CN1045738C - 一种刀具失效综合监控方法与装置 - Google Patents
一种刀具失效综合监控方法与装置 Download PDFInfo
- Publication number
- CN1045738C CN1045738C CN92111137A CN92111137A CN1045738C CN 1045738 C CN1045738 C CN 1045738C CN 92111137 A CN92111137 A CN 92111137A CN 92111137 A CN92111137 A CN 92111137A CN 1045738 C CN1045738 C CN 1045738C
- Authority
- CN
- China
- Prior art keywords
- signal
- enveloped
- cutter
- value
- accumulated value
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005520 cutting process Methods 0.000 claims abstract description 34
- 230000004069 differentiation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 abstract 2
- 230000005611 electricity Effects 0.000 abstract 1
- 230000005389 magnetism Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 22
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 230000004927 fusion Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000003801 milling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 102100023774 Cold-inducible RNA-binding protein Human genes 0.000 description 1
- 101000906744 Homo sapiens Cold-inducible RNA-binding protein Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002463 transducing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
一种刀具失效综合监控方法与装置,其监控的综合信息是以声发射与/或振动信号的以下三组作为实时控制变量的特征参数,第一组,表征刀具破损与刀刃塑变的参数,第二组,表征刀具磨损/破损融合的参数,第三组,表征刀刃磨损自相似的参数。按本发明的方法来监控刀具失效可以减少漏报率和误报率。本发明的装置可用于多种加工机床的刀具失效监控,其抗现场机、电、磁、声等干扰性能好。
Description
本发明涉及切削过程刀具失效的实时监控方法与装置。
切削过程刀具失效的在线、实时、高精度、可靠的监控方法与装置的研究与开发是适应高速、高效与柔性自动化加工技术和现代制造系统的发展,实现切削过程监控,过程质量保障,切削过程动态优化,自适应控制和大型、贵重件的加工设备与工件安全保障等所必备的、重要而又急待解决的课题。
近几年来利用声发射信号实现了刀具崩刃破损实时监视,但刀具磨损的实时监视还不能满足工作精度、稳定性和易于现场应用等要求。基于光学图象,接触与放射线的直接方法的监视系统仍难于实用化,或无法完成实时监视;以力/力矩为代表的磨损监视法,虽经实验验证其原理可行,但仍未解决传感检测装置实用化与确定阈值的难点;基于功率/电流法的磨损监视法受限制于灵敏度低;声发射或振动刀具磨损监视法还未找到有效的信号特征参数,尚无法实现高精度,可靠的实时监视;80年代后期开始的多传感信息融合(fusion)法的研究虽已可在实验室中实现刀磨损监视,但所有的DMGH(成组数据处理法)和NN(神经网络)监视识别法还无法实用化,其突出的问题是如何减少训练次数,如何适应多品种小批量或单件加工场合应用。另一个基本问题是他们如何实现刀具磨损值实时校准(标定)以完成磨损值的监视与预报。同时现有多感知检测传感信号和信号处理及识别的信息计算量大,势必要求增加硬件成本和采用较高档次的微型计算机,导致监控仪的总成本增加。因此,刀具磨损实时监视的研究虽一直不停顿地进行,但还不能满足要求,还不能实用化。中国专利,专利号89100419.x利用模糊识别,分级统计和记分函数法达到了声发射(AE)车削刀具崩刃破损的高精度实时监控,并对刀具异常磨损有一定的监视功能。该专利由AE传感器,多级滤波器,前、主放大器,微型计算机接口电路,报警输出和交联接口电路及利用模糊判断模型程序的微型计算机所组成。其工作原理为用AE传感器获取切削过程AE声源的AE信号,对该信号进行处理后得到“振铃记数”,“事件记数”,“一,二次包络检波波峰最大幅值”,“二次包络检波波延续时间”,“一次包络检波波形变化率”等六个参数,并根据专家知识与经验建立的模糊识别判断规则对六个参数的数值进行模糊分级统计,按记分函数法分别给出每一级的分数值,然后依据各参数对刀具破损影响的程序,按规则表达式进行判断,求解结论。中国专利,专利号89108832.6,利用刀具破损与异常时的声发射信号进行多变参数统计模式识别来监视刀具工况。该专利由声发射信号检测与预处理单元,信号与通用微处理机接口单元,微处理机、显示器、交联传输与报警输出单元以及抗干扰电源所组成。其工作原理为,用AE传感器获取切削过程AE源和AE信号,对该信号进行处理后得到“振铃记数”,“一次包络信号的峰值”,“一次包络信号峰值记数”,“一次包络信号幅值的均值”,“一次包络信号的微分峰峰值”,“二次包络信号的峰值”,“二次包络信号波延续时间”等七个参数的数值进行多变参数的统计模式识别,根据决策线(面)把不同的Y值分为两类(正常和异常),实现多种刀具破损或其工况异常的综合监视。该两项专利对车刀及其它多种刀具的崩刃破损或切削工况异常可实现高精度可靠的实时监视,但它们共同的不足之处是:(1)还不能实时监视刀具磨损,(2)未能把刀具三种主要失效型式-磨损,破损和刀刃塑变(卷刃)进行综合的实时监视,(3)不能预报刀具磨损与破损。
本发明的目的在于提供一种适用于多种刀具的自动化机床连续工作时刀具多种失效型式-磨损,破损刀刃塑变综合实时监视,响应速度快,工作精度高,抗瞬态干扰力强,能实现刀具磨损与破损预报的声发射与/或切削振动,刀具综合监视方法与监视装置。
本发明的技术解决方案是提供一种用刀具破损、刀刃塑变和磨损时的声发射与/或切削过程振动信号来监视刀具多种失效工况的方法,其具体内容为,由声发射与/或振动通过传感器(复合或集成传感器)获取的声发射与/或振动信号的传感、放大、选频、滤波、声发射与振动信号形成综合(融合)信息和微型计算机利用综合信号对刀具多种失效工况进行识别判断的步骤所组成,其特征是其监控综合信息是由声发射信号与/或切削振动信号的以下三组作为实时控制变量的特征信号参数,即:表征刀具破损与刀刃塑变(卷刃)的参数-“振铃记数N”、“一次包络信号幅值的均值
A1”,“一次包络信号的峰值A1m”,“一次包络信号的微分峰峰值dA1m”,“二次包络信号的峰值A2m”,“一次包络信号峰值记数NA1”,“二次包络信号波延续时间tA2”;表征刀具磨损,磨损/破损融合的参数-“振铃记数的累积值∑N”,“一次包络信号幅值的累积值∑A1”,“一次包络信号微分的累积值∑dA1”,“二次包络信号幅值的累积值∑A2”;表征刀具磨损自相似的特征参数-“振铃记数的单位时间累加值
”,“一次包络信号幅值的单位时间累加值1”,“一次包络信号微分的单位时间累加值d1”,“二次包络信号幅值的单位时间累加值A2”所组成。
本发明的刀具失效综合监控装置包含声发射与予处理单元,微机接口单元,微机系统,交联传输与声光报警输出单元,以及抗干扰电源,所说的声发射信号检测与予处理单元包括声发射传感器,前置放大器,高通滤波器,主放大器,带通滤波器,其特征是还有振动信号检测与予处理单元,该振动信号检测及予处理单元包括振动传感器(或声发射-振动复合传感器),前置放大器,主放大器,带通滤波器(或低通滤波器),鉴幅器,信号(或信号融合),所说的声发射-振动复合或集成传感器信号检测与预处理单元包括:振铃形成电路,一次包络形成电路,可编程放大器,二次包络形成电路,一次包络信号微分形成电路,可编程权一阈值比较器所组成,该微处理机系统由微型计算机或微处理器的两级网络组成,它是对“振铃记数”,“一次包络信号峰值”,“一次包络信号的微分峰峰值”,“二次包络信号峰值”,“一次包络信号的峰值记数”,“二次包络波延续时间”,“一次包络信号幅值的均值”和“振铃记数”,“一次包络信号幅值”,“一次包络信号微分”与“二次包络信号幅值”的过程累积值及其单位时间的累加值(或称对时间的变化率)进行处理,信息融合(集成)与智能化识别的通用微型计算机或微处理器识别判断固化程序的计算机系统。
切削过程刀具失效主要形式有:磨损,破损与刀刃塑变(又称卷刃),其失效过程的AE信号有灵敏度高,频带宽和蕴含的刀具工况信息丰富等优点,已经公认刀具崩刃破损实时监视的首选信号是AE信号。N.Alborti在国际生产工程学会学刊,第34卷第1期(CIRP Annals 34/1/)1985的Interdependence between tool fracture and wear一文中指出:刀具的磨损与破损失效并非是随独立的现象,因此切削过程的AE信号,必然蕴含了刀具多种工况的信息,应该把磨损与破损,进而包括刀刃塑变,几种失效型式统一起来考虑,即建立统一的三种失效型式的融合模型。对切削过程振动信号的研究亦表明,刀具磨/破损信息也蕴含于其振动信号中。由于切削过程的影响因素多,表征刀具工况的AE信号和振动信号受到其它因素的噪声严重污染,其原始信号常常是低信噪比(S/N)的。迄今为止,虽已有人试图用声发射(AE)信号和振动信号进行实时磨损监视,但还没有找到有效的信号处理与特征提取方法,没有找出与刀具磨损、刀刃塑变和磨损值自动标定(校准)密切相关的特征参数;未能把刀具失效三种型式统一建模,因而尚不能实现磨损,破损或刀刃塑变的预报,还未找到刀具磨损值的实时自动校准(标定)法,因而还不能实现磨损值的实时监视和预报。
本发明利用谱分析方法和时域多层次分析法(多阶段特征提取法)结合,提取监测信号-声发射与振动信号的时频域特征参数集,找到了表征刀具失效的三组特征参数,即:表征刀具崩刃破损,刀刃塑变的特征参数-N、A1、A2、dA1、
A1、NA1与tA2;表征刀具磨损的特征参数-∑N,∑A1,∑dA1与∑A2;表征自相似特性的特征参数-
1、d1与2。在正交切削实验基础上,经相关分析,趋势分析和最小二乘回归构造了以上述特征参数集的参数的参数与刀具磨损,破损和刀刃塑变的变参数高于二次的高次多项式刀具失效融合(综合)模型,再根据突变论(Catastrophe Theory)的方法,建造了基于上述融合模型的刀具失效势函数-突变模型,利用其微分流形(平衡曲面,即刀具寿命势函数的微分曲面)的突变特征,提出刀具失效过程突变具有多模态,突跳、滞后,不可达和发散等性态特征,从而找到了刀具失效型式突变的转换特征值|U0|。当U<|U0|时,刀具在切削过程中不会发生突变,即崩刃破损或刀刃塑变,只有在U>|U0|时,刀具将在退化临界点(刀具寿命势函数的二阶导数为零处)附近才可能发生状态突变-崩刃破损或刀刃塑变。利用上述融合模型势函数的微分流形和交叉集可以预报刀具崩刃破损或刀刃塑变的发生,而辅之于自相似分析算法对刀具磨损值自动标定(校准)就可以实现刀具磨损值VB的预报。
说明附图如下:
图1为声发射(AE)与振动信号多级(阶段)提取原理与参数图。
图2为车/立铣刀磨损多项式回归拟合曲线图的一次回归曲线。
图3为车/立铣刀磨损多项式回归拟合曲线图的二次回归曲线。
图4为车/立铣刀磨损多项式回归拟合曲线图的三次回归曲线。
图5为车/立铣刀磨损多项式回归拟合曲线图的四次回归曲线。
图6为车/立铣刀磨损-破损(塑变)多项式回归拟合曲线图的一次回归曲线。
图7为车/立铣刀磨损-破损(塑变)多项式回归拟合曲线图的二次回归曲线。
图8为车/立铣刀磨损-破损(塑变)多项式回归拟合曲线图的三次回归曲线。
图9为车/立铣刀磨损-破损(塑变)多项式回归拟合曲线图的四次回归曲线。
图10为刀具失效突变模型的微分流行图。
图11为声发射/振动融合车/立铣刀具失效综合监控仪工作原理图。
图12为声发射车/立铣刀具失效综合监控仪工作原理图。
图13为声发射/振动融合车/立铣刀具失效综合监控仪软件框图。
图14为声发射车/立铣刀具失效综合监控仪软件框图。
图15为车/立铣刀具失效综合监控仪系统框图。
图16为前置放大器电路原理图。
图17为主放大器电路原理图。
图18为带通滤波电路原理图。
图19为振铃形成电路原理图。
图20为一次包络形成电路原理图。
图21为信号处理单元电路原理图。
其中:Ⅰ为可编程放大器电路原理图。
Ⅱ为二次包络形成电路原理图。
Ⅲ为微分电路原理图。
Ⅳ为一次包络峰值记数电路原理图。
结合附图说明本发明的工作原理如下:
本发明所采用的声发射(AE)信号和切削过程振动信号的特征参数集分以下三组,结合附图1加以说明:
第一组:表征刀具崩刃破损,刀刃塑变的特征参数
1、振铃记数N:即在采样时间间隔内超过预置阈值的AE或振动信号个数,该信号经放大、滤波、整形和去除低于阈值电平(Vo1)的信号后获得。
2、一次包络信号:是对AE或振动信号进行包络检波后所获得的信号。
3、一次包络信号幅值的均值
A1:是在采样时间间隔内,一次包络信号幅值的平均值。
4、一次包络信号峰值A1m:是在采样时间内一次包络检波信号幅值的峰值。
5、一次包络信号的微分峰峰值dA1m:是对一次包络信号用微分电路进行处理所得到的信号正峰值与负峰值绝对值之和。
6、二次包络信号:是将一次包络信号经低通滤波后形成的信号。
7、二次包络信号的峰值A2m:是在采样时间内二次包络检波信号幅值的峰值,即二次包络信号的最大幅值。
8、一次包络信号的峰值记数NA1:是在采样时间内以二次包络信号幅值的K倍(K由工况确定)作为阈值VH1,当一次包络峰值超过阈值时得到一次记数,记为1,小于阈值时记为0。
9、二次包络信号波延续时间tA2:根据工况确定预置阈值VH2,用它截取二次包络信号波所得到的时间长度。
上述AE信号与振动信号特征参数都在某方面反映了刀具在切削过程中的工况,当几种特征参数综合达到一定值后,即表明刀具崩刃破损或刀刃塑变(决卷),否则为正常工况。
第二组:表征刀具磨损,磨/破损融合的特征参数
1、振铃记数累积值∑N:是从刀具切削起始时刻起,随切削时间递增,振铃记数的累积值。
2、一次包络幅值累积值∑A1:是从刀具切削起始时刻起,随切削时间递增,一次包络采样幅值的总和。
3、一次包络信号微分累积值∑dA1:是从刀具切削起始时刻起,随切削时间递增,一次包络信号的微分幅值绝对值的累积值。
4、二次包络幅值的累积值∑A2:是从刀具切削起始时刻起,随切削时间递增,二次包络幅值的总和。
第三组:表征刀具磨损值校准(标定)的特征参数
1、振铃记数率
:在给定的单位时间(1/采样时间长度),间隔内采得的振铃记数的累加值。
2、一次包络信号幅值单位时间的累加值1:在给定的单位时间间隔内,采得的一次包络幅值的累加值。
3、一次包络信号微分的单位时间累加值d1:在给定的单位时间间隔内,采得的微分信号幅值绝对值的累加值。
4、二次包络信号幅值的单位时间累加值2:在给定的单位时间间隔内,采得的二次包络信号幅值的累加值。
上述第二组参数既可表征刀具磨损,又可表征刀具磨/破损(刀刃塑变)融合(综合);第三组参数供磨损值自动标定(校准)用;在建立刀具磨/破损融合模型时,选用第二组中至少一个参数或两个以上参数的组合作为变量,通过最小二乘回归建立与刀具后刀面磨损值VB,或刀具破损/刀[刃塑变时的当量磨损值VB](当量磨损值即以破损或塑变面积折算的平均高度值)的数学关系作为磨/破损/塑变工况实时模型,在第三组参数支持下自动实时标定刀具磨损值,把标定结果与融合模型结合,可以实时监视刀具磨损值,外推预报磨损值,第二组与第一组参数结合作为刀具失效突变模型的两个控制变理量,通过对突变模型的交叉集与微分流形的分析计算可以获得刀具破损,刀具塑变的预报结果。
按图1声发射(AE)与切削振动信号的特征提取分为以下五级:第一级是将由传感器获取的AE与振动电信号经放大,选频滤波和鉴幅处理后获得振铃记数与一次包络检波信号;第二级提取是在设定一次包络的幅值阈值VH1,提取一次包络信号峰值记数NA1,一次包络幅值A1,经微分处理后从一次包络信号中得到一次包络信号的微分幅值dA1,经二次包络处理后得到二次包络信号幅值A2;第三级提取是:从A1中提取一次包络信号的峰值A1m,一次包络信号幅值的均值A1,一次包络信号微分峰峰值dA1m,从A2中提取二次包络信号的峰值A2m,设置阈值VH2后得到二次包络信号的波延续时间tA2;第四级提取的是在给定的单位时间内求取,N,A1,dA1和A2的累加值得:振铃记数单位时间累加值(振铃记数率)
,一次包络信号幅值单位时间的累加值1,一次包络信号微分的单位时间累加值d1和二次包络幅值的单位时间累加值2;第五级提取的是:从刀具切削起始时刻开始,随着切削时间的递增把N,A1,dA1与A2不断累加起来得:振铃记数累积值∑N,一次包络幅值累积值∑A1,一次包络信号微分累积值∑dA1和二次包络幅值的累积值∑A2。
图2-图9中纵坐标y和∑,即一次包络(或二次包络,或一次包络信号微分或振铃记数)幅值的累积值,横坐标为当量磨损值VB,当刀具只存在磨损(或破损/塑变值很小,可以忽略)时[VB]=VB,当刀具破损或塑变时,[VB]为由破损或塑变面积折算出的当量磨损值,研究证明y与x呈以下变参数高次多项式最小二乘回归拟合函数关系,即: 式中:bj为随刀具工件材料,切削条件变化的变系数,j=0,1,2…,m、i=1,2…n,εi为残差,
根据监控技术要求,控制残余方差S:
式中:
为残余误差,N为抽样件数,(N-2)为自由度,yi为实验值,
为回归值。按现有的刀具监控要求,在大量正交切削实验结果基础上的最小回归结果证明一般取j=3(即3次多项式)已足够,如在车削或立铣加工中,当j=4比j=3的拟合误差≤2~7%。故一般车/立铣刀磨损/破损/刀刃塑变的融合模型可取。y=bo+b1x+b2x2+b3x3 (3)
其对应的刀具失效势函数V,即初等突变的标准型一对偶尖点突变。V=V(x)=-x4+ux2+
vX (4)
式中:x为刀具磨损值或当量磨损值的坐标变换值;u为表征对抗刀具失效各因素的特征参数的时变函数,在方程(4)中作为变参数,它包括了刀具材性与几何特征、机床-刀具-工件系统的动态特性和切削条件等因素的影响;v为表征促进刀具失效各因素的特征参数的时变函数,在方程(4)中亦作为变参数,它包括切削负荷,切削用量,刀材缺陷,工件的可加工性,切削过程振动,切削区温升等因素的影响,V(x)是(3)式经过必要变换后的积分结果。实验研究得到:u可以选用前述第一组特征参数的组合来表达,v则可用第二组中之一个或两个以上特征参数组合来表达,其实质是用一,二组特征参数的时变值(或组合值)表征了两类刀具失效因素的影响,而无须深入求取各个影响因素与[VB]的关系,从而摆脱必须确定因素对[VB]的影响及其相关关系才能表达[VB]的思路,接用随时间变化的u,v值来实时表达关于[VB]的高次多项式函数。
图10中的M曲面是刀具失效突变模型的微分流形。曲面M有上、中、下三个平衡位置,下叶表示磨损值小,刀具仍能继续工作的刀具状态,上叶表示刀具因磨钝、或崩刃破损、刀刃塑变而丧失切削能力的状态,中部为V(即式(4)中V(X)或VB)的退化临界点G(G为渐变与突变的临界点,G点以上部分图形为渐变区,G点以下部分图形为渐变与突变混合区)附近,刀具状态可以因为某种小的扰动(变动)而出现性态的突变,故它是不稳定区,这表示了刀具失效的多模态特性;在M面上,沿路径Ⅰ达到C点时,刀具状态值(如当量磨损值[VB])突然从C点增大到d点,它表示了刀具失效状态的突跳特性,图中f的对应点e到c的距离,b≠0,表示了刀具失效不是严格的可逆过程所出现的时间滞后状态。因此b的存在说明刀具状态到达c之前是有预报特性和时间。在退化临界点附近的Ⅱ、Ⅲ点可用因初始参数的微小变动,即控制变量路径的摄动,会引起刀具状态沿Ⅱ、Ⅲ路径发展,呈剧变特征,它表征了刀具性态的发散性。此外,沿路径Ⅰ,在c与d间的状态值(即x的取值)是不可能获取的,它表征了刀具状态的不可达性。上述五个突变特征对刀具失效的实时监控有重要的指导意义,即:(1)当|U|<|U0|时,刀具状态不在退化临界点附近,不会发生状态突变,只是渐变,故刀具在此种状态下只会随时间缓慢地由锋利状态渐变为磨钝状态,保持|U|<|U0|可以避免刀具出现破损;(2)当|U|>|U0|,且
时刀具状态将发生突变,即出现破损,刀刃塑变,或其它剧变状态(如,烧刀刃等)称U0为突变指示的阈值,(3)根据滞后性可以预报刀具破损或刀刃塑变的发生,其预报期间选在v的取值(e,c)内,其计算值可利用下式:
式中,
为发生破损或刀刃塑变前的预报值,即当
时发生突变预报信号;vf为图6-图9f点对应之v值,k为系数,
vc,va,vg为c,e,g点对应之v值,g点根据实验确定,它在(e,c)期间,(4),对(4)式,或其一般式V(x)=±x4+ux2+vX的摄动证明,v(x)是结构稳定的。因此它保证了上述刀具失效现象及其性态特征是可以重复观测的,即保证了基于上述原理的刀具失效监视与控制是可以观测,可以重现的。
按本发明的上述原理制成的声发射/振动刀具磨/破损综合监视仪工作原理如图11和图12所示。
如图11所示该仪器由硬件、软件来完成各项处理。
由传感器接收AE信号与/或切削振动信号经放大,高低通、滤波,由硬件进行预处理得到振铃记数,一次包络信号,二次包络信号,一次包络信号的微分。再进行特征提取,由软件采样后得到:振铃记数值,一次包络信号幅值的均值,一次包络信号的峰值,二次包络信号的峰值,一次包络信号的微分峰峰值,一次包络信号的峰值记数,二次包络信号的波延续时间。再在软件控制下经过运算得到:振铃记数的累积值,一次包络信号幅值累积值,二次包络信号幅值的累积值,一次包络信号微分的累积值和振铃记数的单位时间累加值,一次包络信号幅值的单位时间累加值,二次包络信号幅值的单位时间累加值、一次包络信号微分的单位时间累加值,三组表征刀具破损(塑变),磨损和磨损自相似特征参数。信号融合部分按特征参数值归类,且按加权组合法,把分别根据AE与振动信号作出的判断进行综合决策。识别程序是优先进行破损、塑变识别,在确认无破损或塑变时(正常),再进行磨损识别,破损与塑变识别可考虑AE与振动信号两种判断的加权组合决策,也可按AE信号进行识别。磨损决策中,以AE信号为主要识别依据,而辅之于振动信号识别可达到高精度,故采取组合决策。对刀具破损与塑变的识别原理是与中国专利CN89108832.6相同的变参数统计模式识别法。而磨损按(3)式的模型,从y值确定x值,即磨损值。刀具磨损值采用第三组特征参数进行标定,其标定方法的基础是自相似分析。在刀具磨损过程中,工件与刀具的后刀面在接触状态下会有材料的形变,且按断裂力学规律会发生多次的表层材料断裂脱落。这一物理现象在AE与振动的特征信号中表现为随着刀具的磨损值VB的变化,它们的单位时间累加值存在自相关性,即自相似性。换言之,只要单位时间累加值出现相应的自相似特性时,就可以找到对应的VB值。其算法原理为:若以Pi表示第i个单位时间的信号累加值(i=1,2…n),当Pi>Pi-1且Pi>Pi+1时记为一次峰值,峰值数的累加值h≥H(H为对应于VB0的峰值的累加值)时,VB0达到预试验确定的VB0值。切削实践证明,即使切削条件改变,H值变化不大。车/立铣刀磨损监视实践表明,该自动校准(标定)法可达到高的校准精度。在刀具工况决策为破损,塑变或磨钝时,启动报警器进行声光报警,并通过交联(数据通讯)接口向数控机床传递报警信号,如决策为正常则重复监视循环。
图12是只采用AE信号时仪器的原理框图。
完成上述功能的软件框图如图13、14所示。
如图13框图所示主程序初始化后开中断,延时准备接受破损识别中断,进行AE信号采样和破损、塑变识别,若接AE信号判定为破损,塑变时,再开动振动信号的采样与破损识别中断,用加权组合模型作出决策,若为破损,塑变则进行报警处理,启动报警装置;若决策为正常,则返回破损识别中断程序,转入磨损处理,开动AE磨损识别中断程序进行自相似分析和磨损识别,在判定磨损值达到预定值时,开动振动信号磨损识别中断,按振动信号重复进行识别,其决策按AE与振动信号的加权组合模型来进行。若决策为磨损时,启动报警装置,否则中断返回,重复下一次监视循环。
图14是只采用AE信号时仪器的软件框图。
为完成上述功能,本发明之监视系统框图如图15所示。
该仪器共分五大部分:(Ⅰ)信号检测与预处理单元,其中包括AE信号检测与预处理单元(1~11)和振动信号检测与预处理单元(21~31);(Ⅱ)信号与通用微型计算机接口单元(12);(Ⅲ)通用微型计算机系统(13);(Ⅳ)交联传输I/O与报警输出单元(14,15);(Ⅴ)抗干扰电源系统(16,17)。
[1]为宽带压电晶体AE传感器,频率显100KHz~1MHz(≤±10dB)。[21]为压电晶体振动传感器,频率为0~300Hz(≤+10dB)。[2]、[3]为AE信号前置放大器,[2]为增益20dB或40dB的放大器,[3]为截止频率100KHz,衰减斜度18dB/OCT的高通滤滤器。[2]、[3]组成的前置放大器输入换算噪声小于4.5μv(RMS),其电路原理图为图16。[22]为振动信号前置放大器,增益为20dB或40dB,其输入换算噪声小于4.5μvb(RMS),其电路原理图为图16。[4]、[24]为主放大器,增益为10~40dB(图17)。[5]为带通滤波器,截止频率300KHz(高通),1MHz(低通),衰减斜度20dB/OCT(图18)。[25]为低通滤波器,截止频率300KHz,衰减斜度24dB/OCT(同图18低通)。[6]、[26]为振铃记数电路(图19),[7]、[27]为一次包络形成电路(图20),[8]、[28]为可编程放大器(图21之Ⅰ)设置目的是保证信号在A/D的合适量程内。[9]、[29]为二次包络形成电路(图21之Ⅱ),[10]、[30]为微分信号形成电路(图21之Ⅲ),[11]、[31]为可编程阈值比较器,形成包络计数(图21之Ⅳ),[12]为信号与微机的接口。[13]为微型计算机系统,[14]与机床NC系统交联接口,可为RS232,亦可为继电器,[15]为声光报警输出口,把报警信号送到仪器面板的报警灯与蜂鸣器,[16]交流抗干扰电源(市售),[17]为直流稳压电源(市售)。
按照本发明对AE信号,振动信号的多种特征进行综合分析判断刀具工况的方法,制成的刀具监控仪可以减少刀具破/磨损工况识别的漏报率与误差率。本发明的声发射/振动刀具综合监控仪抗生产现场的机、电、磁、声干扰能力强,可用于NC、CNC、FMC、FMS中多种车,铣加工机床和加工中心。
Claims (1)
1、一种刀具失效综合监控方法,由声波与振动信号的传感、放大、选频、滤波、声发射信号形成综合信息和微型计算机利用综合信号进行刀具多种失效识别判断的步骤所组成,其特征是其监控综合信息是由声发射信号与/或切削振动信号的以下三组作为实时控制变量的特征信号参数,即:表征刀具破损与刀刃塑变的参数一“振铃记数N”、“一次包络信号幅值的均值
A1”,“一次包络信号的峰值A1m”,“一次包络信号的微分峰峰值dA1m”,“二次包络信号的峰值A2m”,“一次包络信号峰值记数NA1”,“二次包络信号波延续时间tA2”;表征刀具磨损,磨损/破损融合的参数一“振铃记数的累积值∑N”,“一次包络信号幅值的累积值∑A1”,“一次包络信号微分的累积值∑dA1”,“二次包络信号幅值的累积值∑A2”;表征刀具磨损自相似的特征参数-“振铃记数的单位时间累加值
”,“一次包络信号幅值的单位时间累加值1”,“一次包络信号微分的单位时间累加值d1”,“二次包络信号幅值的单位时间累加值A2”所组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN92111137A CN1045738C (zh) | 1992-09-29 | 1992-09-29 | 一种刀具失效综合监控方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN92111137A CN1045738C (zh) | 1992-09-29 | 1992-09-29 | 一种刀具失效综合监控方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1084795A CN1084795A (zh) | 1994-04-06 |
CN1045738C true CN1045738C (zh) | 1999-10-20 |
Family
ID=4945170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN92111137A Expired - Fee Related CN1045738C (zh) | 1992-09-29 | 1992-09-29 | 一种刀具失效综合监控方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1045738C (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4105905B2 (ja) * | 2002-07-01 | 2008-06-25 | 株式会社ディスコ | 切削装置の切削ブレード監視装置 |
JP4372458B2 (ja) * | 2003-06-02 | 2009-11-25 | 株式会社デンソー | 塑性加工品の異常判別評価方法及びその異常判別評価装置 |
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 |
CN109696478A (zh) * | 2018-11-27 | 2019-04-30 | 福建省嘉泰智能装备有限公司 | 一种结合声发射能量和机床信息的监控方法 |
CN113369994A (zh) * | 2021-06-30 | 2021-09-10 | 温州大学 | 一种高速铣削过程刀具状态监测方法 |
CN114850969B (zh) * | 2022-07-08 | 2022-10-25 | 成都飞机工业(集团)有限责任公司 | 一种基于振动信号的刀具失效监控方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60207744A (ja) * | 1984-03-29 | 1985-10-19 | Sumitomo Metal Ind Ltd | 工具の破損検出方法 |
CN1015093B (zh) * | 1989-11-30 | 1991-12-18 | 清华大学 | 一种声发射刀具综合监视方法与装置 |
CN1058164A (zh) * | 1990-11-24 | 1992-01-29 | 西北工业大学 | 声发射刀具失效监控仪 |
-
1992
- 1992-09-29 CN CN92111137A patent/CN1045738C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60207744A (ja) * | 1984-03-29 | 1985-10-19 | Sumitomo Metal Ind Ltd | 工具の破損検出方法 |
CN1015093B (zh) * | 1989-11-30 | 1991-12-18 | 清华大学 | 一种声发射刀具综合监视方法与装置 |
CN1058164A (zh) * | 1990-11-24 | 1992-01-29 | 西北工业大学 | 声发射刀具失效监控仪 |
Also Published As
Publication number | Publication date |
---|---|
CN1084795A (zh) | 1994-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210364482A1 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
CN102765010B (zh) | 刀具破磨损状态检测方法及其检测系统 | |
CN102929210B (zh) | 基于特征的数控加工过程控制和优化系统及方法 | |
Chen et al. | A tool breakage detection system using an accelerometer sensor | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控系统及方法 | |
Tarng et al. | Sensing tool breakage in face milling with a neural network | |
CN209485669U (zh) | 一种滚刀信息监测装置 | |
CN101025618A (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
Lu et al. | A condition monitoring approach for machining process based on control chart pattern recognition with dynamically-sized observation windows | |
CN1045738C (zh) | 一种刀具失效综合监控方法与装置 | |
CN114850969A (zh) | 一种基于振动信号的刀具失效监控方法 | |
Lou et al. | An intelligent sensor fusion system for tool monitoring on a machining centre | |
CN110561195A (zh) | 一种机械加工过程中颤振的监测方法 | |
Seevers et al. | Automatic time series segmentation as the basis for unsupervised, non-intrusive load monitoring of machine tools | |
Mou et al. | A study of tool tipping monitoring for titanium milling based on cutting vibration | |
CN111507603A (zh) | 一种在产企业环境风险现状评估方法和系统 | |
CN116049654A (zh) | 一种选煤设备的安全监测预警方法及系统 | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
Chen | A fuzzy-nets tool-breakage detection system for end-milling operations | |
Jain et al. | Quality control based tool condition monitoring | |
CN1015093B (zh) | 一种声发射刀具综合监视方法与装置 | |
Elbestawi et al. | Tool condition monitoring in machining | |
Amiri et al. | Economic-statistical design of adaptive X-bar control chart: a Taguchi loss function approach | |
CN1039549A (zh) | 一种声发射刀具监视(控)方法与装置 | |
Gui et al. | Unsupervised detection of tool breakage: A novel approach based on time and sensor domain data analysis |
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 | ||
C15 | Extension of patent right duration from 15 to 20 years for appl. with date before 31.12.1992 and still valid on 11.12.2001 (patent law change 1993) | ||
OR01 | Other related matters | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |