CN103941645A - 薄壁零件复杂工况加工状态监测方法 - Google Patents

Abstract

一种薄壁零件复杂工况加工状态监测方法，其特征是它首先通过实验采集切削力信号以及振动信号，然后分别对两种对信号进行傅立叶变换及滤波，得到加工状态的敏感频率，进而通过小波变换得到指定频段信号的近似分量和详细分量，并提取包含平均值和方差的统计数据，在特征层面进行信息融合，以切削参数和信号的统计数据作为加工状态辨识的输入向量。采用支持向量机算法进行加工状态辨识，利用采集的数据对支持向量机进行训练，得到不同加工状态的判别式，实现对刀具磨损、刀具变形与工件变形等具有耦合效应的多加工过程状态的监测与识别。本发明有利于降低加工成本，保证加工质量。

Description

薄壁零件复杂工况加工状态监测方法

技术领域

本发明涉及一种机械加工状态在线检测判别技术，属于数控加工技术领域，尤其是一种侧铣加工中利用多种传感器同时对刀具磨损及工件变形进行监测的方法，具体地说是一种基于多传感器融合与支持向量机的薄壁零件复杂工况加工状态监测方法。

背景技术

近年数控机床的快速发展使数控加工趋于数字化、虚拟化、自动化和智能化，使加工效率得到极大提升，尤其是高档数控机床在数控加工领域中已经不可或缺。数控加工能力是衡量加工设备的重要指标之一。对于如飞机结构件或涡轮叶片等高成本、高精度的零件，除了高档加工设备，同时需要在线监测去控制表面加工质量，提升加工精度，并降低加工成本。在过去的几十年里，加工状态监测已被广泛研究，尤其针对刀具磨损、工件变形及颤振等问题，在简单加工工艺上如钻孔或简单零件上的在线检测、监测已经发展到成熟阶段。然而，对于带有大跨度或大高厚比的薄壁零件，因其曲率变化大、加工易变形，导致切削力变化，影响加工精度，所以仍没有成熟的在线监测方法。目前通过刀具的在线检测提高刀具寿命，并降低了加工成本，但是刀具变形磨损及对切削力的影响无法考虑。总之，复杂薄壁零件中工件变形，刀具磨损及刀具变形的同时出现，为复杂零件的加工状态监测带来了挑战。

加工状态识别是一个多因素、非线性的问题。其中影响因素如切削参数主要包括切深、切宽、转速和进给。将多种因素综合考虑，构成了不同参数下的不同加工状态及正常或非正常的物理信号特征。薄壁零件状态识别的另外一个难点是刀具磨损、刀具变形及工件变形之间的耦合效应，影响监测信号，可以概括为两方面：一方面加工状态之间的相互影响，即刀具磨损带来切削力增大，切削力增大带来刀具变形甚至带来工件的变形；另一方面各种加工状态下物理信号的难区分问题。因此，加工状态识别成为目前的一个难点。

现有的研究主要集中在单一加工状态监测或相互没有关联的多种加工状态监测。带有耦合效应的，尤其是薄壁零件数控加工中刀具磨损和工件变形这种同时发生的加工状态仍需要进一步研究，将多种加工状态集中在一起考虑。

发明内容

本发明的目的是针对现有的加工状态监测项目单一，不能反应多种加工状态耦合效应的问题，发明一种将多种工况耦合并通过支持向量机对加工状态进行实时监测的薄壁零件复杂工况加工状态监测方法。

本发明的技术方案是：

一种薄壁零件复杂工况加工状态监测方法，其特征在于，包括以下步骤：

步骤1、设计带有耦合效应的不同加工状态的切削实验，包括正常加工状态的实验、刀具磨损状态下的实验、工件变形状态下的实验以及刀具磨损并且工件变形状态下的实验，设计实验为铝合金材料侧铣加工；

步骤2、进行切削实验，利用切削力传感器和加速度传感器采集不同加工状态下的力学信号和振动信号；

步骤3、分别对切削力信号和振动信号进行傅立叶变换得到各加工状态的力学信号敏感频段及振动信号敏感频段；

步骤4、通过离散小波变换的信号处理方法对敏感波段进行处理，分解出指定频率即步骤3中的敏感频段，得到敏感频段信号的近似分量和细节分量，分别提取近似分量和细节分量的信号均值和方差等统计数据信息；

步骤5、将两种信号的统计数据信息与切削实验的切削参数进行信息融合，一起组成特征向量，作为加工状态辨识的输入向量；

步骤6、采用支持向量机算法进行加工状态辨识，利用采集的数据对支持向量机进行训练，得到不同加工状态的判别式；

步骤7、通过判别条件对加工状态进行监测，辨识加工状态。

所述切削力信号敏感波段在127Hz到275Hz之间。

所述振动信号敏感波段在140Hz到210Hz之间。

本发明的有益效果是：

本发明首次提出针对带有耦合效应加工状态识别的方法，主要应用在工件变形与刀具磨损的耦合效应上，也可以扩展到其他加工方法。利用信息融合理论实现信号特征的融合，实现对带有耦合效应的加工条件进行在线监测。傅立叶变换方法成功获取不同加工条件下的敏感信息，并通过小波分解的方法增强信号的信息提取能力，利用支持向量机获得识别结果。基于多传感器融合与支持向量机的复杂工况加工状态监测方法更准确的掌握复杂薄壁件的数控加工状态，降低成本，保证加工质量。

本发明能将刀具磨损和工件变形区分开。通过力学传感器和加速度传感器分别采集力学信号和振动信号。利用小波分解的信号处理方法，将提取的信号特征的均值和方差值进行小波分解，再利用支持向量机进行状态识别。在特征层面上信息融合理论来实现状态识别，解决了目前无法同时监测有耦合效应加工状态的问题。

附图说明

图1为本发明的监测方法流程图。

图2为本发明四种不同加工条件下测得的切削力示意图。

图3为图2所示的切削力的力学信号经傅立叶变换的结果示意图。

图4为图2所示的切削力信号经小波分解的近似分量示意图。

图5为图2的切削力信号经小波分解的细节分量示意图。

图6为本发明四种不同加工条件下测得的振动信号示意图。

图7为图6所示的振动信号经傅立叶变换的结果示意图。

图8为图6所示的振动信号经小波分解的近似分量示意图。

图9为图6所示的振动信号经小波分解的细节分量示意图。

图10为验证力学信号(1)。

图11为验证力学信号(2)。

图12为验证振动信号(1)。

图13为验证振动信号(2)。

表1为本发明实施例的切削试验四组切削参数。

表2为本发明实施例的切削力信号小波分解的统计数据。

表3为本发明实施例的振动信号小波分解的统计数据。

表4为本发明实施例的振动实验的切削参数。

表5为本发明实施例的切削力小波分解的数据统计验证。

表6为本发明实施例的振动信号小波分解的数据统计验证。

表7为本发明实施例的实验结果验证数据统计。

具体实施方式

下面结构附图和实施例对本发明作进一步的说明。

如图1-13所示。

本实施例以铝合金作为切削试验材料，硬质合金端铣刀作为切削加工用刀具，用奇石乐放大器采集力学信号，再使用加速度传感器采集振动信号。

图1是本发明的基于多传感器融合与支持向量机的复杂工况加工状态监测方法流程图。如图1所示，一种薄壁零件复杂工况加工状态监测方法，它包括以下步骤：

1、试验环境

本实施例的试验条件，一台五轴数控机床，一个三向测力仪，一个加速度传感器；采用两把刀具：一把无磨损刀具；一把是磨损值约为0.15mm的刀具。分别加工两种槽腔：一种是无变形槽腔；一种是变形约为0.20mm的槽腔。在上述基础上设计四种加工条件：正常加工状态(用N表示)；刀具磨损，工件无变形加工状态(用W表示)；工件变形，刀具无磨损加工状态(用D表示)；工件变形，刀具磨损加工状态(用W&D表示)。每个加工条件下分别进行8种不同切削参数的切削实验。切削参数包含切深a_p、切宽a_e、转速n、进给f等信息。在四组加工状态的实验中各取出一组切削参数构成表1。

表1

2、采集切削力信号

在侧壁的加工过程中，切削力集中在x方向上，所以只采集x方向上的切削力。在每种加工条件下选出一组切削力信号，如图2所示的四种不同加工状态下的切削力实测图。从上向下第1幅图中Fx指正常加工状态下切削力，第2幅力中Fx指刀具磨损加工条件下的切削力，第3幅中Fx指工件变形加工条件下的切削力，第4幅图中Fx指工件变形、刀具磨损同时存在的加工条件下的切削力。

3、力学信号傅立叶变换

将采集到的切削力信号（即图2所示的测量值）进行傅立叶变换，结果如图3所示。根据傅立叶变换得到的结果可以看出，不同加工状态下的频率明显变化是集中在127Hz到275Hz之间。可以得出127Hz到275Hz之间是一段敏感频率。采样频率是10000Hz，127Hz到275Hz占采样频率的1/2⁵，因此采用第五级小波分解来计算专用频段的详细信息。

4、力学信号小波分解

根据离散小波变换可以同时针对频域及时域的信息进行处理，本实施例中的信号处理方法采用离散小波分解，离散小波分解公式是根据连续小波分解公式推出。利用小波分解将信号分解成近似分量和细节分量，分别代表低通滤波频率和高通滤波频率。其中代表低频的近似分量可以反映127Hz的详细信息，代表高频的细节分量可以反映275Hz的详细信息。分解信号的算法采用Db5，将第五级分解后的细节分量和近似分量重新构建，如图4和图5所示。利用Matlab数学计算软件的工具包计算近似分量的平均值(am_f)和方差(av_f)以及细节分量的平均值(dm_f)和方差(dv_f)。基于采集信号的绝对值对统计结果进行评估。用分析过的力学信号相同时间间隔进一步分析振动信号，如表2所示。

表2

5、振动信号采集及分解

根据主轴转速确定，振动信号采集的采样频率为512Hz，如图6。对每个信号进行傅立叶变换，如图7所示。显示结果得出敏感频率在140Hz到210Hz之间。因此，信号的细节信息利用小波二级分解得到，如图8、图9所示。近似分量的平均值(am_v)和方差(av_v)以及细节分量的平均值(dm_v)和方差(dv_v)的计算结果如表3所示。

表3

6、构造支持向量机

支持向量机的分类通过一个判别面来实现，该面被称为超平面。假设模式设置X={x_i,i=1,…,N}是线形可分的，判别公式表示如下:

d(x)=w^Tx+b=0       （1）

w和b代表判别的参数，其中w是一个和x具有相同精度的向量。超平面之间的距离及样品是通过使用优化方法最小化。利用对偶原理实现解决方案。最后,最优分类函数可以获得表示为：

$d\left(x\right)=\mathrm{sgn}[(w^T\·x)+b^{*}]=\mathrm{sgn}[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}{y}_i(x_i\·x)+b^{*}]---\left(2\right)$

上式中α_i ^*和b^*为最优划分超平面的参数，通过样本的训练可以求得。

信号特征提取后,构造特征向量训练支持向量机。切削参数和信号特征融合到每个特征向量中，特征向量(cv)可以表示为下式：

cv=[s,f,ap,ae,am_f,av_f,dm_f,dv_f,am_v,av_v,dm_v,dv_v]   （3）

四组支持向量机被分别训练识别不同加工状态，即每种加工状态的识别都对应一种支持向量机。当按照一定加工状态训练支持向量机时，样本的加工状态与当前训练的支持向量机对应的加工状态一致时，样本的模式值就被标记为1，其他加工状态标记为-1，公式表示如下：

ⁱSVM:{(cv^k _j,y)},if k=i,y=1;else,y=-1.     （4）

公式中，i代表第i个加工条件，cv^k _j代表第k个加工状态下的第j个样本的特征向量，y代表样本的模式。

7、训练支持向量机

每个支持向量机都要经过样本的训练，将获得的数据输入到各种加工状态的支持向量机中进行训练，得到不同加工状态支持向量机的参数，如下文所示：

正常加工状态识别的支持向量机参数（w_n，b_n）：

w_n=[-0.04410.1877-0.00370.0001-0.02520.0131-0.0379-0.3866-0.0296-0.07460.0021-0.0115]

b_n=183.0149

刀具磨损的加工状态识别下支持向量机参数（w_w，b_w）：

w_w=[0.0821 -0.1936 0.0036 -0.0002 0.0244 0.0039 0.0369 0.3788 0.0272 0.0327-0.0033 -0.0075]

b_w=-423.3986

工件变形的加工状态识别下支持向量机参数（w_d，b_d）：

w_d=[-1.1625 -0.3251 0.0001 -0.0003 -0.0025 -0.0203 0.0057 0.0446 0.00540.0576 0.0019 0.0321]

b_d=9065

刀具磨损与工件变形同时存在的加工状态识别下的支持向量机参数(w_wd，b_wd)：

w_wd=[-0.4272 -0.1572 -0.0003 -0.0002 -0.0008 -0.0113 0.0023 0.0166 0.0004-0.0070 0.0054 0.0502]

b_wd=3401.9

8、生成判别式

将上述得到的不同加工状态下的支持向量机参数代入到支持向量机的判别式（1）中，得到最终判别式。

9、验证方法的可行性

如表4所示，设计不同加工条件下的切削实验，每种加工状态选取两组切削参数实验用以分析信号特征。采集的切削力信号及振动信号，如图10-13所示。计算结果与统计数据如表5、表6所示。根据切削参数及切削力和振动信号的统计数据构造特征向量，将特征向量逐个输入到判别式中匹配，找到与加工状态对应的特征向量，最终结果如表7。

表4

表5

表6

表7

实验结果表明，利用试验数据得到的判别式可以有效识别各种加工状态，说明支持向量机方法具有良好的泛化能力，证明该方法可行。

本发明未涉及部分与现技术相同或可采用现有技术加以实现。

Claims (6)

1.一种薄壁零件复杂工况加工状态监测方法，其特征是它首先利用传感器采集得到不同加工状态下的切削数据；其次，分别对切削力信号和振动信号进行傅立叶变换得到各加工状态的力学信号敏感频段及振动信号敏感频段；第三，再通过离散小波变换的信号处理方法对敏感波段进行处理，得到敏感频段信号的近似分量和细节分量，分别提取近似分量和细节分量的信号均值和方差值的统计数据信息；第四，将所得的统计数据信息与切削实验的切削参数进行信息融合，一起组成特征向量，作为加工状态辨识的输入向量；第五，采用支持向量机算法进行加工状态辨识，利用采集的数据对支持向量机进行训练，得到不同加工状态的判别式；最后，通过判别条件对加工状态进行监测，辨识加工状态。

2.根据权利要求1所述的方法，其特征是所述的切削力信号敏感波段在127Hz到275Hz之间。

3.根据权利要求1所述的方法，其特征是所述的振动信号敏感波段在140Hz到210Hz之间。

4.根据权利要求1所述的方法，其特征是所述的不同加工状态包括正常加工状态、刀具磨损状态、工件变形状态以及刀具磨损并且工件变形状态，。

5.根据权利要求1或4所述的方法，其特征是所述的切削加工的材料为铝合金，加工方式为槽腔侧铣加工，刀具为硬质合金端铣刀。

6.根据权利要求1所述的方法，其特征是所述的传感器包括切削力传感器和加速度传感器，切削力传感器用于采集不同加工状态下的力学信号，加速度传感器用于测量不同加工状态下的振动信号。