CN110842646A - 一种基于多特征融合的铣削声压级监测及预测系统和方法 - Google Patents
一种基于多特征融合的铣削声压级监测及预测系统和方法 Download PDFInfo
- Publication number
- CN110842646A CN110842646A CN201911153398.1A CN201911153398A CN110842646A CN 110842646 A CN110842646 A CN 110842646A CN 201911153398 A CN201911153398 A CN 201911153398A CN 110842646 A CN110842646 A CN 110842646A
- Authority
- CN
- China
- Prior art keywords
- milling
- sound pressure
- force
- pressure level
- way
- 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
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23C—MILLING
- B23C9/00—Details or accessories so far as specially adapted to milling machines or cutter
-
- 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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
-
- 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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/098—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring noise
-
- 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
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0985—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Abstract
一种基于多特征融合的铣削声压级监测及预测系统,包括数控机床及工件系统、声压和振动测量系统、三向测力系统、温度测量系统,由上述系统可监测并获得给定铣削参数下的铣削声压、三向振动、三向铣削力、铣削温度。分别建立声压级的融合铣削力与铣削参数的第一单项模型、融合铣削温度与铣削参数的第二单项模型、融合铣削三向振动与铣削参数的第三单项模型;基于误差平方和倒数得到各单项模型在组合模型中的加权系数,建立融合铣削力‑振动‑热及铣削参数的铣削声压级组合预测模型,对比声压级实测数据,所得模型相关性好、可靠性高,本发明能为铣削加工状态的监测及铣削噪声提供声压级的预测科学的指导。
Description
技术领域
本发明涉及一种基于多特征融合的铣削声压级监测及预测系统和方法,具体涉及一种在铣削加工过程中同步实时采集铣削噪声、铣削力、铣削温度和铣削振动信号,融合多源传感器信息进行关键信号特征预测及铣削状态监测的测试与分析系统,属于机械加工领域。
背景技术
铣削是以铣刀为加工刀具的机械加工方式,铣刀安装在机床主轴上,并且随着主轴做旋转运动,工件装夹在工作台上做进给运动,从而完成铣刀对工件表面进行切削的加工过程。铣削可以加工出许多比较特殊或者复杂的表面,因此在机械加工中,铣削加工应用较为广泛。而在铣削加工过程中,铣削噪声、铣削力、铣削温度和铣削振动都是比较常见的现象。铣削噪声主要来源于机床本底噪声、工件与刀具之间摩擦的噪声等,强烈的噪声制约着生产率的提高,并且影响工人的健康;铣削力主要来源于克服被加工材料弹性变形的抵抗力、克服被加工材料塑性变形的抵抗力以及工件与刀具之间的摩擦力,铣削力会降低工件的表面加工精度以及表面质量,缩短机床和刀具的使用寿命;铣削热主要来源与工件与刀具之间的摩擦,较高的铣削温度降低工件的表面质量,加剧刀具的磨损;铣削加工过程中的振动主要有强迫振动和自激振动两种形式,主要由于机床上回转件的不平衡运动和工件与刀具之间摩擦或者撞击引起的,强烈的振动会影响工件表面的加工精度,缩短机床的使用寿命,容易使刀具磨损。目前国内外已经有很多学者对切削过程产生的噪声、振动、力及温度特征进行了研究。例如,刘刚、钟华燕等人以神经网络为识别器,并以小波分析各频域区间的能量百分比作为特征向量,以此来识别刀具的磨损状态;陈群涛等人基于经验模态分解和独立分量分析方法对声振信号进行处理以监测刀具磨损状态;廖小平等人建立了切削力信号与刀具磨损的非线性映射关系,通过切削力信号的特征间接识别刀具的磨损状态;丁宁等人通过试验采集刀具磨损及失效时的温度信号,建立了基于最小模糊度的隶属度优化模型,用于诊断刀具在加工过程中的磨损状态。
综上所述,已有很多学者对切削系统的加工状态进行研究,但一般只是单独进行噪声测量、三向力测量、温度测量以及振动测量,尚未见有关于铣削噪声、铣削力、铣削温度、铣削振动四者同步采集系统。并且很少有通过建立噪声信号及温度信号、力信号及振动信号之间的预测模型来监测切削系统的加工状态。因此,需要设计一种基于多特征融合的铣削声压级监测系统,可以同步采集噪声信号、铣削力信号、温度信号及振动信号。在此基础上,才能研究铣削声压、铣削力、铣削热以及铣削振动的特征,进而研究在不同铣削参数下铣削噪声、三向铣削力、铣削温度以及三向铣削振动的变化规律,融合各个传感器的信号特征。
发明内容
本发明的目的在于:针对上述现有技术存在的不足,提出一种合理的基于多特征融合的铣削声压级监测及预测系统和方法,该系统能够在铣削时实时同步采集噪声信号、三向力信号、温度信号和振动信号,建立其相互影响的3个单项预测模型,根据3个单项预测模型进行组合预测,得到的组合预测模型可以提高预测值的精度,并对铣削系统状态进行实时监测。
为了达到以上目的,本发明的技术方案如下:
一种基于多特征融合的铣削声压级监测及预测系统,包括数控机床及工件系统、声压与振动测量系统、三向测力系统、温度测量系统。由上述系统监测并获得给定铣削参数下的铣削声压、三向振动、三向铣削力、铣削温度,并分别建立声压级的融合铣削力与铣削参数的第一单项模型、融合铣削温度与铣削参数的第二单项模型、融合铣削三向振动与铣削参数的第三单项模型,然后基于误差平方和倒数得到各单项模型在组合模型中的加权系数,建立铣削声压级融合铣削力-振动-热及铣削参数的组合预测模型,最后对比声压级实测数据,所得模型相关性好、可靠性高。
所述数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;所述声压与振动测量系统分为两部分,即声压测量部分和振动测量部分,声压测量部分主要包括声音校准器、精密型声级计和高速数据采集仪,用于采集铣削过程中的声压信号;振动测量部分主要包括三向加速度传感器、电荷放大器和高速数据采集仪,用于采集铣削过程中的X、Y、Z三向振动信号;所述温度测量系统包括FLIR热像仪及温度采集软件;所述三向测力系统主要包括力传感器和三向力采集仪。
本发明的铣削噪声、铣削力、铣削热以及铣削振动的测量系统能够实时同步采集噪声信号、三向力信号、温度信号和三向振动信号,并且根据所测量得到的信号可以实时绘制出噪声信号、振动信号的时域图和频域图;可以实时监测铣削系统的噪声、力、温度以及振动状态,并对该状态进行评估;可以分析在不同铣削参数下、铣削噪声、铣削力、铣削温度以及铣削振动的变化规律。本发明能够根据试验数据和最小二乘法建立3个多特征的声压级单项预测模型,通过组合预测模型的方法对3个单项预测模型进行声压级组合预测,提高目标噪声信号预测值的精确度,并监测铣削系统的工作状态,为铣削加工状态的监测提供科学的指导。此外,可以根据所建立的声压级组合预测模型对相关铣削参数进行调整,实现较小噪声的铣削加工,改善工人的工作环境。
本发明进一步优化的技术方案如下:
优选地,所述铣削刀具安装在立式铣床的主轴上,所述铣削刀具的材质为高速钢含铝材料,所述工件通过台钳装夹在数控铣床的机床工作台上。
优选地,所述声音校准器主要用来对精密型声级计进行校准;所述精密型声级计为HS5661型精密声级计;在所述精密型声级计的顶端设有传声器,所述传声器的尾部具有尾部螺纹,所述精密型声级计的前置极顶端具有顶端螺纹,所述传声器的尾部螺纹对准精密型声级计前置极的顶端螺纹,并且所述传声器与精密型声级计前置极同轴,将所述传声器按顺时针方向旋转入精密型声级计前置极,所述传声器的顶端旋转入声音校准器的底端孔。所述精密型声级计固定在距离铣削刀具一定距离的三脚架上,用于实时采集工件在加工过程中产生的声压信号;所述三向加速度传感器为压电式三向加速度传感器,所述压电式三向加速度传感器通过磁力座与位于数控铣床的机床工作台上的装夹工件的夹具平台固定连接,所述电荷放大器与三向加速度传感器连接,所述高速数据采集仪的输入接口与电荷放大器连接,输出接口通过USB数据传输线与安装有声学与振动测量采集软件的计算机的接口连接。
上述结构中,三向加速度传感器安装在铣床工作台上并靠近工件位置,用于采集铣削过程中的X、Y、Z三向振动信号;加速度传感器具有三个输出端,分别连接三个电荷放大器的输入端;高速数据采集仪具有至少四个电压输入信号通道,其中一个电压输入信号通道与精密型声级计的交流信号输出端连接,剩余的电压输入信号通道与电荷放大器的输出端连接。
优选地,所述FLIR热像仪固定在距离铣削刀具一定距离的三脚架上,用于实时采集刀具顶端的温度信号;所述FLIR热像仪通过专用数据线与安装有温度采集软件的计算机相连接。
优选地,所述力传感器为压电式三向力传感器,所述力传感器通过T型螺栓固定在数控铣床的机床工作台上,然后通过螺栓、压板将机用虎钳固定在压电式三向力传感器上,用于采集铣削加工过程中X、Y、Z三向力信号;所述力传感器通过专用数据线与三向力采集仪相连接,所述三向力采集仪通过专用数据线与安装有三向力采集软件的计算机相连接。
本发明还提供了一种基于多特征融合的铣削声压级监测及预测方法,包括以下步骤:
第一步:组建铣削试验系统——铣削试验系统包括数控机床及工件系统、声压与振动测量系统、三向测力系统和温度测量系统,所述数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;所述声压与振动测量系统主要包括声音校准器、精密型声级计、三向加速度传感器、电荷放大器和高速数据采集仪,用于实时采集工件在加工过程中产生的声压信号和振动信号;所述三向测力系统主要包括力传感器和压电式三向力采集仪,用于采集工件在加工过程中产生的三向力信号;所述温度测量系统主要包括FLIR热像仪及温度采集软件,用于实时采集刀具与工件接触处的温度信号;
第二步、准备工件——选择方体铝合金材料作为被加工工件后,将选择的工件通过台钳装夹在铣床工作台上;
第三步、连接并校准试验设备;
第四步、铣削试验——启动铣削机床对工件进行加工,并采集铣削过程中的噪声信号、三向力信号、温度信号和振动信号;
第五步、基于铣削试验数据整理所需的特征值——从采集的噪声信号、三向力信号、温度信号和振动信号的数据中,得到声压级的均方根值、三向铣削力的均方根值、温度的最大值、三向振动加速度的均方根值;
第六步、绘制噪声信号、三向力信号、温度信号和振动信号曲线;
第七步、分析铣削参数对铣削声压级、三向铣削力、温度及三向振动加速度的影响——改变铣削主轴转速、进给速度和铣削深度,可以绘制出在不同的铣削参数下声压级、三向铣削力、温度和三向加速度的变化规律;
第八步、建立声压级单项预测模型;
第九步、建立融合铣削力-热-振动及铣削参数的声压级组合预测模型。
作为本发明更进一步优化的技术方案:
所述的第三步中,连接并校准试验设备的具体方法如下:
(1)将高速数据采集仪的电源关闭后,通过USB数据传输线将高速数据采集仪与安装有声学与振动测量采集软件的计算机相连;
(2)将三向加速度传感器通过磁力座吸附在装夹工件的夹具平台上,并且三向加速度传感器的X、Y、Z三向分别对应数控铣床的X、Y、Z三向,将三向加速度传感器的三个输出端分别接入三个电荷放大器的输入端,然后将电荷放大器的输出端接高速数据采集仪;
(3)将精密型声级计安装在距离铣削刀具一定距离处,通过专用数据线将精密型声级计与高速数据采集仪连接;
(4)将高速数据采集仪的电源打开,并打开计算机桌面的声学与振动测量软件,将传声器的顶端旋转入声音校准器的底端,启动声音校准器的按钮开关,3~5秒以后对声级计进行传感器标定,标定结束后取下声音校准器;
(5)设置声学与振动测量采集参数,先定义文件以及文件保存路径,然后设置采样频率、采集时间和采样个数;
(6)将力传感器通过专用数据线与三向力采集仪连接,将三向力采集仪通过专用数据线与安装有测力软件的计算机相连接;
(7)设置力测量参数,将计算机中的测力软件打开,先定义文件以及文件保存路径,再设置铣削参数如主轴转速、进给速度和铣削深度,并设置采样频率;
(8)将FLIR热像仪线头连接安装有温度测量软件的计算机,点击温度测量软件,进入测量界面以后,点击“连接到实时流”进行热像仪连接;
(9)设置温度测量参数,设置温度测量范围、频率和调色板,再确定文件的保存位置;
(10)将热像仪对准铣削刀具顶端,并且调整焦距使图像清晰;
(11)在正式开始试验之前,铣床开机,进行背景测量,扣除背景测量。
所述的第五步中,基于铣削试验数据提取声压级均方根值、温度最大值、三向振动加速度均方根值及三向铣削力均方根值,根据上述试验数据和最小二乘法建立3个多特征的单项预测模型,再通过组合预测模型的方法对三个单项预测模型进行组合预测,得到了融合铣削力-热-振动及铣削参数的声压级组合预测模型,该组合预测模型能够提高目标信号预测值的精确度,并监测铣削系统的工作状态。其中,所测量的噪声信号输出为声压,将声压的有效值pe与基准声压p0的比值取以10为底的对数,并且乘以20,即可以得到声压级Lp;所测量的力信号输出为为铣削x、y、z向力;所测量的温度信号输出为刀具尖端的温度值;所测量的振动信号输出为x、y、z向振动加速度,并且对所测量得到的噪声信号和振动信号进行时域分析及频域分析。
所述第八步中,建立声压级单项预测模型时,对所测量的噪声信号、三向力信号、温度信号以及振动信号进行数据处理,选取声压级均方根值,x、y、z三向力均方根值,温度最大值以及x、y、z 三向振动加速度均方根值作为特征值,研究在不同铣削参数下,铣削噪声、铣削力、铣削热以及铣削振动的变化规律。基于试验数据和最小二乘法,建立铣削声压级均方根值的三个单项预测模型,再通过组合预测方法建立关于三个单项预测模型的声压级均方根值的组合预测模型,使所得的预测值精度更高。根据试验数据和最小二乘法建立的三个单项预测模型分别如下所示:
a)第一种单项预测模型,即声压级均方根值关于三向铣削力均方根值及三个铣削参数(铣削速度、进给速度和铣削深度)的单项预测模型,其表达式为
b)第二种单项预测模型,即声压级均方根值关于温度最大值及三个铣削参数(铣削速度、进给速度和铣削深度)的单项预测模型,其表达式为
c)第三种单项预测模型,即声压级均方根值关于三向振动加速度均方根值及三个铣削参数(铣削速度、进给速度和铣削深度)的单项预测模型,其表达式为
其中,为第三种单项预测模型中声压级均方根值的预测值, v为铣削速度,vf为进给速度,ap为铣削深度,aRMSx,aRMSy,aRMSz分别为x,y,z三向振动加速度均方根值,C,x,y,z,w,m,n均为待求系数。
所述第九步中,融合铣削力-热-振动及铣削参数的声压级组合预测模型的建立方法为预测误差平方和倒数方法,其具体过程如下:
(1)根据(4)式计算预测误差平方和(SSE),
(2)采用误差平方和倒数法通过(5)式计算组合预测模型的加权系数,
其中,lj为三个单项预测模型的加权系数且j=1,2,3,a是指有a 个单项预测模型且a=3;lj(j=1,2,3)为三种预测方法的加权系数,即l1为第一种单项预测模型的加权系数,l2为第二种单项预测模型的加权系数,l3为第三种单项预测模型的加权系数;
(3)采用预测误差平方和倒数法根据(6)式建立组合预测模型,
(4)模型的可靠性分析
基于相关性系数R,分析建立的融合铣削力、振动、温度及铣削参数的声压级组合预测模型的可靠性。若相关性系数R的值大于 0.90,说明该模型具有较高的可靠性。
该相关性系数R的一般计算公式为:
本文引用MATLAB程序[R,P]=corrcoef(x1,y1)直接计算出相关性系数R的值。
本发明的优点是给出了一套完整的、合理的声压-力-热-振动特性的铣削状态监测、预测系统,可以实时观测铝合金在铣削过程中铣削噪声信号、铣削力、铣削温度和振动信号随着铣削时间、频率以及铣削参数的变化规律;在铣削试验结束以后,可以提取噪声信号、三向力信号、温度信号和振动信号的特征值,并且可以绘制出噪声信号声压以及三向振动加速度的时域曲线和频域曲线;同时可以绘制出在不同铣削参数下声压级、三向力、温度和三向振动加速度的变化曲线并分析其变化规律。根据试验数据建立和最小二乘法建立3个多特征的单项预测模型,通过组合预测模型的方法对3个单项预测模型进行组合预测,提高目标信号预测值的精确度,并监测铣削系统的工作状态。本发明能为铣削加工状态的监测及铣削噪声声压级的预测提供科学的指导。
附图说明
下面结合附图对本发明作进一步的描述。
图1为本发明中一种基于多特征融合的铣削声压级监测及预测系统的原理示意图。
图2为本发明中采集时间为60s内铣削噪声声压的时域图。
图3为本发明中铣削噪声声压级的频域图。
图4为本发明中铣削三向力的时域图;其中图(4a)为x向力的时域图,图(4b)为y向力的时域图,图(4c)为z向力的时域图。
图5为本发明中铣削温度的时域图。
图6为本发明中铣削三向振动加速度的时域图;其中图(6a) 为x向振动加速度的时域图,图(6b)为y向振动加速度的时域图,图(6c)为z振动加速度的时域图。
图7为本发明中在不同主轴转速下声压级均方根值的变化规律曲线。
图8为本发明中在不同进给速度下声压级均方根值的变化规律曲线。
图9为本发明中在不同铣削深度下声压级均方根值的变化规律曲线。
图10为本发明中在不同主轴转速下三向力均方根值的变化规律曲线
图11为本发明中在不同进给速度下三向力均方根值的变化规律曲线。
图12为本发明中在不同铣削深度下三向力均方根值的变化规律曲线。
图13为本发明中在不同主轴转速下温度最大值的变化规律曲线
图14为本发明中在不同进给速度下温度最大值的变化规律曲线。
图15为本发明中在不同铣削深度下温度最大值的变化规律曲线。
图16为本发明中在不同主轴转速下三向振动加速度均方根值的变化规律曲线。
图17为本发明中在不同进给速度下三向振动加速度均方根值的变化规律曲线。
图18为本发明中在不同铣削深度下三向振动加速度均方根值的变化规律曲线。
图19为本发明中组合预测模型声压级均方根值的实测值和拟合值的对比曲线图。
具体实施案例
实施例1
本实施例提供一种基于多特征融合的铣削声压级监测及预测系统,如图1所示,包括数控机床及工件系统、声压与振动测量系统、三向测力系统和温度测量系统;数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;声压与振动测量系统主要包括声音校准器、精密型声级计、三向加速度传感器、电荷放大器和高速数据采集仪,用于实时采集工件在加工过程中产生的声压信号和振动信号;三向测力系统主要包括力传感器和压电式三向力采集仪,用于采集工件在加工过程中产生的三向力信号;温度测量系统主要包括FLIR热像仪及其配套的温度采集软件,用于实时采集刀具顶端的温度信号。其中,铣削刀具安装在立式铣床主轴上,铣削刀具的材质为高速钢含铝材料,铣削刀具为高速钢直柄立铣刀,工件通过台钳装夹在铣床工作台上。声音校准器主要用来对精密型声级计进行校准,精密型声级计固定在距离铣削刀具一定距离的三脚架上,用于实时采集工件在加工过程中产生的声压(噪声)信号;三向加速度传感器安装在铣床工作台上并靠近工件位置,用于采集铣削过程中的X、Y、Z三向振动信号;高速数据采集仪具有四个电压输入信号通道,分别接收声压信号及三向振动信号,其中一个电压输入信号通道(通道1)通过专用数据线与声级计的交流信号输出端连接,剩余的电压输入信号通道(通道2、3、4)与电荷放大器的输出端连接;三向加速度传感器具有三个输出端,分别连接三个电荷放大器的输入端,通过连接的电荷放大器将电流信号转换为电压信号;另外,声级计为HS5661型精密声级计;在声级计的顶端设有传声器,传声器的尾部具有尾部螺纹;在声级计的前置极顶端具有顶端螺纹,传声器的尾部螺纹对准声级计前置极的顶端螺纹,并且传声器与声级计前置极同轴,将传声器按顺时针方向旋转入声级计前置极;传声器的顶端旋转入声音校准器的底端孔,声音校准器主要用来对声级计进行校准,校准完毕后取下声音校准器。三向加速度传感器为压电式三向加速度传感器,压电式三向加速度传感器通过磁力座与位于铣床工作台上的装夹工件的夹具平台固定连接,三向加速度传感器通过连接电荷放大器将采集的电荷信号放大并输出电压信号。高速数据采集仪的输入接口与电荷放大器连接,输出接口通过USB数据传输线与计算机的接口连接,计算机中安装有声学与振动测量采集软件。力传感器为压电式三向力传感器,力传感器通过 T型螺栓固定在数控铣床的机床工作台上,然后通过螺栓、压板将机用虎钳(即装夹工件的台钳)固定在三向测力传感器上,力传感器通过专用数据线与压电式三向力采集仪相连接,压电式三向力采集仪通过专用数据线与安装测力软件的计算机相连接;FLIR热像仪固定在距离铣削刀具一定距离的三脚架上,FLIR热像仪通过专用数据线与安装有温度采集软件的计算机相连接;
一种基于多特征融合的铣削声压级监测及其预测方法,包括以下步骤:
第一步、组建铣削试验系统
铣削试验系统包括数控机床及工件系统、声压与振动测量系统、三向测力系统和温度测量系统,数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;声压与振动测量系统主要包括声音校准器、精密型声级计、三向加速度传感器、电荷放大器和高速数据采集仪,声音校准器主要用来校准声级计,声级计与高速数据采集仪相连后用于采集噪声信号和振动信号,所测量的噪声信号为扣除背景噪声得到的信号,所测量的振动信号为扣除背景振动得到的信号;三向测力系统主要包括压电式力传感器和三向力采集仪,用于采集工件在加工过程中产生的三向力信号;温度测量系统主要包括FLIR热像仪即温度采集软件,用于实时采集刀具顶端的温度信号;
第二步、准备工件
先根据铣削试验方案以及实验室现有材料,选择长度100mm、宽度40mm、高度100mm的方体铝合金材料作为被加工工件后,将选择的工件通过台钳装夹在铣床工作台上。
第三步、连接并校准试验设备
(1)将高速数据采集仪的电源关闭后,通过USB数据传输线将高速数据采集仪与安装有声学与振动测量采集软件的计算机相连;
(2)将三向加速度传感器通过超强磁力座吸附在装夹工件的夹具平台上,并且加速度传感器的X、Y、Z三向分别对应数控铣床的 X、Y、Z三向,将三向加速度传感器的三个输出端分别接入三个电荷放大器的输入端,并调好电荷放大器的灵敏度,三个电荷放大器的灵敏度分别对应加速度传感器三个方向的灵敏度,然后将三个电荷放大器的输出端分别接高速数据采集仪的2、3、4通道,并且是电压输出,高速数据采集仪的通道1、2、3、4在试验时改为电压输入;
(3)将声级计安装在距离铣削刀具0.85米处,通过专用数据线将声级计与高速数据采集仪的通道1连接,并且是电压输出;
(4)将高速数据采集仪的电源打开,并打开计算机桌面的声学与振动测量软件,将传声器的顶端旋转入声音校准器的底端,启动声音校准器的按钮开关,3~5秒以后对声级计进行传感器标定,在声压值显示为6.66时表明该仪器可以正常使用,标定结束后取下声音校准器;
(5)设置声学与振动测量采集参数,先定义文件以及文件保存路径,然后设置采样频率、采集时间和采样个数;
(6)将力传感器通过专用数据线与三向力采集仪连接,将三向力采集仪通过专用数据线与安装有测力软件的计算机相连接。
(7)设置力测量参数,将计算机中的测力软件打开,先定义文件以及文件保存路径,再设置铣削参数如主轴转速、进给速度和铣削深度,并设置采样频率。
(8)将FLIR热像仪安装在距离铣削刀具1.13米位置处的三脚架上,并将FLIR热像仪线头连接安装有温度测量软件的计算机,点击温度测量软件,进入测量界面以后,点击“连接到实时流”进行热像仪连接。
(9)设置温度测量参数,设置温度测量范围、频率和调色板,再确定文件的保存位置。
(10)将热像仪对准铣削刀具顶端,并且调整焦距使图像清晰。
(11)在正式开始试验之前,铣床开机,进行背景测量,扣除背景测量。
第四步、设计操作人员分工方案并进行铣削试验
通过制定铣削试验方案,按照不同的铣削参数进行铣削试验,该试验同步采集噪声信号、三向力信号、温度信号和振动信号。在铣削试验过程中,需要六个人分工合作,共同完成。其中,1人负责操作数控铣床,改变铣削参数以完成不同情况下的噪声和振动测量;1人负责在铣削试验过程中读报每次试验的铣削参数和记录试验情况;1人负责操作声学与振动测量软件,保存每次试验的噪声与振动的数据、时域图和频域图;1人负责操作三向测力软件,保存每次试验的三向力数据,1人负责操作温度采集软件,保存每次试验的温度数据,1人负责在试验过程中拍照,拍下试验过程中每一次加工后的工件照片。人员的任务分配及铣削试验步骤如下:
(1)试验之前,拍照人员拍下未进行加工的工件照片以备与加工后的工件作对比,同时拍下声级计、加速度传感器与刀具的相对位置,力传感器的安装位置以及热像仪与刀具顶端的相对位置;
(2)负责记录试验的人员在每次试验开始之前读报本次试验的铣削参数的数值;
(3)负责操作数控铣床的人员在铣床的控制面板上输入加工程序和本次试验相对应的铣削参数,并且询问在场人员是否准备好开始试验;
(4)负责操作声学与振动测量软件的人员先做好扣除背景噪声和振动,完成之后说明已经准备好开始试验;
(5)当所有人员准备好试验时,负责操作数控铣床的人员根据操作面板显示数据说“开始”;
(6)负责操作声学与振动测量软件的人员点击软件界面上的“采集”按钮,负责操作三向力采集软件的人员点击“开始”按钮,负责操作温度采集软件的人员点击“开始”按钮;
(7)采集结束后,保存本次试验的采集数据,并设置好下一次试验的保存位置及名称。
第五步、基于铣削试验数据整理所需的特征值
从声学与振动测量软件测量所得数据,可以进行声学信号和三向振动加速度信号的时域分析和频域分析,可以得到声压随时间变化的时域图(见图2)、声压级随频率变化的频域图(见图3)和三向加速度的时域图(见图5)。从采集的噪声信号和振动信号的数据中,可以得到声压级的均方根值、三向加速度均方根值。从三向力采集软件测量得到的数据可以得到,三向力随时间变化的时域图 (见图4),可以得到三向力的均方根值。从温度测量采集仪测量得到的数据可以得出温度随时间变化的时域图(见图6),可以得到温度的最大值。
第六步、绘制噪声信号、三向力信号、温度信号和振动信号曲线
基于采集到的铣削试验数据,绘制出在不同的铣削参数下声压级、三向力、温度和三向加速度的变化曲线。
在本次铣削试验过程中,铣削参数有铣削速度v,进给速度vf和铣削深度ap;采用长度为100mm,宽度为40mm,高度为100mm 的铝合金方体为铣削加工材料;声学与振动测量系统采用YD-21型号的三向加速度传感器、电荷放大器及北京波谱世纪科技发展有限公司生产的声音校准器、声级计和高速数据采集仪,并且配套有声学与振动测量采集软件;三向测力系统采用上海璟瑞科学仪器有限公司生产的三向力传感器和三向力采集仪,并配套有测力软件;温度测量系统采用美国OMEGA公司生产的FLIR热像仪,并配套有温度采集软件。其中,主轴转速n选取四个水平,分别为:800转/ 分钟,1200转/分钟,1600转/分钟,2000转/分钟;进给速度vf为四个水平,分别为10毫米/分钟,15毫米/分钟,20毫米/分钟,25毫米/分钟;铣削深度ap为四个水平,分别为5毫米,4毫米,3毫米,2毫米,采集时间为60s。具体试验方案如表1所示。
表1铣削试验方案
由于
铣削刀具直径为10mm,故可得到铣削速度v的值,铣削速度v 单位为m/min,声压级均方根值单位为dB,加速度均方根值的单位为m/s2,三向力的单位为N,温度最大值的单位为℃。通过铣削试验得到的试验数据如表2所示。表2中,Lp为声压级均方根值; aRMSx,aRMSy,aRMSz为三向加速度均方根值;Tmax为温度最大值; FRMSx,FRMSy,FRMSz为三向力均方根值。
表2铣削试验数据
第七步、分析铣削参数对铣削声压级、三向力、温度及三向振动加速度的影响
改变铣削主轴转速、进给速度和铣削深度,可以绘制出在不同的铣削参数下声压级、三向力、温度和三向加速度的变化规律。
基于表2试验数据,可以进行以下分析:
(1)不同铣削参数下声压级的变化规律
比较在不同的铣削参数下,铣削声压级的变化规律。图7为在保持进给速度vf为10mm/min,铣削深度ap为5mm不变的情况下不同主轴转速下声压级的变化规律曲线,由图可知,随着主轴转速的增大,声压级增大;图8为保持主轴转速n为800r/min,铣削深度 ap为5mm不变的情况下不同进给速度下声压级的变化规律曲线,由图可知,随着进给速度的增大,声压级先增大后减小再增大;图9 为保持主轴转速n为800r/min,进给速度vf为10mm/min不变的情况下不同铣削深度下声压级的变化规律曲线,由图可知,随着铣削深度的增大,声压级先增大后减小再增大。
(2)不同铣削参数下三向力的变化规律
比较在不同的铣削参数下,铣削三向力的变化规律。图10为在保持进给速度vf为10mm/min,铣削深度ap为5mm不变的情况下不同主轴转速下三向力的变化规律曲线,由图可知,在主轴转速小于 1600r/min时,三向力随着主轴转速的增大先增大后减小;图11为保持主轴转速n为800r/min,铣削深度ap为5mm不变的情况下不同进给速度下三向力的变化规律曲线,由图可知,随着进给速度的在呢高达,x向力先增大后减小再增大,y向和z向缓慢增大;图12为保持主轴转速n为800r/min,进给速度vf为10mm/min不变的情况下不同铣削深度下三向力的变化规律曲线,由图可知,三向力随着铣削深度的增大呈现先减小后增大再减小的趋势。
(3)不同铣削参数下温度的变化规律
比较在不同的铣削参数下,铣削温度的变化规律。图13为在保持进给速度vf为10mm/min,铣削深度ap为5mm不变的情况下不同主轴转速下温度的变化规律曲线,由图可知,主轴转速小于 1200r/min时产生的温度较小;图14为保持主轴转速n为800r/min,铣削深度ap为5mm不变的情况下不同进给速度下温度的变化规律曲线,由图可知,在进给速度大于15mm/min时,产生的温度逐渐增大;图15为保持主轴转速n为800r/min,进给速度vf为10mm/min不变的情况下不同铣削深度下温度的变化规律曲线,由图可知,随着铣削深度的增大,温度先增大后减小再增大。
(4)不同铣削参数下三向振动加速度的变化规律
比较在不同的铣削参数下,三向振动加速度的变化规律。图16 为在保持进给速度vf为10mm/min,铣削深度ap为5mm不变的情况下不同主轴转速下三向振动加速度的变化规律曲线;图17为保持主轴转速n为800r/min,铣削深度ap为5mm不变的情况下不同进给速度下三向振动加速度的变化规律曲线;图18为保持主轴转速n为 800r/min,进给速度vf为10mm/min不变的情况下不同铣削深度下三向振动加速度的变化规律曲线。由图可知,x向产生的振动较大,y 向和z向产生的振动较小。
第八步、建立声压级单项预测模型
基于以上试验数据与最小二乘法,建立3个关于声压级均方根的单项预测模型分别为:
a)第一种单项预测模型:声压级均方根值关于三向铣削力均方根值及三个铣削参数(即铣削速度、进给速度和铣削深度)的单项预测模型:
b)第二种单项预测模型:声压级均方根值关于温度最大值及三个铣削参数(即铣削速度、进给速度和铣削深度)的单项预测模型:
c)第三种单项预测模型:声压级均方根值关于三向振动加速度均方根值及三个铣削参数(即铣削速度、进给速度和铣削深度)的单项预测模型:
基于MATLAB软件及编程(见附录),可以求解出三个单项预测模型的相关系数及相关性系数R的值,如表3所示。
表3单项预测模型的相关系数及相关性系数
因此,可以得到三个单项预测模型为:
第九步、基于预测误差平方和倒数的方法建立声压级均方根值的组合预测模型
本发明采用预测误差平方和倒数的方法建立融合铣削力-热-振动及铣削参数的声压级组合预测模型。
因此首先计算预测误差平方和(SSE):
(3)误差平方和倒数法计算组合预测模型的加权系数:
其中,lj(j=1,2,3)为三个单项预测模型的加权系数,a(a=3)指有a 个单项预测模型。lj(j=1,2,3)为三种预测方法的加权系数,即l1为第一种单项预测模型的加权系数,l2为第二种单项预测模型的加权系数,l3为第三种单项预测模型的加权系数。
(4)预测误差平方和倒数法建立组合预测模型:
(5)模型的可靠性分析
基于相关性系数R,分析建立的融合铣削力、振动、温度及铣削参数的声压级组合预测模型的可靠性。若相关性系数R的值大于0.90,说明该模型具有较高的可靠性。
相关性系数R的一般计算公式为:
其中,xi为声压级实际测量数据序列,一般取值LP i,yi为声压级预测数据序列,一般取值或 为声压级实际测量数据序列的平均值,为声压级预测数据序列的平均值,n为试验次数,i表示第i次试验。本文引用MATLAB程序[R,P]=corrcoef(x1,y1) 直接计算出相关性系数R的值。
基于MATLAB软件及编程(见附录),可以得到组合预测模型的误差平方和、加权系数及相关性系数R的值,结果如表4所示。
表4组合预测模型的相关数据
根据表4,可以得到声压级均方根值的组合预测模型为:
本发明根据试验数据和最小二乘法建立3个多特征的单项预测模型,再通过组合预测模型的方法对三个单项预测模型进行组合预测,得到了融合铣削力-热-振动及铣削参数的声压级组合预测模型,该组合预测模型能够提高目标信号预测值的精确度,并监测铣削系统的工作状态。
图19为声压级均方根值的实测值和拟合值的对比曲线图,根据相关性系数R的值大于0.90,显著性水平P小于0.05,且声压级均方根值的实测值和预测值曲线的吻合度较高,因此可以看出采用组合预测方法建立关于三种单项预测模型的组合预测模型的效果较好,提高了声压级的预测精度。因此,可以根据建立的声压级均方根值的组合预测模型(公式12)可以预测声压级均方根的值,当预测值和实际测量值之间存在的误差较大时,可以认为该铣削系统的加工状态存在一定的故障问题。
附录
(1)基于最小二乘法建立声压级均方根值关于铣削参数及三向铣削力单项预测模型的MATLAB程序:
clear;close all;clc;
tic
v=xlsread('1111.xlsx','E2:E65')';%切削速度数据
a=xlsread('1111.xlsx','C2:C65')';%切削进给速度
b=xlsread('1111.xlsx','D2:D65')';%切削深度
t1=xlsread('1111.xlsx','L2:L65')';%轴向力均方根值
t2=xlsread('1111.xlsx','M2:M65')';%径向力均方根值
t3=xlsread('1111.xlsx','N2:N65')';%切向力均方根值
T1=xlsread('1111.xlsx','K2:K65')';%温度最大值
t=xlsread('1111.xlsx','F2:F65')';%实测声压m=length(t);%试验次数
syms c x y z u r s;
for i=1:64
F(i)=log(c)+x*log(v(i))+y*log(a(i))+z*log(b(i))+u*log(t1(i))+r*log(t2(i))+s*log(t3(i))- log(t(i));
end
F=F.^2;
FF=sum(F);
dfc=diff(FF,c);
dfx=diff(FF,x);
dfy=diff(FF,y);
dfz=diff(FF,z);
dfu=diff(FF,u);
dfr=diff(FF,r);
dfs=diff(FF,s);
[c,x,y,z,u,r,s]=solve(dfc==0,dfx==0,dfy==0,dfz==0,dfu==0,dfr==0,dfs==0,'c','x','y','z','u','r', 's');
c=vpa(c)
x=vpa(x)
y=vpa(y)
z=vpa(z)
u=vpa(u)
r=vpa(r)
s=vpa(s)
%sprintf('c=%06.4f',c)
%sprintf('x=%06.4f',x)
%sprintf('y=%06.4f',y)
%sprintf('z=%06.4f',z)
%sprintf('w=%06.4f',u)
%sprintf('m=%06.4f',r)
%sprintf('n=%06.4f',s)
T=zeros(1,64);
for i=1:64
T(i)=c*v(i)^x*a(i)^y*b(i)^z*t1(i)^u*t2(i)^r*t3(i)^s;%T(i)是拟合得到的声压值
end
disp(T)
x1=t;%切削声压实测值
y1=T;%切削声压拟合值
[R,P]=corrcoef(x1,y1);
disp(R)%实测值与拟合值的相关性系数
disp(P)%相关性为零的概率值
toc
(2)基于最小二乘法建立声压级均方根值关于铣削参数及温度最大值单项预测模型的MATLAB程序:
clear;close all;clc;
tic
v=xlsread('1111.xlsx','E2:E65')';%切削速度数据
a=xlsread('1111.xlsx','C2:C65')';%切削进给速度
b=xlsread('1111.xlsx','D2:D65')';%切削深度
t1=xlsread('1111.xlsx','G2:G65')';%轴向加速度均方根值
t2=xlsread('1111.xlsx','H2:H65')';%径向加速度均方根值
t3=xlsread('1111.xlsx','I2:I65')';%切向加速度均方根值
T1=xlsread('1111.xlsx','K2:K65')';%温度最大值
t=xlsread('1111.xlsx','F2:F65')';%实测声压
m=length(t);%试验次数
syms c x y z w m n d;
for i=1:64
F(i)=log(c)+x*log(v(i))+y*log(a(i))+z*log(b(i))+d*log(T1(i))-log(t(i));
end
F=F.^2;
FF=sum(F);
dfc=diff(FF,c);
dfx=diff(FF,x);
dfy=diff(FF,y);
dfz=diff(FF,z);
%dfw=diff(FF,w);
%dfm=diff(FF,m);
%dfn=diff(FF,n);
dfd=diff(FF,d);
[c,x,y,z,d]=solve(dfc==0,dfx==0,dfy==0,dfz==0,dfd==0,'c','x','y','z','d');
c=vpa(c)
x=vpa(x)
y=vpa(y)
z=vpa(z)
%w=vpa(w)
%m=vpa(m)
%n=vpa(n)
d=vpa(d)
%sprintf('c=%06.4f',c)
%sprintf('x=%06.4f',x)
%sprintf('y=%06.4f',y)
%sprintf('z=%06.4f',z)
%sprintf('w=%06.4f',w)
%sprintf('m=%06.4f',m)
%sprintf('n=%06.4f',n)
%sprintf('n=%06.4f',d)
T=zeros(1,64);
for i=1:64
T(i)=c*v(i)^x*a(i)^y*b(i)^z*T1(i)^d;%T(i)是拟合得到的声压值
end
disp(T)
x1=t;%切削声压实测值
y1=T;%切削声压拟合值
[R,P]=corrcoef(x1,y1);
disp(R)%实测值与拟合值的相关性系数
disp(P)%相关性为零的概率值
toc
(3)基于最小二乘法建立声压级均方根值关于铣削参数及三向振动加速度均方根值单项预测模型的MATLAB程序:
clear;close all;clc;
tic
v=xlsread('1111.xlsx','E2:E65')';%切削速度数据
a=xlsread('1111.xlsx','C2:C65')';%切削进给速度
b=xlsread('1111.xlsx','D2:D65')';%切削深度
t1=xlsread('1111.xlsx','G2:G65')';%轴向加速度均方根值
t2=xlsread('1111.xlsx','H2:H65')';%径向加速度均方根值
t3=xlsread('1111.xlsx','I2:I65')';%切向加速度均方根值
T1=xlsread('1111.xlsx','K2:K65')';%温度最大值
t=xlsread('1111.xlsx','F2:F65')';%实测声压m=length(t);%试验次数
syms c x y z w m n;
for i=1:64
F(i)=log(c)+x*log(v(i))+y*log(a(i))+z*log(b(i))+w*log(t1(i))+m*log(t2(i))+n*log(t3(i))-log(t(i));
end
F=F.^2;
FF=sum(F);
dfc=diff(FF,c);
dfx=diff(FF,x);
dfy=diff(FF,y);
dfz=diff(FF,z);
dfw=diff(FF,w);
dfm=diff(FF,m);
dfn=diff(FF,n);
[c,x,y,z,w,m,n]=solve(dfc==0,dfx==0,dfy==0,dfz==0,dfw==0,dfm==0,dfn==0,'c','x','y','z',' w','m','n');
c=vpa(c)
x=vpa(x)
y=vpa(y)
z=vpa(z)
w=vpa(w)
m=vpa(m)
n=vpa(n)
%sprintf('c=%06.4f',c)
%sprintf('x=%06.4f',x)
%sprintf('y=%06.4f',y)
%sprintf('z=%06.4f',z)
%sprintf('w=%06.4f',w)
%sprintf('m=%06.4f',m)
%sprintf('n=%06.4f',n)
T=zeros(1,64);
for i=1:64
T(i)=c*v(i)^x*a(i)^y*b(i)^z*t1(i)^w*t2(i)^m*t3(i)^n;%T(i)是拟合得到的声压值
end
disp(T)
x1=t;%切削声压实测值
y1=T;%切削声压拟合值
[R,P]=corrcoef(x1,y1);
disp(R)%实测值与拟合值的相关性系数
disp(P)%相关性为零的概率值
toc
(4)声压级均方根值组合预测模型的MATLAB程序:
clear all;
clc;
v=xlsread('1111.xlsx','E2:E65')';%切削速度数据
a=xlsread('1111.xlsx','C2:C65')';%切削进给速度
b=xlsread('1111.xlsx','D2:D65')';%切削深度
T1=xlsread('1111.xlsx','K2:K65')';%温度最大值
t=xlsread('1111.xlsx','F2:F65')';%实测声压级
m=length(t);%试验次数
FF1=xlsread('1111.xlsx','R2:R65')';%铣削参数拟合得到的声压级
FF2=xlsread('1111.xlsx','P2:P65')';%铣削参数与温度拟合得到的声压级
FF3=xlsread('1111.xlsx','Q2:Q65')';%铣削参数与振动拟合得到的声压级
tic
F1=0;F2=0;F3=0;%F是误差平方初始值
for i=1:64
F1=F1+(FF1(i)-t(i))^2;%F为误差平方
F2=F2+(FF2(i)-t(i))^2;
F3=F3+(FF3(i)-t(i))^2;
end
L1=(F1^(-1))/(F1^(-1)+F2^(-1)+F3^(-1))%L1为权重系数
L2=(F2^(-1))/(F1^(-1)+F2^(-1)+F3^(-1))%L1为权重系数
L3=(F3^(-1))/(F1^(-1)+F2^(-1)+F3^(-1))%L1为权重系数
FF=L1*FF1+L2*FF2+L3*FF3%FF为组合预测值
x1=t;%切削声压实测值
y1=FF;%切削声压拟合值
[R,P]=corrcoef(x1,y1);
disp(R)%实测值与拟合值的相关性系数
disp(P)%相关性为零的概率值
bh=xlsread('1111.xlsx','A2:A65')';%bh实验编号
z1=t;
z2=FF;
figure('name','19级机电工程学院','numberTitle','off')
plot(bh,z1,'bx-', 'linewidth',2.5,'MarkerEdgeColor','k','MarkerFaceColor','m','MarkerSize',10);
hold on;
plot(bh,z2,'r+-', 'linewidth',2.5,'MarkerEdgeColor','k','MarkerFaceColor','m','MarkerSize',10);hold off;
grid on;
xlabel('试验编号');ylabel('deta');
legend('实测值','拟合值','Location','northwest');
title('声压级均方根值曲线');
toc。
Claims (10)
1.一种基于多特征融合的铣削声压级监测及预测系统,其特征在于:包括数控机床及工件系统、声压与振动测量系统、三向测力系统、温度测量系统,所述数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;所述声压与振动测量系统的声压测量部分主要包括声音校准器、精密型声级计和高速数据采集仪,用于采集铣削过程中的声压信号;所述声压与振动测量系统的振动测量部分主要包括三向加速度传感器、电荷放大器和高速数据采集仪,用于采集铣削过程中的X、Y、Z三向振动信号;所述温度测量系统包括FLIR热像仪;所述三向测力系统主要包括力传感器和三向力采集仪。
2.根据权利要求1所述一种基于多特征融合的铣削声压级监测及预测系统,其特征在于:所述铣削刀具安装在立式数控铣床的主轴上,所述铣削刀具的材质为高速钢含铝材料,所述工件通过台钳装夹在数控铣床的机床工作台上。
3.根据权利要求1所述一种基于多特征融合的铣削声压级监测及预测系统,其特征在于:所述声音校准器主要用来对声级计进行校准;所述精密型声级计为HS5661型精密声级计;在所述精密型声级计的顶端设有传声器,所述传声器的尾部具有尾部螺纹,所述精密型声级计的前置极顶端具有顶端螺纹,所述传声器的尾部螺纹对准精密型声级计前置极的顶端螺纹,并且所述传声器与精密型声级计前置极同轴,将所述传声器按顺时针方向旋转入精密型声级计前置极,其顶端旋转入声音校准器的底端孔;所述精密型声级计固定在距离铣削刀具一定距离的三脚架上,用于实时采集工件在加工过程中产生的声压信号;所述三向加速度传感器为压电式三向加速度传感器,所述压电式三向加速度传感器通过磁力座与位于机床工作台上的装夹工件的夹具平台固定连接,所述电荷放大器与三向加速度传感器连接,所述高速数据采集仪的输入接口与电荷放大器连接,输出接口通过USB数据传输线与安装有声学与振动测量采集软件的计算机的接口连接。
4.根据权利要求1所述一种基于多特征融合的铣削声压级监测及预测系统,其特征在于:所述FLIR热像仪固定在距离铣削刀具一定距离的三脚架上,所述FLIR热像仪通过专用数据线与安装有温度采集软件的计算机相连接。
5.根据权利要求1所述一种基于多特征融合的铣削声压级监测及预测系统,其特征在于:所述力传感器为压电式三向力传感器,所述力传感器通过T型螺栓固定在数控铣床的机床工作台上,所述力传感器通过专用数据线与三向力采集仪相连接,所述三向力采集仪通过专用数据线与安装有三向力采集软件的计算机相连接。
6.根据权利要求1至5所述一种基于多特征融合的铣削声压级监测及预测方法,其特征在于,包括以下步骤:
第一步、组建铣削试验系统——铣削试验系统包括数控机床及工件系统、声压与振动测量系统、温度测量系统、三向测力系统,所述数控机床及工件系统主要包括数控铣床、铣削刀具和被加工工件;所述声压与振动测量系统主要包括声音校准器、精密型声级计、三向加速度传感器、电荷放大器和高速数据采集仪,用于实时采集工件在加工过程中产生的声压信号和振动信号;所述三向测力系统主要包括力传感器和三向力采集仪,用于采集工件在加工过程中产生的三向力信号;所述温度测量系统主要包括FLIR热像仪,用于实时采集刀具与工件接触处的温度信号;
第二步、准备工件——选择方体铝合金材料作为被加工工件后,将选择的工件通过台钳装夹在铣床工作台上;
第三步、连接并校准试验设备;
第四步、铣削试验——启动铣削机床对工件进行加工,并采集铣削过程中的噪声信号、三向力信号、温度信号和振动信号;
第五步、基于铣削试验数据整理所需的特征值——从采集的噪声信号、三向力信号、温度信号和振动信号的数据中,得到声压级的均方根值、三向铣削力的均方根值、温度的最大值、三向振动加速度的均方根值;
第六步、绘制噪声信号、三向力信号、温度信号和振动信号曲线;
第七步、分析铣削参数对铣削声压级、三向力、温度及三向振动加速度的影响——改变铣削主轴转速、进给速度和铣削深度,可以绘制出在不同的铣削参数下声压级、三向力、温度和三向加速度的变化规律;
第八步、建立声压级单项预测模型;
第九步、建立融合铣削力-热-振动及铣削参数的声压级组合预测模型。
7.根据权利要求6所述一种基于多特征融合的铣削声压级监测及预测方法,其特征在于,所述第三步中,连接并校准试验设备的具体方法如下:
(1)将高速数据采集仪的电源关闭后,通过USB数据传输线将高速数据采集仪与安装有声学与振动测量采集软件的计算机相连;
(2)将三向加速度传感器通过磁力座吸附在装夹工件的夹具平台上,并且三向加速度传感器的X、Y、Z三向分别对应数控铣床的X、Y、Z三向,将三向加速度传感器的三个输出端分别接入三个电荷放大器的输入端,然后将电荷放大器的输出端接高速数据采集仪;
(3)将精密型声级计安装在距离铣削刀具一定距离处,通过专用数据线将精密型声级计与高速数据采集仪连接;
(4)将高速数据采集仪的电源打开,并打开计算机桌面的声学与振动测量软件,将传声器的顶端旋转入声音校准器的底端,启动声音校准器的按钮开关,3~5秒以后对声级计进行传感器标定,标定结束后取下声音校准器;
(5)设置声学与振动测量采集参数,先定义文件以及文件保存路径,然后设置采样频率、采集时间和采样个数;
(6)将力传感器通过专用数据线与三向力采集仪连接,将三向力采集仪通过专用数据线与安装有测力软件的计算机相连接;
(7)设置力测量参数,将计算机中的测力软件打开,先定义文件以及文件保存路径,再设置铣削参数如主轴转速、进给速度和铣削深度,并设置采样频率;
(8)将FLIR热像仪的线头连接安装有温度测量软件的计算机,点击温度测量软件,进入测量界面以后,点击“连接到实时流”进行热像仪连接;
(9)设置温度测量参数,设置温度测量范围、频率和调色板,再确定文件的保存位置;
(10)将热像仪对准铣削刀具顶端,并且调整焦距使图像清晰;
(11)在正式开始试验之前,铣床开机,进行背景测量,扣除背景测量。
8.根据权利要求6所述一种基于多特征融合的铣削声压级监测及预测方法,其特征在于,所述第五步中,基于铣削试验数据提取声压级均方根值、温度最大值、三向振动加速度均方根值及三向铣削力均方根值,根据试验数据和最小二乘法建立3个多特征的单项预测模型,再通过组合预测模型的方法对三个单项预测模型进行组合预测,得到了融合铣削力-热-振动及铣削参数的声压级组合预测模型,该组合预测模型能够提高目标信号预测值的精确度,并监测铣削系统的工作状态。
9.根据权利要求8所述一种基于多特征融合的铣削声压级监测及预测方法,其特征在于,所述第八步中,根据试验数据和最小二乘法建立的三个单项预测模型分别如下所示:
a)第一种单项预测模型,即声压级均方根值关于三向铣削力均方根值与三个铣削参数的单项预测模型,其表达式为
b)第二种单项预测模型,即声压级均方根值关于温度最大值与三个铣削参数的单项预测模型,其表达式为
c)第三种单项预测模型,即声压级均方根值关于三向振动加速度均方根值与三个铣削参数的单项预测模型,其表达式为
10.根据权利要求9所述一种基于多特征融合的铣削声压级监测及预测方法,其特征在于,所述第九步中,所述融合铣削力-热-振动及铣削参数的声压级组合预测模型的建立方法为预测误差平方和倒数方法,其具体过程如下:
(1)根据(4)式计算预测误差平方和,
(2)采用预测误差平方和倒数法通过(5)式计算组合预测模型的加权系数,
其中,lj为三个单项预测模型的加权系数且j=1,2,3,a是指有a个单项预测模型且a=3;
(3)根据(6)式建立组合预测模型,
(4)基于相关性系数R,分析建立的融合铣削力、振动、温度及铣削参数的声压级组合预测模型的可靠性,该相关性系数R的计算公式为,
若相关性系数R的值大于0.85,说明该组合预测模型具有较高的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153398.1A CN110842646B (zh) | 2019-11-22 | 2019-11-22 | 一种基于多特征融合的铣削声压级监测及预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153398.1A CN110842646B (zh) | 2019-11-22 | 2019-11-22 | 一种基于多特征融合的铣削声压级监测及预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110842646A true CN110842646A (zh) | 2020-02-28 |
CN110842646B CN110842646B (zh) | 2021-10-08 |
Family
ID=69603603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153398.1A Active CN110842646B (zh) | 2019-11-22 | 2019-11-22 | 一种基于多特征融合的铣削声压级监测及预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110842646B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113427057A (zh) * | 2021-06-28 | 2021-09-24 | 南京艾提瑞精密机械有限公司 | 一种基于深度学习的微铣削加工方法及加工系统 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
CN113941901A (zh) * | 2020-07-17 | 2022-01-18 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
CN114749994A (zh) * | 2022-02-23 | 2022-07-15 | 重庆大学 | 一种实时测量切削力、振动和切削温度的多传感融合智能化刀柄监测装置 |
CN113941901B (zh) * | 2020-07-17 | 2024-04-23 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3317569A1 (de) * | 1983-05-13 | 1984-11-15 | Siemens AG, 1000 Berlin und 8000 München | Auswertung von elektrisch gewandelten schallemissionssignalen |
GB2199949A (en) * | 1986-12-19 | 1988-07-20 | Gen Electric | Automatic gain control for acoustic tool break detector |
DE3829825A1 (de) * | 1988-09-02 | 1990-03-15 | Fraunhofer Ges Forschung | Verfahren und vorrichtung zur ueberwachung der spanabhebenden bearbeitung eines werkstueckes |
JPH07123788A (ja) * | 1993-10-20 | 1995-05-12 | Canon Inc | ステッピングモータ駆動制御装置 |
KR20090076363A (ko) * | 2008-01-08 | 2009-07-13 | 김종욱 | 공작기계의 툴 모니터링 시스템 |
CN107052908A (zh) * | 2017-05-31 | 2017-08-18 | 吉林大学 | 一种刀具性能检测装置及检测方法 |
US20170320182A1 (en) * | 2016-05-06 | 2017-11-09 | 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 |
CN110091216A (zh) * | 2019-05-13 | 2019-08-06 | 江苏师范大学 | 铣削噪声与铣削振动的监测及其相关性分析系统及方法 |
-
2019
- 2019-11-22 CN CN201911153398.1A patent/CN110842646B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3317569A1 (de) * | 1983-05-13 | 1984-11-15 | Siemens AG, 1000 Berlin und 8000 München | Auswertung von elektrisch gewandelten schallemissionssignalen |
GB2199949A (en) * | 1986-12-19 | 1988-07-20 | Gen Electric | Automatic gain control for acoustic tool break detector |
DE3829825A1 (de) * | 1988-09-02 | 1990-03-15 | Fraunhofer Ges Forschung | Verfahren und vorrichtung zur ueberwachung der spanabhebenden bearbeitung eines werkstueckes |
JPH07123788A (ja) * | 1993-10-20 | 1995-05-12 | Canon Inc | ステッピングモータ駆動制御装置 |
KR20090076363A (ko) * | 2008-01-08 | 2009-07-13 | 김종욱 | 공작기계의 툴 모니터링 시스템 |
US20170320182A1 (en) * | 2016-05-06 | 2017-11-09 | 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 |
CN107052908A (zh) * | 2017-05-31 | 2017-08-18 | 吉林大学 | 一种刀具性能检测装置及检测方法 |
CN110091216A (zh) * | 2019-05-13 | 2019-08-06 | 江苏师范大学 | 铣削噪声与铣削振动的监测及其相关性分析系统及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113941901A (zh) * | 2020-07-17 | 2022-01-18 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
CN113941901B (zh) * | 2020-07-17 | 2024-04-23 | 智能云科信息科技有限公司 | 机床刀具监控方法、监控装置及电子设备 |
CN113427057A (zh) * | 2021-06-28 | 2021-09-24 | 南京艾提瑞精密机械有限公司 | 一种基于深度学习的微铣削加工方法及加工系统 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
CN113688534B (zh) * | 2021-09-02 | 2024-04-05 | 苏州莱库航空装备科技有限公司 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
CN114749994A (zh) * | 2022-02-23 | 2022-07-15 | 重庆大学 | 一种实时测量切削力、振动和切削温度的多传感融合智能化刀柄监测装置 |
CN114749994B (zh) * | 2022-02-23 | 2024-01-30 | 重庆大学 | 一种实时测量切削力、振动和切削温度的多传感融合智能化刀柄监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110842646B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110842646B (zh) | 一种基于多特征融合的铣削声压级监测及预测系统和方法 | |
CN110091216B (zh) | 铣削噪声与铣削振动的监测及其相关性分析系统及方法 | |
Kious et al. | Detection process approach of tool wear in high speed milling | |
CN103231279B (zh) | 一种数控机床切削状态下的机床主轴动态测试装置 | |
CN109175417B (zh) | 一种车削工件准静态变形的理论计算及动变形的实测方法 | |
JP2006519709A (ja) | 機械加工用ダイナミクス計器 | |
CN105108583B (zh) | 基于隔振式电涡流传感器测量动态铣削力装置及测量方法 | |
CN107052908A (zh) | 一种刀具性能检测装置及检测方法 | |
CN204621695U (zh) | 基于隔振式电涡流传感器测量动态铣削力装置 | |
CN109794805A (zh) | 一种锥孔加工母线偏差自动检测装置及其检测方法 | |
CN111761411A (zh) | 一种基于振动信号的刀具健康预测装置及其方法 | |
CN112475410A (zh) | 一种铣削温度与多元影响因子的关联分析系统及方法 | |
CN101745844B (zh) | 具有力反馈的油管接箍内螺纹切削机床在线检测装置 | |
CN108705379A (zh) | 一种直角切削力测量装置 | |
CN111203759B (zh) | 一种电涡流传感器机床在线标定装置及方法 | |
CN116117598A (zh) | 湿铣削条件下的表面质量测量与预测系统 | |
CN109357826B (zh) | 一种车削刀具-工件非线性振动系统耦合特征的研究方法 | |
CN111761410A (zh) | 一种基于振动信号的刀具磨损状态监测装置及其方法 | |
CN110842648A (zh) | 一种刀具磨损的在线预测和监测方法 | |
Serra et al. | Experimental evaluation of flank wear in dry turning from accelerometer data | |
Dini et al. | Tool condition monitoring in end milling using a torque-based sensorized toolholder | |
CN112364454B (zh) | 一种基于模态质量分布矩阵的机床薄弱构件识别方法 | |
Lee et al. | Geometrical simulation of chip production rate in micro-endmilling | |
CN113704922A (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 | |
CN201645257U (zh) | 具有力反馈的油管接箍内螺纹切削机床在线检测装置 |
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 |