CN109635847A - 一种基于振动和声发射的刀具磨损状态识别方法 - Google Patents
一种基于振动和声发射的刀具磨损状态识别方法 Download PDFInfo
- Publication number
- CN109635847A CN109635847A CN201811375637.3A CN201811375637A CN109635847A CN 109635847 A CN109635847 A CN 109635847A CN 201811375637 A CN201811375637 A CN 201811375637A CN 109635847 A CN109635847 A CN 109635847A
- Authority
- CN
- China
- Prior art keywords
- signal
- cutting
- vibration
- acoustic emission
- wear state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims description 19
- 238000003754 machining Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了一种基于振动和声发射的刀具磨损状态识别方法,属于先进制造技术领域。本发明通过分析各种监测信号的优缺点,选择灵敏度高及易于安装的振动和声发射信号作为监测信号,通过完成信号采集和分析、特征提取、最优特征选择,最终实现刀具磨损状态识别,输出初期磨损、正常磨损和严重磨损三个阶段的刀具磨损状态。
Description
技术领域
本发明涉及一种基于振动和声发射的刀具磨损状态识别方法,属于先进制造技术领域。
背景技术
刀具状态监测技术是在传感器技术、信号分析技术、模式识别技术和计算机技术基础上发展起来的一种关键技术。通过对刀具磨损状态进行实时监测,可以提高产品的加工质量,降低生产成本,并提高生产效率。它是真正实现自动化、智能化生产不可或缺的关键技术。但是目前刀具状态监测技术还不够成熟,不能够应用于实际加工中。
发明内容
本发明提供了一种基于振动和声发射的刀具磨损状态识别方法,以用于切削加工中刀具磨损状态的识别问题。
本发明的技术方案是:一种基于振动和声发射的刀具磨损状态识别方法,所述方法步骤如下:
所述方法步骤如下:
S1、通过振动信号采集设备采集切削加工中的振动信号,通过声发射信号采集设备采集切削加工中的声发射信号;
S2、振动信号、声发射信号分别根据切削三要素用量、刀具磨损状态组成一个4因素m水平的切削用量表进行全因素试验得到m4组原始数据;对m4组原始数据进行分析处理,提取振动信号、声发射信号对应的均值、方差、均方根值作为特征参数;对振动信号进行4层小波包分解,对声发射信号进行8层多分辨率分解,并提取各分解频段的能量占比;共得到31个特征参数;
S3、采用Relief-F算法对31个特征参数进行特征选择,选取出8个与刀具状态最相关的特征参数组成一个8维特征向量,最后选出的特征频段为:振动信号均方根、振动信号经4层小波包分解后的A4、A6、A11、A15频段和声发射信号经8层多分辨率分解后的D2、D4、D6 频段,得到一个8维的训练样本集;
S4、将对试验数据信号分析和特征选择后得到的m4组样本划分为训练样本和测试样本;将训练样本输入建立的BP神经网络模型进行训练,得到刀具状态识别模型;然后将测试样本输入刀具状态识别模型识别刀具磨损状态。
所述振动信号采集设备包括振动传感器、电荷放大器和低速数据采集卡,振动传感器与电荷放大器连接、电荷放大器与低速数据采集卡连接、低速数据采集卡通过USB数据线连接计算机,振动传感器安装在刀具上采集切削加工中的振动信号,经电荷放大器对信号进行放大后传入低速数据采集卡。
所述声发射信号采集设备包括声发射传感器、前置放大器和高速数据采集卡,声发射传感器与前置放大器连接、前置放大器与高速数据采集卡连接、高速数据采集卡插在计算机PCI卡槽内,声发射传感器安装在刀具上采集切削加工中的声发射信号,通过前置放大器对信号放大后传入高速数据采集卡。
本发明的有益效果是:本发明通过分析各种监测信号的优缺点,选择灵敏度高及易于安装的振动和声发射信号作为监测信号,通过完成信号采集和分析、特征提取、最优特征选择,最终实现刀具磨损状态识别,输出初期磨损、正常磨损和严重磨损三个阶段的刀具磨损状态。
附图说明
图1为本发明的流程示意图。
具体实施方式
实施例1:如图1所示,一种基于振动和声发射的刀具磨损状态识别方法,所述方法步骤如下:
所述方法步骤如下:
S1、通过振动信号采集设备采集切削加工中的振动信号,通过声发射信号采集设备采集切削加工中的声发射信号(振动信号采集设备、声发射信号采集设备需要设置采样参数:如采样时间、采样频率、采样点数);
S2、振动信号、声发射信号分别根据切削三要素用量、刀具磨损状态(根据加工的需要将刀具磨损状态划分为三个阶段:新刀的初期磨损、正常磨损、严重磨损。为了得到这三种不同磨损程度的刀具,根据机床性能和刀具与材料的特性尽可能选取较大的切削参数,进行了大量的切削加工试验,直到获得这三种不同磨损程度的刀具各1把)组成一个4因素3水平的切削用量表,如表1所示(即切削速度、进给速度、切削深度、刀具磨损状态四个因素,每个因素三种状态为三个水平),进行全因素试验得到81组原始数据;对81组原始数据进行分析处理,提取振动信号、声发射信号对应的均值、方差、均方根值作为特征参数(每种信号各三个,共计6个特征参数);对振动信号进行4层小波包分解(24个特征参数),对声发射信号进行8层多分辨率分解(9个特征参数),并提取各分解频段的能量占比;共得到31个特征参数;
表1 实验因素与水平
水平 | 切削速度<i>v</i><sub><i>c</i></sub>(m/min) | 进给速度<i>f </i>(mm/r) | 切削深度<i>a</i><sub><i>p </i></sub>(mm) | 刀具磨损<i>VB</i>(mm) |
1 | 64.6 | 0.11 | 0.8 | 0 |
2 | 80 | 0.13 | 1.0 | 0.2 |
3 | 98.5 | 0.15 | 1.2 | 0.4 |
S3、采用Relief-F算法对31个特征参数进行特征选择,选取出8个与刀具状态最相关的特征参数组成一个8维特征向量,最后选出的特征频段为:振动信号均方根、振动信号经4层小波包分解后的A4、A6、A11、A15频段和声发射信号经8层多分辨率分解后的D2、D4、D6 频段,得到一个8维的训练样本集;
S4、将对试验数据信号分析和特征选择后得到的81组样本划分为训练样本(54组,即2/3)和测试样本(27组,即1/3);将训练样本输入建立的BP神经网络模型进行训练,得到刀具状态识别模型;然后将测试样本输入刀具状态识别模型识别刀具磨损状态。采用LabVIEW与MATLAB混合编程,开发了基于振动和声发射的刀具磨损状态识别方法的刀具磨损状态监测系统,该系统能够完成信号采集和分析、特征提取、最优特征选择与刀具磨损状态识别,输出初期磨损、正常磨损和严重磨损三个阶段的刀具磨损状态,并在严重磨损阶段采用红色信号灯及声音进行报警;经过测试该测试样本的识别正确率达到92.5%。
进一步地,可以设置所述振动信号采集设备包括振动传感器(型号DH112)、电荷放大器(型号2635)和低速数据采集卡(NI9215),振动传感器与电荷放大器连接、电荷放大器与低速数据采集卡连接、低速数据采集卡通过USB数据线连接计算机,振动传感器安装在刀具上采集切削加工中的振动信号(振动传感器安装在刀具的刀柄靠近刀片一端的底面),经电荷放大器对信号进行放大后传入低速数据采集卡,低速采集卡对信号调理后输入计算机。
进一步地,可以设置所述声发射信号采集设备包括声发射传感器(PAC WD US)、前置放大器(PAC WD US)和高速数据采集卡(PCI-9846H),声发射传感器与前置放大器连接、前置放大器与高速数据采集卡连接、高速数据采集卡插在计算机PCI卡槽内,声发射传感器安装在刀具上采集切削加工中的声发射信号(声发射传感器安装在刀具的刀柄的侧面且位于刀片的对侧面),通过前置放大器对信号放大后传入高速数据采集卡,高速数据采集卡对信号调理后输入计算机。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种基于振动和声发射的刀具磨损状态识别方法,其特征在于:所述方法步骤如下:
S1、通过振动信号采集设备采集切削加工中的振动信号,通过声发射信号采集设备采集切削加工中的声发射信号;
S2、振动信号、声发射信号分别根据切削三要素用量、刀具磨损状态组成一个4因素m水平的切削用量表进行全因素试验得到m4组原始数据;对m4组原始数据进行分析处理,提取振动信号、声发射信号对应的均值、方差、均方根值作为特征参数;对振动信号进行4层小波包分解,对声发射信号进行8层多分辨率分解,并提取各分解频段的能量占比;共得到31个特征参数;
S3、采用Relief-F算法对31个特征参数进行特征选择,选取出8个与刀具状态最相关的特征参数组成一个8维特征向量,最后选出的特征频段为:振动信号均方根、振动信号经4层小波包分解后的A4、A6、A11、A15频段和声发射信号经8层多分辨率分解后的D2、D4、D6 频段,得到一个8维的训练样本集;
S4、将对试验数据信号分析和特征选择后得到的m4组样本划分为训练样本和测试样本;将训练样本输入建立的BP神经网络模型进行训练,得到刀具状态识别模型;然后将测试样本输入刀具状态识别模型识别刀具磨损状态。
2.根据权利要求1所述的基于振动和声发射的刀具磨损状态识别方法,其特征在于:所述振动信号采集设备包括振动传感器、电荷放大器和低速数据采集卡,振动传感器与电荷放大器连接、电荷放大器与低速数据采集卡连接、低速数据采集卡通过USB数据线连接计算机,振动传感器安装在刀具上采集切削加工中的振动信号,经电荷放大器对信号进行放大后传入低速数据采集卡。
3.根据权利要求1所述的基于振动和声发射的刀具磨损状态识别方法,其特征在于:所述声发射信号采集设备包括声发射传感器、前置放大器和高速数据采集卡,声发射传感器与前置放大器连接、前置放大器与高速数据采集卡连接、高速数据采集卡插在计算机PCI卡槽内,声发射传感器安装在刀具上采集切削加工中的声发射信号,通过前置放大器对信号放大后传入高速数据采集卡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375637.3A CN109635847A (zh) | 2018-11-19 | 2018-11-19 | 一种基于振动和声发射的刀具磨损状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375637.3A CN109635847A (zh) | 2018-11-19 | 2018-11-19 | 一种基于振动和声发射的刀具磨损状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635847A true CN109635847A (zh) | 2019-04-16 |
Family
ID=66068492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811375637.3A Pending CN109635847A (zh) | 2018-11-19 | 2018-11-19 | 一种基于振动和声发射的刀具磨损状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635847A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
CN110682159A (zh) * | 2019-09-25 | 2020-01-14 | 武汉誉德节能数据服务有限公司 | 一种刀具磨损状态识别方法及装置 |
CN112008495A (zh) * | 2020-07-28 | 2020-12-01 | 成都飞机工业(集团)有限责任公司 | 一种基于振动监测的刀具破损识别方法 |
CN112917242A (zh) * | 2021-02-07 | 2021-06-08 | 中国矿业大学 | 一种延长刀具寿命的切削方法 |
CN114986258A (zh) * | 2022-07-22 | 2022-09-02 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
CN117226600A (zh) * | 2023-11-14 | 2023-12-15 | 四川工程职业技术学院 | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050030925A (ko) * | 2005-03-03 | 2005-03-31 | 김용연 | 가공공정에서 표면결함 및 공구상태에 대한 음향신호 분석시스템 |
CN108393744A (zh) * | 2018-04-11 | 2018-08-14 | 温州大学 | 一种刀具状态多传感监测方法 |
CN108581633A (zh) * | 2018-04-11 | 2018-09-28 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
-
2018
- 2018-11-19 CN CN201811375637.3A patent/CN109635847A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050030925A (ko) * | 2005-03-03 | 2005-03-31 | 김용연 | 가공공정에서 표면결함 및 공구상태에 대한 음향신호 분석시스템 |
CN108393744A (zh) * | 2018-04-11 | 2018-08-14 | 温州大学 | 一种刀具状态多传感监测方法 |
CN108581633A (zh) * | 2018-04-11 | 2018-09-28 | 温州大学 | 一种基于遗传算法优化多传感监测刀具状态的方法 |
Non-Patent Citations (3)
Title |
---|
刘冬伟: "基于多传感器融合的铣刀破损监测方法研究", 《中国优秀硕士学位论文全文库》, 15 February 2016 (2016-02-15), pages 2 - 3 * |
吴昊: "基于声发射的刀具磨损状态识别与预测", 《中国优秀硕士学位论文全文库》, 15 February 2018 (2018-02-15), pages 2 * |
徐春广: "数据融合法在监测刀具切削状态中的应用", 《北京理工大学学报》, vol. 15, no. 1, 28 February 1995 (1995-02-28), pages 1 - 3 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
CN110682159A (zh) * | 2019-09-25 | 2020-01-14 | 武汉誉德节能数据服务有限公司 | 一种刀具磨损状态识别方法及装置 |
CN112008495A (zh) * | 2020-07-28 | 2020-12-01 | 成都飞机工业(集团)有限责任公司 | 一种基于振动监测的刀具破损识别方法 |
CN112917242A (zh) * | 2021-02-07 | 2021-06-08 | 中国矿业大学 | 一种延长刀具寿命的切削方法 |
CN114986258A (zh) * | 2022-07-22 | 2022-09-02 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
CN114986258B (zh) * | 2022-07-22 | 2024-04-16 | 中机智能装备创新研究院(宁波)有限公司 | 刀具状态监测方法、装置、计算机设备及系统 |
CN117226600A (zh) * | 2023-11-14 | 2023-12-15 | 四川工程职业技术学院 | 一种合金铣削中刀具磨损预测方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635847A (zh) | 一种基于振动和声发射的刀具磨损状态识别方法 | |
CN105834834B (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN107378641A (zh) | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 | |
CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
CN107194427A (zh) | 一种铣削刀具故障监测与识别方法及系统 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN107350900A (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN103941645B (zh) | 薄壁零件复杂工况加工状态监测方法 | |
CN103190904B (zh) | 基于缺项特征的脑电图分类检测装置 | |
CN1309229A (zh) | 研究和鉴定基础的类型用的方法和装置 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN104535646B (zh) | 一种粮食籽粒不完善度检测方法 | |
CN106203253B (zh) | 一种基于多源信息的磨机振动与振声特征提取方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN109541031A (zh) | 基于声学和振动特性的水果硬度检测方法 | |
CN111958321B (zh) | 基于深度神经网络的数控机床刀具磨损程度识别方法 | |
CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
CN114872290B (zh) | 一种注塑件的自适应生产异常监测方法 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN104749249B (zh) | 一种基于超声波技术的检测种子净度的方法 | |
CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
CN108225750A (zh) | 一种基于故障特征多相关性的旋转机械故障诊断方法 | |
CN116677367A (zh) | 一种基于随钻参数特征的智能实时岩层反演识别方法 | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |