CN103433806A - 一种自适应的刀具微破损监控系统及监控方法 - Google Patents

Abstract

本发明提供了一种自适应的刀具微破损监控系统，包括多传感器探测模块、信号调理和采集模块、数据处理和特征提取模块与刀具破损识别和报警模块，所述多传感器探测模块、信号调理和采集模块、数据处理和特征提取模块与刀具破损识别和报警模块依次连接，所述多传感器探测模块安装在刀架、工件或者工作台上，本发明还涉及一种自适应的刀具微破损监控方法。与现有技术相比，本发明的一种自适应的刀具微破损监控系统及方法有很高的灵敏性和稳定性，使得漏报率和错报率都得到大幅度的降低，适用于高精密切削加工中刀具状态的监控。

Description

一种自适应的刀具微破损监控系统及监控方法

技术领域

本发明涉及到机床切削刀具状态监控技术领域，特别涉及一种自适应的刀具微破损监控系统及监控方法。

技术背景

切削刀具状态在线监控是机床智能维护系统中一个重要的组成部分，多年来，各国的学者在刀具破损的监控方法上做了大量的研究，并取得了一定的进展。总的说来，最近20年发展起来的刀具破损监控的理论，关键技术主要在两方面，一是传感器技术，二是信号处理技术。针对传感器技术，应用在刀具破损监控上的传感器类型主要有力传感器，功率传感器，振动传感器，声发射传感器，还有图像设备等。例如中国专利申请号CN201010571427发明名称为：监测刀具破损装置，通过压力传感器，把传感器放置在丝杠螺母与滑板接触段之间，感应切削力的变化，自动控制机床动作的刀具破损监控方法。中国专利申请号CN200982547.X发明名称为：基于影像的刀具在线检测与补偿系统及方法，利用摄像装置捕获刀具的几何影像，通过图像处理获知刀具的状态。中国专利申请号CN200910232961发明名称为：加工中心用无线刀具破损检测装置及其检测方法，利用声发射传感器检测刀具的破损。针对信号处理技术，多种处理技术应用在刀具破损监控上，比如小波分析和参数分析法。例如中国专利申请号CN201010594595发明名称为：基于小波包和概率神经网络的刀具破损自适应报警方法，信号经过小波包分解后提取特征向量，输入神经网络来实现刀具破损的监控。中国专利申请号CN92111137.1发明名称：一种刀具失效综合监控方法与装置，利用多参数识别技术来监控刀具的破损。但是，以上这些发明专利都没有很好的解决一个问题，那就是刀具微小破损的监控。在切削加工中，工件的不均匀性会造成刀具的破损。这种刀具的破损往往是非常微小的，传感器输出的信号会淹没在机床噪声信号中，使得刀具微小破损无法被识别。首先，图像方法要求停机检查，严重的降低了生产效率，无法实现实时地监控。功率信号，切削力信号和振动方法灵敏度低，对刀具微小的变化的灵敏度不够，容易受到来自切削参数的影响。而且由于传感器价格昂贵，安装不便等因素，在实际生产中的应用有很大的局限性。基于参数方法和小波分析的处理技术在面对刀具破损信号淹没在机床噪声中时也显得无能为力，特别是无法区分刀具破损信号与切屑折断信号的不同，容易造成误报和错报。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种自适应的刀具微破损监控系统及方法。

本发明目的通过以下技术方案实现：

一种刀具微破损监控系统，包括：

多传感器探测模块，对刀具的声发射信号进行采集；

信号调理和采集模块，接收所述多路传感器探测模块采集的所述声发射信号，并对所述声发射信号进行放大及采样；

数据处理和特征提取模块，对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

刀具破损识别与报警模块，其中存储着不同加工条件、不同刀具破损的标准特征向量，所述刀具破损识别与报警模块接收所述第一特征向量，将所述第一特征向量与所述标准特征向量进行比对，确定刀具状态，发出报警信号。

优选地，所述多传感器探测模块包括若干声发射传感器，所述声发射传感器为宽带型，响应频段为50KHZ-2000KHZ。

优选地，所述多传感器探测模块包括三路声发射传感器。

优选地，所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块，所述信号前置放大器的输入端与所述声发射传感器连接，所述信号前置放大器的输出端连接至数字采集卡。

优选地，所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台，所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。

优选地，所述刀具破损识别与报警模块包含刀具破损特征库，所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。

一种自适应的刀具微破损监控方法，利用上述的刀具微破损监控系统对刀具的微破损进行监控，包括以下步骤：

（1）多传感器探测模块采集刀具的声发射信号；

（2）信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样；

（3）数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

（4）刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对，确定刀具状态，发出报警信号。

优选地，所述信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样的步骤具体包括：

前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大；

经前置放大后的声发射信号送入数字采集卡，所述数字采集卡的单通道采样频率为2.5MHZ～5MHZ，采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。

优选地，所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量的步骤具体包括：

在LABVIEW平台中将采集到的声发射信号，去均值，之后白化处理，白化处理后的信号，应用FastICA对其进行盲源分离，得到分离信号源；

把分离信号源送入MATLAB处理平台，在MATLAB中对分离信号源进行高通滤波，之后加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，计算各信号本征模函数能量以及总能量，计算每个模函数的能量百分比，绘制能量分布曲线和特征阶模函数能量百分比变化曲线，并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取，形成所述第一特征向量。

优选地，所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。

与现有技术相比，本发明有以下有益效果：

本发明的一种自适应的刀具微破损监控方法及系统有很高的灵敏性和稳定性，使得漏报率和错报率都得到大幅度的降低，适用于高精密切削加工中刀具状态的监控。

附图说明

图1为本发明一种自适应的刀具微破损监控方法与系统的结构图；

图2为本发明硬件系统示意图；

图3为本发明一种自适应的刀具微破损监控方法与系统的算法框图；

图4为噪声辅助经验模态分解的流程图；

图5为刀具稳定切削过程中发生破损的声发射信号（AE信号）曲线；

图6为刀具破损AE信号的IMF能量分布曲线图；

图7为刀具切削过程中发生切入和切出工件情况下的声发射信号（AE信号）曲线；

图8为刀具切削过程中发生切入和切出工件情况下的AE信号的IMF能量分布曲线图。

具体实施方式

以下结合附图和具体实施例对本发明提出的自适应的刀具微破损监控系统及监控方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用于方便、明晰地辅助说明本发明实施例的目的。

本发明提供了一种刀具微破损监控系统，包括：

多传感器探测模块，对刀具的声发射信号进行采集；

信号调理和采集模块，接收所述多路传感器探测模块采集的所述声发射信号，并对所述声发射信号进行放大及采样；

数据处理和特征提取模块，对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

刀具破损识别与报警模块，其中存储着不同加工条件、不同刀具破损的标准特征向量，所述刀具破损识别与报警模块接收所述第一特征向量，将所述第一特征向量与所述标准特征向量进行比对，确定刀具状态，发出报警信号。

较佳实施例中，所述多传感器探测模块包括若干声发射传感器，所述声发射传感器为宽带型，响应频段为50KHZ-2000KHZ。

较佳实施例中，所述多传感器探测模块包括三路声发射传感器。

较佳实施例中，所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块，所述信号前置放大器的输入端与所述声发射传感器连接，所述信号前置放大器的输出端连接至数字采集卡。

较佳实施例中，所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台，所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。

较佳实施例中，所述刀具破损识别与报警模块包含刀具破损特征库，所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。

本发明还提供了一种自适应的刀具微破损监控方法，利用上述的刀具微破损监控系统对刀具的微破损进行监控，包括以下步骤：

（1）多传感器探测模块采集刀具的声发射信号；

（2）信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样；

（3）数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

（4）刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对，确定刀具状态，发出报警信号。

较佳实施例中，所述信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样的步骤具体包括：

前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大；

经前置放大后的声发射信号送入数字采集卡，所述数字采集卡的单通道采样频率为2.5MHZ～5MHZ，采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。

较佳实施例中，所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量的步骤具体包括：

在LABVIEW平台中将采集到的声发射信号，去均值，之后白化处理，白化处理后的信号，应用FastICA对其进行盲源分离，得到分离信号源；

把分离信号源送入MATLAB处理平台，在MATLAB中对分离信号源进行高通滤波，之后加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，计算各信号本征模函数能量以及总能量，计算每个模函数的能量百分比，绘制能量分布曲线和特征阶模函数能量百分比变化曲线，并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取，形成所述第一特征向量。

较佳实施例中，所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。

实施例

如图1至图2所示，本实施例提供的一种自适应的刀具微破损监控系统包括多传感器探测模块1、信号调理和采集模块2、数据处理和特征提取模块3与刀具破损识别和报警模块4，所述多传感器探测模块1、信号调理和采集模块2、数据处理和特征提取模块3与刀具破损识别和报警模块4依次连接，所述多传感器探测模块1安装在刀架、工件或者工作台上。多传感器探测模块1包括若干声发射传感器11，所述声发射传感器11为宽带型，响应频段为50KHZ-2000KHZ，将多个声发射传感器11涂上耦合剂，根据不同的应用场合，通过磁吸附装置固定在不同的位置。信号调理和采集模块2包括信号前置放大器21、高频PCI数字采集卡22和基于LABVIEW平台的声发射信号采集程序，所述信号前置放大器21输入端与声发射传感器11连接，输入端连接至高频PCI数字采集卡22。其中，所述数据处理和特征提取模块3包括LABVIEW平台与MATLAB处理平台，所述LABVIEW平台与MATLAB处理平台用于信号的处理与分析。所述刀具破损识别与报警模块4包括刀具破损特征库，所述刀具破损特征库存储着不同加工条件、不同刀具破损的特征向量。

请参照附图3，并结合附图1至附图2，本实施例提供的自适应的刀具微破损监控方法包括以下步骤：

第一步，先将声发射传感器11采集到的三路信号经过40DB前置放大，送入高频PCI数字采集卡22，单通道采样频率5MHZ。

第二步，将采集到的三路信号x(t)，y(t)，z(t)，去均值，之后白化处理。处理后的信号，应用FastICA对其进行盲源分离，得到分离信号源，x₁(t)，y₁(t)，z₁(t)。

第三步，对分离信号源进行20KHZ高通滤波，之后加入白噪声，进行噪声辅助经验模态分解，分别得到三个本征模函数组（IMF）。计算各信号本征模函数能量（式1）以及总能量（式2），计算每个模函数的能量百分比（式3），绘制能量分布曲线和特征阶模函数能量百分比变化曲线。

$E={\∫}_{-\∞}^{\∞}{x}^2\left(t\right)\mathrm{dt}={\∫}_{-\∞}^{\∞}{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_i\left(t\right)\right]}^2\mathrm{dt}\·\·\·\left(1\right)$

$E={\∫}_{-\∞}^{\∞}{\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_i\left(t\right)\right]}^2\mathrm{dt}={\∫}_{-\∞}^{\∞}{c}_1^2\left(t\right)\mathrm{dt}+{\∫}_{-\∞}^{\∞}{c}_2^2\left(t\right)\mathrm{dt}+\·\·\·{\∫}_{-\∞}^{\∞}{c}_N^2\left(t\right)\mathrm{dt}=E_1+E_2+\·\·\·E_N\·\·\·\left(2\right)$

${\mathrm{\δ}}_i{=E}_i/E,i=\mathrm{1,2},\·\·\·N\·\·\·\left(3\right)$

其中，c_i(t)表示第i阶本征模函数（IMF），N为大于1的自然数；Ei表示第i阶IMF的能量。

其中，噪声辅助经验模态分解的流程如图4所示，图4以x(t)为例对噪声辅助经验模态分解的方法进行说明，噪声辅助经验模态分解的方法具体为：

由原信号x(t)获得其上包络线u(t)以及下包络线l(t)；

根据上包络线u(t)以及下包络线l(t)计算包络均值m₁(t)，其中

$m_1\left(t\right)=\frac{u\left(t\right)+l\left(t\right)}{2};$

计算原信号x(t)与包络均值m₁(t)的差h₁(t)，其中h₁(t)=x(t)-m₁(t)；判断h₁(t)是否满足IMF定义，如满足，则h₁(t)为第一阶IMF，x₁(t)=x(t)-h₁(t)作为新的原信号进行分解；如不满足，则x(t)=h₁(t)，即h₁(t)作为新的原信号进行分解。

第四步，提取能量分布曲线的特征信息，如曲线的峰值位置，提取特征阶模函数百分比变化曲线特征，比如突然上升点和下降点。

第五步，用提取的特征向量，与刀具破损特征库相对比，确定刀具破损类型，结果送入报警单元，输出报警信号。

应用例

以针对伊斯卡IC908铣刀片的破损为例对本发明进行进一步说明，请参考图5及图6，图5为刀具稳定切削过程中发生破损的声发射信号（AE信号）曲线，图6为刀具破损AE信号的IMF能量分布曲线图；其中，图5中的a表示利用锋利的刀具切削，b表示刀具破损，c表示低振幅的脉冲信号，d表示利用破损的刀具切削；图6中的各曲线分别表示图5中的a、d、b随IMF各阶数的能量百分比变化曲线；结合图5及图6，对伊斯卡IC908铣刀片的破损的判定策略如下：

首先对模函数的能量分布曲线做出判断：当在三条能量分布曲线中，有两条曲线峰值位于第四阶IMF处，一条曲线峰值位于第三阶IMF处，说明发生了稳定切削过程中的刀具破损，如图6所示。当有两条曲线峰值位于第四阶IMF处，一条峰值位于第二阶IMF或者第一阶IMF处，判定为刀具切出工件或者切屑折断，该图未示出。当有一条曲线峰值位于第四阶IMF处，一条峰值位于第三阶IMF处，一条曲线峰值位于第二阶IMF或者第一阶IMF处，判定为刀具破损，并且为切出破损或者材料中有硬质点破损，该图未示出。当有一条曲线峰值位于第四阶IMF处，两条曲线峰值位于第二阶IMF或者第一阶IMF处，判定为切出或者随机撞击，该图未示出。三条曲线能量曲线峰值都位于第四阶IMF处，判定为稳定切削，没有发生破损，该图未示出。

接着，在能量分布曲线判定的基础上，利用能量百分比变化曲线验证结论，提高监控的准确性：对整个切削过程，每隔2ms取一个时间片段，片段长度为2ms，计算IMF3的能量百分比数值，绘制出IMF3的能量百分比变换曲线，当在第一步中判定为刀具破损时，观测IMF3的变换曲线有没有发生突然的升高。如果曲线突然升高，2ms后又回落，那就确定为刀具破损。如果没有发生此现象，返回决策第一步重新判断。

如出现第一步与第二步策略冲突的情况，以第二步为最终确定标志，结果送入报警单元，输出报警信号。

进一步地，以针对伊斯卡IC908铣刀片切削过程中发生切入和切出工件情况为例对本发明进行进一步说明，请参考图7及图8，图7为刀具切削过程中发生切入和切出工件情况下的声发射信号（AE信号）曲线，图8为刀具切削过程中发生切入和切出工件情况下的AE信号的IMF能量分布曲线图；其中，图7中的e表示切入，f表示稳定切削，g表示切出；图8中的各曲线分别表示图5中的e、f、g随IMF各阶数的能量百分比变化曲线；结合图7及图8，对伊斯卡IC908铣刀片切削过程中发生切入和切出工件情况的判定策略如下：

根据图8中的模函数的能量分布曲线做出判断：当曲线中两条曲线的峰值位于第四阶IMF处，而一条曲线峰值位于第二阶IMF处，说明没有发生刀具破损，而只是发生刀具切入、切出工件的情况。

本发明提供的一种自适应的刀具微破损监控方法及系统克服了刀具微小破损时，观测信号淹没在噪声信号之中，无法识别的情况。应用盲源分离技术首先将不同信号源发出的信号分离开来，分离出来的信号源有稳定切削的信号，刀具破损信号和切屑折断信号。盲源分离是基于独立性的，能够很好的提取微小的信号，之后对分离信号源进行噪声辅助经验模态分解。因为切削声发射信号会产生严重的模态混叠现象，所以应用最新的分解技术，消除模态混叠的影响。之后对分离的模函数计算能量分布特性，提取特征向量，进行决策判断，最后经过与特征库的对比，给出准确的判断。经过大量的试验验证，此方法能够很好的监控刀具的微小破损，填补了我国在刀具微小破损监控领域的空白。

以上公开的仅为本申请的几个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。

Claims (10)

1.一种刀具微破损监控系统，其特征在于，包括：

多传感器探测模块，对刀具的声发射信号进行采集；

信号调理和采集模块，接收所述多路传感器探测模块采集的所述声发射信号，并对所述声发射信号进行放大及采样；

数据处理和特征提取模块，对放大和采样后的声发射信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

刀具破损识别与报警模块，其中存储着不同加工条件、不同刀具破损的标准特征向量，所述刀具破损识别与报警模块接收所述第一特征向量，将所述第一特征向量与所述标准特征向量进行比对，确定刀具状态，发出报警信号。

2.如权利要求1所述的自适应的刀具微破损监控系统，其特征在于，所述多传感器探测模块包括若干声发射传感器，所述声发射传感器为宽带型，响应频段为50KHZ-2000KHZ。

3.如权利要求2所述的自适应的刀具微破损监控系统，其特征在于，所述多传感器探测模块包括三路声发射传感器。

4.如权利要求2所述的自适应的刀具微破损监控系统，其特征在于，所述信号调理和采集模块包括信号前置放大器、数字采集卡和基于LABVIEW平台的声发射信号采集子模块，所述信号前置放大器的输入端与所述声发射传感器连接，所述信号前置放大器的输出端连接至数字采集卡。

5.如权利要求4所述的自适应的刀具微破损监控系统，其特征在于，所述数据处理和特征提取模块包括LABVIEW平台与MATLAB处理平台，所述LABVIEW平台与MATLAB处理平台对所述声发射信号进行处理与分析。

6.如权利要求1所述的自适应的刀具微破损监控系统，其特征在于，所述刀具破损识别与报警模块包含刀具破损特征库，所述含刀具破损特征库中存储着不同加工条件、不同刀具破损的特征向量。

7.一种自适应的刀具微破损监控方法，利用如权利要求1所述的刀具微破损监控系统对刀具的微破损进行监控，其特征在于，包括以下步骤：

（1）多传感器探测模块采集刀具的声发射信号；

（2）信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样；

（3）数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量；

（4）刀具破损识别与报警模块将所述第一特征向量与标准特征向量进行比对，确定刀具状态，发出报警信号。

8.如权利要求7所述的自适应的刀具微破损监控方法，其特征在于，所述信号调理和采集模块接收所述声发射信号，并对所述声发射信号进行放大及采样的步骤具体包括：

前置放大器对所述多传感器探测模块采集的声发射信号进行前置放大；

经前置放大后的声发射信号送入数字采集卡，所述数字采集卡的单通道采样频率为2.5MHZ~5MHZ，采集程序中的NI-SCOPE的高速流盘存储单元进行存储数据。

9.如权利要求8所述的自适应的刀具微破损监控方法，其特征在于，所述数据处理和特征提取模块对放大和采样后的信号进行盲源分离、高通滤波、加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，从中提取声发射信号的第一特征向量的步骤具体包括：

在LABVIEW平台中将采集到的声发射信号，去均值，之后白化处理，白化处理后的信号，应用FastICA对其进行盲源分离，得到分离信号源；

把分离信号源送入MATLAB处理平台，在MATLAB中对分离信号源进行高通滤波，之后加入白噪声，进行噪声辅助经验模态分解，得到本征模函数组，计算各信号本征模函数能量以及总能量，计算每个模函数的能量百分比，绘制能量分布曲线和特征阶模函数能量百分比变化曲线，并对所述能量分布曲线和特征阶模函数能量百分比变化曲线进行特征信息提取，形成所述第一特征向量。

10.如权利要求9所述的自适应的刀具微破损监控方法，其特征在于，所述特征信息包括曲线的峰值位置、曲线斜率、突然上升点、突然下降点中的一个或其组合。

Images