CN110561195A - 一种机械加工过程中颤振的监测方法 - Google Patents
一种机械加工过程中颤振的监测方法 Download PDFInfo
- Publication number
- CN110561195A CN110561195A CN201910832660.9A CN201910832660A CN110561195A CN 110561195 A CN110561195 A CN 110561195A CN 201910832660 A CN201910832660 A CN 201910832660A CN 110561195 A CN110561195 A CN 110561195A
- Authority
- CN
- China
- Prior art keywords
- signal
- sliding window
- flutter
- fractal dimension
- data points
- 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
Links
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种机械加工过程中颤振的监测方法,包括如下步骤:S1、采集机械加工过程中与颤振相关的原始信号;S2、针对所述原始信号,通过以设定的步长更新一个滑动窗口内的数据点,得到用于计算分析的信号段,其中所述步长指的是所述滑动窗口每次更新的数据点数,所述步长不大于所述滑动窗口的大小;S3、使用分形算法计算所述滑动窗口内的所述信号段的分形维数;S4、将计算出来的所述分形维数与识别阈值进行比较,以判断加工过程是否发生颤振。本发明的方法不需要对测得的信号进行预处理,能够大幅度提高计算效率,并且能保证颤振识别的准确率。
Description
技术领域
本发明涉及智能制造领域的智能监控技术,特别是涉及一种机械加工过程中颤振的监测方法。
背景技术
机械加工方式包含铣削、车削、磨削等,颤振是指刀具和工件之间自发产生的震荡,是影响机床加工稳定性与加工零件质量的主要因素。颤振最主要的是再生型颤振,它产生的机理由于刀具前后相邻的两次走刀在工件表面留下了相位不同的振纹。颤振的产生会降低工件的加工精度,并且会对刀具产生疲劳破坏,由于其在加工过程中具有突发性,且破坏较大,因此,在线监测颤振状况对提高加工稳定性与加工质量有重要地意义。
国内外学者对颤振识别展开了许多研究,主要步骤包括:信号分解、特征提取、颤振识别。信号分解主要作用是分解信号得到不同的信号成分,合并与颤振相关的关键信号成分,滤去与颤振相关性弱的信号成分来减少噪音对颤振识别的影响,提高颤振识别的准确率。其中信号分解算法包括了:经验模态分解法、小波分解法、变模式分解法等,这些分解算法计算复杂,需要占用大量的计算资源,导致识别滞后性,难以实现颤振实时在线监测。例如,Ji等人的研究中(Ji Y,et al.The International Journal of AdvancedManufacturing Technology,2017,92:1185)提出了一种形态覆盖的分形方法,先对信号进行了经验模态分解,然后使用形态覆盖法计算分形维数,作者指出该算法的计算效率急需提高。目前的前人工作中,都需要对信号进行预处理,尚无不进行预处理直接将分形维数应用到信号计算中的研究。
目前,颤振监测迫切需要一种计算复杂度低的监测方法,能够实现颤振的在线监测功能。
发明内容
本发明的主要目的在于克服现有相关方法在计算复杂度上存在的不足,提供一种机械加工过程中颤振的监测方法,在保证颤振识别的准确率的情况下提高颤振识别的效率。
为实现上述目的,本发明采用以下技术方案:
一种机械加工过程中颤振的监测方法,包括如下步骤:
S1、采集机械加工过程中与颤振相关的原始信号;
S2、针对所述原始信号,通过以设定的步长更新一个滑动窗口内的数据点,得到用于计算分析的信号段,其中所述步长指的是所述滑动窗口每次更新的数据点数,所述步长不大于所述滑动窗口的大小;
S3、使用分形算法计算所述滑动窗口内的所述信号段的分形维数;
S4、将计算出来的所述分形维数与识别阈值进行比较,以判断加工过程是否发生颤振。
进一步地:
所述滑动窗口的大小为100至10000个数据点的大小。
所述分形算法是粗糙度多尺度提取算法、盒计数算法、Katz算法、Higuchi算法、KNN算法中的一种或多种的组合。
步骤S3中,在计算所述分形维数之前,可以先对所述信号段的信号波形进行沿水平方向和竖直方向的拉伸或者压缩,伸缩系数分别为α和β,数据点(xi,yi)经过伸缩后坐标值变为(α·xi,β·yi),i=1,2,3...N。
所述识别阈值由前期试验得到,所述前期试验包括使用步骤S1至S3计算机械加工过程中的多个信号段的分形维数,并采用工件的表面形貌分析以及颤振信号特征分析方法识别加工过程的稳定状态、过渡状态和颤振状态中的一种或多种;依据识别的状态对各信号段的分形维数进行分类,再由直方图、概率分布、机器学习的一种或多种方式的组合确定所述识别阈值。
所述识别阈值是一个数值,以区分稳定状态和颤振状态,或是多个数值,以区分稳定状态、过渡状态以及一种或多种不同程度的颤振状态。
步骤S2至步骤S4的处理通过将数据传送到下位机、上位机、云端中的单一位置或分布到两个或更多个不同的位置进行处理。
步骤S2中,设置所述滑动窗口的大小为N个数据点,使用所述滑动窗口得到用于分形计算的信号段;
步骤S3中,对于所述滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后按照如下步骤计算所述滑动窗口内信号的分形维数:
(1)计算所述滑动窗口内每一个点距离第一个点的欧几里得距离,并选取最大距离作为信号波形的平面范围:
(2)计算所述滑动窗口内数据点构成的波形总长度L:
(3)针对所述滑动窗口内的N个数据点,数据点的间隔数为n,计算出所述滑动窗口内信号的分形维数FD:
(4)将计算出的分形维数与所述滑动窗口内最后一个点相对应,按此方式,除去最开始的N-1个数据点,其他的每个数据点都对应一个分形维数。
步骤S2中,设置所述滑动窗口的大小为N个数据点,使用所述滑动窗口得到用于分形计算的信号段;
步骤S3中,对于所述滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形可以沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后按照如下步骤计算所述滑动窗口内信号的分形维数:
(1)将信号分为相同长度的信号小段,每小段数据点个数为k,每段的相同序列数的点构成新的数据点集
其中m=1,2,...,k;
(2)计算数据点集波形长度Lm(k):
其中Ns为有效信号段数
K为信号段的正态化系数
(3)对于不同的数据点集波形长度Lm(k),其平均值为Lm(k):
(4)计算所述滑动窗口内的信号分形维数:
L(k)~k-FD
即分形维数FD等于曲线ln(L(k))和ln(1/k)的斜率,由最小二乘法得出。
确定所述识别阈值的过程包括如下步骤:
使用所述步骤(1)至步骤(4)的方法得到试验数据点的分形维数;
除去最开始的N-1个数据点,使用信号分析方法依据加工信号对试验数据点进行分类,划分为多个状态,每个数据点对应一个加工状态,优选地,分为稳定、过渡、颤振3个状态;
将每个数据点的分形维数和加工状态相对应,得到概率直方图;
根据所述概率直方图确定颤振阈值;优选地,划分稳定、过渡、颤振3个状态的两个识别阈值为1.5和1.95。
本发明具有如下有益效果:
本发明公开了一种机械加工过程中颤振的监测方法,其中,通过传感器获取铣削、车削、磨削等机械加工过程中与颤振相关的原始信号,通过滑动窗口截取数据点,通过分形算法计算滑动窗口内数据集的分形维数,并与颤振阈值进行比较,判断加工系统是否发生颤振。本发明可有效识别铣削、车削、磨削等机械加工过程中的颤振现象,且计算复杂度低,速度快,可以大大地提高系统实时监测能力,对工业现场的在线监测地实施具有重要意义。本发明的方法不需要对测得的信号进行预处理,能够大幅度提高计算效率,并且能保证颤振识别的准确率。
相对于现有颤振监测方法,本发明的颤振监测方法计算更为快速,可有效地解决现有颤振监测方法反应滞后的问题。经过验证,该方法可以准确识别颤振特征,识别准确率可以高达98%,满足颤振识别精度要求;与基于经验模态分解的颤振识别方法相比,本发明能将计算速度提高约300倍,充分满足在线监测的速率要求。
与现有技术相比,本发明显著提高了颤振识别方法计算效率,可用于工业现场的铣削等机械加工过程中颤振在线监测,为推进加工过程中智能监控技术领域的发展具有重要意义。
附图说明
图1是本发明实施例的一种机械加工过程中颤振的监测方法流程图;
图2是本发明实施例的阈值确定方法流程图;
图3是铣削试验信号状态说明图。
图4是本发明实施例的滑动窗口模型示意图。
图5是本发明实施例的振动信号数据点分类示意图。
图6是本发明实施例的数据点切削状态和分形维数概率直方图分布。
图7是本发明一种实施例的颤振发生过程中的信号分形维数变化示意图。
图8是本发明另一种实施例的颤振发生过程中的信号分形维数变化示意图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参阅图1,在一种实施例中,一种机械加工过程中颤振的监测方法,包括以下步骤:
步骤1、通过信号采集设备,采集得到实时的机床加工过程中与颤振相关的原始信号。
采用的信号采集设备,其采集的信号可以是振动、切削力、电流、声音等一种或多种信号组合。其中传感器可以放置在机床主轴切削端处、机床工作台上、加工工件处等地方,采集的信号方向可以是X、Y、Z单一或者多方向组合,信号采集过程的采样频率可以在100Hz至100000Hz范围内。
步骤2、通过以特定步长实时更新一个具有固定大小的滑动窗口内的数据点,得到用于计算分析的信号段。
滑动窗口的大小(即窗口内的数据点数)可以在100至10000范围内,窗口更新的步长指的是窗口每次运算更新的数据点数,步长的最小值为1,最大值为滑动窗口大小。假定滑动窗口为100,步长为1,每采集了一个新的数据点,和之前的99个数据点一起组成一个大小为100的数据集用于分形维数计算。
步骤3、不需要对信号段进行信号分解等预处理,直接使用分形算法计算滑动窗口内信号段的分形维数。
将采集得到的信号直接使用分形算法来计算信号的分形维数,可以使用的分形维数算法可以是粗糙度多尺度提取算法、盒计数算法、Katz算法、Higuchi算法、KNN算法等。但并不局限于所列举的分形算法。并且可以单一使用一种算法,也可以是多种分形算法组合,也可以是分形算法和其他方法组合进行颤振监测。并且信号波形可以沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,数据点(xi,yi),i=1,2,3...N经过伸缩后坐标值变为(α·xi,β·yi),以使信号的水平方向和竖直方向的变化量相差在1-1000以内。伸缩系数可以是1,即拉伸或者压缩并不是必须的。
步骤4、将计算出来的分形维数与识别阈值进行比较,判断加工过程是否发生颤振,若是,则发出警报信号。
识别阈值可由前期试验确定。在前期试验中,在使用步骤一至三计算分形维数的同时,采用工件的表面形貌分析、传统的颤振信号分析等方法判定加工过程的稳定状态、过渡状态和颤振状态;依据加工状态对各信号段的分形维数进行分类,再由直方图、概率分布、分类器等方法的一种或多种方式组合得出颤振阈值。识别阈值可以是一个数值,以区分稳定状态和颤振状态,也可以是多个数值,以区分稳定状态、过渡状态、轻微颤振状态、严重颤振状态等。
步骤5、判断全部信号是否都分析完成,若是,则结束颤振识别;若否,则继续采集信号段并分析加工状况。
本发明方法其中步骤2至5可以通过下位机、上位机或者云端等方式进行运算。下位机运算方式是指传感器数据发送到单片机上,由单片机进行分形计算,判断是否发生颤振,通过无线或者有线的方式发送到上位机做出响应,或者自行发出警报;上位机运算方式,是指传感器数据通过信号采集卡等有线的方式或者是无线传感网络(可采用Wifi、Zigbee、蓝牙等方式)发送到上位机,然后进行分形运算,判断是否颤振并做出响应;云端运算方式是指将数据发送到云端,然后进行分形运算,判断是否颤振并做出响应。值得说明的是,本方法的所有运算不局限于单一在下位机、上位机或云端处,不同的运算可以分布到不同的地方。
以下结合附图进一步描述本发明具体实施例。
实施例1
分形维数的阈值是判断是否发生颤振的重要标准,本实施例介绍通过直方图确定阈值的一个案例。以下结合附图2,具体说明本发明在阈值确定中的实施方式,包括以下步骤。
步骤一、进行切削试验,振动传感器放置在机床主轴端处,信号采集设备将采集得到振动信号发送到电脑端,切削转速分别取7000rpm、8000rpm、9000rpm、10000rpm,切削深度分别取3mm、4mm、5mm、6mm,切削100mm×100mm的铝板,一共16组实验数据,7组发生了颤振,具体如图3所示;
步骤二、滑动窗口模型如图4,固定窗口大小为800个数据点,步长为1,得到用于分形计算的固定长度的信号段;
步骤三、采用分形算法计算滑动窗口内的信号的分形维数。滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形可以沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后用如下分形算法计算该窗口内信号的分形维数,按照如下步骤进行:
(1)、计算窗口里每一个点距离第一个点的欧几里得距离,并选取最大距离作为信号波形的平面范围:
(2)、计算窗口内数据点构成的波形总长度L:
(3)、针对滑动窗口内的800个点,数据点的间隔数为n=799,对此,可以计算出该窗口内信号的分形维数FD:
步骤四、完成所有窗口的分形维数计算后,将分形维数与窗口内最后一个点相对应,除去最开始的799个点,每个点都对应一个分形维数;
步骤五、使用传统的信号分析方法依据加工信号对试验数据点进行分类,分为稳定、过渡、颤振3个状态,则每个数据点对应一个加工状态,如图5;
步骤六、将每个点的分形维数和加工状态相对应,得到概率直方图,如图6;
步骤七、根据概率直方图确定颤振阈值,其中分形维数小于1.5时,以稳定切削为主,当分形维数为1.5-1.95时,过渡阶段占主要部分,当分形维数大于1.95时,颤振状态为主,因此,阈值可以设置为1.5和1.95。对于不同的机械加工方式、信号种类、采用的加工刀具,阈值的设置依据具体情况来确定。
实施例2
一种机械加工过程中颤振在线监测方法,实施过程如如图1所示,包括以下步骤:
步骤1、通过振动传感器和数据采集卡等设备采集机床铣削加工过程中的X、Y、Z三个方向上的振动原始信号,通常机床发生颤振时,能量主要集中在3000到5000Hz频率之间,故采样频率f大于9600Hz;
步骤2、滑动窗口模型如图4所示,根据采样频率,选取N=800作为滑动窗口的大小,若滑动窗口步长为1个数据点,则每采集一个新的数据点,计算一次信号的分形维数;
步骤3、滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形可以沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后用分形算法计算该窗口内信号的分形维数,如图7所示。
步骤4、将分形维数和设置的阈值γ进行比较,分形维数是反映信号复杂度的一个指标,分形维数越大,表明信号的复杂程度越高。
a、信号分形维数大于等于γ时,表明信号复杂度高,加工过程中出现颤振现象,需要发出警报;
b、信号分形维数小于γ时,表明信号较为平稳,复杂度不高,处于平稳切削状态。
步骤5、判断信号是否全部分析完,若否,则继续使用滑动窗口采集新的数据集进行分析;若是,则结束整个过程。
实施例3
一种机械加工过程中颤振在线监测方法,基于时间序列信号分形分析,实施过程如图1所示,包括以下步骤:
步骤1、通过振动传感器和数据采集卡等设备采集机床铣削加工过程中的X、Y、Z三个方向上的振动原始信号,通常机床发生颤振时,能量主要集中在3000到6000Hz频率之间,故采样频率f大于9600Hz;
步骤2、滑动窗口模型如图4所示,根据采样频率,选取N=800作为滑动窗口的大小,若滑动窗口步长为1个数据点,则每采集一个新的数据点,计算一次信号的分形维数;
步骤3、对滑动窗口里给定的数据点进行伸缩变化后,设数据点坐标值为pi=(xi,yi),i=1,2,3...N,然后计算该窗口内信号的分形维数,分形维数的计算按照如下步骤进行:
(1)、将信号分为相同长度的信号小段,每小段数据点个数为k,k的取值范围为1到50,每段相同序列数的点可以构成新的数据点集 的定义如下:
其中m=1,2,...,k。
(2)、计算数据点集波形长度Lm(k),其定义如下:
其中Ns为有效信号段数,定义如下:
K为信号段的正态化系数,定义如下:
(3)、对于不同的数据点集波形长度Lm(k),其平均值为Lm(k):
(4)、计算该窗口内的信号分形维数,公式如下所示:
L(k)~k-FD
即分形维数FD等于曲线ln(L(k))和ln(1/k)的斜率,由最小二乘法得出,结果如图8所示。
步骤4、将分形维数和设置的阈值γ进行比较,分形维数是反映信号复杂度的一个指标,分形维数越大,表明信号的复杂程度越高。
a、信号分形维数大于等于γ时,表明信号复杂度高,加工过程中出现颤振现象,需要发出警报;
b、信号分形维数小于γ时,表明信号较为平稳,复杂度不高,处于平稳切削状态。
步骤5、判断信号是否全部分析完,若否,则继续使用滑动窗口采集新的数据集进行分析;若是,则结束整个过程。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中,参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点,但应当理解,在不脱离由所附权利要求限定的范围的情况下,可以在本文中进行各种改变、替换和变更。此外,本发明的范围不旨在限于说明书中所述的过程、机器、制造、物质组成、手段、方法和步骤的特定实施例。本领域普通技术人员将容易理解,可以利用执行与本文所述相应实施例基本相同功能或获得与本文所述实施例基本相同结果的目前存在的或稍后要开发的上述披露、过程、机器、制造、物质组成、手段、方法或步骤。因此,所附权利要求旨在将这些过程、机器、制造、物质组成、手段、方法或步骤包含在其范围内。
Claims (10)
1.一种机械加工过程中颤振的监测方法,其特征在于,包括如下步骤:
S1、采集机械加工过程中与颤振相关的原始信号;
S2、针对所述原始信号,通过以设定的步长更新一个滑动窗口内的数据点,得到用于计算分析的信号段,其中所述步长指的是所述滑动窗口每次更新的数据点数,所述步长不大于所述滑动窗口的大小;
S3、使用分形算法计算所述滑动窗口内的所述信号段的分形维数;
S4、将计算出来的所述分形维数与识别阈值进行比较,以判断加工过程是否发生颤振。
2.如权利要求1所述的监测方法,其特征在于,所述滑动窗口的大小为100至10000个数据点的大小。
3.如权利要求1或2所述的监测方法,其特征在于,所述分形算法是粗糙度多尺度提取算法、盒计数算法、Katz算法、Higuchi算法、KNN算法中的一种或多种的组合。
4.如权利要求1至3任一项所述的监测方法,其特征在于,步骤S3中,在计算所述分形维数之前,先对所述信号段的信号波形进行沿水平方向和竖直方向的拉伸或者压缩,伸缩系数分别为α和β,数据点(xi,yi)经过伸缩后坐标值变为(α·xi,β·yi),i=1,2,3...N,以使信号的水平方向和竖直方向的变化量相差在1-1000以内。
5.如权利要求1至4任一项所述的监测方法,其特征在于,所述识别阈值由前期试验得到,所述前期试验包括使用步骤S1至S3计算机械加工过程中的多个信号段的分形维数,并采用工件的表面形貌分析以及颤振信号特征分析方法识别加工过程的稳定状态、过渡状态和颤振状态中的一种或多种;依据识别的状态对各信号段的分形维数进行分类,再由直方图、概率分布、机器学习的一种或多种方式的组合确定所述识别阈值。
6.如权利要求5所述的监测方法,其特征在于,所述识别阈值是一个数值,以区分稳定状态和颤振状态,或是多个数值,以区分稳定状态、过渡状态以及一种或多种不同程度的颤振状态。
7.如权利要求1至6任一项所述的监测方法,其特征在于,步骤S2至步骤S4的处理通过将数据传送到下位机、上位机、云端中的单一位置或分布到两个或更多个不同的位置进行处理。
8.如权利要求1至7任一项所述的监测方法,其特征在于,
步骤S2中,设置所述滑动窗口的大小为N个数据点,使用所述滑动窗口得到用于分形计算的信号段;
步骤S3中,对于所述滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后按照如下步骤计算所述滑动窗口内信号的分形维数:
(1)计算所述滑动窗口内每一个点距离第一个点的欧几里得距离,并选取最大距离作为信号波形的平面范围:
(2)计算所述滑动窗口内数据点构成的波形总长度L:
(3)针对所述滑动窗口内的N个数据点,数据点的间隔数为n,计算出所述滑动窗口内信号的分形维数FD:
(4)将计算出的分形维数与所述滑动窗口内最后一个点相对应,按此方式,除去最开始的N-1个数据点,其他的每个数据点都对应一个分形维数。
9.如权利要求1至7任一项所述的监测方法,其特征在于,
步骤S2中,设置所述滑动窗口的大小为N个数据点,使用所述滑动窗口得到用于分形计算的信号段;
步骤S3中,对于所述滑动窗口里给定的数据点为pi=(xi,yi),i=1,2,3...N,将信号波形可以沿水平方向和竖直方向进行拉伸或者压缩,伸缩系数分别为α和β,然后按照如下步骤计算所述滑动窗口内信号的分形维数:
(1)将信号分为相同长度的信号小段,每小段数据点个数为k,每段的相同序列数的点构成新的数据点集
其中m=1,2,...,k;
(2)计算数据点集波形长度Lm(k):
其中Ns为有效信号段数
K为信号段的正态化系数
(3)对于不同的数据点集波形长度Lm(k),其平均值为Lm(k):
(4)计算所述滑动窗口内的信号分形维数:
L(k)~k-FD
即分形维数FD等于曲线ln(L(k))和ln(1/k)的斜率,由最小二乘法得出。
10.如权利要求8或9所述的监测方法,其特征在于,确定所述识别阈值的过程包括如下步骤:
使用所述步骤(1)至步骤(4)的方法得到试验数据点的分形维数;
除去最开始的N-1个数据点,使用信号分析方法依据加工信号对试验数据点进行分类,划分为多个状态,每个数据点对应一个加工状态,优选地,分为稳定、过渡、颤振3个状态;
将每个数据点的分形维数和加工状态相对应,得到概率直方图;
根据所述概率直方图确定颤振阈值;优选地,划分稳定、过渡、颤振3个状态的两个识别阈值为1.5和1.95。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832660.9A CN110561195B (zh) | 2019-09-04 | 2019-09-04 | 一种机械加工过程中颤振的监测方法 |
PCT/CN2019/108453 WO2021042434A1 (zh) | 2019-09-04 | 2019-09-27 | 一种机械加工过程中颤振的监测方法 |
US17/013,828 US11344987B2 (en) | 2019-09-04 | 2020-09-07 | Method for monitoring chatter in machining process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832660.9A CN110561195B (zh) | 2019-09-04 | 2019-09-04 | 一种机械加工过程中颤振的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110561195A true CN110561195A (zh) | 2019-12-13 |
CN110561195B CN110561195B (zh) | 2020-09-25 |
Family
ID=68777761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832660.9A Active CN110561195B (zh) | 2019-09-04 | 2019-09-04 | 一种机械加工过程中颤振的监测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110561195B (zh) |
WO (1) | WO2021042434A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832099A (zh) * | 2020-05-28 | 2020-10-27 | 东南大学 | 基于fbg和有限元模型修正的桥梁结构损伤识别方法 |
CN112496862A (zh) * | 2020-11-30 | 2021-03-16 | 上海交通大学 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
CN113740010A (zh) * | 2021-09-07 | 2021-12-03 | 湘潭大学 | 基于挠度影响线Katz1分形维数的梁结构损伤识别方法 |
US11344987B2 (en) * | 2019-09-04 | 2022-05-31 | Tsinghua Shenzhen International Graduate School | Method for monitoring chatter in machining process |
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
CN115246081A (zh) * | 2022-06-02 | 2022-10-28 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
CN103419090A (zh) * | 2013-08-19 | 2013-12-04 | 南京康尼机电股份有限公司 | 一种机床的振动传感监测装置及方法 |
CN103786069A (zh) * | 2014-01-24 | 2014-05-14 | 华中科技大学 | 一种机械加工设备的颤振在线监测方法 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
US20190250585A1 (en) * | 2018-02-15 | 2019-08-15 | Online Development, Inc. | Raptor automated condition monitoring |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5943634A (en) * | 1996-05-14 | 1999-08-24 | Csi Technology, Inc. | Vibration data analysis based on time waveform parameters |
US10245698B2 (en) * | 2016-05-06 | 2019-04-02 | Massachusetts Institute Of Technology | Method and apparatus for efficient use of CNC machine shaping tool including cessation of use no later than the onset of tool deterioration by monitoring audible sound during shaping |
JP6718107B2 (ja) * | 2016-09-28 | 2020-07-08 | エヌティーエンジニアリング株式会社 | 作業機械の振動監視方法及びシステム |
CN109991925A (zh) * | 2019-04-18 | 2019-07-09 | 成都飞机工业(集团)有限责任公司 | 一种切削颤振在线监控方法及监控系统 |
-
2019
- 2019-09-04 CN CN201910832660.9A patent/CN110561195B/zh active Active
- 2019-09-27 WO PCT/CN2019/108453 patent/WO2021042434A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102284888A (zh) * | 2011-02-25 | 2011-12-21 | 华中科技大学 | 一种数控机床车削稳定性在线监测方法 |
CN103419090A (zh) * | 2013-08-19 | 2013-12-04 | 南京康尼机电股份有限公司 | 一种机床的振动传感监测装置及方法 |
CN103786069A (zh) * | 2014-01-24 | 2014-05-14 | 华中科技大学 | 一种机械加工设备的颤振在线监测方法 |
US20190250585A1 (en) * | 2018-02-15 | 2019-08-15 | Online Development, Inc. | Raptor automated condition monitoring |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
Non-Patent Citations (1)
Title |
---|
吴石 等: "铣削颤振过程中的振动非线性特征试验", 《振动、测试与诊断》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11344987B2 (en) * | 2019-09-04 | 2022-05-31 | Tsinghua Shenzhen International Graduate School | Method for monitoring chatter in machining process |
CN111832099A (zh) * | 2020-05-28 | 2020-10-27 | 东南大学 | 基于fbg和有限元模型修正的桥梁结构损伤识别方法 |
CN112496862A (zh) * | 2020-11-30 | 2021-03-16 | 上海交通大学 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
CN112496862B (zh) * | 2020-11-30 | 2021-10-29 | 上海交通大学 | 一种基于包含铣削角度理论模型的铣削颤振智能识别方法 |
CN113740010A (zh) * | 2021-09-07 | 2021-12-03 | 湘潭大学 | 基于挠度影响线Katz1分形维数的梁结构损伤识别方法 |
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
CN114634391B (zh) * | 2022-03-21 | 2022-10-11 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及系统 |
CN115246081A (zh) * | 2022-06-02 | 2022-10-28 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110561195B (zh) | 2020-09-25 |
WO2021042434A1 (zh) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561195B (zh) | 一种机械加工过程中颤振的监测方法 | |
US11344987B2 (en) | Method for monitoring chatter in machining process | |
Ji et al. | Early milling chatter identification by improved empirical mode decomposition and multi-indicator synthetic evaluation | |
Liu et al. | On-line chatter detection using servo motor current signal in turning | |
Tansel et al. | Detecting chatter and estimating wear from the torque of end milling signals by using Index Based Reasoner (IBR) | |
CN109262368B (zh) | 一种刀具失效判定方法 | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN110355608A (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
Lin et al. | Sequential spindle current-based tool condition monitoring with support vector classifier for milling process | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
CN116560327B (zh) | 一种基于物联网的电动工具生产控制方法及系统 | |
Yao et al. | Real-time chatter detection and automatic suppression for intelligent spindles based on wavelet packet energy entropy and local outlier factor algorithm | |
CN103941645A (zh) | 薄壁零件复杂工况加工状态监测方法 | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
Li et al. | Online chatter detection in milling process based on VMD and multiscale entropy | |
Wang et al. | Tool wear monitoring in reconfigurable machining systems through wavelet analysis | |
CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
Zhong et al. | Correlation analysis of cutting force and acoustic emission signals for tool condition monitoring | |
CN110744359A (zh) | 一种数控车床刀具磨损监测系统及方法 | |
CN114235043A (zh) | 外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法 | |
CN210878880U (zh) | 一种数控车床刀具磨损监测系统 | |
Wan et al. | An on-line tool wear monitoring method based on cutting power | |
CN114523338A (zh) | 一种基于噪声分析的切削刀具磨损状态监测方法 | |
CN114378653A (zh) | 基于bp神经网络外圆磨削颤振在线识别和监测方法 |
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 |