CN108296881B - 一种铣削颤振在线监测方法 - Google Patents
一种铣削颤振在线监测方法 Download PDFInfo
- Publication number
- CN108296881B CN108296881B CN201810089272.1A CN201810089272A CN108296881B CN 108296881 B CN108296881 B CN 108296881B CN 201810089272 A CN201810089272 A CN 201810089272A CN 108296881 B CN108296881 B CN 108296881B
- Authority
- CN
- China
- Prior art keywords
- cutting force
- formula
- high fdrequency
- fdrequency component
- 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.)
- Expired - Fee Related
Links
- 238000003801 milling Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005520 cutting process Methods 0.000 claims abstract description 58
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000021615 conjugation Effects 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000003754 machining Methods 0.000 abstract description 4
- 230000003746 surface roughness Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种铣削颤振在线监测方法,目的在于解决铣削颤振会影响工件加工精度,降低工件表面粗糙度,还可危害到机床自身,影响机床和刀具的寿命,增加环境噪声,降低生产效率,严重时可能导致刀具破损、工件报废的问题。本发明是一种基于小波变换的平底立铣刀铣削过程切削颤振在线监测方法,其通过小波变换对切削力信号进行分解,通过提取X方向切削力Fx、Y方向切削力Fy的相关系数和高频分量中的方差特性,建立多元回归模型,实现铣削过程颤振的在线监测。经实际测定,本发明能有效监测颤振的发生,保证工件的加工精度,降低环境噪声,有效解决因颤振所导致的致刀具破损、工件报废的问题,具有较高的应用价值。
Description
技术领域
本发明涉及颤振监测领域,具体为一种铣削颤振在线监测方法。本发明作为一种切削过程颤振预测方法,尤其适用于平底立铣刀的铣削过程颤振预测,具有较高的应用价值。
背景技术
随着先进制造技术的发展,人们对制造系统提出了更高的要求。在金属铣削过程中,由于系统内部的激发和反馈机制的作用,工件与刀具之间常常会产生强烈的振动,这种自激振动称为切削颤振。颤振是机械加工过程中一种有害的现象,其不仅影响工件的加工精度,降低工件表面粗糙度,还可危害到机床自身,影响机床和刀具的寿命,增加环境噪声,降低生产效率,严重时导致刀具破损、工件报废等。因此,铣削时颤振的预测和识别就显得尤为重要。
为此,迫切需要一种新的监测方法,以实现对铣削颤振的检测。
发明内容
本发明的发明目的在于:针对铣削颤振会影响工件加工精度,降低工件表面粗糙度,还可危害到机床自身,影响机床和刀具的寿命,增加环境噪声,降低生产效率,严重时可能导致刀具破损、工件报废的问题,提供一种铣削颤振在线监测方法。本发明是一种基于小波变换的平底立铣刀铣削过程切削颤振在线监测方法,其通过小波变换对切削力信号进行分解,通过提取X方向切削力Fx、Y方向切削力Fy的相关系数和高频分量中的方差特性,建立多元回归模型,实现铣削过程颤振的在线监测。经实际测定,本发明能有效监测颤振的发生,保证工件的加工精度,降低环境噪声,有效解决因颤振所导致的致刀具破损、工件报废的问题,具有较高的应用价值。
为了实现上述目的,本发明采用如下技术方案:
一种铣削颤振在线监测方法,包括如下步骤:
步骤一、获得在线监测时间内,刀具与工件之间相互作用的切削力原始信号,切削力原始信号通过测力仪测量铣削过程中刀具与工件之间在X方向切削力信号Fx和Y方向的切削力信号Fy;
步骤二、将步骤一采集到的切削力原始信号按一定采样时间间隔等分为若干段,得到若干个切削力信号段;
步骤三、分别对不同的切削力信号段进行小波分解,对切削力原始信号选取db4小波基进行3层小波分解,分别得到原始信号分解后的第三层低频分量a3、第一层高频分量d1、第二层高频分量d2、第三层高频分量d3,小波变换公式如下式(I)所示:
式(I)中,R是实数集,a是尺度因子,τ为平移因子,ψ(t)是母小波,是ψ(t)的共轭函数;
步骤四、对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量,N为采样点数;
步骤五、求取Fx和Fy的相关系数ρx,y,公式如下式(III)所示:
式(III)中,E为数学期望;
步骤六、求取颤振监测参数S,判断当前铣削过程是否发生颤振,公式如下式(IV)所示:
S=a1σx+a2σy+a3ρx,y+e (IV),
式(IV)中,a1、a2、a3分别为权重系数,σx、σy分别为切削力Fx和Fy高频分量d1的方差,ρx,y为步骤五计算的切削力Fx和Fy的相关系数,e为常数。
采用如下步骤确定权重系数a1、a2、a3和常数e,具体如下:
(1)进行一次从未颤振状态到颤振状态的铣削实验,通过测力仪测量铣削过程中刀具与工件之间在X方向的切削力原始信号Fx、Y方向的切削力原始信号Fy;
(2)将步骤1采集到的切削力原始信号Fx、切削力原始信号Fy按一定采样时间间隔等分为若干段,得到若干个切削力信号段;
(3)分别对不同的切削力信号段进行小波分解,对切削力原始信号选取db4小波基进行3层小波分解,分别得到原始信号分解后的第三层低频分量a3、第一层高频分量d1、第二层高频分量d2、第三层高频分量d3,小波变换公式如下式(I)所示:
式(I)中,R是实数集,a是尺度因子,τ为平移因子,ψ(t)是母小波,是ψ(t)的共轭函数;
(4)对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量,N为采样点数;
(5)求取Fxi和Fyi的相关系数ρxi,yi,公式如下式(V)所示:
式(V)中,E为数学期望;
(6)设定颤振状态S,S∈[0,0.2)表示未颤振,S∈[0.2,0.5]表示切削处于颤振过渡状态,S∈(0.5,1]表示已经发生颤振;利用最小二乘法求取多元回归模型S=a1σx+a2σy+a3ρxi,yi+e中的权重系数a1、a2、a3和常数e。
针对前述问题,本发明提供一种铣削颤振在线监测方法,其是一种基于小波变换的平底立铣刀铣削过程切削颤振在线监测方法。小波分析是一种时间和频率的局域变换,通过伸缩和平移等运算完成信号的多尺度细化分析,能有效地从信号中提取信息。
为此,本发明基于小波分析处理颤振信号。首先采集铣削过程中的切削力原始信号;将切削力原始信号分成若干段,对每段进行小波分解;求取第一层高频信号和切削力Fx和Fy的相关系数;建立多元回归预测模型。由于小波分析能够完成信号的多尺度细化分析,因此建立的颤振预测模型能够实现铣削颤振的在线识别与监控,防止变参数铣削下的颤振发生对工件和机床造成损失。
综上所述,本发明通过安装在立式铣床工作台上的测力仪采集铣削加工中的切削力信号,利用小波变换对切削力信号进行分解,提取X、Y方向切削力Fx和Fy的相关系数和高频分量中的方差特性,建立多元回归模型,实现铣削过程颤振的在线监测。本发明在监测过程中,每隔一时间段对切削力信号进行分析,得到颤振监测参数S值,可以在颤振发生前期进行预警,避免颤振的引起的机床或工件损坏。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为颤振监测参数S值的变化趋势图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
针对某一立式铣床工作台,采用如下实施例1标定权重系数a1、a2、a3和常数e,实施例2验证本发明的有效性。
实施例1
(1)进行一次从未颤振状态到颤振状态的铣削实验。通过测力仪测量铣削过程中,刀具与工件之间在X和Y方向Fx和Fy的切削力原始信号。
(2)将步骤1采集到的切削力原始信号每0.02秒分成一信号段。
(3)分别对每一切削力信号段进行小波分解,对原始信号选取db4小波基进行3层小波分解,得到原始信号分解后的第三层低频分量a3和第一、二、三层高频分量d1、d2、d3,公式如下式(I)所示:
式(I)中,R是实数集,a为尺度因子,τ为平移因子,ψ(t)为母小波,为ψ(t)的共轭函数。
(4)对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量;N为采样点数。
(5)求取Fxi和Fyi的相关系数,公式如下式(V)所示:
式(V)中,E是数学期望。
(6)设定颤振状态S:S∈[0,0.2)表示未颤振;S∈[0.2,0.5]表示切削处于颤振过渡状态;S∈(0.5,1]表示已经发生颤振。
利用最小二乘法求取多元回归模型S=a1σx+a2σy+a3ρxi,yi+e中的权重系数a1、a2、a3和常数e,得到a1=0.018,a2=-0.003,a3=4.357,e=-3.877。
实施例2
(1)获得在线监测时间内,刀具与工件之间相互作用的切削力原始信号。其中,切削力原始信号主要通过测力仪测量铣削过程中刀具与工件之间在X和Y方向Fx和Fy的切削力信号。
(2)将采集到的切削力原始信号每0.02秒分成一信号段。
(3)分别对每一切削力信号段进行小波分解,对原始信号选取db4小波基进行3层小波分解,得到原始信号分解后的第三层低频分量a3和第一、二、三层高频分量d1、d2、d3,公式如下式(I)所示:
式(I)中,a为尺度因子,τ为平移因子,ψ(t)为母小波,为ψ(t)的共轭函数。
(4)对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量,N为采样点数。
(5)求取Fx和Fy的相关系数ρx,y,公式如下式(III)所示:
其中,E是数学期望。
(6)求取颤振监测参数S,判断当前铣削过程是否发生颤振。公式如下式(IV)所示:
S=0.018σx-0.003σy+4.357ρx,y-3.877 (IV)。
图1给出了颤振监测参数S值的变化趋势图。通过图1可以看出,在稳定铣削阶段,颤振监测参数S值变化幅度不大。进入颤振过渡阶段,颤振监测参数S值开始快速增大,一直增大到颤振完全发生。颤振完全发生后,颤振监测参数S值趋于平稳。以上分析发现,颤振监测参数S值随不同铣削阶段变化明显,能够很好的监测颤振的发生。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (2)
1.一种铣削颤振在线监测方法,其特征在于,包括如下步骤:
步骤一、获得在线监测时间内,刀具与工件之间相互作用的切削力原始信号,切削力原始信号通过测力仪测量铣削过程中刀具与工件之间在X方向切削力信号Fx和Y方向的切削力信号Fy;
步骤二、将步骤一采集到的切削力原始信号按一定采样时间间隔等分为若干段,得到若干个切削力信号段;
步骤三、分别对不同的切削力信号段进行小波分解,对切削力原始信号选取db4小波基进行3层小波分解,分别得到原始信号分解后的第三层低频分量a3、第一层高频分量d1、第二层高频分量d2、第三层高频分量d3,小波变换公式如下式(I)所示:
式(I)中,R是实数集,a是尺度因子,τ为平移因子,ψ(t)是母小波,是ψ(t)的共轭函数;
步骤四、对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量,N为采样点数;
步骤五、求取Fx和Fy的相关系数ρx,y,公式如下式(III)所示:
式(III)中,E为数学期望;
步骤六、求取颤振监测参数S,判断当前铣削过程是否发生颤振,公式如下式(IV)所示:
S=a1σx+a2σy+a3ρx,y+e (IV),
式(IV)中,a1、a2、a3分别为权重系数,σx、σy分别为切削力Fx和Fy高频分量d1的方差,ρx,y为步骤五计算的切削力Fx和Fy的相关系数,e为常数。
2.根据权利要求1所述铣削颤振在线监测方法,其特征在于,采用如下步骤确定权重系数a1、a2、a3和常数e,具体如下:
(1)进行一次从未颤振状态到颤振状态的铣削实验,通过测力仪测量铣削过程中刀具与工件之间在X方向的切削力原始信号Fx、Y方向的切削力原始信号Fy;
(2)将步骤1采集到的切削力原始信号Fx、切削力原始信号Fy按一定采样时间间隔等分为若干段,得到若干个切削力信号段;
(3)分别对不同的切削力信号段进行小波分解,对切削力原始信号选取db4小波基进行3层小波分解,分别得到原始信号分解后的第三层低频分量a3、第一层高频分量d1、第二层高频分量d2、第三层高频分量d3,小波变换公式如下式(I)所示:
式(I)中,R是实数集,a是尺度因子,τ为平移因子,ψ(t)是母小波,是ψ(t)的共轭函数;
(4)对第一层高频分量d1求取方差,公式如下式(II)所示:
式(II)中,di为第一层高频分量,N为采样点数;
(5)求取Fxi和Fyi的相关系数ρxi,yi,公式如下式(V)所示:
式(V)中,E为数学期望;
(6)设定颤振状态S,S∈[0,0.2)表示未颤振,S∈[0.2,0.5]表示切削处于颤振过渡状态,S∈(0.5,1]表示已经发生颤振;利用最小二乘法求取多元回归模型S=a1σx+a2σy+a3ρxi,yi+e中的权重系数a1、a2、a3和常数e。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089272.1A CN108296881B (zh) | 2018-01-30 | 2018-01-30 | 一种铣削颤振在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089272.1A CN108296881B (zh) | 2018-01-30 | 2018-01-30 | 一种铣削颤振在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108296881A CN108296881A (zh) | 2018-07-20 |
CN108296881B true CN108296881B (zh) | 2019-09-27 |
Family
ID=62867399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810089272.1A Expired - Fee Related CN108296881B (zh) | 2018-01-30 | 2018-01-30 | 一种铣削颤振在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108296881B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111390271A (zh) * | 2020-03-02 | 2020-07-10 | 浙江工业大学 | 一种拉削力测量装置及测量数据处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5215064B2 (ja) * | 2008-07-17 | 2013-06-19 | オークマ株式会社 | 工作機械のびびり振動抑制方法及びその装置 |
CN104887222B (zh) * | 2015-05-11 | 2018-02-02 | 重庆大学 | 可逆化脑电信号分析方法 |
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 |
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 |
-
2018
- 2018-01-30 CN CN201810089272.1A patent/CN108296881B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108296881A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109514349B (zh) | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 | |
Benkedjouh et al. | Tool wear condition monitoring based on continuous wavelet transform and blind source separation | |
CN108356606B (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
Tran et al. | Effective feature selection with fuzzy entropy and similarity classifier for chatter vibration diagnosis | |
Shen et al. | Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques | |
Liu et al. | A sensor fusion and support vector machine based approach for recognition of complex machining conditions | |
CN103345200B (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN106002490B (zh) | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 | |
CN102176217A (zh) | 一种基于Logistic模型的数控机床刀具可靠性评估方法 | |
Zhou et al. | Tool condition monitoring in milling using a force singularity analysis approach | |
CN108629864B (zh) | 一种基于振动的电主轴径向精度表征方法及其系统 | |
Aghazadeh et al. | Tool condition monitoring using spectral subtraction algorithm and artificial intelligence methods in milling process | |
Lu et al. | In-process complex machining condition monitoring based on deep forest and process information fusion | |
Chen et al. | Chatter detection for milling using novel p-leader multifractal features | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Meng et al. | Tool wear prediction in milling based on a GSA-BP model with a multisensor fusion method | |
CN107330375A (zh) | 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 | |
CN108296881B (zh) | 一种铣削颤振在线监测方法 | |
Vakharia et al. | Tool wear rate prediction using discrete wavelet transform and K-Star algorithm | |
Yang et al. | Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states | |
Jovic et al. | Adaptive neuro-fuzzy fusion of multi-sensor data for monitoring of CNC machining | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
CN110530495B (zh) | 一种基于振动分析的切削颤振监测方法 | |
Ji et al. | Research on wear state identification and life prediction technology of ultrasonic straight-edge knife | |
CN103048383B (zh) | 三元叶轮粗加工过程中牛鼻铣刀破损检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190927 |
|
CF01 | Termination of patent right due to non-payment of annual fee |