C-1p的分布情况用以判别因刀具过度磨损而出现的机床抖动和大幅度异常振动,过渡类分离信号Cq — Ip的分布情况用以判别刀具在初期磨损、正常磨损和急剧磨损阶段之间的转变,而磨损类分离信号Cq — Ip的分布情况用来定量确定刀具的磨损量。
7.根据权利要求1所述的刀具破磨损状态检测方法,其特征在于:还包括步骤⑤:对所述的振动信号采用数字化音频测试技术,辅助识别各种特征信号。
8.一种基于权利要求1-7任一项所述的刀具破磨损状态检测方法的检测系统,其特征是:包括 加速度传感器,设置在所述刀具的刀杆上,用来测量刀具切削、磨削过程中产生的振动信号; 振动信号采集模块,与所述的加速度传感器相连,对刀具的振动信号进行采集、放大;振动信号传输模块,与振动信号采集模块相连,对所述的振动信号采集模块发送的振动信号进行传输和变送,传输方式为无线传输或有线传输; 振动信号接收模块,接收来自所述的振动信号传输模块发送的振动信号; 振动信号分析处理模块,与振动信号接收模块相连,对振动信号接收模块传送的振动信号进行信号最优分解的模式滤波计算,以及信号的模式滤波处理,实现时频子波的分类整理与特征提取,分离出机械设备运转信号,获得刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号; 刀具破磨损状态知识库,存储有通用的刀具破磨损状态特征的分类信息; 振动信号识别模块,与振动信号分析处理模块和刀具破磨损状态知识库相连,对振动信号分析处理模块分离出的刀具振动信号中的切削、磨削信号,以及刀具破磨损特征分类信号进行定量统计,然后将统计结果与刀具破磨损状态知识库中的特征模式进行检索匹配,确定刀具的破磨损状态; 控制信息发送模块,与振动信号识别模块相连,传输刀具破磨损状态识别结果; 控制信息接收模块,接收来自控制信息发送模块的信息。
9.根据权利要求8所述的检测系统,其特征在于:所述的振动信号分析处理模块中包括用于将时域信号中机床振动与切屑产生的低频干扰进行滤除的高低分频器,所述的高低分频器对数据进行多阶5点与7点平滑处理,边界点以5点平滑处理,中间点以7点平滑处理,处理阶数大于200。
10.根据权利要求8或9所述的检测系统,其特征在于:所述的振动信号分析处理模块中,对振动信号采用模式滤波法进行时频子波的最优分解,进而进行时频子波的分类、聚集和信号分离处理,并选取如下的模式滤波时频子波表达式来分解信号 j(/) - /(A1 aj) X x t'A ) rl 式中:f是调幅函数,g是调频函数;A是振幅;α是衰减因子,单位为ίΓ2 ; β i为系数(i=l、2), β !为初始相位,单位为rad ; β 2为角速度ω,单位为rad/s ;t为时间,单位为s ; 聚类处理平面为“ β 2_ α ” 二维特征平面。
11.根据权利要求10所述的检测系统,其特征在于:还包括处理系统终端显示子模块,与振动信号识别模块相连,用于显示振动信号分析、识别的结果; 预警显示子模块,与所述的控制信息接收模块相连,接收、显示控制信息接收模块发送的控制信号; 数字化音频信号测试模块,测试、识别振动信号分析处理模块分离出的刀具振动信号成分,以及刀具破磨损特征分类信号,定性诊断刀具的破磨损情况。
CN201210227543.8A 2012-08-24 2012-08-24 刀具破磨损状态检测方法及其检测系统 CN102765010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210227543.8A CN102765010B (zh) 2012-08-24 2012-08-24 刀具破磨损状态检测方法及其检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210227543.8A CN102765010B (zh) 2012-08-24 2012-08-24 刀具破磨损状态检测方法及其检测系统

Publications (2)

Publication Number Publication Date
CN102765010A CN102765010A (zh) 2012-11-07
CN102765010B true CN102765010B (zh) 2014-12-17

Family

ID=47092698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210227543.8A CN102765010B (zh) 2012-08-24 2012-08-24 刀具破磨损状态检测方法及其检测系统

Country Status (1)

Country Link
CN (1) CN102765010B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5670501B2 (ja) * 2013-03-21 2015-02-18 ファナック株式会社 切削条件表示装置
CN103195437B (zh) * 2013-04-02 2015-07-15 天津大学 在线检测掘进机滚刀刀刃弦磨的装置
CN103761386B (zh) * 2014-01-20 2016-08-31 哈尔滨理工大学 一种抑制刀齿受迫振动磨损不均匀性的高速铣刀设计方法
CN104015098B (zh) * 2014-04-29 2016-08-03 天津大学 用于机加工中刀杆振动信号的实时监测装置及其监测方法
CN103962888A (zh) * 2014-05-12 2014-08-06 西北工业大学 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法
CN104741638B (zh) * 2015-04-20 2017-06-06 江苏师范大学 一种车削刀具磨损状态监测系统
CN105058165A (zh) * 2015-08-08 2015-11-18 电子科技大学 基于振动信号的刀具磨损量监测系统
CN106563972A (zh) * 2015-10-13 2017-04-19 颜均泰 刀具状态监测及预测方法
CN106873527B (zh) * 2015-12-11 2020-08-14 日立汽车系统(中国)有限公司 用于测量切削刀具的使用寿命的方法、控制装置和系统
CN105729241B (zh) * 2016-03-17 2017-09-22 哈尔滨理工大学 测试刀具左右后刀面磨损差异性的实验方法
CN105817952B (zh) * 2016-05-11 2018-01-19 西安交通大学 一种基于混合支撑电主轴的在线主轴碰撞及刀具折断监测系统和方法
CN106271881B (zh) * 2016-08-04 2018-07-06 武汉智能装备工业技术研究院有限公司 一种基于SAEs和K-means的刀具破损监测方法
CN106217130B (zh) * 2016-08-15 2018-06-15 大连理工大学 复杂曲面加工过程中铣刀状态在线监测与预警方法
IT201700011567A1 (it) * 2017-02-02 2018-08-02 Futura Spa procedimento ed apparecchiatura per il controllo della corretta esecuzione delle linee di pre-taglio.
CN107253094B (zh) * 2017-05-26 2018-12-28 温州大学 一种基于稳态子空间分析多维信号的刀具状态监测方法
CN107263211B (zh) * 2017-05-26 2018-10-30 温州大学 一种基于多传感融合的刀具状态监测方法
CN107738140B (zh) * 2017-09-30 2020-05-19 深圳吉兰丁智能科技有限公司 一种监控刀具状态的方法、系统以及处理设备
CN109940460B (zh) * 2019-04-10 2020-10-09 哈尔滨理工大学 一种铣削已加工表面几何误差分布特性的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4636779A (en) * 1984-10-24 1987-01-13 General Electric Company Acoustic detection of tool break events in machine tool operations
JPH0885047A (ja) * 1994-09-13 1996-04-02 Sumitomo Metal Ind Ltd 切削工具の刃先摩耗検出方法
CN102179728A (zh) * 2011-03-14 2011-09-14 上海师范大学 一种数控刀具磨损智能检测装置
CN102490086A (zh) * 2011-10-28 2012-06-13 浙江大学 镗杆工作状态实时监测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4636779A (en) * 1984-10-24 1987-01-13 General Electric Company Acoustic detection of tool break events in machine tool operations
JPH0885047A (ja) * 1994-09-13 1996-04-02 Sumitomo Metal Ind Ltd 切削工具の刃先摩耗検出方法
CN102179728A (zh) * 2011-03-14 2011-09-14 上海师范大学 一种数控刀具磨损智能检测装置
CN102490086A (zh) * 2011-10-28 2012-06-13 浙江大学 镗杆工作状态实时监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
便携式采油设备状态检测与故障诊断智能维护系统;杨国安等;《石油矿场机械》;20050630(第3期);第77-79页 *
基于时域参数趋势分析的滚动轴承故障诊断;万书亭等;《机械工程与自动化》;20100630(第03期);第108-110页 *
车刀振动信号研究及磨损工况的识别;吕苗荣等;《机床与液压》;20120131(第1期);第65-71页 *

Also Published As

Publication number Publication date
CN102765010A (zh) 2012-11-07

Similar Documents

Publication Publication Date Title
CN104741638B (zh) 一种车削刀具磨损状态监测系统
US5407265A (en) System and method for detecting cutting tool failure
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
US7341410B2 (en) Dynamical instrument for machining
CN104459779B (zh) 一种异常地震道的自动识别的方法和装置
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN101221066B (zh) 工程非线性振动检测方法
US7579843B2 (en) Methods and apparatus for analyzing partial discharge in electrical machinery
CN102944416B (zh) 基于多传感器信号融合技术的风电机组叶片故障诊断方法
CN103144937B (zh) 煤矿钢丝绳芯带式输送机智能监控系统及监控方法
CN102091972B (zh) 一种数控机床刀具磨损监测方法
Cui et al. Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv
CN102254370B (zh) 纸币宽度和间距检测及张数统计的方法及其装置
CN102305755B (zh) 一种基于径向磁场的在线磨粒监测传感器及其监测方法
US7444265B2 (en) Machine and/or monitoring
US4744242A (en) Method for monitoring cutting tool wear during a machining operation
CN104808585B (zh) 一种机床健康状态快速检查方法
EP1451550B1 (en) System and method for identifying the presence of a defect in vibrating machinery
CN102152172B (zh) 基于协整建模的刀具磨损监测方法
CN101870076B (zh) 一种基于性能退化模型的数控机床导轨副寿命预测方法
CN101900708B (zh) 一种基于振动和声频信号的高速列车轨道伤损探测方法
TWI472402B (zh) Tool flutter monitoring method
CN104075795A (zh) 用于监测风力发电机组的叶轮振动状态的方法和系统
CN104634571A (zh) 一种基于lcd-mf的滚动轴承故障诊断方法
US20120253694A1 (en) Method and apparatus for judging status of mechanical system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
TR01 Transfer of patent right

Effective date of registration: 20210310

Address after: Room 407-2-6, building C, Tian'an Digital City, 588 Changwu South Road, Wujin high tech Industrial Development Zone, Changzhou City, Jiangsu Province 213000

Patentee after: CHANGZHOU XIAOGUO INFORMATION SERVICES Co.,Ltd.

Address before: Gehu Lake Road Wujin District 213164 Jiangsu city of Changzhou province No. 1

Patentee before: CHANGZHOU University