CN110555243A - 一种铣削过程中机床主轴振动信息的二维图谱构建方法 - Google Patents

一种铣削过程中机床主轴振动信息的二维图谱构建方法 Download PDF

Info

Publication number
CN110555243A
CN110555243A CN201910744181.1A CN201910744181A CN110555243A CN 110555243 A CN110555243 A CN 110555243A CN 201910744181 A CN201910744181 A CN 201910744181A CN 110555243 A CN110555243 A CN 110555243A
Authority
CN
China
Prior art keywords
dimensional
machine tool
signal
matrix
signals
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.)
Granted
Application number
CN201910744181.1A
Other languages
English (en)
Other versions
CN110555243B (zh
Inventor
王建军
郭振杰
宋世毅
安琪
王合增
王裕喆
王雷飞
张雷雷
李晨硕
尹晨旭
姚斌
陈彬强
高鸣
曹新城
张利敏
李越超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Tractor Co Ltd
China Yituo Group Corp Ltd
Original Assignee
First Tractor Co Ltd
China Yituo Group Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Tractor Co Ltd, China Yituo Group Corp Ltd filed Critical First Tractor Co Ltd
Priority to CN201910744181.1A priority Critical patent/CN110555243B/zh
Publication of CN110555243A publication Critical patent/CN110555243A/zh
Application granted granted Critical
Publication of CN110555243B publication Critical patent/CN110555243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种铣削过程中机床主轴振动信息的二维图谱构建方法，对机床主轴振动加速度信号经过采集、分割与识别、小波包分解与低频信号重构后，将低频段重构信号的频谱折叠成二维矩阵，对二维矩阵的行进行归一化及列三次样条插值扩展，最终形成行列数相同的二维矩阵；将三个方向监测信号低频段的重构信号的一维频谱转换为三通道的二维图谱，可以有效保留更多的信息，基于频谱，可以消除信号片段初始相位对信号特征的干扰，本发明构建二维图谱后可以发挥卷积神经网络自动智能提取数据特征的能力，从多参数加工数据集中提取各工况下共有的数据特征，识别精度高。

Description

一种铣削过程中机床主轴振动信息的二维图谱构建方法
技术领域
本发明涉及机床健康监测与人工智能领域，具体涉及一种铣削过程中机床主轴振动信息的二维图谱构建方法。
背景技术
刀具作为金属切削机床去除工件材料的执行末端，是关键基础元件，是保证加工质量、提高生产效率、降低生产能耗与时间成本的关键因素。铣削过程中不可避免的磨损和意外破损会直接导致切削增大、切削温度升高、降低工件表面质量、降低工件尺寸精度，甚至诱发颤振、导致机床事故。
特别是对于高度自动化的数字化车间或智能制造生产线，如果不能及时发现刀具的磨损变化和意外破损崩刃，则会导致批量零件质量不合格。如果粗加工工位的刀具严重磨损或破损，会导致下一精加工工序的余量过大，进而导致精加工机床的刀具破损，产生连锁反应，严重时可能造成产线宕机。
从20世纪80年代开始，刀具管理开始成为车间管理的一个重要分支，科学高效的换刀机制是提高产线效能与生产率、降低刀具成本的重要环节。现有技术中刀具管理主要的监测方法分为直接监测法和间接监测法。
直接检测法采用对刀仪等接触式传感器及机器视觉等非接触式测量方法，定时采集刀具的尺寸形状信息，监测刀具的健康状态。直接监测法要求机床停止加工进行刀具健康信息采集，因而会降低机床生产节拍；测力仪等设备也使机床改造成本高昂；对于切削过程中刀具的崩刃等意外破损不能及时发现。
间接监测法基于传感器采集机床加工过程的电流/功率、切削力、振动加速度、振动位移、声发射信号等信号，通过分析处理监测信号，间接检测刀具的健康状态。一般的刀具健康状态间接监测系统包括以下四个环节：①数据采集；②数据处理；③特征提取；④刀具健康状态识别。通常对原始数据进行清洗去噪等处理后，提取信号的有效值、峭度值等时域统计指标或不同方向信号统计指标的比值等构建特征向量，最后训练神经网络、支持向量机等人工智能模型识别刀具的磨损状态。
发明专利(CN104723171A)公布了一种基于加工中主轴电机电流信号及声发射信号，通过小波包分析、主成分分析提取信号特征，进而识别刀具磨损状态的方法。该方法提取均方根、方差、偏度、峭度等时域统计指标构建时序分析特征矩阵，监测信号的时域指标不仅受刀具磨损状态的影响，受切削参数的影响也十分严重，当切削参数变化时，往往需要重新训练识别模型，在实际生产中适应性不强。
发明专利(CN106514434A)公布了一种基于数据的铣削刀具磨损监测方法，采用霍尔电流传感器采集铣削过程中主轴驱动电机的三相电流信号，并进行数据清洗去除冗余、病态、噪声大的数据段，然后采用压缩感知方法及关键点理论从清洗后的电流信号中提取能够表征刀具磨损状态的特征系数。采用电流信号，基本不影响生产过程，但是采用压缩感知方法从清洗后的电流时域信号中提取特征，无法避免信号相位的影响，切削参数也会对状态识别造成干扰。
发明专利(CN108356606A)公布了一种基于小波包分析与RBF神经网络的刀具磨损在线监测方法，采用测力仪采集切削过程中的切削力信号，利用 MATLAB提供的小波包函数工具箱对切削力信号进行频域三层分解重构，提取切削力特征和切削振动特征；利用瞬时切削力系数识别法标定信号的剪切力系数和刃口力系数作为监测信号的特征值。该方法将小波包分析数据处理工具与神经网络人工智能算法相结合，效果良好。但是训练好的模型对切削参数变化的影响也十分敏感，基于某工况的数据训练的模型仅适用于相同工况下刀具磨损状态的监测。
这些间接检测方法的数据采集与数据处理过程还存在各种各样的不足之处，易受信号相位或切削参数影响，不利于二维卷积神经网络智能提取特征，从而降低对刀具健康状态的识别准确率。
发明内容
针对现有技术的缺陷，本发明的目的是提供一种铣削过程中机床主轴振动信息的二维图谱构建方法，可有效消除原始数据片段初始相位的问题，有效滤除原始信号高频波段的噪声，更利于二维卷积神经网络智能提取各工况下不同刀具磨损状态共有的特征，在切削参数多变的实际生产过程中有效提高刀具磨损状态识别精度。
为了达到上述目的，本发明所采用的技术方案是：
一种铣削过程中机床主轴振动信息的二维图谱构建方法，所述方法包含以下步骤：
步骤一、将三轴压电式加速度传感器安装在机床主轴外壳近刀具端，以采样频率Fs采集加工过程中主轴的振动信号，Fs以Hz为单位且Fs＞10000；
步骤二、采用一组径向切深、进给速度各不相同的切削参数进行切削实验，整个实验过程中连续采集主轴的振动信息，包括切削时段和空走时段；
步骤三、将连续采集的监测信号进行分割识别：求取数据片段的有效值；对数据片段进行FFT快速傅里叶变换，求取频谱的峭度值，结合数据片段的时域有效值和频谱峭度值识别数据片段所处的机床加工状态，剔除机床空走及停机状态的数据；
步骤四、采用近似解析小波包变换对机床切削时的主轴三个方向的振动监测信号数据片段分别进行Nw层分解；
步骤五、将三个方向监测信号小波包分解后第一低频段的信号分别进行重构，并利用快速傅里叶变换求取该频段重构信号的频谱；
步骤六、将第一低频段重构信号频谱频段的长度为l＝Fs/(2Nw)的一维序列FL转换为m*n的二维矩阵P，m*n＝1，m＜n，且m与n尽量相近，对二维矩阵P的每一行进行归一化得到矩阵P′，对m*n的二维矩阵P′的每一列进行3 次样条插值，将矩阵扩展为n*n的P″；
步骤七、X、Y、Z三个方向的监测信号获得的矩阵分别作为信号二维图谱其中一个通道，三个通道共同构建成铣削过程中机床主轴振动加速度信息的二维图谱。
进一步地，步骤六具体包括下述过程：
步骤6.1、将第一低频段重构信号频谱频段的长度为l一维序列FL转换为m*n的二维矩阵P，二维矩阵P中索引为(i，j)的元素按下式转换：
P(i，j)＝FL((i-1)×n+j) (1)
步骤6.2、对m*n的二维矩阵P的每一行进行归一化得到矩阵P′，归一化公式如下：
步骤6.3、对m*n的二维矩阵P′的每一列进行3次样条插值，将矩阵扩展为n*n的P″。
进一步地，近似解析小波包变换可以构建完整的二叉分解树，每个小波包都以小波系数的形式包含了原始信号的一定信息，可以在保持能量不变的前提下重构出任意频段的信号，其中将原始信号进行二叉树多层分解，并将指定的频段进行合成重构的算法如下：
(1)、对原始信号{x(n)}进行多尺度分解，获得子空间序列{dj，k(n)}， d代表分解后得到的子信号，下标j表示第j层分解，下标k表示该层分解得到的第k个子信号；
分解过程中，设定{d0，1(n)}＝{x(n)}，第i+1与i层的关系为：
其中，↓2表示降采样运算，降采样率为1/2，表示卷积运算；
(2)、对第j层各序列{dj，l(n)|1≤l≤2j}进行选择性加权得到加权序列由加权序列合成重构信号{Dj，k(n)}：
其中，↑2表示上采样运算，上采样率为2，表示重构滤波器。
进一步地，步骤一中，传感器安装时，三个轴与机床三个直线轴平行，传感器的数据采样频率不低于12.8KHz。
进一步地，步骤四中，小波基函数采用Quasi-Shift-20小波基函数。
有益效果：
1、刀具的磨损和破损会改变切削状态，改在刀具与主轴的振动状态，本发明采用压电式加速度传感器安装于主轴外壳上，可以有效采集与刀具健康状态相关的主轴振动信息，同时传感器安装简便，对机床的生产新能基本不造成影响，可以实时连续在线监测。
2、本发明进行连续采集可以实现实时监测，避免崩刃等意外破损的信息丢失，基于数据段有效值和频谱峭度值的数据分割识别，可以自动地从连续监测数据中识别机床切削状态的数据片段。
3、机床生产过程中各部件都会产生振动，对监测信息造成干扰。与刀具切削状态相关的振动信息主要集中在低频段，本发明采用小波包变换可以将低频段的信息完整地分离出来，消除高频噪声的影响。
4、本发明将三个方向监测信号低频段的重构信号的一维频谱转换为三通道的二维图谱可以有效保留更多的信息，基于频谱，可以消除信号片段初始相位对信号特征的干扰。
5、本发明构建二维图谱后可以发挥卷积神经网络(CNN)自动智能提取数据特征的能力，从多参数加工数据集中提取各工况下共有的数据特征。实验中采用9组不同的工况，刀具全寿命选取5个磨损状态，共同组成数据集，实验表明训练完成的CNN卷积神经网络可以有效地提取各磨损状态在不同工况下的共同特征，识别准确率达到90％以上。
附图说明
图1为本发明的铣削过程中机床主轴振动加速度信息的二维图谱构建流程与基于主轴振动信息二维图谱和卷积神经网络的铣削刀具在线实时健康状态监测；
图2为切削时机床主轴X方向典型的振动加速度信号片段；
图3为由图2所示机床主轴X方向典型振动加速度信号片段进行3层近似解析小波包变换后的四个不同滤波频段的重构子信号；
图4为采用本发明所提供的方法针对图2所示机床主轴X方向典型振动加速度信号构建的铣削过程中机床主轴加速度信号的二维图谱的第一个通道；
图5为本实施案例中采用的二维卷积神经网络模型的基本结构；
图6为本实施案例中二维卷积神经网络训练过程中训练准确率、训练损失值、验证准确率、验证损失值的收敛曲线；
图7为采用文献[1]给出的方法针对图2所示机床主轴X方向典型振动加速度信号构建的铣削过程中机床主轴加速度信号的二维图谱的第一个通道；
图8为采用文献[2，3]给出的方法针对图2所示机床主轴X方向典型振动加速度信号构建的铣削过程中机床主轴加速度信号的二维图谱的第一个通道；
图9为采用文献[4]给出的方法针对图2所示机床主轴X方向典型振动加速度信号构建的铣削过程中机床主轴加速度信号的二维图谱的第一个通道。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
图1为本发明的铣削过程中机床主轴振动加速度信息的二维图谱构建流程与基于主轴振动信息二维图谱和卷积神经网络的铣削刀具在线实时健康状态监测；图中上方虚线框内主要显示的是本发明的二维图谱构建流程，以及将多工况条件下的二维图谱组建数据集，并训练神经网络模型的过程，下方虚线框内主要显示将训练完成的神经网络模型用于生产过程刀具健康状体检测的流程。
如图1所示，本发明提供的二维图谱构建方法，首先采集机床主轴振动加速度信号，然后经过分割与识别清除空走等无效信息片段后，对切削状态的有效信息片段进行多层小波包分解，完整提取低频段的振动信号，然后将低频段重构信号的频谱折叠成二维矩阵，对二维矩阵的行进行归一化，然后对列进行三次样条插值扩展并做归一化，最终形成行列数相同的二维矩阵；三个方向的信号得出的二维矩阵分别作为一个通道，共同构成主轴振动信息的二维图谱，具体包含以下步骤：
步骤一、将三轴压电式加速度传感器安装在机床主轴外壳近刀具端，以采样频率Fs(以Hz为单位)采集加工过程中主轴的振动信号(Fs＞10000)；
步骤二、采用一组径向切深、进给速度各不相同的切削参数进行切削实验，整个实验过程中连续采集主轴的振动信息，包括切削时段和空走时段；
步骤三、将连续采集的监测信号进行分割识别：求取数据片段的有效值；对数据片段进行FFT快速傅里叶变换，求取频谱的峭度值，结合数据片段的时域有效值和频谱峭度值识别数据片段所处的机床加工状态，剔除机床空走及停机状态的数据；
步骤四、采用近似解析小波包变换对机床切削时的主轴三个方向的振动监测信号数据片段分别进行Nw层分解；
步骤五、将三个方向监测信号小波包分解后第一低频段的信号分别进行重构，并利用快速傅里叶变换求取该频段重构信号的频谱；
步骤六、将第一低频段重构信号频谱频段的长度为l＝Fs/(2Nw)的一维序列FL转换为m*n的二维矩阵P(m*n＝1，m＜n，且m与n尽量相近)，对二维矩阵P的每一行进行归一化得到矩阵P’，对m*n的二维矩阵P’的每一列进行 3次样条插值，将矩阵扩展为n*n的P″。
步骤七、X、Y、Z三个方向的监测信号获得的矩阵分别作为信号二维图谱其中一个通道，三个通道共同构建成铣削过程中机床主轴振动加速度信息的二维图谱。
构建二维图谱后，将多工况条件下刀具不同健康状态时的主轴振动信息二维图谱共同组建数据集，采用CNN卷积神经网络从中智能提取特征，训练神经网络模型，可实现刀具健康状态的在线实时监测，在线实时监测具体包括生产过程机床主轴振动实时监测、监测信号二维图谱构建、卷积神经网络预测模型、以及根据预测模型实施在线实时监测等基本过程。
现结合具体实施实例与附图对本发明作进一步的具体描述。
参照附图1，本实施案例主要分为：①多参数铣削刀具全生命周期磨损实验与主轴振动信息二维图谱构建；②卷积神经网络训练与生产过程中铣削刀具在线实时健康状态监测两部分。
实施案例中多参数铣削刀具全生命周期磨损试验在三轴立式数控铣床上进行，采用硬质合金立铣刀铣削45#调制钢，三轴加速度传感器安装于主轴外壳近刀具端，传感器的三个轴分别于机床的三个轴平行，采样频率设置为 12.8KHz。
实验中采用的切削参数如下表1：
表1 实验切削参数
每组参数都包括顺铣和逆铣，四组参数循环进行，共计8种不同的工况。整个实验过程共进行25个循环，实验过程中连续监测主轴的振动信号，并定时将数据保存到数据库中。
实验结束后，对监测数据进行自动分割，分割数据片段长度0.2S，即 2560个数据点，求取数据片段的有效值和频谱的峭度值，识别数据片段，剔除空走片段和空走/切削交替片段，保留切削状态的片段；具体的，有效值和频谱的峭度值均较大的片段为切削状态的数据片段；有效值和频谱的峭度值均较小的为空走片段；有效值较小而频谱峭度值较大的为空走与切削切换的片段，图 2所示为一个典型的切削过程中X方向的主轴振动信号片段。
采用近似解析小波包变换对机床切削时的主轴三个方向的振动监测信号数据片段分别进行多层分解，小波基函数采用Quasi-Shift-20小波基函数。基于双树复小波，近似解析小波包变换可以构建完整的二叉分解树，每个小波包都以小波系数的形式包含了原始信号的一定信息，可以在保持能量不变的前提下重构出任意频段的信号。
所述实施案例中，近似解析小波包空间实部分支和虚部分支采用完全相同的滤波器：
其中f代表小波包空间的分支，下标0表示实数部，下标1表示虚数部，h代表滤波器，Re表示实数域，下标10表示第1层分解后得到的实部，下标11表示第1层分解后得到的虚部，n表示信号中数据点的索引。
设{h0(n)}和{h1(n)}分别代表信号分解过程中相应节点的尺度函数滤波器和小波函数滤波器，将原始信号{x(n)}进行二叉树多层分解，然后将指定的频段进行合成重构的算法如下：
步骤(1)：对原始信号{x(n)}进行多尺度分解，获得子空间序列{dj，k(n)}，式中d代表分解后得到的子信号，下标j表示第j层分解，下标k表示该层分解得到的第k个子信号。
分解过程中，设定{d0，1(n)}＝{x(n)}，第i+1与i层的关系为：
其中，↓2表示降采样运算，降采样率为1/2，表示卷积运算。
步骤(2)：对第j层各序列{dj，l(n)|1≤l≤2j}进行选择性加权得到加权序列
由加权序列合成重构信号{Dj，k(n)}：
其中↑2表示上采样运算，上采样率为2，表示重构滤波器。
本发明的实施案例中，传感器的采样频率为12.8KHz，进行3层分解后，前四个频段的重构信号如图3所示，第一低频段的滤波频带为[0-1600Hz]，当主轴转速为3000r·min-1，采用4齿刀具时，切削刃特征频率为200Hz，第一低频段涵盖了切削刃特征频率的8倍频，涵盖了大部分与刀具切削状态相关的信息，后续二维图谱基于该[0-1600Hz]频段的重构信号进行。
将三个监测信号小波包分解后第一低频段的信号分别进行重构，并利用快速傅里叶变换求取该频段重构信号的频谱。
将第一低频段重构信号频谱频段的长度为1600一维序列FL转换为 16*100的二维矩阵P，设二维矩阵P中某一元素的索引为(i，j)，二维矩阵P中索引为(i，j)的元素按下式转换：
P(i，j)＝FL((i-1)×100+j)；
因为后续会引入卷积神经网络智能提取二维图谱的特征，二维卷积核可以提取出二维图片中不同列和不同行之间内在的联系，按照以上所述方法将重构信号的一维频谱转换成二维矩阵，将不同频段的频谱并列，卷积核可以学习到不同频段频谱的内在关系，获得扩展性更好的样本特征。
对16*100的二维矩阵P的每一行进行归一化得到矩阵P′，将各频段的频谱分别归一化，提升跟频段频谱形状的可比性，进一步提升后续的特征提取能力。归一化公式如下：
对16*100的二维矩阵P′的每一列进行3次样条插值，将矩阵扩展为100*100的P″。
其中构造三次样条插值函数的过程为：抽取二维矩阵的某一列元素组成一维待插值序列设三次样条插值函数在序列中各元素处的二阶导数值为：
设相邻两个元素的差值为
则三次样条插值函数s(xi)的表达式为：
所述实施案例中采用非扭结边界条件：
将X方向的监测信号获得的矩阵P″X作为信号二维图谱的第一个通道，将Y方向的监测信号获得的矩阵P″Y作为信号二维图谱的第二个通道，将Z方向监测信号获得的矩阵P″Z作为信号二维图谱的第三个通道，三个通道共同组成铣削过程中机床主轴振动加速度信息的二维图谱，基于前述图2中典型主轴振动一维信号构建的二维图谱第一个通道如图4所示。
多参数铣削刀具全生命周期磨损实验从崭新刀具至刀具后刀面磨损达到报废标准共进行25个切削循环，故将刀具的磨损状态分为：①新刀具、②轻度磨损、③中度磨损、④重度磨损、⑤寿命终结共计5种状态，分别以第1个切削循环、第7循环、第13削循环、第19削循环、第25削循环作为对应状态。
实施案例中的二维图谱数据集总量为12000个样本，分为训练集、测试集和验证集，三者的容量比例为3∶1∶1；各子集中，不同工况不同刀具磨损状态的样本数量相同。
实施案例中采用的卷积神经网络结构如图5所示，包括卷积层、池化层、随机丢弃层、全连接层和softmax输出层，训练过程中的测试准确率与测试损失值的曲线如图6所示。
为了证明本发明所采用方法的技术效果，分别利用现有技术中文献[1]- [4]采用的方法与本发明的方法针对相同的原始监测信号构建机床主轴振动加速度信息的二维图谱，建立数据集训练二维卷积神经网络，对比测试结果。
本发明所引用的文献[1]-[4]分别为：
[1]Marinescu I，Axinte D A.A critical analysis of effectiveness ofacoustic emission signals to detect tool and workpiece malfunctions inmilling operations[J]. International Journal of Machine Tools & Manufacture，2008，48(10)：1148-1160.
[2]Wen L，Li X，Gao L，et al.A New Convolutional Neural Network-BasedData-Driven Fault Diagnosis Method[J].IEEE Transactions on IndustrialElectronics， 2018，65(7)：5990-5998.
[3]Hoang D T，Kang H J.Rolling Element Bearing Fault Diagnosis usingConvolutional Neural Network and Vibration Image[J].Cognitive SystemsResearch， 2018.
[4]Fu Y，Zhang Y，Gao Y，et al.Machining vibration states monitoringbased on image representation using convolutional neural networks[J].Engineering Applications of Artificial Intelligence，2017，65：240-251.
作为对比，采用文献[1]给出的方法采用短时傅里叶变换时频谱图作为击穿振动信号的二维图谱，训练卷积神经网络，对前文所述图2中典型振动信号片段的快速傅里叶变换频谱图如图7所示。
作为对比，采用文献[2]，[3]中给出的方法，没有原始数据预处理步骤，直接将原始时域信号按照本发明中的公式折叠成二维矩阵，将前文所述图2中典型振动信号片段小波包分解后[0-1600Hz]频段的重构时域信号折叠而来的二维图谱如图8所示。
作为对比，文献[4]给出的方法是将一段经过滤波处理的一维振动信号，按照一定的分辨率绘制成一定尺寸的曲线图作为机床振动信息的二维图谱，采用文献[4]的方法，将前文所述图2中的典型振动信号片段小波包分解后[0- 1600Hz]频段的一段长度为1280个数据点(相应监测时间长度为0.1S)的重构信号绘制在像素尺寸为256*256的图片上，如图9所示。
作为对比，分别采用本发明给出的方法及上述文献中给出的三种方法的针对相同的原始监测信号构建机床主轴振动加速度信息的二维图谱，建立数据集训练二维卷积神经网络，经过结构优化，各种方法对应的测试结果如下表2 所示。
表2 各方法对应的测试结果
由上表2测试结果可见，采用本发明给出的方法构建二维图谱由于可以有效的消除原始数据片段初始相位的问题，可以有效的滤除原始信号高频波段的噪声，更有利于2维卷积神经网络智能提取各工况下不同刀具磨损状态共有的特征，在切削参数多变的实际生产过程中有效提高刀具磨损状态识别精度。

Claims (5)

1.一种铣削过程中机床主轴振动信息的二维图谱构建方法，其特征在于，所述方法包含以下步骤：
步骤一、将三轴压电式加速度传感器安装在机床主轴外壳近刀具端，以采样频率Fs采集加工过程中主轴的振动信号，Fs以Hz为单位且Fs>10000；
步骤二、采用一组径向切深、进给速度各不相同的切削参数进行切削实验，整个实验过程中连续采集主轴的振动信息，包括切削时段和空走时段；
步骤三、将连续采集的监测信号进行分割识别：求取数据片段的有效值；对数据片段进行FFT快速傅里叶变换，求取频谱的峭度值，结合数据片段的时域有效值和频谱峭度值识别数据片段所处的机床加工状态，剔除机床空走及停机状态的数据；
步骤四、采用近似解析小波包变换对机床切削时的主轴三个方向的振动监测信号数据片段分别进行Nw层分解；
步骤五、将三个方向监测信号小波包分解后第一低频段的信号分别进行重构，并利用快速傅里叶变换求取该频段重构信号的频谱；
步骤六、将第一低频段重构信号频谱频段的长度为l＝Fs/(2Nw)的一维序列FL转换为m*n的二维矩阵P，对二维矩阵P的每一行进行归一化得到矩阵P'，对m*n的二维矩阵P'的每一列进行3次样条插值，将矩阵扩展为n*n的P″；
步骤七、X、Y、Z三个方向的监测信号获得的矩阵分别作为信号二维图谱其中一个通道，三个通道共同构建成铣削过程中机床主轴振动加速度信息的二维图谱。
2.如权利要求1所述的二维图谱构建方法，其特征在于，步骤六具体包括下述过程：
步骤(6.1)、将第一低频段重构信号频谱频段的长度为l一维序列FL转换为m*n的二维矩阵P，二维矩阵P中索引为(i,j)的元素按下式转换：
P(i,j)＝FL((i-1)×n+j) (1)
步骤(6.2)、对m*n的二维矩阵P的每一行进行归一化得到矩阵P′，归一化公式如下：
步骤(6.3)、对m*n的二维矩阵P′的每一列进行3次样条插值，将矩阵扩展为n*n的P″。
3.如权利要求1所述的二维图谱构建方法，其特征在于，近似解析小波包变换可以构建完整的二叉分解树，每个小波包都以小波系数的形式包含了原始信号的一定信息，可以在保持能量不变的前提下重构出任意频段的信号，其中将原始信号进行二叉树多层分解，并将指定的频段进行合成重构的算法如下：
(1)、对原始信号{x(n)}进行多尺度分解，获得子空间序列{dj,k(n)}，d代表分解后得到的子信号，下标j表示第j层分解，下标k表示该层分解得到的第k个子信号；
分解过程中，设定{d0,1(n)}＝{x(n)}，第i+1与i层的关系为：
其中，↓2表示降采样运算，降采样率为1/2，表示卷积运算；
(2)、对第j层各序列{dj,l(n)|1≤l≤2j}进行选择性加权得到加权序列由加权序列合成重构信号{Dj,k(n)}：
其中，↑2表示上采样运算，上采样率为2，表示重构滤波器。
4.如权利要求1所述的二维图谱构建方法，其特征在于，步骤一中，传感器安装时，三个轴与机床三个直线轴平行，传感器的数据采样频率不低于12.8KHz。
5.如权利要求1所述的二维图谱构建方法，其特征在于，步骤四中，小波基函数采用Quasi-Shift-20小波基函数。
CN201910744181.1A 2019-08-13 2019-08-13 一种铣削过程中机床主轴振动信息的二维图谱构建方法 Active CN110555243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910744181.1A CN110555243B (zh) 2019-08-13 2019-08-13 一种铣削过程中机床主轴振动信息的二维图谱构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910744181.1A CN110555243B (zh) 2019-08-13 2019-08-13 一种铣削过程中机床主轴振动信息的二维图谱构建方法

Publications (2)

Publication Number Publication Date
CN110555243A true CN110555243A (zh) 2019-12-10
CN110555243B CN110555243B (zh) 2023-11-10

Family

ID=68737401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910744181.1A Active CN110555243B (zh) 2019-08-13 2019-08-13 一种铣削过程中机床主轴振动信息的二维图谱构建方法

Country Status (1)

Country Link
CN (1) CN110555243B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238362A (zh) * 2020-01-20 2020-06-05 西安理工大学 一种深孔钻削中孔圆度误差实时监测的方法
CN111832432A (zh) * 2020-06-23 2020-10-27 华中科技大学 一种基于小波包分解和深度学习的刀具磨损实时预测方法
CN112307990A (zh) * 2020-11-03 2021-02-02 中国兵器装备集团自动化研究所 基于ai技术分析振动信号监控机床加工中心健康状态方法
CN114580268A (zh) * 2022-01-27 2022-06-03 北京航空航天大学 一种基于支持向量回归和t检验的机床加工能效建模系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106950047A (zh) * 2017-03-09 2017-07-14 西安交通大学 振动加速度信号频谱的可视化分析方法
CN108647667A (zh) * 2017-09-19 2018-10-12 长安大学 一种基于信号时频分解的频域幅值谱峭度图的实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106950047A (zh) * 2017-03-09 2017-07-14 西安交通大学 振动加速度信号频谱的可视化分析方法
CN108647667A (zh) * 2017-09-19 2018-10-12 长安大学 一种基于信号时频分解的频域幅值谱峭度图的实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张智等: "采用小波包能量熵的铣削振动状态分析方法研究", 《机械工程学报》 *
胡金龙等: "基于系统辨识方法的铣刀磨损状态识别", 《组合机床与自动化加工技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238362A (zh) * 2020-01-20 2020-06-05 西安理工大学 一种深孔钻削中孔圆度误差实时监测的方法
CN111238362B (zh) * 2020-01-20 2021-10-26 西安理工大学 一种深孔钻削中孔圆度误差实时监测的方法
CN111832432A (zh) * 2020-06-23 2020-10-27 华中科技大学 一种基于小波包分解和深度学习的刀具磨损实时预测方法
CN112307990A (zh) * 2020-11-03 2021-02-02 中国兵器装备集团自动化研究所 基于ai技术分析振动信号监控机床加工中心健康状态方法
CN114580268A (zh) * 2022-01-27 2022-06-03 北京航空航天大学 一种基于支持向量回归和t检验的机床加工能效建模系统及方法
CN114580268B (zh) * 2022-01-27 2024-05-28 北京航空航天大学 一种基于支持向量回归和t检验的机床加工能效建模系统及方法

Also Published As

Publication number Publication date
CN110555243B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN110555243B (zh) 一种铣削过程中机床主轴振动信息的二维图谱构建方法
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
CN109396953B (zh) 基于信号融合的机床工作状态智能辨识系统
CN102091972B (zh) 一种数控机床刀具磨损监测方法
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111136509B (zh) 一种基于elm-sdae算法的刀具状态监测方法
Loutas et al. Utilising the wavelet transform in condition-based maintenance: A review with applications
CN109605128B (zh) 一种基于功率谱熵差的铣削颤振在线检测方法
CN116304751B (zh) 用于动车组部件检修的运行数据处理方法
CN114659790A (zh) 一种变转速风电高速轴轴承故障的识别方法
Liu et al. Vibration-based gear continuous generating grinding fault classification and interpretation with deep convolutional neural network
CN114905336B (zh) 基于切削力成分解耦的变工况刀具磨损监测方法及系统
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
Soualhi et al. PHM survey: implementation of signal processing methods for monitoring bearings and gearboxes
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN112733612A (zh) 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN112945546A (zh) 一种齿轮箱复杂故障精确诊断方法
CN113369993B (zh) 一种小样本下刀具磨损状态监测方法
CN114714145A (zh) 一种刀具磨损状态的格拉姆角场增强对比学习监测方法
CN114714157A (zh) 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法
Liu et al. Gear grinding monitoring based on deep convolutional neural networks
CN114523338A (zh) 一种基于噪声分析的切削刀具磨损状态监测方法
Zhao et al. Tool wear monitoring based on an improved convolutional neural network
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法

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