CN103786069A - 一种机械加工设备的颤振在线监测方法 - Google Patents
一种机械加工设备的颤振在线监测方法 Download PDFInfo
- Publication number
- CN103786069A CN103786069A CN201410035719.9A CN201410035719A CN103786069A CN 103786069 A CN103786069 A CN 103786069A CN 201410035719 A CN201410035719 A CN 201410035719A CN 103786069 A CN103786069 A CN 103786069A
- Authority
- CN
- China
- Prior art keywords
- imf component
- feature
- sequence
- threshold value
- flutter
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机械加工设备的颤振在线监测方法,包括选择合适的采样窗口;对采样的振动信号进行经验模态分解;对分解后的本征模态进行筛选得到特征本征模态;对特征本征模态进行希尔伯特变换得到时频谱;对时频谱进行统计模式分析得到特征参数;将统计特征参数与设定的特征阈值及历史相邻信号的统计特征参数进行比较,判定系统的振动状态。本发明针对颤振检测方法样本依赖性强、泛化能力差、阈值测定困难以及判定不及时等问题,提出采用希尔伯特黄变换和统计模式识别相结合的方法,基于颤振时能量在频率上的聚集特性,对振动信号的时频谱进行统计建模及聚类分析,利用特征参数,从本质上表征切削颤振的物理特性,实时有效监测切削振动状态,判定结果准确、直观。
Description
技术领域
本发明属于机床加工技术领域,更具体地,涉及一种机械加工设备的颤振在线监测方法。
背景技术
机床是切削加工的主要载体,振动是切削加工过程的伴生现象。当机床所受外载的激励频率达到系统的某阶固有频率时,机床将会产生剧烈振动,严重时甚至会对机床、刀具和工件产生损坏。切削加工中所发生的振动,根据载荷形式的不同,主要分为受迫振动和自激振动。颤振是机床破坏性自激振动的主要形式,是切削加工过程中机床、工件和刀具之间的一种强烈的相对振动,是一种复杂的动态不稳定现象。实验研究表明,切削系统振动引起的切屑厚度的变化会导致切削力的不稳定,进而引起更大程度的振动,这是再生型颤振的主要来源,也是切削颤振的主要形式。颤振会大大降低加工产品的表面质量和生产效率,严重时还会崩刃甚至损坏工件,使加工无法正常进行,切削系统也会因此承受很大的冲击载荷,降低机床和刀具的使用寿命。颤振是机械工程师面临的一大挑战,是制约机械加工自动化、智能化的主要障碍之一。
传感技术的快速发展为切削颤振的在线监测成为可能。通过安装在机床上的各类传感器(如加速度传感器、声传感器、力传感器等),能实时获取切削加工过程的振动信息,通过对信号进行合理的特征提取和分析,就能获知系统的运行状态,从而采取相应的调控措施。目前,颤振的监测方法主要是基于统计模型和智能模型。C.Zhang于2010年发文提出采用HMM结合ANN的方法进行颤振的预测,通过对模型进行训练,能从振动信号中准确分辨出颤振现象。Z.Yao于同年提出一种基于小波分解和支持向量机的颤振辨识方法。Kujanic.E多次发文,对振动加速度信号和切削力信号,采用小波参数和传感器指数构建多传感器模型,进行统计建模分析,获取颤振阈值。
这些方法存在以下问题:(1)需要大量振动信号进行模型的训练,而对于切削加工来说,大量振动信号的获取是十分困难而又低效的;(2)振动信号的系统依赖性,导致模型不具有可移植性,更换系统后需要重新获取振动信号、重新训练模型,实用性不强;(3)模型阈值是基于振动信号统计的结果,不具有明确的物理含义,因而难以得到普遍的接受,更换系统后也无法直接推导得出;(4)颤振的发生展过程时间很短,因而检测算法的计算速度也是颤振在线检测的模型的一大难点;(5)由于颤振的破坏性,模型需要在颤振的危害性暴露出来之前做出预判,而目前的方法都还无法做到这一点。样本依赖性强、模型泛化能力差、阈值设定的随意性以及模型的判定速度是制约颤振在线监测发展的主要瓶颈。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种机械加工设备的颤振在线监测方法,其目的在于实现颤振的自动化在线监测,由此解决现有技术中样本依赖性强、模型泛化能力差、阈值设定的随意性的技术问题。
本发明提供的一种机械加工设备的颤振在线监测方法,包括下述步骤:
S1:根据切削系统、加工过程的频率特征和处理器的处理能力,确定采样时间并根据所述采样时间ST及采样频率Fs对机械加工设备中的振动信号进行采集;Nlim为切削系统的临界采样长度,L为采样长度的波动系数,Fs为采样频率;
S2:对采集的振动信号进行经验模态分解处理得到本征模态;具体为:
S21将采样得到的振动信号X(t)作为原序列x(t);
S22获取原序列x(t)中所有的局部极大值和局部极小值,利用三次样条曲线将局部极大值串连成上包络线xmax(t),利用三次样条曲线将局部极小值串连成下包络线xmin(t);
S23对上、下包络线取平均值获得均值包络线m1(t)=[xmax(t)+xmin(t)]/2;
S24计算原序列x(t)与所述均值包络线m1(t)的差值,得到一个新的差值序列h1(t)=x(t)-m1(t);
S25判断所述差值序列h1(t)是否同时满足IMF筛选停止条件,若是,则进入步骤S26;若否,则将新的差值序列h1(t)当作原序列并返回至步骤S22;
S26将所述差值序列h1(t)作为第一个IMF分量c1(t),用原序列x(t)减去所述第一个IMF分量c1(t)获得剩余分量序列r1(t);
S27判断剩余分量序列r1(t)是否为单调序列,若是,则进入步骤S28;若否,则以剩余分量序列r1(t)作为原序列并返回至步骤S22;
S28重复步骤S22-S27N次后得到N个IMF分量ci(t)和一个最终残余分量rN(t);最终残余分量rN(t)为振动信号X(t)的平均趋势;振动信号X(t)的分解式为i=1,2...N,N为IMF分量的个数;N为整数;
S3:对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t),i=1,2...m;m为特征IMF分量的个数;
S4:计算m个特征IMF分量sci(t)的时频谱;具体为:
S44将所有特征分量IMFsci(t)的瞬时频率序列ωi组合得到振动信号X(t)的特征时频谱ω={ωi},i=1,2,...m;
S5:获得所述特征时频谱ω的统计特征值;并根据所述统计特征值获得振动信号的统计特征参数SP=[m,μ,σ,γ,κ];
Lw为将特征时频谱ω重新排列成一列,M表示重排序列Lw的长度;所述统计特征值包括平均值μ,标准差σ,偏度γ,峭度κ;
S6:将统计特征参数SP与设定的特征阈值以及历史相邻信号的统计特征参数进行比较,并根据比较结果判定机械加工设备的振动状态。
其中,在步骤S25中,所述IMF筛选停止条件包括:(A)在振动信号的整个持续时间内,零交点的数目与极值点的数目必须相等或至多相差一个;(B)在任意时刻,由局部极大值点定义的上包络线与局部极小值点定义的下包络线之间的平均值为零。
其中,在步骤S3中,根据能量原则对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t);能量原则是指对IMF分量的归一化能量降序排列后,从高到低选择总能量大于能量阈值的IMF分量作为特征IMF分量;所述能量阈值为0.7~1。
其中,在步骤S3中,根据相似性原则对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t);相似性原则是指选择与原信号相关系数大于相似性阈值的IMF分量作为特征IMF分量;相似性阈值为0.5~1。
其中,在步骤S6中,所述设定的特征阈值包括特征IMF分量的阈值k1,平均值的阈值k2,标准差的阈值k3和峭度的阈值k4;其中特征IMF分量的阈值k1为1-2,平均值的阈值k2为0-0.1,标准差的阈值k3为0-0.3,峭度的阈值k4为5-20。
本发明具有以下积极效果:
(1)采用希尔伯特黄变换方法,获取信号的时频谱,得到系统的振动频率分布。当切削系统发生颤振失稳时,系统将在某一阶固有频率处产生强烈振动,系统能量将向此固有频率处聚集,从时频图上来看,信号的频率分布明显聚集到某一频带。此方法形象直观,直接从本质上揭示颤振状态,判定准确;
(2)本方法不需要大量的训练振动信号,只需要切削系统大致的模态参数即可,操作简便,易于实现,可移植性强;
(3)本方法通过提取振动大部分能量的频率分布特性,从本质上反映了颤振的物理特性,方法具有明确的物理解释,能直接从物理特征上表征系统的振动状态;
(4)颤振的发展过程一般可分为稳定阶段、过渡阶段和颤振阶段。本方法通过颤振信号频带的分布特征,在过渡阶段即做出预判,能有效避免颤振对工件的进一步损伤;
(5)通过动态调整采样窗口大小,可以调整采样时间和处理时间的配比关系,实现系统的实时监测。
附图说明
图1是本发明实施例提供的一种机械加工设备的颤振在线监测方法的实现流程图;
图2是采样长度设定方法示意图;
图3是稳定状态振动信号的特征时频谱;
图4是过渡状态振动信号的特征时频谱;
图5是颤振状态振动信号的特征时频谱;
图6是对实测振动信号采用本发明方法进行连续采样分析得到的特征参数的时序图示例,从图上可以明显区分出稳定态、过渡态和颤振态三种振动状态。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
针对现有技术的不足,本发明的目的在于提出一种基于希尔伯特黄变换(Hilbert-Huang Transformation,HHT)和统计模式识别(Statistic PatternRecognition,SPR)的颤振在线监测方法,实现颤振的自动化在线监测。
为实现以上发明目的,本发明提供的一种基于希尔伯特黄变换和统计模式识别的颤振在线监测方法,包括以下步骤:
(1)选择合适的采样窗口;
(2)对采样得到的振动信号进行经验模态分解;
(3)对分解得到的本征模态按规则筛选,得到特征本征模态;
(4)对特征本征模态进行希尔伯特变换,得到时频谱;
(5)对时频谱进行统计模式分析,得到特征参数;
(6)将统计特征参数SP与设定的特征阈值及Nh个历史相邻信号的统计特征参数进行比较,判定系统的振动状态。
与现有技术相比,本发明具有以下积极效果:
(1)采用希尔伯特黄变换方法,获取信号的时频谱,得到系统的振动频率分布。当切削系统发生颤振失稳时,系统将在某一阶固有频率处产生强烈振动,系统能量将向此固有频率处聚集,从时频图上来看,信号的频率分布明显聚集到某一频带。此方法形象直观,直接从本质上揭示颤振状态,判定准确;
(2)本方法不需要大量的训练振动信号,只需要切削系统大致的模态参数即可,操作简便,易于实现,可移植性强;
(3)本方法通过提取振动大部分能量的频率分布特性,从本质上反映了颤振的物理特性,方法具有明确的物理解释,能直接从物理特征上表征系统的振动状态;
(4)颤振的发展过程一般可分为稳定阶段、过渡阶段和颤振阶段。本方法通过颤振信号频带的分布特征,在过渡阶段即做出预判,能有效避免颤振对工件的进一步损伤;
(5)通过动态调整采样窗口大小,可以调整采样时间和处理时间的配比关系,实现系统的实时监测。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及示例性实施案例,对本发明进行进一步详细说明。应当理解,此处所描述的示例性实施案例仅用以解释本发明,并不用于限定本发明的适用范围。
本发明的基本原理为:通过对振动信号时频谱分布特征的定量表征,实现颤振的在线实时监测。
在本发明实施例中,可以根据以下三个原则选择采样时间窗的长度:(1)根据切削信号的频率范围,结合采样定理选择合适的采样频率;(2)根据处理器的运算能力,估计处理算法的时间复杂性,确定采样时间窗的临界长度;(3)切削颤振的发展周期约为500~1000ms,由于系统需要几个周期的时间来做出准确的判定,因此采样时间窗长度应不大于250ms。
下面结合附图和具体实施方法对本发明作进一步详细的说明。
如图1所示,本发明所述一种机械加工设备的颤振在线监测方法,包括以下步骤:
步骤S1:根据切削系统和加工过程的频率特征,确定采样频率Fs;使用不同长度的信号振动信号在处理器上进行测试,得到系统的临界采样长度Nlim如图2所示,设采样长度的波动系数为L,采样时间为ST,此外,系统的时间分辨率也为ST。
步骤S2:对采样得到的振动信号X(t)进行经验模态分解(EmpiricalMode Decomposition,EMD),得到本征模态(Intrinsic Mode Functions,IMF)。其计算步骤包括:
(1)将采样得到振动信号X(t)作为原序列x(t);
(2)找出原序列x(t)中所有的局部极大值和局部极小值,利用三次样条曲线,将局部极大值串连成上包络线xmax(t),将局部极小值串连成下包络线xmin(t);
(3)对上、下包络线取平均值,得到均值包络线m1,即m1(t)=[xmax(t)+xmin(t)]/2;
(4)计算振动信号x(t)与均值包络线m1的差值,得到一个新的差值序列h1,即h1(t)=x(t)-m1(t);
(5)判断差值序列h1是否同时满足以下两个IMF筛选停止条件,如果满足,则进入步骤(6);如果不满足,则将h1(t)当作原序列,进入步骤(2);
IMF筛选停止条件:(A)在振动信号的整个持续时间内,零交点的数目与极值点的数目必须相等或至多相差一个;(B)在任意时刻,由局部极大值点定义的上包络线与局部极小值点定义的下包络线之间的平均值为零。
(6)此时到得的差值序列即为第一个IMF,记作c1(t),用原序列x(t)减去c1(t),得到剩余分量序列r1(t)。
(7)判断剩余分量序列r1(t)是否是单调序列,若是,则进入步骤(8);若否,则以r1(t)作为原序列并返回至步骤(2)。
(8)EMD分解结束,假设经过了N次步骤(2)-(7),得到N个IMF分量ci(t),i=1,2...N,和一个最终残余分量rN(t)。最终残余分量rN(t)称为振动信号X(t)的平均趋势。振动信号X(t)的分解式为
本发明实施例对采集到的振动信号,采用经验模态分解方法,通过反复检验信号与其上下包络线均值的差值是否满足本征模态条件,将原始信号按频率分布由高到低分解为有限个本征模态。根据加工设备的固有频率分布,设置一定数目的本征模态个数,作为附加的分解终止条件,可有效提高处理效率。
步骤S3:对分解得到的IMF分量按筛选规则进行筛选。IMF的筛选方法有两种:能量原则和相似性原则。能量是指各阶IMF的归一化能量,能量原则是指对IMF的能量降序排列后,从高到低选择总能量大于能量阈值的IMF分量作为特征IMF;相关系数采用皮尔逊公式计算,即: 式中L表示序列长度,μX(t)分别表示IMF序列ci(t)和振动信号X(t)的数学期望。相似性原则是指选择与原信号相关系数大于相似性阈值的IMF分量作为特征IMF。实际操作时,根据具体的信号类型和加工环境背景选择合适的方法。能量阈值可以为0.7~1,相似性阈值可以为0.5~1。筛选出的特征IMF分量记作sci(t),i=1,2...m,m表示特征IMF的个数。
步骤S4:对筛选得到的特征IMF分量sci(t),计算其时频谱;其计算步骤包括:
(4)将所有特征IMFsci(t)的瞬时频率序列ωi组合起来,即得到振动信号X(t)的特征时频谱ω={ωi},i=1,2,...m。
步骤S5:计算特征时频谱ω的统计特征值,包括平均值μ、标准差σ、偏度γ和峭度κ,则振动信号的统计特征参数表示为SP=[m,μ,σ,γ,κ],设Lw表示将特征时频谱ω重新排列成一列,M表示重排序列Lw的长度,则各特征分量的计算式为: 平均值表征振动信号的能量在频率上的平均,对于单频信号,均值即为系统的振动频率;标准差表征振动频率的分散性;偏度和峭度表征振动信号相对中间值的分布形态。图3-5所示分别为三种振动状态(稳定态,过渡态,颤振态)的时频谱示例,其特征参数分别为SP稳定态=[3,3760.03,2776.57,0.9,2.44],SP过渡态=[1,3820.33,1156.96,2.73,14.20],SP颤振=[1,3487.29,349.59,5.24,91.14]。
步骤S6:将统计特征参数SP与设定的特征阈值及Nh个历史相邻信号的统计特征参数进行比较,判定系统的振动状态。Nh为5-20;特征IMF分量的阈值k1为1-2;平均值的阈值k2定义为Nh个历史相邻信号(包含当前信号)的特征平均值μt的标准差与平均值的比值k2为0-0.1;标准差的阈值k3定义为标准差与平均值的比值,k3为0-0.3;峭度的阈值k4为5-20。
在本发明实施例中,将特征参数与特征阈值及历史相邻5~20个信号的统计特征参数进行比较,通过特征IMF数目、平均值的波动、标准差和峭度的增大和发散,判定切削系统的振动状态,如图6所示。具体为:
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种机械加工设备的颤振在线监测方法,其特征在于,包括下述步骤:
S1:根据切削系统、加工过程的频率特征和处理器的处理能力,确定采样时间并根据所述采样时间ST及采样频率Fs对机械加工设备中的振动信号进行采集;Nlim为切削系统的临界采样长度,L为采样长度的波动系数,Fs为采样频率;
S2:对采集的振动信号进行经验模态分解处理得到本征模态;具体为:
S21将采样得到的振动信号X(t)作为原序列x(t);
S22获取原序列x(t)中所有的局部极大值和局部极小值,利用三次样条曲线将局部极大值串连成上包络线xmax(t),利用三次样条曲线将局部极小值串连成下包络线xmin(t);
S23对上、下包络线取平均值获得均值包络线m1(t)=[xmax(t)+xmin(t)]/2;
S24计算原序列x(t)与所述均值包络线m1(t)的差值,得到一个新的差值序列h1(t)=x(t)-m1(t);
S25判断所述差值序列h1(t)是否同时满足IMF筛选停止条件,若是,则进入步骤S26;若否,则将新的差值序列h1(t)当作原序列并返回至步骤S22;
S26将所述差值序列h1(t)作为第一个IMF分量c1(t),用原序列x(t)减去所述第一个IMF分量c1(t)获得剩余分量序列r1(t);
S27判断剩余分量序列r1(t)是否为单调序列,若是,则进入步骤S28;若否,则以剩余分量序列r1(t)作为原序列并返回至步骤S22;
S28重复步骤S22-S27N次后得到N个IMF分量c1(t)和一个最终残余分量rN(t);最终残余分量rN(t)为振动信号X(t)的平均趋势;振动信号X(t)的分解式为i=1,2…N,N为IMF分量的个数;N为整数;
S3:对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t),i=1,2...m;m为特征IMF分量的个数;
S4:计算m个特征IMF分量sci(t)的时频谱;具体为:
S41根据公式对特征IMF分量sci(t)进行希尔伯特变换;
S44将所有特征分量IMFsci(t)的瞬时频率序列ωi组合得到振动信号X(t)的特征时频谱ω={ωi},i=1,2,...m;
S5:获得所述特征时频谱ω的统计特征值;并根据所述统计特征值获得振动信号的统计特征参数SP=[m,μ,σ,γ,κ];
Lw为将特征时频谱ω重新排列成一列,M表示重排序列Lw的长度;所述统计特征值包括平均值μ,标准差σ,偏度γ,峭度κ;
S6:将统计特征参数SP与设定的特征阈值以及历史相邻信号的统计特征参数进行比较,并根据比较结果判定机械加工设备的振动状态。
2.如权利要求1所述的颤振在线监测方法,其特征在于,在步骤S25中,所述IMF筛选停止条件包括:(A)在振动信号的整个持续时间内,零交点的数目与极值点的数目必须相等或至多相差一个;(B)在任意时刻,由局部极大值点定义的上包络线与局部极小值点定义的下包络线之间的平均值为零。
3.如权利要求1或2所述的颤振在线监测方法,其特征在于,在步骤S3中,根据能量原则对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t);能量原则是指对IMF分量的归一化能量降序排列后,从高到低选择总能量大于能量阈值的IMF分量作为特征IMF分量;所述能量阈值为0.7~1。
4.如权利要求1或2所述的颤振在线监测方法,其特征在于,在步骤S3中,根据相似性原则对分解得到的N个IMF分量进行筛选获得特征IMF分量sci(t);相似性原则是指选择与原信号相关系数大于相似性阈值的IMF分量作为特征IMF分量;相似性阈值为0.5~1。
5.如权利要求1-4任一项所述的颤振在线监测方法,其特征在于,在步骤S6中,所述设定的特征阈值包括特征IMF分量的阈值k1,平均值的阈值k2,标准差的阈值k3和峭度的阈值k4;其中特征IMF分量的阈值k1为1-2,平均值的阈值k2为0-0.1,标准差的阈值k3为0-0.3,峭度的阈值k4为5-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035719.9A CN103786069B (zh) | 2014-01-24 | 2014-01-24 | 一种机械加工设备的颤振在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410035719.9A CN103786069B (zh) | 2014-01-24 | 2014-01-24 | 一种机械加工设备的颤振在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103786069A true CN103786069A (zh) | 2014-05-14 |
CN103786069B CN103786069B (zh) | 2015-05-20 |
Family
ID=50662349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410035719.9A Active CN103786069B (zh) | 2014-01-24 | 2014-01-24 | 一种机械加工设备的颤振在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103786069B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390697A (zh) * | 2014-11-06 | 2015-03-04 | 西安交通大学 | 一种基于c0复杂度与相关系数的铣削颤振检测方法 |
CN105108584A (zh) * | 2015-07-21 | 2015-12-02 | 上海交通大学 | 一种车削颤振检测方法 |
CN105500115A (zh) * | 2016-02-24 | 2016-04-20 | 南京工程学院 | 一种铣削加工中刀具颤振的检测系统及其检测方法 |
CN107297649A (zh) * | 2017-06-05 | 2017-10-27 | 天津大学 | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 |
CN107330375A (zh) * | 2017-06-05 | 2017-11-07 | 天津大学 | 基于经验模态分解和样本熵特征的机床颤振在线监测方法 |
CN107850485A (zh) * | 2015-07-17 | 2018-03-27 | 西门子公司 | 用于识别自激振动的方法和识别系统 |
CN107992802A (zh) * | 2017-11-10 | 2018-05-04 | 桂林电子科技大学 | 一种基于nmf的微震弱信号识别方法 |
CN108759907A (zh) * | 2018-05-02 | 2018-11-06 | 上海交通大学 | 一种基于铆接力的飞机气动铆接过程在线监测方法及系统 |
CN109357748A (zh) * | 2018-11-27 | 2019-02-19 | 吉林电力股份有限公司白城发电公司 | 汽轮机叶片颤振监测装置及装置安装方法和装置监测方法 |
CN109434562A (zh) * | 2018-09-30 | 2019-03-08 | 天津大学 | 基于划分聚类的铣削刀具磨损状态识别方法 |
CN109738041A (zh) * | 2019-01-11 | 2019-05-10 | 中冶长天国际工程有限责任公司 | 一种城市地下综合管廊智能液位监测方法及系统 |
CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
CN110490215A (zh) * | 2018-05-14 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种风电场-电网相互作用的模态识别方法及系统 |
CN110530495A (zh) * | 2019-09-10 | 2019-12-03 | 长沙理工大学 | 一种基于振动分析的切削颤振监测方法 |
CN110561195A (zh) * | 2019-09-04 | 2019-12-13 | 清华大学深圳研究生院 | 一种机械加工过程中颤振的监测方法 |
CN110697075A (zh) * | 2019-09-29 | 2020-01-17 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
CN111266925A (zh) * | 2018-12-04 | 2020-06-12 | 双叶电子工业株式会社 | 一种测算装置、测算方法及存储介质 |
CN111633650A (zh) * | 2020-05-27 | 2020-09-08 | 华中科技大学 | 一种基于机器人刚度特性的模态耦合颤振抑制方法 |
CN112255492A (zh) * | 2020-09-07 | 2021-01-22 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112364291A (zh) * | 2020-11-17 | 2021-02-12 | 哈工大机器人(合肥)国际创新研究院 | 一种前置滤波极值点优化集合经验模态分解方法及装置 |
CN112580588A (zh) * | 2020-12-29 | 2021-03-30 | 西北工业大学 | 一种基于经验模态分解的颤振信号智能识别方法 |
CN112621382A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
CN114235043A (zh) * | 2021-12-14 | 2022-03-25 | 上海理工大学 | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 |
US11344987B2 (en) | 2019-09-04 | 2022-05-31 | Tsinghua Shenzhen International Graduate School | Method for monitoring chatter in machining process |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01267436A (ja) * | 1988-02-04 | 1989-10-25 | Westinghouse Electric Corp <We> | 振動部材の疲れ測定方法および装置 |
EP1164355A2 (en) * | 2000-06-15 | 2001-12-19 | Murata Manufacturing Co., Ltd. | Angular velocity sensor |
US20070176759A1 (en) * | 2006-02-01 | 2007-08-02 | Zhong Zhang | Abnormality diagnosing method for sound or vibration and abnormality diagnosing apparatus for sound or vibration |
CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
-
2014
- 2014-01-24 CN CN201410035719.9A patent/CN103786069B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01267436A (ja) * | 1988-02-04 | 1989-10-25 | Westinghouse Electric Corp <We> | 振動部材の疲れ測定方法および装置 |
EP1164355A2 (en) * | 2000-06-15 | 2001-12-19 | Murata Manufacturing Co., Ltd. | Angular velocity sensor |
US20070176759A1 (en) * | 2006-02-01 | 2007-08-02 | Zhong Zhang | Abnormality diagnosing method for sound or vibration and abnormality diagnosing apparatus for sound or vibration |
CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390697B (zh) * | 2014-11-06 | 2017-06-27 | 西安交通大学 | 一种基于c0复杂度与相关系数的铣削颤振检测方法 |
CN104390697A (zh) * | 2014-11-06 | 2015-03-04 | 西安交通大学 | 一种基于c0复杂度与相关系数的铣削颤振检测方法 |
CN107850485A (zh) * | 2015-07-17 | 2018-03-27 | 西门子公司 | 用于识别自激振动的方法和识别系统 |
CN105108584A (zh) * | 2015-07-21 | 2015-12-02 | 上海交通大学 | 一种车削颤振检测方法 |
CN105108584B (zh) * | 2015-07-21 | 2017-10-17 | 上海交通大学 | 一种车削颤振检测方法 |
CN105500115A (zh) * | 2016-02-24 | 2016-04-20 | 南京工程学院 | 一种铣削加工中刀具颤振的检测系统及其检测方法 |
CN107297649B (zh) * | 2017-06-05 | 2019-05-28 | 天津大学 | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 |
CN107297649A (zh) * | 2017-06-05 | 2017-10-27 | 天津大学 | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 |
CN107330375A (zh) * | 2017-06-05 | 2017-11-07 | 天津大学 | 基于经验模态分解和样本熵特征的机床颤振在线监测方法 |
CN107992802A (zh) * | 2017-11-10 | 2018-05-04 | 桂林电子科技大学 | 一种基于nmf的微震弱信号识别方法 |
CN107992802B (zh) * | 2017-11-10 | 2021-12-21 | 桂林电子科技大学 | 一种基于nmf的微震弱信号识别方法 |
CN108759907B (zh) * | 2018-05-02 | 2021-04-13 | 上海交通大学 | 一种基于铆接力的飞机气动铆接过程在线监测方法及系统 |
CN108759907A (zh) * | 2018-05-02 | 2018-11-06 | 上海交通大学 | 一种基于铆接力的飞机气动铆接过程在线监测方法及系统 |
CN110490215A (zh) * | 2018-05-14 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种风电场-电网相互作用的模态识别方法及系统 |
CN110490215B (zh) * | 2018-05-14 | 2022-11-11 | 中国电力科学研究院有限公司 | 一种风电场-电网相互作用的模态识别方法及系统 |
CN109434562A (zh) * | 2018-09-30 | 2019-03-08 | 天津大学 | 基于划分聚类的铣削刀具磨损状态识别方法 |
CN109357748A (zh) * | 2018-11-27 | 2019-02-19 | 吉林电力股份有限公司白城发电公司 | 汽轮机叶片颤振监测装置及装置安装方法和装置监测方法 |
CN111266925A (zh) * | 2018-12-04 | 2020-06-12 | 双叶电子工业株式会社 | 一种测算装置、测算方法及存储介质 |
CN111266925B (zh) * | 2018-12-04 | 2022-12-27 | 双叶电子工业株式会社 | 一种测算装置、测算方法及存储介质 |
CN109738041A (zh) * | 2019-01-11 | 2019-05-10 | 中冶长天国际工程有限责任公司 | 一种城市地下综合管廊智能液位监测方法及系统 |
CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
US11344987B2 (en) | 2019-09-04 | 2022-05-31 | Tsinghua Shenzhen International Graduate School | Method for monitoring chatter in machining process |
CN110561195A (zh) * | 2019-09-04 | 2019-12-13 | 清华大学深圳研究生院 | 一种机械加工过程中颤振的监测方法 |
WO2021042434A1 (zh) * | 2019-09-04 | 2021-03-11 | 清华大学深圳国际研究生院 | 一种机械加工过程中颤振的监测方法 |
CN110530495A (zh) * | 2019-09-10 | 2019-12-03 | 长沙理工大学 | 一种基于振动分析的切削颤振监测方法 |
CN110697075A (zh) * | 2019-09-29 | 2020-01-17 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
CN111633650A (zh) * | 2020-05-27 | 2020-09-08 | 华中科技大学 | 一种基于机器人刚度特性的模态耦合颤振抑制方法 |
CN112255492B (zh) * | 2020-09-07 | 2023-10-24 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112255492A (zh) * | 2020-09-07 | 2021-01-22 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112364291B (zh) * | 2020-11-17 | 2024-05-14 | 哈工大机器人(合肥)国际创新研究院 | 一种前置滤波极值点优化集合经验模态分解方法及装置 |
CN112364291A (zh) * | 2020-11-17 | 2021-02-12 | 哈工大机器人(合肥)国际创新研究院 | 一种前置滤波极值点优化集合经验模态分解方法及装置 |
CN112621382B (zh) * | 2020-12-17 | 2022-05-24 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112621382A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 基于切削振动阻尼特性的在线刀具磨损监测方法 |
CN112580588B (zh) * | 2020-12-29 | 2024-01-12 | 西北工业大学 | 一种基于经验模态分解的颤振信号智能识别方法 |
CN112580588A (zh) * | 2020-12-29 | 2021-03-30 | 西北工业大学 | 一种基于经验模态分解的颤振信号智能识别方法 |
CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
CN114235043A (zh) * | 2021-12-14 | 2022-03-25 | 上海理工大学 | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103786069B (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
Liu et al. | Tool wear monitoring and prediction based on sound signal | |
Gao et al. | Distinguishing chaos from noise by scale-dependent Lyapunov exponent | |
Cao et al. | Chatter identification in end milling process using wavelet packets and Hilbert–Huang transform | |
KR102166649B1 (ko) | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 | |
CN104698837B (zh) | 一种时变线性结构工作模态参数识别方法、装置及应用 | |
TWI422460B (zh) | Tool nose detection method for cutting machine tool | |
Zamanian et al. | Gear fault diagnosis based on Gaussian correlation of vibrations signals and wavelet coefficients | |
CN104786101A (zh) | 立铣切削颤振的监测方法 | |
Lin et al. | Sequential spindle current-based tool condition monitoring with support vector classifier for milling process | |
CN103962888A (zh) | 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 | |
CN113343928B (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
Cammilleri et al. | POD-spectral decomposition for fluid flow analysis and model reduction | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
Patange et al. | Review on tool condition classification in milling: A machine learning approach | |
Khasawneh et al. | Topological data analysis for true step detection in periodic piecewise constant signals | |
CN104964837A (zh) | 基于emd的结构刚度损伤监测方法及系统 | |
US20210060720A1 (en) | Method for monitoring chatter in machining process | |
CN103034170A (zh) | 一种基于区间的数控机床性能预测方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN106202977A (zh) | 一种基于盲源分离算法的低频振荡模式分析方法 | |
Wang et al. | Intelligent chatter detection for CNC machine based on RFE multi-feature selection strategy | |
CN103203670B (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
Wei et al. | Tool wear state recognition based on feature selection method with whitening variational mode decomposition | |
CN114298679A (zh) | 基于大数据的工业ai平台及其应用方法、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |