CN105965321B - 基于无线传感器网络的机床颤振智能监控系统及方法 - Google Patents
基于无线传感器网络的机床颤振智能监控系统及方法 Download PDFInfo
- Publication number
- CN105965321B CN105965321B CN201610439400.1A CN201610439400A CN105965321B CN 105965321 B CN105965321 B CN 105965321B CN 201610439400 A CN201610439400 A CN 201610439400A CN 105965321 B CN105965321 B CN 105965321B
- Authority
- CN
- China
- Prior art keywords
- data
- lathe
- flutter
- module
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000003754 machining Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000010183 spectrum analysis Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000005764 inhibitory process Effects 0.000 abstract 1
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
一种基于无线传感器网络的机床颤振智能监控系统及方法，该系统包括：安装于机床若干振动测量点的振动场测量部分，用于获取机床的振动场信息；数据传输部分，用于将获取的振动场信息传输到上位机；以及上位机，其包括：特征信息提取部分，用于通过分析数据，提取振动特征信息；智能诊断部分，用于通过分析振动特征信息，判断机床是否发生颤振；以及加工参数优化部分，用于根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定。本发明可有效提高机床的实时监控性能，实时监测加工状态，诊断机床是否发生颤振。颤振发生时，可及时优化加工工艺参数，抑制颤振，有效提高加工稳定性和加工零件的表面质量。
Description
技术领域
本发明涉及一种基于无线传感器网络的机床颤振智能监控系统及方法。
背景技术
无线传感器网络是一种分布式网络，它的终端兼具传感与通信的功能。由于具有自组织、动态拓扑、集成度高、柔性大等特点，无线传感器网络的布置与组网都变得相对容易。
无线传感器网络由于同时具有数据采集、处理与传输的功能，而且传感器类型多样，在医疗、环境、家具等领域都已有所应用。
高速加工过程中，刀具颤振与刀具磨损是影响加工稳定性与加工零件质量的关键的因素。特别是刀具颤振，由于其在加工过程中具有突发性，且破坏较大，因此智能监控与预测刀具颤振对提高加工稳定性与加工质量有重要意义。
发明内容
本发明的主要目的在于克服现有技术的不足，提供一种基于无线传感器网络的机床颤振智能监控系统。
为实现上述目的，本发明采用以下技术方案：
一种基于无线传感器网络的机床颤振智能监控系统，包括：
安装于机床若干振动测量点的振动场测量部分，用于获取机床的振动场信息；
数据传输部分，用于将获取的振动场信息传输到上位机；以及
上位机，包括：
特征信息提取部分，用于通过分析数据，提取振动特征信息；
智能诊断部分，用于通过分析振动特征信息，判断机床是否发生颤振；以及
加工参数优化部分，用于根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定。
进一步地：
所述振动场测量部分包含传感模块、电源模块和信息处理模块，所述传感模块用于测量振动，所述信息处理模块包括信号放大模块、抗混叠滤波模块、ADC和MCU，振动信号经过所述信号放大模块放大，然后由所述抗混叠滤波模块滤波，滤波后的信号通过ADC采样后将数据送到MCU，MCU将数据打包为数据包，通过所述数据传输部分传输到上位机。
所述振动场测量部分还包括用于存储数据的存储模块与堆栈模块，其中所述堆栈模块还用于支持通信协议。
所述数据传输部分包括数据发送子部分与数据接收子部分；数据发送子部分包括位于振动测量点的无线射频模块，用于将数据通过无线方式发送出去，所述数据接收子部分接收所述数据发送子部分发送的数据，并负责建立通信网络拓扑，所述数据接收子部分接收数据后，经由串口与上位机通信。
所述特征信息提取部分包括频谱分析模块、滤波模块和小波变换模块，所述频谱分析模块用于对数据进行频谱分析以找出信号中受迫振动的基频和谐振频率，所述滤波模块用于至少将基频和谐振频率信息滤出，所述小波变换模块用于对滤波后的输出做小波变换，得到该振动状态下的小波变换数据，即振动中的特征信息。
所述频谱分析模块采用Welch功率谱估计算法，所述滤波模块为梳状带阻数字滤波器，滤波器的通带与阻带的截止频率由所述频谱分析模块给出，所述小波变换模块的小波变换基为Morlet小波。
所述智能诊断部分基于人工神经网络，用于根据实时获得的振动特征信息判断加工是否发生颤振，所述人工神经网络使用之前利用历史数据进行训练以优化网络参数，网络训练的输入是带Tag值的特定振动状态下的小波变换数据，该数据由所述特征信息提取部分提供，Tag值包括对应振动状态下的加工参数及是否发生颤振。
所述加工参数优化部分用于根据所述智能诊断部分诊断所得到的结果，在加工工艺数据库的支持下，优化加工工艺参数，并将优化后的加工工艺参数传给数控系统，由数控系统进行相应修正，抑制颤振；其中若诊断未发生颤振，则加工工艺参数不变，并将该信息告知机床数控系统；若诊断发生颤振，则根据颤振情况以及加工工艺数据库，优化加工参数并传给机床数控系统；机床数控系统在得到信息后，根据信息作出响应，保证加工稳定性；
优选地，所述加工参数优化部分根据所述智能诊断部分提供的振动特征信息，在机床特性数据和工艺加工数据的支持下优化加工工艺参数，所述机床特性参数包括固有频率、阻尼比和模态振型，加工工艺参数包括主轴转速、切削速度、进给量和背吃刀量以及不同参数组合在加工不同材料时的特性表现。
所述人工神经网络获得机床在不同加工工艺参数组合的各个振动状态下的小波变换数据，利用带Tag值的小波变换数据进行训练；训练开始时，首先初始化网络，包括网络层数、节点数、权值及变换函数；置k＝1，输入第一组带Tag的小波数据，通过神经网络后，得到输出；比较输出与Tag值，若吻合度良好，训练结束；若吻合度不佳，更新神经网络参数，并输入下一组数据，继续训练；不断迭代，直到网络的输出与Tag值的吻合度良好，训练结束。
一种基于无线传感器网络的机床颤振智能监控方法，使用所述的智能监控系统进行监测和控制，其中振动场测量部分获取机床各振动测量点的振动场信息；数据传输部分将获取的振动场信息传输到上位机；上位机中，特征信息提取部分通过分析数据，提取振动特征信息；智能诊断部分通过分析振动特征信息，判断机床是否发生颤振；加工参数优化部分根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定。
本发明的有益效果：
本发明将无线传感器网络技术、振动监测技术、智能诊断技术结合起来，应用于高速机床的切削颤振智能监测与控制，在工业中有着重要的意义。应用本发明可有效提高高速机床的实时监控性能，实时监测机床的加工状态，诊断机床是否发生颤振。颤振发生时，可及时优化加工的工艺参数，抑制颤振。应用于高速加工中，可有效提高加工的稳定性和加工零件的表面质量和合格率。
进一步地，对振动的分析与诊断采用小波变换技术与人工神经网络技术，信息提取更有效，诊断结果更可靠。
进一步地，数据传输采用无线方式，传感器布置方便灵活。
附图说明
图1是本发明实施例的基于无线传感器网络的机床颤振智能监控系统的整体结构图。
图2是本发明实施例的测量点的信号流程图。
图3是本发明实施例的测量点的逻辑组成图。
图4是本发明实施例的上位机软件智能监测总体框架图。
图5为本发明实施例的特征数据提取方法示意图。
图6为本发明实施例的人工神经网络的训练过程示意图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1至图6，在一种实施例中，一种基于无线传感器网络的机床颤振智能监控(监测与控制)系统，包括：安装于机床若干振动测量点的振动场测量部分，用于获取机床的振动场信息；数据传输部分，用于将获取的振动场信息传输到上位机；以及上位机，上位机包括：特征信息提取部分，用于通过分析数据，提取振动特征信息；智能诊断部分，用于通过分析振动特征信息，判断机床是否发生颤振；以及加工参数优化部分，用于根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定。
参阅图2和图3，在优选的实施例中，所述振动场测量部分包含传感模块、电源模块和信息处理模块，所述传感模块用于测量振动，可以包括多个振动传感器1、2、……n；所述信息处理模块包括信号放大模块、抗混叠滤波模块、ADC和MCU，振动信号经过所述信号放大模块放大，然后由所述抗混叠滤波模块滤波，滤波后的信号通过ADC采样后将数据送到MCU，MCU将数据打包为数据包，通过所述数据传输部分传输到上位机。
参阅图3，在优选的实施例中，所述振动场测量部分还包括用于存储数据的存储模块与堆栈模块，其中所述堆栈模块还用于支持通信协议。
参阅图1至图3，在优选的实施例中，所述数据传输部分包括数据发送子部分与数据接收子部分，可以采用例如ZigBee通信协议或蓝牙通信协议；数据发送子部分包括位于振动测量点的无线射频模块，用于将数据通过无线方式发送出去，所述数据接收子部分接收所述数据发送子部分发送的数据，并负责建立通信网络拓扑，所述数据接收子部分接收数据后，经由串口与上位机通信。
参阅图5，在优选的实施例中，所述特征信息提取部分包括频谱分析模块、滤波模块和小波变换模块，所述频谱分析模块用于对数据进行频谱分析以找出信号中受迫振动的基频和谐振频率，所述滤波模块用于至少将基频和谐振频率信息滤出，所述小波变换模块用于对滤波后的输出做小波变换，得到该振动状态下的小波变换数据，即振动中的特征信息。在优选的实施例中，其中获取的历史数据用于神经网络的训练，提取的实时信息用于机床当前状态判断。
在更优选的实施例中，所述频谱分析模块采用Welch功率谱估计算法，所述滤波模块为梳状带阻数字滤波器，滤波器的通带与阻带的截止频率由所述频谱分析模块给出，所述小波变换模块的小波变换基为Morlet小波。
参阅图6，在优选的实施例中，所述智能诊断部分基于人工神经网络，用于根据实时获得的振动特征信息判断加工是否发生颤振，所述人工神经网络使用之前利用历史数据进行训练以优化网络参数，网络训练的输入是带Tag值的特定振动状态下的小波变换数据，该数据由所述特征信息提取部分提供，Tag值包括对应振动状态下的加工参数及是否发生颤振。
参阅图4，在优选的实施例中，所述加工参数优化部分用于根据所述智能诊断部分诊断所得到的结果，在加工工艺数据库的支持下，优化加工工艺参数，并将优化后的加工工艺参数传给数控系统，由数控系统进行相应修正，抑制颤振；其中若诊断未发生颤振，则加工工艺参数不变，并将该信息告知机床数控系统；若诊断发生颤振，则根据颤振情况以及加工工艺数据库，优化加工参数并传给机床数控系统；机床数控系统在得到信息后，根据信息作出响应，保证加工稳定性。
在更优选的实施例中，所述加工参数优化部分根据所述智能诊断部分提供的振动特征信息，在机床特性数据和工艺加工数据的支持下优化加工工艺参数，所述机床特性参数包括固有频率、阻尼比和模态振型等，加工工艺参数包括主轴转速、切削速度、进给量和背吃刀量以及不同参数组合在加工不同材料时的特性表现等。
参阅图6，在更优选的实施例中，所述人工神经网络获得机床在不同加工工艺参数组合的各个振动状态下的小波变换数据，利用带Tag值的小波变换数据进行训练；训练开始时，首先初始化网络，包括网络层数、节点数、权值及变换函数；置k＝1，输入第一组带Tag的小波数据，通过神经网络后，得到输出；比较输出与Tag值，若吻合度良好，训练结束；若吻合度不佳，更新神经网络参数，并输入下一组数据，继续训练；不断迭代，直到网络的输出与Tag值的吻合度良好，训练结束。神经网络使用带Tag的特征数据训练后，有良好的诊断性能。
参阅图4，在另一种实施例中，一种基于无线传感器网络的机床颤振智能监控方法，使用所述的智能监控系统进行监测和控制，其中振动场测量部分获取机床各振动测量点的振动场信息；数据传输部分将获取的振动场信息传输到上位机；在上位机中，特征信息提取部分通过分析数据，提取振动特征信息；智能诊断部分通过分析振动特征信息，判断机床是否发生颤振；加工参数优化部分根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，对数控系统进行相应修正，抑制颤振，保证加工过程稳定。
以下结合附图进一步描述具体实施例。
如图1所示，在各振动测量点的获取机床振动场信息，根据机床振动场的测量需求，测量点通常有多个；数据汇聚节点，接收从传感器节点通过无线传感器网络传输过来的数据；上位机，分析获取的数据并向机床数控系统给出优化工艺参数。
如图2所示，振动测量点将机床的振动信号经由传感器转换为电信号，以便于后续处理。由于转换过来的电信号很微弱，同时考虑到采样的抗混叠问题，信号先经过放大然后滤波。为了实现对信号的数字分析，滤波后的信号通过ADC采样后送到控制器MCU。控制器把数据打包为数据包，经无线射频模块把数据发送出去。从逻辑结构上看，测量点组成如图3所示，主要包括传感器、ADC、MCU及电池模块。各部分的功能如前所述，存储与堆栈都用于存储数据，其中堆栈用于支持通信协议。接下来，数据汇聚节点通过无线传感器网络接收数据，把所有振动测量点的数据汇总，汇总后的数据直接送给上位机。
上位机负责分析获取的振动数据并判断是否发生颤振。数据上，分析软件主要维护三类数据，一类是不断收集的振动数据(包括历史的和实时的)，表征机床的振动状态；另一类是机床的特性参数，包括固有频率、阻尼比和模态振型等；第三类是机床的加工工艺参数库，包括切削速度、进给量和背吃刀量，以及不同参数组合在加工不同材料时的特性表现等数据。上位机软件在机床特性数据和工艺加工数据的支持下，结合智能算法，判断颤振是否发生，并以此优化加工工艺参数，整个流程如图4所示。机床一旦上电工作，软件即可进入工作状态。实时的振动场数据通过前述系统传送至上位机。送来的数据，先经由特征信息提取部分处理，输出处理后的表征该振动状态下的小波变换数据。该数据在输入到事先训练好的人工神经网络，以判断是否发生机床颤振。若未发生颤振，则加工工艺参数不变，并将该信息告知机床数控系统；若发生颤振，则根据颤振情况以及加工工艺数据库，优化加工参数并传给机床数控系统。机床数控在得到信息后，根据信息作出响应，保证加工稳定性。
特征信息的提取方法如图5所示。某时刻下，各个节点采集到的振动数据输入后，即可开始分析。首先做频谱分析，考虑到振动信号的随机特性，这里采用Welch功率谱估计算法。从功率谱中可以得到振动的基频与谐频。为了分析振动中的颤振特征信息，需要将基频与谐频信息滤出，这里采用梳状带阻数字滤波器，滤波器的通带与阻带的截止频率由频谱分析模块给出。有了滤波器参数后，系统自动设计滤波器并对信号进行滤波。滤波后的信号送到小波变换模块做小波变换，小波变换基选取Morlet小波。小波变换后输出该振动状态下的小波数据供诊断程序使用。
智能诊断部分训练方法如图6所示。在训练前，首先采集了一系列的振动状态的数据，这些数据包括机床在不同加工工艺参数(包括主轴转速、进给速度、背吃刀量、铣削速度)组合下的振动状态。这些数据通过前述特征信息提取方法，得到了各个状态下的小波变换数据，这些变换得到的数据与它们的状态一起，构成了带Tag值的小波数据，Tag值包括该振动状态下的加工参数及是否发生颤振。训练开始后，首先初始化网络，包括网络层数、节点数、权值及变换函数。置k＝1，输入第一组带Tag的小波数据，通过神经网络后，得到输出。比较输出与Tag值，若吻合度良好，训练结束；若吻合度不佳，更新神经网络参数，并输入下一组数据，继续训练。不断迭代，直到网络的输出与Tag值的吻合度良好，训练结束。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于无线传感器网络的机床颤振智能监控系统，其特征在于，包括：
安装于机床若干振动测量点的振动场测量部分，用于获取机床的振动场信息；
数据传输部分，用于将获取的振动场信息传输到上位机；以及
上位机，包括：
特征信息提取部分，用于通过分析数据，提取振动特征信息；
智能诊断部分，用于通过分析振动特征信息，判断机床是否发生颤振；以及
加工参数优化部分，用于根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定；
所述智能诊断部分基于人工神经网络，用于根据实时获得的振动特征信息判断加工是否发生颤振，所述人工神经网络使用之前利用历史数据进行训练以优化网络参数，网络训练的输入是带Tag值的振动状态下的小波变换数据，该数据由所述特征信息提取部分提供，Tag值包括对应振动状态下的加工参数及是否发生颤振；
所述人工神经网络获得机床在不同加工工艺参数组合的各个振动状态下的小波变换数据，加工工艺参数包括主轴转速、进给速度、背吃刀量、铣削速度，利用带Tag值的小波变换数据进行训练；训练开始时，首先初始化网络，包括网络层数、节点数、权值及变换函数；置k＝1，输入第一组带Tag的小波数据，通过神经网络后，得到输出；比较输出与Tag值，若吻合度良好，训练结束；若吻合度不佳，更新神经网络参数，并输入下一组数据，继续训练；不断迭代，直到网络的输出与Tag值的吻合度良好，训练结束。
2.如权利要求1所述的智能监控系统，其特征在于，所述振动场测量部分包含传感模块、电源模块和信息处理模块，所述传感模块用于测量振动，所述信息处理模块包括信号放大模块、抗混叠滤波模块、ADC和MCU，振动信号经过所述信号放大模块放大，然后由所述抗混叠滤波模块滤波，滤波后的信号通过ADC采样后将数据送到MCU，MCU将数据打包为数据包，通过所述数据传输部分传输到上位机。
3.如权利要求2所述的智能监控系统，其特征在于，所述振动场测量部分还包括用于存储数据的存储模块与堆栈模块，其中所述堆栈模块还用于支持通信协议。
4.如权利要求1至3任一项所述的智能监控系统，其特征在于，所述数据传输部分包括数据发送子部分与数据接收子部分；数据发送子部分包括位于振动测量点的无线射频模块，用于将数据通过无线方式发送出去，所述数据接收子部分接收所述数据发送子部分发送的数据，并负责建立通信网络拓扑，所述数据接收子部分接收数据后，经由串口与上位机通信。
5.如权利要求1至3任一项所述的智能监控系统，其特征在于，所述特征信息提取部分包括频谱分析模块、滤波模块和小波变换模块，所述频谱分析模块用于对数据进行频谱分析以找出信号中受迫振动的基频和谐振频率，所述滤波模块用于至少将基频和谐振频率信息滤出，所述小波变换模块用于对滤波后的输出做小波变换，得到该振动状态下的小波变换数据，即振动中的特征信息。
6.如权利要求5所述的智能监控系统，其特征在于，所述频谱分析模块采用Welch功率谱估计算法，所述滤波模块为梳状带阻数字滤波器，滤波器的通带与阻带的截止频率由所述频谱分析模块给出，所述小波变换模块的小波变换基为Morlet小波。
7.如权利要求1所述的智能监控系统，其特征在于，所述加工参数优化部分用于根据所述智能诊断部分诊断所得到的结果，在加工工艺数据库的支持下，优化加工工艺参数，并将优化后的加工工艺参数传给数控系统，由数控系统进行相应修正，抑制颤振；其中若诊断未发生颤振，则加工工艺参数不变，并将该信息告知机床数控系统；若诊断发生颤振，则根据颤振情况以及加工工艺数据库，优化加工参数并传给机床数控系统；机床数控系统在得到信息后，根据信息作出响应，保证加工稳定性。
8.如权利要求7所述的智能监控系统，其特征在于，所述加工参数优化部分根据所述智能诊断部分提供的振动特征信息，在机床特性数据和工艺加工数据的支持下优化加工工艺参数，所述机床特性参数包括固有频率、阻尼比和模态振型，加工工艺参数包括主轴转速、切削速度、进给量和背吃刀量以及不同参数组合在加工不同材料时的特性表现。
9.一种基于无线传感器网络的机床颤振智能监控方法，其特征在于，使用根据权利要求1-8任一项所述的智能监控系统进行监测和控制，其中振动场测量部分获取机床各振动测量点的振动场信息；数据传输部分将获取的振动场信息传输到上位机；上位机中，特征信息提取部分通过分析数据，提取振动特征信息；智能诊断部分通过分析振动特征信息，判断机床是否发生颤振；加工参数优化部分根据诊断结果和当前的加工参数作出决策，维持或改变当前的加工参数，保证加工过程稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610439400.1A CN105965321B (zh) | 2016-06-16 | 2016-06-16 | 基于无线传感器网络的机床颤振智能监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610439400.1A CN105965321B (zh) | 2016-06-16 | 2016-06-16 | 基于无线传感器网络的机床颤振智能监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105965321A CN105965321A (zh) | 2016-09-28 |
| CN105965321B true CN105965321B (zh) | 2019-07-26 |
Family
ID=57022470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610439400.1A Expired - Fee Related CN105965321B (zh) | 2016-06-16 | 2016-06-16 | 基于无线传感器网络的机床颤振智能监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105965321B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106553084B (zh) * | 2016-11-29 | 2019-01-11 | 天津大学 | 一种基于小波包变换和近似熵特征的机床颤振在线监测方法 |
| CN111046098B (zh) * | 2019-12-31 | 2023-05-16 | 中国兵器装备集团自动化研究所 | 一种基于振动数据的机床运行状态的识别系统及统计方法 |
| CN111618357B (zh) * | 2020-04-21 | 2022-12-16 | 深圳精匠云创科技有限公司 | 无线数据采集装置及具有该装置的钢轨铣刀设备 |
| CN113670138B (zh) * | 2021-07-23 | 2023-08-18 | 河北汉光重工有限责任公司 | 一种可监测和优化颤振现象的折叠舵 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7194383B2 (en) * | 2004-12-06 | 2007-03-20 | Caterpillar Inc | Vibration analysis system and method for a machine |
| CN101937208A (zh) * | 2010-07-30 | 2011-01-05 | 厦门大学 | 一种双轴动平衡方法及其无线监控装置 |
| CN102053016B (zh) * | 2010-11-08 | 2013-07-17 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
| CN201993167U (zh) * | 2010-11-22 | 2011-09-28 | 柳松 | 无线振动传感装置 |
| CN102490086B (zh) * | 2011-10-28 | 2013-11-27 | 浙江大学 | 镗杆工作状态实时监测系统 |
| CN202411967U (zh) * | 2011-12-13 | 2012-09-05 | 常州翰力信息科技有限公司 | 旋转刀具在线监测系统 |
| CN103419090B (zh) * | 2013-08-19 | 2016-08-17 | 南京康尼精密机械有限公司 | 一种机床的振动传感监测装置及方法 |
| CN103514877A (zh) * | 2013-10-12 | 2014-01-15 | 新疆美特智能安全工程股份有限公司 | 振动信号特征参数提取方法 |
-
2016
- 2016-06-16 CN CN201610439400.1A patent/CN105965321B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105965321A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105965321B (zh) | 基于无线传感器网络的机床颤振智能监控系统及方法 | |
| CN109396953B (zh) | 基于信号融合的机床工作状态智能辨识系统 | |
| CN103760820B (zh) | 数控铣床加工过程状态信息评价装置 | |
| EP1650622B1 (en) | Data management and networking system and method | |
| CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
| US7383097B2 (en) | Method for managing machine tool data | |
| CN105629920B (zh) | 加工监控系统及方法 | |
| CN108873813A (zh) | 基于数控机床主轴伺服电机电流信号的刀具磨损度检测方法 | |
| CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
| CN104240467A (zh) | 用于过程警报减少的系统和方法 | |
| CN102145469A (zh) | 在数控机床工作时检测切削刀具磨损的方法及装置 | |
| CN106112697A (zh) | 一种基于3σ准则的铣削颤振自动报警阈值设定方法 | |
| CN209485669U (zh) | 一种滚刀信息监测装置 | |
| CN107707601A (zh) | 一种实时监控连接设备的方法及装置 | |
| CN106944877A (zh) | 基于声发射信号的刀具磨损无线智能检测装置 | |
| CN107800759A (zh) | 数据处理系统及管理设备网络中设备的方法 | |
| JP5391826B2 (ja) | 鉄鋼プラントシステムのデータ収集装置 | |
| CN102736561A (zh) | 一种面向机电装备的远程动态自适应规则获取方法 | |
| CN203345223U (zh) | 一种卷烟包装设备参数管控系统 | |
| CN112859740B (zh) | 一种数控机床数据采集装置 | |
| CN105137214B (zh) | 一种卫星总线数据分析系统 | |
| CN106371407A (zh) | 机械加工作业状态统计方法及机械加工机器人 | |
| CN113155501A (zh) | 一种基于物联网技术的工业设备实时监测系统 | |
| CN107958575A (zh) | 一种电厂运行参数实时报警系统 | |
| Erbao et al. | Design of intelligent monitoring system for power distribution equipment based on cloud edge collaborative computing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190726 |