CN110530495B - 一种基于振动分析的切削颤振监测方法 - Google Patents
一种基于振动分析的切削颤振监测方法 Download PDFInfo
- Publication number
- CN110530495B CN110530495B CN201910850425.4A CN201910850425A CN110530495B CN 110530495 B CN110530495 B CN 110530495B CN 201910850425 A CN201910850425 A CN 201910850425A CN 110530495 B CN110530495 B CN 110530495B
- Authority
- CN
- China
- Prior art keywords
- window
- vibration
- frequency
- flutter
- amplitude
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/14—Frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/16—Amplitude
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
一种基于振动分析的切削颤振监测方法,先通过安装机床床身(导轨)上的加速度传感器获取振动信号,然后对振动信号计算差谱,对差谱中的极大值进行单调性计算,基于单调性结果判断颤振是否发生,进而对颤振幅值进行跟踪,本发明的测试方式不影响机床的正常加工,测试成本较低,同时可有效克服信号低信噪比和受干扰的问题,自动化地对机床切削颤振是否发生和程度进行准确判断,并形成有效的警报机制。
Description
技术领域
本发明涉及一种基于振动分析的切削颤振监测方法,属于机床加工领域和振动分析领域。
背景技术
切削颤振是发生于刀具与工件之间剧烈的自激振动,由切削过程内部激发反馈引起,并在某些加工参数下总会发生。车削颤振会破坏工件和刀具之间的正常的运动轨迹,恶化加工表面的质量,使粗糙度增大,缩短刀具和机床的使用寿命。颤振严重时,甚至会使切削加工无法继续进行。颤振监测通过监测机床运行时切削系统的振动、切削力、电机电流、功率、声发射或噪声等信号,提取颤振特征实现对颤振的监测,是实施主动颤振控制的基础。
加速度传感器作为常用振动传感器,由于低成本和使用方便在颤振监测中得到广泛应用。为使测试信号有较高的信噪比,加速度传感器需要安装在机床刀柄上,这样振源的传递路径短,颤振信息衰弱小,可以取得接近切削力传感器的监测效果。而在实际生产中,由于存在换刀、使用冷却液以及切屑可能打到传感器或线缆的情况,加速度传感器往往只能安装在机床床身(导轨),由此导致振动信号因较远的传递路径而受到严重衰减,同时受轴箱振动、主轴振动以及环境振动影响而愈趋复杂,给振动分析带来了困难。
专利申请号为201610278586.7的专利先通过颤振特征阈值判定是否存在颤振,进而将机床辐射噪声中频谱峰值所在频率作为颤振频率。但单一的统计指标往往并不能很好的表征颤振,同时,加工过程中的振动噪声信号很可能受到其他分量影响而导致颤振分量并不显著。
发明内容
本发明的目的在于提供一种基于振动分析的切削颤振监测方法,将低信噪比的机床床身振动信号,通过差谱计算和单调性分析,对机床切削过程是否发生颤振及其程度进行准确判断,实现切削颤振的在线监测。
为了达到上述目的,本发明采取的技术方案为:
一种基于振动分析的切削颤振监测方法,包括以下步骤:
步骤一,在机床导轨上安装加速度传感器,获取床身振动信号xm(n);
振动信号xm(n),n=1,2,…,N,其中m为窗口序号,N为窗长,N=Fs/fspindle,fspindle为机床主轴的转频,Fs为信号的采样频率,信号的采样频率Fs大于颤振频率的2倍;
步骤二,当窗口序号m≥A时,计算差谱Dm(f),统计差谱中最大的B个极大值对应的频率fm,i,i=1,2,…,B,其中m为窗口序号,i为极大值点序号,B为10;
常数A的设定是为保证一定的历史窗口数据以支撑步骤三的单调性分析,A为10;
差谱计算方法:振动信号xm(n)通过快速傅里叶变换FFT得到m窗口床身振动的幅值谱Xm(f),前一个窗口信号xm-1(n)通过快速傅里叶变换FFT得到m-1窗口床身振动的幅值谱Xm-1(f),差谱Dm(f)=Xm(f)-Xm-1(f);
步骤三,通过FFT计算频率fm,i在窗口序号为m-A+1到m的振动信号的所对应的幅值Ampm,i(k),k=m-A+1,...,m,对A个历史窗口中频率fm,i的幅值Ampm,i(k)进行单调性计算;
单调性计算方法:
若存在频率fm,i的单调性指标Monotonicitym,i大于0.6,且
Ampm,i(m)>2×Ampm,i(m-A+1),则说明颤振在m窗口已发生,fm,i为颤振频率,Ampm,i为颤振发生时颤振频率对应的幅值,并开始发出颤振预警,进行步骤四,否则说明当前的m窗口没有颤振发生,采集下一个窗口的振动信号xm+1(n)进行步骤二;
步骤四,颤振频率fm,i识别后,通过FFT计算后续窗口振动信号中颤振频率对应的幅值,当其幅值不低于幅值0.5×Ampm,i时,持续发出颤振警报,当颤振得到主动控制或消除,使颤振频率幅值低于0.5×Ampm,i时,消除警报并进入步骤二,继续对颤振进行在线监测。
本发明具有以下有益效果:
a)本发明基于再生型颤振发生过程中颤振频率对应幅值持续增大的特点,通过差谱计算和单调性分析筛选确定颤振频率,可有效克服信号低信噪比和受干扰的问题,具有良好鲁棒性。
b)本发明方法可自动化地对机床切削颤振是否发生和程度进行准确判断,并形成有效的警报机制,无需人工操作。
c)本发明采用在机床导轨安装加速度传感器的方法获取颤振信息,不影响机床的加工,且测试成本较低,有利于推广应用。
附图说明
图1为本发明的流程图。
图2为本发明实施例床身振动信号。
图3为本发明实施例颤振监测情况。
图4位本发明实施例工件表面振纹图片。
图5为本发明实施例床身振动信号的频谱。
具体实施方式
下面结合附图和实施例对本发明做详细描述。
以对某车轴车床进行颤振监测为例,应用本发明基于床身振动信号对车削过程进行颤振监测。
如图1所示,一种基于振动分析的切削颤振监测方法,包括以下步骤:
步骤一,在机床导轨上安装加速度传感器,获取床身振动信号xm(n),实施例中全历程的振动信号如图2所示,时长15秒;
振动信号xm(n),n=1,2,…,N,其中m为窗口序号,N为窗长,N=Fs/fspindle,fspindle为机床主轴的转频,Fs为信号的采样频率,本实施例中为fspindle=6.6Hz,N=3023,采样频率Fs为20kHz;
步骤二,当窗口序号m≥A时,计算差谱Dm(f),统计差谱中最大的B个极大值对应的频率fm,i,i=1,2,…,B,其中m为窗口序号,i为极大值点序号,B为10;
常数A的设定是为保证一定的历史窗口数据以支撑步骤三的单调性分析,A为10;
差谱计算方法:振动信号xm(n)通过快速傅里叶变换FFT得到m窗口床身振动的幅值谱Xm(f),前一个窗口信号xm-1(n)通过快速傅里叶变换FFT得到m-1窗口床身振动的幅值谱Xm-1(f),差谱Dm(f)=Xm(f)-Xm-1(f);
步骤三,通过FFT计算频率fm,i在窗口序号为m-A+1到m的振动信号的所对应的幅值Ampm,i(k),k=m-A+1,...,m,对A个历史窗口中频率fm,i的幅值Ampm,i(k)进行单调性计算;
单调性计算方法:
若存在频率fm,i的单调性指标Monotonicitym,i大于0.6,且Ampm,i(m)>2×Ampm,i(m-A+1),则说明颤振在m窗口已发生,fm,i为颤振频率,Ampm,i为颤振发生时颤振频率对应的幅值,并开始发出颤振预警,进行步骤四,否则说明当前的m窗口没有颤振发生,采集下一个窗口的振动信号xm+1(n)进行步骤二;
本实施例中在时间轴上t=11.26s的窗口检测到颤振的发生,颤振频率为fm,i=59.5Hz,颤振幅值Ampm,i=0.054g,发出颤振警报,如图3所示;
步骤四,颤振频率fm,i识别后,通过FFT计算后续窗口振动信号中颤振频率对应的幅值,当其幅值不低于幅值0.5×Ampm,i时,持续发出颤振警报,当颤振得到主动控制或消除,使颤振频率幅值低于0.5×Ampm,i时,消除警报并进入步骤二,继续对颤振进行在线监测;
本实施例颤振阈值确定为0.5×Ampm,i=0.027g,由图3可以看出颤振频率幅值在t=11.26s后一直大于阈值,监测系统持续发出颤振警报。
图4为加工工件的表面照片,前半段为正常切削,后半段则是发生颤振引起的振纹,图1的床身振动信号在颤振前后并无明显变化,说明颤振由于传递路径衰减,在床身振动中能量有限。应用本发明进行颤振监测,由图3可以看出,监测系统在正常切削时没有产生误报警,而在颤振发生后,在颤振还处于发展过程中即准确判断了颤振的发生,并识别了颤振频率,实现了对颤振幅值的跟踪。图5为图1振动信号的频谱,可以看出颤振频率fm,i=59.5Hz对应的颤振分量幅值在整个信号中占比很小,无法简单通过信号的统计指标来区分颤振发生与否。
本发明提出的一种基于振动分析的切削颤振监测方法,采用在机床床身(导轨)安装加速度传感器的方法获取颤振信息,不影响机床的加工,测试成本较低,同时可有效克服信号低信噪比和受干扰的问题,自动化地对机床切削颤振是否发生和程度进行准确判断,并形成有效的警报机制。
Claims (1)
1.一种基于振动分析的切削颤振监测方法,包括以下步骤:
步骤一,在机床导轨上安装加速度传感器,获取床身振动信号xm(n);
振动信号xm(n),n=1,2,…,N,其中m为窗口序号,N为窗长,N=Fs/fspindle,fspindle为机床主轴的转频,Fs为信号的采样频率,信号的采样频率Fs大于颤振频率的2倍;
步骤二,当窗口序号m≥A时,计算差谱Dm(f),统计差谱中最大的B个极大值对应的频率fm,i,i=1,2,…,B,其中m为窗口序号,i为极大值点序号,B为10;
常数A的设定是为保证一定的历史窗口数据以支撑步骤三的单调性分析,A为10;
差谱计算方法:振动信号xm(n)通过快速傅里叶变换FFT得到m窗口床身振动的幅值谱Xm(f),前一个窗口信号xm-1(n)通过快速傅里叶变换FFT得到m-1窗口床身振动的幅值谱Xm-1(f),差谱Dm(f)=Xm(f)-Xm-1(f);
步骤三,通过FFT计算频率fm,i在窗口序号为m-A+1到m的振动信号的所对应的幅值Ampm,i(k),k=m-A+1,...,m,对A个历史窗口中频率fm,i的幅值Ampm,i(k)进行单调性计算;单调性计算方法:
若存在频率fm,i的单调性指标Monotonicitym,i大于0.6,且Ampm,i(m)>2×Ampm,i(m-A+1),则说明颤振在m窗口已发生,fm,i为颤振频率,Ampm,i为颤振发生时颤振频率对应的幅值,并开始发出颤振预警,进行步骤四,否则说明当前的m窗口没有颤振发生,采集下一个窗口的振动信号xm+1(n)进行步骤二;
步骤四,颤振频率fm,i识别后,通过FFT计算后续窗口振动信号中颤振频率对应的幅值,当其幅值不低于幅值0.5×Ampm,i时,持续发出颤振警报,当颤振得到主动控制或消除,使颤振频率幅值低于0.5×Ampm,i时,消除警报并进入步骤二,继续对颤振进行在线监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850425.4A CN110530495B (zh) | 2019-09-10 | 2019-09-10 | 一种基于振动分析的切削颤振监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850425.4A CN110530495B (zh) | 2019-09-10 | 2019-09-10 | 一种基于振动分析的切削颤振监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110530495A CN110530495A (zh) | 2019-12-03 |
CN110530495B true CN110530495B (zh) | 2021-06-22 |
Family
ID=68667894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910850425.4A Active CN110530495B (zh) | 2019-09-10 | 2019-09-10 | 一种基于振动分析的切削颤振监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530495B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112405072B (zh) * | 2020-11-11 | 2022-04-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN115246081B (zh) * | 2022-06-02 | 2023-08-25 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217212B (zh) * | 2013-04-15 | 2016-05-25 | 东北大学 | 一种加工中心的刀具刀尖点位移导纳的软测量方法及系统 |
CN103786069B (zh) * | 2014-01-24 | 2015-05-20 | 华中科技大学 | 一种机械加工设备的颤振在线监测方法 |
JP6735183B2 (ja) * | 2016-08-19 | 2020-08-05 | オークマ株式会社 | 回転軸を有する工作機械 |
CN108871543A (zh) * | 2018-08-30 | 2018-11-23 | 天津大学 | 恒速下叶片异步振动频率非调和傅里叶分析方法 |
CN109357748B (zh) * | 2018-11-27 | 2023-02-03 | 吉林电力股份有限公司白城发电公司 | 汽轮机叶片颤振监测装置及装置安装方法和装置监测方法 |
CN110091217B (zh) * | 2019-04-29 | 2021-04-27 | 长沙理工大学 | 一种基于机器视觉的车削颤振加速度采集系统及方法 |
-
2019
- 2019-09-10 CN CN201910850425.4A patent/CN110530495B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110530495A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5407265A (en) | System and method for detecting cutting tool failure | |
Ambhore et al. | Tool condition monitoring system: A review | |
Li et al. | Current-sensor-based feed cutting force intelligent estimation and tool wear condition monitoring | |
Wan et al. | Investigation on milling chatter identification at early stage with variance ratio and Hilbert–Huang transform | |
CN110530495B (zh) | 一种基于振动分析的切削颤振监测方法 | |
Ai et al. | The milling tool wear monitoring using the acoustic spectrum | |
Gao et al. | Chatter detection and stability region acquisition in thin-walled workpiece milling based on CMWT | |
CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
CN112405072B (zh) | 一种机床切削颤振的在线监测方法及装置 | |
Zheng et al. | Chatter detection in milling process based on the combination of wavelet packet transform and PSO-SVM | |
Liu et al. | Hybrid model-and signal-based chatter detection in the milling process | |
Navarro-Devia et al. | Chatter detection in milling processes—a review on signal processing and condition classification | |
CN111413925A (zh) | 一种基于声音信号的机床故障预测方法 | |
KR100497660B1 (ko) | Nc선반에서 발생하는 채터진동 감지장치 및 방법 | |
Sener et al. | Intelligent chatter detection in milling using vibration data features and deep multi-layer perceptron | |
CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测系统及方法 | |
Cao et al. | An adaptive chatter signal enhancement approach for early fault diagnosis in machining process | |
CN106363463B (zh) | 基于占能比的铣削加工颤振在线监测方法 | |
Lu et al. | Effects of extrinsic noise factors on machine learning–based chatter detection in machining | |
Ratava et al. | An adaptive fuzzy control system to maximize rough turning productivity and avoid the onset of instability | |
Zhuo et al. | Chatter identification in flank milling of thin-walled blade based on fractal dimension | |
US20230358596A1 (en) | Diagnostic apparatus, machining system, diagnostic method, and recording medium | |
Xie et al. | Milling chatter recognition based on dynamic and wavelet packet decomposition | |
CN114778699A (zh) | 一种基于声发射技术的微细磨削在线无损监测方法 | |
CN116140658A (zh) | 一种通过超声振动抑制车削中杆类零件自激振动的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |