CN110909710A - 一种基于s试件的自适应主轴性能劣化识别方法 - Google Patents
一种基于s试件的自适应主轴性能劣化识别方法 Download PDFInfo
- Publication number
- CN110909710A CN110909710A CN201911217099.XA CN201911217099A CN110909710A CN 110909710 A CN110909710 A CN 110909710A CN 201911217099 A CN201911217099 A CN 201911217099A CN 110909710 A CN110909710 A CN 110909710A
- Authority
- CN
- China
- Prior art keywords
- test piece
- main shaft
- signals
- identification method
- noise
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000015556 catabolic process Effects 0.000 title claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000005484 gravity Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000003754 machining Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003801 milling Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000233805 Phoenix Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于S试件的自适应主轴性能劣化识别方法，其步骤：加工S试件的同时采集保存主轴的径向振动信号；对径向振动信号按时间进行分段，对每段径向振动信号进行自适应噪声完备集合经验模式分解获得IMF分量；提取分解后信号的本征模态分量特征参数进行信号重构，计算重构信号功率谱信息熵和边际谱的重心频率；加工完成S试件后，判断S试件测量结果是否合格，获取机床主轴正常状态的特征和异常状态的特征；将加工新S试件过程中采集到的径向振动信号计算后得到的各段振动信号的PSE和SCF值分别与主轴正常和异常状态的特征进行比较，判断主轴健康状况；构建加工S试件不同加工阶段的功率谱熵曲线对主轴的劣化程度进行分类。
Description
技术领域
本发明涉及一种主轴状态的识别方法，特别是关于一种基于S试件的自适应主轴性能劣化识别方法。
背景技术
随着航空、航天和交通等重大领域对高速高效和高精度的迫切要求，对高端数控装备的稳定性及系统的可靠性提出了更高的要求。主轴单元是决定机床高速化和高精度的关键部件。对主轴进行定期检测，掌握其性能退化趋势，可以有计划的安排生产及实施预防性维修和维护。高速主轴包括转子、电动机、轴承和套筒等旋转部件，各子部件之间配合状态影响着主轴系统的动态特性和旋转精度，主轴的高发故障可以分为部件失效(如轴承损伤、旋转接头松动)和功能失效(如动不平衡)。
目前，国内外很多专家学者对机床主轴的部件或系统故障诊断及状态监测进行了大量的研究工作，如C.de Castelbajac等研究了高速主轴轴承典型的失效模式，提出了主轴轴承噪声评价标准，用以监测缺陷的分布并预测轴承的剩余寿命，取得了很好的效果；王红军等采用轴心轨迹流行拓扑空间对电主轴转子系统故障进行诊断，实验结果证明该方法可行性和实用性；张丽秀等针对高速电主轴建立多场耦合的有限元模型，研究结果表明，电主轴温升形变对振动幅值影响较大；Ruqiang Yan等将小波包变化与主特征分析相结合应用于主轴健康监测与诊断。
上述研究提出了不同的方法对主轴部件及系统在空载工况下的故障诊断及健康监测，取得了很大进展，然而在实际高速切削过程中，对加工精度产生影响的因素还包括动态切削力激发的结构固有频率造成的颤振、主轴的抗干扰能力和控制性能等，这都将对加工精度产生重要影响。Hai Trong Nguyen等采用面铣加工的工件表面形貌对刀具-主轴刚度及刀具倾斜进行健康监测；SoichiIbaraKi通过加工一系列的特定形状的试件，构造了试件的几何误差与机床的动态误差之间的对应关系模型；孙郅佶等研究了超精密飞切机床主轴转速波动导致的回转误差对加工表面微波纹的影响；王红军等采用增值流行相似度对多元融合信号进行状态识别，并在某加工中心上进行负载验证，实现了状态识别的自动化。以上研究针对主轴负载状态，在建立机床的动态性能与试件的几何误差关联关系及状态的识别方面取得了很多成果，但是在负载加工过程中，不同的主轴转速、不同的进给量、不同的冷却条件、甚至不同的刀具的材料都会对工件的表面质量产生影响。中航工业成都飞机工业(集团)有限公司针对五轴机床动态性能检测，提出了S形检测试件，杜丽证明了S形试件能基本覆盖机床的各种复杂姿态，在多轴联动精度检验和动态特性检测方面更具全面性；WANG Wei研究了伺服系统的跟随误差与S试件的轮廓误差之间的关系，并与NAS979试件进行了比较，证明S试件能更好的测试五轴的性能。上述关于S试件的研究主要针对用于机床加工精度的测试，通过对加工完成的S试件的表面质量分析，判断加工中心是否能满足使用要求。
目前关于将S形标准件用于主轴性能状态监测的研究未见报道，电主轴在切削力作用下产生的是典型的非线性、非平稳信号，早期故障特征不明显(如回转精度劣化主要源于主轴动不平衡、偏心等)，动态发展、表现不确定，特征信息耦合，时变性强,传统的傅里叶变化难以对这种大量含躁的非线性信号进行分析。胡振邦采用小波降噪和短时傅里叶变换相结合对主轴的突加不平衡信号进行分析处理。黄海凤利用小波包对主轴信号进行去躁和频段分解，采用动态模糊神经网络建立主轴系统性能退化模型。小波分析及小波包分析需要事先选择小波基和分解层数，不具有自适应性。经验模态分解(Empirical ModeDecomposition,EMD)是具有自适应的时频分析方法，在振动分析领域已得到广泛应用，但是EMD存在在单一的IMF中包含了不同的频率的信号成分，或同一频率被分解到不同的IMF中的缺点。EEMD利用高斯白噪声加入到信号中进行多次EMD分解，最后将多次分解的IMF总体平均定义为最终的IMF。虽然在一定程度上抑制模态混叠，但是添加的白噪声不能被完全中和，存在噪声残留问题。
发明内容
针对上述问题，本发明的目的是提供一种基于S试件的自适应主轴性能劣化识别方法，实现对高速电主轴运行状态的有效感知与识别，能够准确、高效的掌握主轴的劣化状态。
为实现上述目的，本发明采取以下技术方案：一种基于S试件的自适应主轴性能劣化识别方法，其包括以下步骤：1)加工S试件的同时，采集保存加工时主轴的径向振动信号；2)对采集到的径向振动信号按时间进行分段，然后对采集到的S试件每段径向振动信号进行自适应噪声完备集合经验模式分解，获得IMF分量；3)提取分解后信号的本征模态分量特征参数进行信号重构，对重构信号计算其功率谱信息熵PSE和边际谱的重心频率SCF；4)加工完成S试件后，对S试件在CMM机上进行测量，判断S试件测量结果是否合格，获取机床主轴正常状态的特征和异常状态的特征；5)将加工新S试件过程中采集到的径向振动信号经过上述步骤2)至步骤3)计算后得到的各段振动信号的PSE和SCF值分别与主轴正常和异常状态的特征进行比较，落入正常状态内，则主轴为正常；落入异常状态内，则主轴为异常；6)构建加工S试件不同加工阶段的功率谱熵曲线，根据正常状态的特征和异常状态的特征对主轴的劣化程度进行分类。
进一步，所述步骤1)中，将S试件分为五个区域：根据S试件的几何特征，曲率、扭曲角的变化对加工精度的影响，将S试件分为4段，E为切削起始点，D为C轴象限点，C’点为C轴反转点，A是结束点，B是S试件象限的转折点；加工时，X轴的方向不发生变化，而Y轴和C轴都会在加工过程中改变方向。
进一步，所述步骤2)中，IMF分量获取方法包括以下步骤：
2.1)计算获得第一个IMF分量；
2.2)计算最终第一阶(k＝1)残差r1(t)：
2.3)进行第i次分解，每次对信号r1(t)+ε1E1(vi(t))进行分解，直到得到第一个本征模态分量为止，计算第二个本征模态分量
其中，ε1表示第一次添加的噪声幅值，E1()表示第一次添加的噪声；
2.4)同理，对其余每个阶段k＝2,3,K，K表示阶数，与步骤2.3)计算过程一致，先计算第k个残差余量信号即第k阶残差rk(t)，再计算第k+1个本征模态分量IMFk+1(t)；
2.5)重复执行步骤2.4)，直至所有的残差余量信号满足预先设定的终止条件，不能再被分解为止。
进一步，所述步骤2.1)中，对原始径向振动信号y(t)添加正负成对的噪声信号后得到新信号为：y(t)+(-1)qε0vi(t)，其中ε0表示初次添加的噪声幅值，vi(t)表示第i次分解添加的白噪声序列，i＝1,2,...,N,其中N表示分解次数；q＝1或2，q为1时为负噪声，q为2为正噪声；
对新信号进行N次EMD方法分解，得到N个第一阶IMF分量的本征模态分量IMF1 i(t)：
y(t)+(-1)qε0vi(t)＝∑IMF1 i(t)+r1 i(t)；
其中，r1 i(t)为第一个剩余残量；
对N个第一阶IMF1 i(t)取均值，得到第一阶分量
进一步，所述步骤2.5)中，原始振动信号y(t)被最终分解为：
进一步，所述步骤2.5)中，终止条件为：残差余量信号的极值点个数不超过2个。
进一步，所述步骤3)中，功率谱信息熵PSE为：
其中，L是FFT变换的频率数；pl是功率谱的概率密度函数，
s(fl)是频率fl的能量谱。
进一步，所述步骤3)中，边际谱的重心频率SCF为：
式中，P(f)为重心频率f的幅值，f1为最小频率、f2为最大频率。
进一步，述步骤4)中，S试件测量结果判断方法为：若S试件合格，则将得到的各段径向振动信息采用步骤2)至步骤3)计算得到的PSE和SCF值作为机床主轴正常状态的特征；若不合格，找出不合格点的位置，将该段信号采用步骤2)至步骤3)计算得到的PSE和SCF值作为主轴异常状态的特征。
本发明由于采取以上技术方案，其具有以下优点：1、本发明通过在振动信号分解的每一阶段添加特定的白噪声，通过计算唯一的余量信号获取各个模态分量，其分解过程具有完备性。2、本发明以标准S试件为加工载体，以CEEMAN为信号分解手段，重构信号，获取加工过程振动信号的功率谱熵、边际谱的重心频率，来评估主轴的性能劣化程度。能够准确、高效的掌握主轴的劣化状态，以便合理的安排生产及预防性维修。3、本发明边际谱的重心频率能准确的量化主轴的劣化程度，全面反映负载工况的劣化状况。
附图说明
图1是本发明的整体流程示意图；
图2是S试件结构示意图；
图3是本发明实施例中的主轴性能劣化识别示意图；
图4是本发明实施例中三种工况的原始振动信号示意图；
图5是本发明实施例中CEEMDAN分解后部分IMF分量示意图；
图6是本发明实施例中各IMF与原始信号的相关系数示意图；
图7是本发明实施例中三种工况的CEEMDAN-功率谱熵示意图；
图8是本发明实施例中三种工况的EMD-功率谱熵示意图；
图9a是本发明实施例中工况1的三维希尔伯特-黄幅值谱；
图9b是本发明实施例中工况2的三维希尔伯特-黄幅值谱；
图9c是本发明实施例中工况3的三维希尔伯特-黄幅值谱；
图10a是本发明实施例中工况1的边际谱；
图10b是本发明实施例中工况2的边际谱；
图10c是本发明实施例中工况3的边际谱。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种基于S试件的自适应主轴性能劣化识别方法，该方法用于对高速电主轴的运行状态及性能劣化进行监测，其包括以下步骤：
1)加工S试件的同时，采集保存加工时主轴的径向振动信号。
将S试件分为五个区域，如图2所示：根据S试件的几何特征，曲率、扭曲角的变化对加工精度的影响，将S试件分为4段，E为切削起始点，D为C轴象限点，C’点为C轴反转点，A是结束点，B是S试件象限的转折点。加工时，X轴的方向不发生变化，而Y轴和C轴都会在加工过程中改变方向。
在主轴的刀柄部分安装振动传感器，振动信号采集方法如下：
当加工S试件时，获取到打开及输出宏指令则向现有信号采集系统传输一个脉冲指令，信号采集系统启动，开始采集；读取到结束宏指令时，信号采集系统停止采集并保存信号。
将S试件开始采集的坐标设为第一个几何分隔点，在此坐标的前一行添加开始宏指令和外部输出宏指令，输出当前主轴在试件坐标系中的坐标位置。根据实际切削的每层NC程序找出每段的起始和停止采集的坐标，在相应位置添加对应的宏指令，可实现分段自动采集。进而实现了与加工S试件过程同步采集振动信号，并实现每段加工时间的计时。
2)先根据S试件每段加工时间对采集到的径向振动信号按时间进行分段，然后对采集到的S试件每段径向振动信号进行自适应噪声完备集合经验模式分解(CEEMDAN)，获得IMF分量，以较好的消除残留在IMF中的噪声，消除虚假的模态分量；
2.1)计算获得第一个IMF分量：
对原始径向振动信号y(t)添加正负成对的噪声信号后得到新信号为：y(t)+(-1q)ε0vit(，其中ε0表示初次添加的噪声幅值，vi(t)表示第i次分解添加的白噪声序列(i＝1,2,...,N,其中N表示分解次数)；q＝1或2，q为1时为负噪声，q为2为正噪声。
对新信号进行N次EMD方法分解，得到N个第一阶(即k＝1)IMF分量的本征模态分量IMF1 i(t)：
y(t)+(-1)qε0vi(t)＝∑IMF1 i(t)+r1 i(t)； (1)
其中，r1 i(t)为第一个剩余残量。
对N个第一阶IMF1 i(t)取均值，得到第一阶分量
2.2)计算最终第一阶(k＝1)残差r1(t)：
2.3)进行第i次分解，每次对信号r1(t)+ε1E1(vi(t))进行分解(ε1表示第一次添加的噪声幅值；E1()表示第一次添加的噪声)，直到得到第一个本征模态分量为止。计算第二个本征模态分量
2.4)同理，对其余每个阶段k＝2,3,K(K表示阶数)，与步骤2.3)计算过程一致。先计算第k个残差余量信号即第k阶残差rk(t)，再计算第k+1个本征模态分量IMFk+1(t)：
则第k+1个本征模态分量IMFk+1(t)为：(εk表示第k次添加的噪声幅值；Ek()表示第k次添加的噪声信号)
2.5)重复执行步骤2.4)，直至所有的残差余量信号满足预先设定的终止条件，不能再被分解为止；终止条件为：残差余量信号的极值点个数不超过2个。每次分解时的系数εk能够允许在每一个分解阶段选择预先设定的幅值。
原始振动信号y(t)被最终分解为：
本发明采用的CEEMDAN方法中，下一个添加高斯白噪声的实验需要用到上一个噪声实验产生的余量，不同的实验中具有相关性，能够对原始信号进行精确的重构，具有很好的完备性。
3)提取分解后信号的本征模态分量特征参数进行信号重构，对重构信号计算其功率谱信息熵PSE和边际谱的重心频率SCF；其中，功率谱信息熵用于表征系统诸多不确定因素的混乱程度，边际谱的重心频率SCF给出了信号幅值按频率分布的重心。
重构信号的功率谱S(f)为：
其中，M是重构信号x(t)的长度，X(ω)是重构信号x(t)的快速傅里叶变换；f表示频率。
则功率谱的概率密度函数pl为：
s(fl)是频率fl的能量谱，L是FFT变换的频率数。
功率谱信息熵PSE为：
为了比较不同的工况，定义正则化因子log L：
式中，E表示正则化因子；PSE表示功率谱信息熵；功率谱信息熵是一个[0，1]的指标。
进一步，计算边际谱的重心频率SCF为：
式中，P(f)为重心频率f的幅值，f1为最小频率、f2为最大频率。
4)加工完成S试件后，对S试件在CMM机上进行测量，判断S试件测量结果是否合格。若S试件合格，则将得到的各段径向振动信息采用步骤2)至步骤3)计算得到的PSE和SCF值作为机床主轴正常状态的特征；若不合格，找出不合格点的位置，将该段信号采用步骤2)至步骤3)计算得到的PSE和SCF值作为主轴异常状态的特征；
5)将加工新S试件过程中采集到的径向振动信号经过上述步骤2)至步骤3)计算后得到的各段振动信号的PSE和SCF值分别与主轴正常和异常状态的特征进行比较，落入正常状态内，则主轴为正常；落入异常状态内，则主轴为异常。
6)构建加工S试件不同加工阶段的功率谱熵曲线，根据正常状态的特征和异常状态的特征对主轴的劣化程度进行分类。
实施例：
采用在刀具切削刃上不同磨损程度来模拟主轴不同程度的故障。共设置三种刀具工况，在每种工况下铣削S试件时，采用相同加工工艺及切削条件，分别采集主轴径向的振动信号，如图3所示。
S试件的材料为航空铝7075-T7451，采用沉头螺钉装夹在工作台上。加工刀具为φ20mm的三刃立铣刀，第一种工况为两个切削刃有月牙洼磨损，第二种工况为一个切削刃有月牙洼磨损，第三种工况为全新铣刀，三种工况分别模拟电主轴轴承有两个滚珠磨损、一个滚珠磨损、及轴承无故障。
实验在某立式五轴加工中心上进行，主轴端面上安装型号为IINV9832振动传感器，采样频率为51200Hz。在每种工况下铣削S试件时，采集精加工时的前20秒的原始振动信号如图4所示。
对于三种工况信号分别以1秒为间隔进行分段，三种工况共得到60段信号。采用CEEMDAN自适应分解噪声标准差为0.2，加噪声的次数50，最大的筛选迭代次数50。其中工况1中的一段原始信号进行CEEMDAN分解后，IMF的频率按照从高到低排列，如图5所示。
计算CEEMDAN分解后，各IMF与原始信号的相关系数，如图6所示。
设置相关系数的阈值，重构信号。对三种工况的60组数据分别进行CEEMDAN分解后，计算每一数据段的功率谱熵值，最后构建S试件不同加工阶段的功率谱熵曲线，如图7所示。信号经过CEEMDAN分解重构后，每种工况功率谱熵的幅值变化范围较小，三种工况能很好的区分开。对加工中心进行定期的切削S试件，并对其不同阶段的功率谱熵曲线进行存储，即可对主轴的劣化程度进行分类。
对比同样的原始信号EMD、EEMD分解，并构建功率谱熵曲线,如图7、图8所示。EMD分解后的功率谱熵三种工况的功率谱熵值严重交叉，无法区分工况；EEMD分解重构后信，三种工况在18秒附近交叉，效果要好于EMD，但是相比CEEMDAN效果较差些。
信号经过CEEMDAN分解后，去掉余项。构建加工全过程20s内的三维希尔伯特-黄谱，分析频率-幅值-时间的变化规律，如图9a～图9c所示。
对于CEEMDAN分解后的三种工况的信号，任意选取相同时间段的5000个数据点，绘制其边际谱，如图10a～图10c所示，为了量化辨识三种边际谱，分别计算边际谱的重心频率(SCF)，如表1所示。
由表1中的SCF值可见，工况1的刀具磨损最严重，对应的SCF值最大，随着工况2、工况3的刀具磨损情况减弱，其SCF对应减小。
表1三种工况对应数据段的重心频率
实验结果表明，CEEMDAN-功率谱熵处理方法比EMD-功率谱熵和EEMD-功率谱熵能更好对负载主轴的不同工况下信号进行分类。
综上，将本发明应用于立式五轴加工中心进行了实验验证，能快速有效的区分出了不同故障状态下的电主轴负载性能劣化趋势，验证了本发明的有效性。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。
Claims (9)
1.一种基于S试件的自适应主轴性能劣化识别方法，其特征在于包括以下步骤：
1)加工S试件的同时，采集保存加工时主轴的径向振动信号；
2)对采集到的径向振动信号按时间进行分段，然后对采集到的S试件每段径向振动信号进行自适应噪声完备集合经验模式分解，获得IMF分量；
3)提取分解后信号的本征模态分量特征参数进行信号重构，对重构信号计算其功率谱信息熵PSE和边际谱的重心频率SCF；
4)加工完成S试件后，对S试件在CMM机上进行测量，判断S试件测量结果是否合格，获取机床主轴正常状态的特征和异常状态的特征；
5)将加工新S试件过程中采集到的径向振动信号经过上述步骤2)至步骤3)计算后得到的各段振动信号的PSE和SCF值分别与主轴正常和异常状态的特征进行比较，落入正常状态内，则主轴为正常；落入异常状态内，则主轴为异常；
6)构建加工S试件不同加工阶段的功率谱熵曲线，根据正常状态的特征和异常状态的特征对主轴的劣化程度进行分类。
2.如权利要求1所述识别方法，其特征在于：所述步骤1)中，将S试件分为五个区域：根据S试件的几何特征，曲率、扭曲角的变化对加工精度的影响，将S试件分为4段，E为切削起始点，D为C轴象限点，C’点为C轴反转点，A是结束点，B是S试件象限的转折点；加工时，X轴的方向不发生变化，而Y轴和C轴都会在加工过程中改变方向。
3.如权利要求1所述识别方法，其特征在于：所述步骤2)中，IMF分量获取方法包括以下步骤：
2.1)计算获得第一个IMF分量；
2.2)计算最终第一阶(k＝1)残差r1(t)：
2.3)进行第i次分解，每次对信号r1(t)+ε1E1(vi(t))进行分解，直到得到第一个本征模态分量为止，计算第二个本征模态分量
其中，ε1表示第一次添加的噪声幅值，E1()表示第一次添加的噪声；
2.4)同理，对其余每个阶段k＝2,3,K，K表示阶数，与步骤2.3)计算过程一致，先计算第k个残差余量信号即第k阶残差rk(t)，再计算第k+1个本征模态分量IMFk+1(t)；
2.5)重复执行步骤2.4)，直至所有的残差余量信号满足预先设定的终止条件，不能再被分解为止。
4.如权利要求3所述识别方法，其特征在于：所述步骤2.1)中，对原始径向振动信号y(t)添加正负成对的噪声信号后得到新信号为：y(t)+(-1)qε0vi(t)，其中ε0表示初次添加的噪声幅值，vi(t)表示第i次分解添加的白噪声序列，i＝1,2,...,N,其中N表示分解次数；q＝1或2，q为1时为负噪声，q为2为正噪声；
对新信号进行N次EMD方法分解，得到N个第一阶IMF分量的本征模态分量
y(t)+(-1)qε0vi(t)＝∑IMF1 i(t)+r1 i(t)；
其中，r1 i(t)为第一个剩余残量；
对N个第一阶IMF1 i(t)取均值，得到第一阶分量
5.如权利要求3所述识别方法，其特征在于：所述步骤2.5)中，原始振动信号y(t)被最终分解为：
6.如权利要求3所述识别方法，其特征在于：所述步骤2.5)中，终止条件为：残差余量信号的极值点个数不超过2个。
7.如权利要求1所述识别方法，其特征在于：所述步骤3)中，功率谱信息熵PSE为：
其中，L是FFT变换的频率数；pl是功率谱的概率密度函数，
s(fl)是频率fl的能量谱。
8.如权利要求1所述识别方法，其特征在于：所述步骤3)中，边际谱的重心频率SCF为：
式中，P(f)为重心频率f的幅值，f1为最小频率、f2为最大频率。
9.如权利要求1所述识别方法，其特征在于：所述步骤4)中，S试件测量结果判断方法为：若S试件合格，则将得到的各段径向振动信息采用步骤2)至步骤3)计算得到的PSE和SCF值作为机床主轴正常状态的特征；若不合格，找出不合格点的位置，将该段信号采用步骤2)至步骤3)计算得到的PSE和SCF值作为主轴异常状态的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217099.XA CN110909710A (zh) | 2019-12-03 | 2019-12-03 | 一种基于s试件的自适应主轴性能劣化识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217099.XA CN110909710A (zh) | 2019-12-03 | 2019-12-03 | 一种基于s试件的自适应主轴性能劣化识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909710A true CN110909710A (zh) | 2020-03-24 |
Family
ID=69821757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911217099.XA Pending CN110909710A (zh) | 2019-12-03 | 2019-12-03 | 一种基于s试件的自适应主轴性能劣化识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909710A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111473761A (zh) * | 2020-04-27 | 2020-07-31 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
| CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
| EP4116784A1 (en) * | 2021-07-06 | 2023-01-11 | Ricoh Company, Ltd. | Diagnostic system, diagnostic method, and carrier medium |
| CN116148921A (zh) * | 2022-12-26 | 2023-05-23 | 北京科技大学 | 一种基于高频弹性波重心频率变化的岩体稳定性监测方法 |
| CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
-
2019
- 2019-12-03 CN CN201911217099.XA patent/CN110909710A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 韩凤霞等: "基于S形试件五轴数控机床动态性能劣化评价" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111473761A (zh) * | 2020-04-27 | 2020-07-31 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
| CN111473761B (zh) * | 2020-04-27 | 2022-01-07 | 西安理工大学 | 一种结合非线性检测的滑动副间隙值快速识别方法 |
| EP4116784A1 (en) * | 2021-07-06 | 2023-01-11 | Ricoh Company, Ltd. | Diagnostic system, diagnostic method, and carrier medium |
| CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
| CN116148921A (zh) * | 2022-12-26 | 2023-05-23 | 北京科技大学 | 一种基于高频弹性波重心频率变化的岩体稳定性监测方法 |
| CN116148921B (zh) * | 2022-12-26 | 2023-11-21 | 北京科技大学 | 一种基于高频弹性波重心频率变化的岩体稳定性监测方法 |
| CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
| CN116242612B (zh) * | 2023-01-09 | 2023-11-21 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
| Rehorn et al. | State-of-the-art methods and results in tool condition monitoring: a review | |
| Peng et al. | A new method for the prediction of chatter stability lobes based on dynamic cutting force simulation model and support vector machine | |
| Madhusudana et al. | Fault diagnosis of face milling tool using decision tree and sound signal | |
| CN110647943B (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
| Patange et al. | Milling cutter condition monitoring using machine learning approach | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| Caggiano et al. | Multiple sensor monitoring in drilling of CFRP/CFRP stacks for cognitive tool wear prediction and product quality assessment | |
| CN108629864B (zh) | 一种基于振动的电主轴径向精度表征方法及其系统 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| Kulkarni et al. | Investigations on mother wavelet selection for health assessment of lathe bearings | |
| Liu et al. | A hybrid health condition monitoring method in milling operations | |
| Goyal et al. | Applications of digital signal processing in monitoring machining processes and rotary components: a review | |
| de Jesus Rangel-Magdaleno et al. | FPGA-based vibration analyzer for continuous CNC machinery monitoring with fused FFT-DWT signal processing | |
| Jemielniak | Contemporary challenges in tool condition monitoring | |
| Khairnar et al. | Supervision of carbide tool condition by training of vibration-based statistical model using boosted trees ensemble | |
| CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
| 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 | |
| Wenping et al. | Vibration signal-based chatter identification for milling of thin-walled structure | |
| Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
| Han et al. | ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system | |
| Oberle et al. | A use case to implement machine learning for life time prediction of manufacturing tools | |
| Jiang et al. | The monitoring of milling tool tipping by estimating holder exponents of vibration | |
| Zheng et al. | Exploring the effectiveness of using internal CNC system signals for chatter detection in milling process |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200324 |