CN109382702A

CN109382702A - 一种数控滚齿机滚刀失效形式自动识别方法

Info

Publication number: CN109382702A
Application number: CN201811314648.0A
Authority: CN
Inventors: 李国龙; 董鑫; 何坤; 贾亚超
Original assignee: Chongqing University
Current assignee: Chongqing University
Priority date: 2018-11-06
Filing date: 2018-11-06
Publication date: 2019-02-26

Abstract

本发明公开了一种数控滚齿机滚刀失效形式自动识别方法，包括以下步骤：步骤一，通过预埋振动加速度传感器实时采集主轴振动信号；步骤二，获取不同滚齿工艺参数对应的滚刀各类失效形式的主轴振动信号，分别建立振动路图信号，并提取特征构成标准特征向量，以此构建标准特征向量子集及标准特征向量集；步骤三，计算样本特征向量与标准特征向量的相似度，再求取平均相似度，以此判定滚刀失效形式。本发明数控滚齿机滚刀失效形式自动识别方法，通过构建振动路图信号，将数控滚齿机主轴振动信号处理与图谱理论相结合，实现滚刀失效形式的特征提取和失效形式识别，可实现滚刀失效形式的在线实时监测，减少对操作人员专业技能的依赖，降低人力成本。

Description

一种数控滚齿机滚刀失效形式自动识别方法

技术领域

本发明涉及刀具失效检测技术领域，特别涉及一种数控滚齿机滚刀失效形式的识别方法。

背景技术

目前，齿轮的大批量生产通常采用数控滚齿机进行粗加工。滚刀作为数控滚齿机的核心部件，在滚齿加工过程中会随着切削时间的增加而逐渐磨损，在磨损到一定程度后会因各种原因而失效，如不及时预防轻则导致工件报废，重则导致机床结构部件的故障。

当前滚刀的检测基本都依靠操作人员通过定期卸下滚刀进行人为观察其磨损程度，操作人员根据滚刀外形特征和自身积累经验进行滚刀磨损程度的识别。人工检测滚刀不仅造成人工成本的大幅增加，而且停机进行滚刀磨损程度的识别还会影响生产效率，增加生产成本；另外，人工停机检测滚刀不具备在线实时性和智能性。

发明内容

有鉴于此，本发明的目的是提供一种数控滚齿机滚刀失效形式自动识别方法，以解决人工检测滚刀存在的不足。

本发明数控滚齿机滚刀失效形式自动识别方法，包括以下步骤：

步骤一，获取主轴振动信号：通过预埋振动加速度传感器实时采集滚齿加工过程中主轴的振动模拟量，利用数控滚齿机的PLC控制器对振动模拟量进行A/D转换处理，获得数字量的主轴振动信号；

步骤二，构建滚刀失效标准特征向量集：获取不同滚齿工艺参数对应的滚刀各类失效形式的稳态滚切阶段主轴振动信号，分别建立振动路图信号，并提取振动路图信号的特征构成标准特征向量，以此构建相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量子集，进而构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集；

步骤三，识别滚刀失效形式：实时获取滚刀最新的稳态滚切阶段主轴振动信号，建立对应的振动路图信号，并提取其特征构成样本特征向量；从标准特征向量集中筛选出当前滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集，分别计算样本特征向量与各标准特征向量子集中各标准特征向量的相似度，再求取各标准特征向量子集对应的平均相似度，最后判断平均相似度与阈值区间的关系，如果平均相似度属于阈值区间，则判定滚刀当前处于对应的失效形式。

进一步，在步骤二中，所述的滚齿工艺参数包括齿轮参数、滚刀参数与切削参数；所述的失效形式分为磨损和破损两种，其中磨损包括：刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化和容屑槽粘屑，破损包括：刀齿崩刃、刀齿裂纹和刀齿折断；所述的稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程。

进一步，所述的滚齿工艺参数，其相同表征为同一齿轮参数对应同一滚刀参数与同一切削参数，不同表征为同一齿轮参数对应同一滚刀参数与不同切削参数。

进一步，在步骤二中，将主轴振动信号的产生时序与路图结构的生成时序关联匹配，将主轴振动信号的数据值与路图结构中的节点关联匹配，从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号；所述提取的振动路图信号的特征有四个：

第一个特征为振动路图信号的能量E(P)：

第二个特征为振动路图信号的拉普拉斯能量LE(P)：

第三个特征为振动路图信号的拟拉普拉斯能量LEL(P)：

第四个特征为振动路图信号的基尔霍夫指标Kf(P)：

上述公式中，ρ_i(i＝1,2,...,n)为振动路图信号的邻接矩阵特征值，λ_i(i＝1,2,...,n)为振动路图信号的拉普拉斯矩阵特征值，n为振动路图信号的节点数，m为振动路图信号的边数，时域相邻的两个节点之间通过边连接，节点数n与边数m的关系为：n＝m+1。

进一步，所述的相似度是基于向量内积计算得到的样本特征向量与标准特征向量之间的修正余弦夹角距离；所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值；所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。

进一步，所述的平均相似度不属于阈值区间时，对滚刀失效形式进行预测，将实时计算得到的对应滚到各类失效形式的平均相似度进行升序排列，其最大平均相似度对应的失效形式为滚刀最可能发生的失效形式。

本发明的有益效果：

本发明数控滚齿机滚刀失效形式自动识别方法，通过构建振动路图信号，将数控滚齿机主轴振动信号处理与图谱理论相结合，实现滚刀失效形式的特征提取和失效形式识别。本方法计算量小、计算时间短、且易于编程实现，可实现滚刀失效形式的在线实时监测，减少对操作人员专业技能的依赖，降低人力成本；另外，本发明利用平均相似度进行失效形式识别，表征精度高，可排除由于偶然性原因引起的干扰，进而提高滚刀失效形式的识别精度。

附图说明

图1为振动路图信号的结构示意图。

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，以下结合实施例对本发明做进一步详细说明。

本实施例中数控滚齿机滚刀失效形式自动识别方法，其特征在于，包括以下步骤：

步骤一，获取主轴振动信号：在相同采样频率f_s下，先通过预埋振动加速度传感器实时采集滚齿加工过程中主轴的振动模拟量，本实施例中所述的预埋振动加速度传感器是在数控滚齿机装配制造过程中预先埋设在主轴端部的轴承座内；再利用数控滚齿机的PLC控制器对振动模拟量进行A/D转换处理，获得数字量的主轴振动信号；然后采用数控系统的OPC-UA通讯协议输出信号进行储存，积累主轴振动信号大数据集；同时输出对应的滚齿工艺参数，作为主轴振动信号标记。

步骤二，构建滚刀失效标准特征向量集：在采集的主轴振动信号大数据集中，对应不同滚齿工艺参数，选取滚刀各类失效形式对应的稳态滚切阶段主轴振动信号，分别建立振动路图信号，并提取振动路图信号的特征构成标准特征向量，以此构建相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量子集，进而构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集；具体实现步骤如下：

(1)主轴振动信号样本选取

在不同滚齿工艺参数下，选取滚刀磨损和破损的刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化、容屑槽粘屑、刀齿崩刃、刀齿裂纹、刀齿折断等八类失效形式对应的稳态滚切阶段主轴振动信号，将滚刀旋转一周对应的主轴振动信号作为一个样本，得到包含不同滚齿工艺参数对应的各类失效形式的主轴振动信号样本集，其中相同滚齿工艺参数对应的滚刀同类失效形式的主轴振动信号有多个样本。

(2)建立振动路图信号

针对每个样本，将主轴振动信号的产生时序与路图结构的生成时序关联匹配，将主轴振动信号的数据值与路图结构中的节点关联匹配，从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号；所述振动路图信号包含n个节点，m条边，时域相邻的两个节点之间通过边连接；节点依次对应主轴振动信号样本的数据点，以x_i(i＝1,2,...,n)表示，节点与边的关系为n＝m+1。

(3)构建邻接矩阵W和拉普拉斯矩阵L

针对每个振动路图信号，当节点x_i与节点x_j相邻时，节点x_i与节点x_j间有边连接；当节点x_i与节点x_j不相邻时，节点x_i与节点x_j间无边连接；则邻接矩阵W表示为：

式中，||x_i-x_j||表示节点x_i与节点x_j之间的欧氏距离，反映节点间的数值关系，w_ij为邻接矩阵W的元素，反映振动路图信号中边的加权；

基于邻接矩阵W构建拉普拉斯矩阵L：

L＝D-W；

式中，D为对角矩阵，其元素为：

(4)振动路图信号特征提取

分别对邻接矩阵W和拉普拉斯矩阵L进行标准正交分解，得到邻接矩阵特征值ρ_i(i＝1,2,...,n)和拉普拉斯矩阵特征值λ_i(i＝1,2,...,n)；根据特征值ρ_i、λ_i分别计算每个样本对应的振动路图信号的四个特征，构成标准特征向量，其中：

第一个特征为振动路图信号的能量E(P)：

第二个特征为振动路图信号的拉普拉斯能量LE(P)：

第三个特征为振动路图信号的拟拉普拉斯能量LEL(P)：

第四个特征为振动路图信号的基尔霍夫指标Kf(P)：

利用相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量构建标准特征向量子集，再利用标准特征向量子集构建不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量集。也即是，所述的标准特征向量子集包含相同滚齿工艺参数对应的滚刀同类失效形式的标准特征向量；所述的标准特征向量集包含不同滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集。

步骤三，识别滚刀失效形式：实时采集最新的滚刀稳态滚切阶段主轴振动信号，建立对应的振动路图信号，并提取其特征构成样本特征向量；从标准特征向量集中筛选出当前滚齿工艺参数对应的滚刀各类失效形式的标准特征向量子集，分别计算样本特征向量与各标准特征向量子集中各标准特征向量的相似度，再求取各标准特征向量子集对应的平均相似度，最后判断平均相似度与阈值区间的关系，如果平均相似度属于阈值区间，则判定滚刀当前处于对应的失效形式。所述的相似度是样本特征向量与标准特征向量之间的修正余弦夹角距离；所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值；所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。

(1)平均相似度求取方法如下：

在标准特征向量子集中，令f_r＝(f_r1,f_r2,...,f_rs)表示第r个标准特征向量，其中f_rs表示第r(r＝1,2,…,p)个标准特征向量的第s(s＝1,2,…,q)个特征；标准特征向量子集的第s个特征的均值由如下公式计算：

则用以计算样本特征向量f＝(f₁,f₂,...,f_s)与标准特征向量f_r＝(f_r1,f_r2,...,f_rs)之间相似度S_r的修正余弦夹角距离公式可表示为：

那么平均相似度S计算公式为：

上述公式中，p表示标准特征向量子集中标准特征向量的个数，q表示特征向量的维度，本实施例中q＝4。

(2)通过上述公式计算出不同滚齿工艺参数对应的各类失效形式的平均相似度S，判断平均相似度S与阈值区间的关系，如果平均相似度S属于阈值区间，如设定阈值区间为[0.8,1]，当S∈[0.8,1]，则判定滚刀当前处于对应的失效形式。

(3)如果平均相似度S不属于阈值区间时，可进行滚刀失效形式的预测，将实时计算得到的对应滚到各类失效形式的平均相似度S进行升序排列，其最大平均相似度S_max对应的失效形式为滚刀最可能发生的失效形式。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种数控滚齿机滚刀失效形式自动识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法，其特征在于：在步骤二中，所述的滚齿工艺参数包括齿轮参数、滚刀参数与切削参数；所述的失效形式分为磨损和破损两种，其中磨损包括：刀面划痕、刀面点蚀、刀齿烧伤、刀刃钝化和容屑槽粘屑，破损包括：刀齿崩刃、刀齿裂纹和刀齿折断；所述的稳态滚切阶段表征滚刀与齿轮毛坯接触面积最大且相对稳定的运动过程。

3.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法，其特征在于：所述的滚齿工艺参数，其相同表征为同一齿轮参数对应同一滚刀参数与同一切削参数，不同表征为同一齿轮参数对应同一滚刀参数与不同切削参数。

4.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法，其特征在于：在步骤二中，将主轴振动信号的产生时序与路图结构的生成时序关联匹配，将主轴振动信号的数据值与路图结构中的节点关联匹配，从而将时域上的主轴振动信号转换成具有内部关联结构的振动路图信号；所述提取的振动路图信号的特征有四个：

第一个特征为振动路图信号的能量E(P)：

第二个特征为振动路图信号的拉普拉斯能量LE(P)：

第三个特征为振动路图信号的拟拉普拉斯能量LEL(P)：

第四个特征为振动路图信号的基尔霍夫指标Kf(P)：

5.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法，其特征在于：所述的相似度是基于向量内积计算得到的样本特征向量与标准特征向量之间的修正余弦夹角距离；所述的平均相似度是样本特征向量与标准特征向量子集中各标准特征向量之间相似度的平均值；所述的阈值区间是基于样本特征向量与标准特征向量之间的修正余弦夹角距离的值域做出的设定值范围。

6.根据权利要求1所述的数控滚齿机滚刀失效形式自动识别方法，其特征在于：所述的平均相似度不属于阈值区间时，对滚刀失效形式进行预测，将实时计算得到的对应滚到各类失效形式的平均相似度进行升序排列，其最大平均相似度对应的失效形式为滚刀最可能发生的失效形式。