CN111783544A - 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 - Google Patents
加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 Download PDFInfo
- Publication number
- CN111783544A CN111783544A CN202010490242.9A CN202010490242A CN111783544A CN 111783544 A CN111783544 A CN 111783544A CN 202010490242 A CN202010490242 A CN 202010490242A CN 111783544 A CN111783544 A CN 111783544A
- Authority
- CN
- China
- Prior art keywords
- signal
- milling head
- signals
- wear
- processing
- 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
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B7/00—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor
- B24B7/20—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor characterised by a special design with respect to properties of the material of non-metallic articles to be ground
- B24B7/22—Machines or devices designed for grinding plane surfaces on work, including polishing plane glass surfaces; Accessories therefor characterised by a special design with respect to properties of the material of non-metallic articles to be ground for grinding inorganic material, e.g. stone, ceramics, porcelain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28D—WORKING STONE OR STONE-LIKE MATERIALS
- B28D1/00—Working stone or stone-like materials, e.g. brick, concrete or glass, not provided for elsewhere; Machines, devices, tools therefor
- B28D1/18—Working stone or stone-like materials, e.g. brick, concrete or glass, not provided for elsewhere; Machines, devices, tools therefor by milling, e.g. channelling by means of milling tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28D—WORKING STONE OR STONE-LIKE MATERIALS
- B28D7/00—Accessories specially adapted for use with machines or devices of the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明提供了一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于金刚石铣磨头磨损状态监测系统包括加工平台、铣磨头磨损信号采集模块、磨损过程的信号处理和特征提取模块、智能决策模块以及铣磨头磨损情况在线实时反馈的人机交互模块。应用本技术方案可实现满足实际的手机陶瓷背板企业加工厂在工程应用中对刀具磨损状态监测的需求。
Description
技术领域
本发明涉及数控机床刀具磨损在线监测领域,具体是指一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法。
背景技术
伴随5G时代即将到来,智能手机背板材料更新换代,非电磁屏蔽材料得到了重用,而陶瓷材料在新一轮技术洗牌中脱颖而出,陶瓷由于硬度高,可通过跌落测试(1.2米高),质感和颜色效果更佳,成为了继塑料、金属、玻璃之后一种新型的手机机身材质,备受到手机生产商的青睐。
然而由于陶瓷材料的高硬脆、高耐磨的特性,金刚石工具磨损很快,使用寿命很短,因此对于加工陶瓷背板刀具质量的好坏将直接影响所加工工件的品质。而现阶段,对于氧化锆陶瓷背板加工过程中金刚石铣磨头刀具的磨损状态监测,主要依靠工人的经验、刀具厂家的指导性意见以及工艺部门制定的相关工艺标准,这样的做法主要存在两个问题:第一个问题是,工人判断的准确性有限,会造成刀具浪费和零件生产不合格等现象,影响生产的经济性;第二个问题是,直接观察刀具需要频繁停止加工,对生产效率造成极大影响。因此,刀具状态的智能监测具有十分重大的意义。
发明内容
本发明的目的在于克服上述现有技术中的不足,提供一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,满足实际的手机陶瓷背板企业加工厂在工程应用中对刀具磨损状态监测的需求。
为了解决上述技术问题,本发明提供了一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,金刚石铣磨头磨损状态监测系统包括加工平台、铣磨头磨损信号采集模块、磨损过程的信号处理和特征提取模块、智能决策模块以及铣磨头磨损情况在线实时反馈的人机交互模块;具体包括以下几个步骤:
步骤一,进行搭建手机陶瓷背板的加工平台,根据手机陶瓷的工艺特征以及其形状参数,采用气动吸盘夹具来将陶瓷背板毛坯件固定在机床的工作平台上,并将加速度传感器、声音传感器与声发射传感器通过夹具安装固定;
步骤二,在陶瓷背板加工过程中,同时采用加速度传感器、声音传感器与声发射传感器对铣磨加工陶瓷手机背板的金刚石铣磨头工具磨损过程进行采集声音信号;
步骤三,将步骤二采集的信号进行信号预处理,信号预处理主要包括对原始数据中的异常数据、缺失值和噪声数据进行数据清理;而后根据加速度传感器、声音传感器与声发射传感器的信号特点,分别采用改进后的希尔伯特黄变换和小波分析时频域信号处理的方法,对振动信号、声音信号和声发射信号分别进行信号处理,而后对处理的结果采用降维处理的方法,从而实现对加工过程中多传感器信号进行特征级融合,最后得到关于刀具磨损的优选特征值;
步骤四,利用智能识别算法对刀具磨损的输入向量进行训练与测试处理,具体采用最小二乘向量机算法对步骤三经过的信号特征进行识别,并建立起关于铣磨头刀具磨损信号的识别模型;
步骤五,搭建起刀具状态识别的人机交互界面,根据建立的铣磨头刀具磨损信号的识别模型,最后通过编写在线实时反馈与数据重放分析界面,为金刚石铣磨头刀具磨损的实时监测提供便捷而有效的预警。
在一较佳的实施例中,所述的步骤三,对于磨损过程的信号处理和特征提取模块,包括对于采集的原始数据的异常信号、缺失信号以及噪声信号的进行预处理,而后对振动信号采用改进后的希尔伯特黄变换处理、声音信号采用小波包分析进行处理以及对于声发射信号采用基于香农熵的EEMD方法进行处理,找出加速度传感器、传感器与声发射传感器关于铣磨头刀具磨损过程信号特征向量集合,然后利用主成分分析法对加速度传感器、声音传感器与声发射传感器预处理的关于磨损的信号特征向量进行降维处理,得到了铣磨头刀具磨损优选样本,并将其作为智能识别的输入向量。
在一较佳的实施例中,所述的对振动信号采用改进后的希尔伯特黄变换进行处理,具体步骤如下:
步骤(一):将振动信号先进行信号预处理,对处理好的振动信号利用小波包分解与重构,得到不同频段的窄带信号;
步骤(二):对不同频段的窄带振动信号做EMD分解得到若干个IMF分量;具体实现如下:
(1)对于窄带信号vi(t),找出信号的所有局部极大值和极小值点;
(2)对这些极值点进行样条插值,得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线,分别记为U(t)和L(t);
(3)上下包络线的均值为
(4)令h(t)=x(t)-m(t),验证h(t)是否满足IMF分量的条件,若满足,则h(t)为第一个IMF分量;如不满足,以h(t)为输入继续进行前面的步骤(1),直至得到第一个IMF分量,并将其记为c1(t);
(5)将r1(t)=x(t)-c1(t)作为新的分析信号,重复步骤(1)到步骤(4),得到c2(t),此时记r2(t)=r1(t)-c2(t),重复上述步骤直到得到余项rn(t)是一个单调信号或者其值小于某个预先给定的阈值,分解结束;
步骤(三):对原始信号和各个IMF分量做归一化处理后,计算各IMF分量与原始信号间的IMI;根据IMI的筛选指标选出反映信号特征的真实IMF分量,将筛选出来的真实IMF分量按照频率由高到低的顺序排序;
步骤(四):分别对步骤(三)得到的真实IMF分量做希尔伯特变换,得到信号的瞬时属性,如瞬时频率、瞬时幅度、边际谱和希尔伯特谱;具体实现如下:
式中P表示柯西主分量,因此可以得到一个解析信号为:
其中
(2)则每个IMF的瞬时频率为:
(3)用x(t)表示数据为
式中不包含残留物rn(t),Re表示取实部,称式右边为希尔伯特时频谱,简称希尔伯特谱,记作
(4)边际谱h(ω)为:
步骤(五):提取时频特征,根据信号的瞬时属性,提取时频统计特征,如第一个IMF分量的瞬时幅度的均值、边际谱的带宽、边际谱的峰值、边际谱方差;
步骤(六):提取关于铣磨头刀具磨损的振动信号的能量和信息包含最多的固有模态函数IMF以及边际谱最大幅值点等特征向量,将其作为模式识别的输入特征向量。
在一较佳的实施例中,所述的对声音信号采用小波分析处理,具体步骤如下:
步骤(1):将声音信号先进行信号预处理,采用高通滤波处理,而后对处理好的信号进行小波分解,选取合适的小波母函数,得到不同频段的信号;
步骤(2):对不同频段的声音信号进行能量计算,求得金刚石铣磨头刀具在不同磨损状态下的总能量的百分比;
步骤(3):按照各个频段的能量占比的高低,进行排序得到关于铣磨头刀具磨损的声音信号特征向量。
在一较佳的实施例中,所述的对声发射信号采用小波包分析进行处理,具体步骤如下:
步骤(Ⅰ):将声发射信号先进行信号预处理,并对处理过的声发射信号进行小波包分析方法进行处理,先选取合适的小波包基并确定分解层数;
步骤(Ⅱ):将选取好的小波包基和分解层数应用到步骤(Ⅰ)预处理后的声发射信号,对不同频段的声音信号进行能量计算,求得金刚石铣磨头刀具在不同磨损状态下的总能量的百分比;
步骤(Ⅲ):得到分解后刀具磨损的各个频段能量,按照各个频段的能量占比的高低进行排序,挑选出能够准确表征刀具磨损的频段,构成关于金刚石铣磨头刀具磨损的声发射信号特征向量。
相较于现有技术,本发明的技术方案具备以下有益效果:
本发明通过采集机床加工过程的振动信号、声音信号和声发射信号,利用振动信号、声音信号和声发射信号的特征向量,采用多传感器的特征级融合技术,建立振动信号、声音信号和声发射信号样本与刀具磨损等级的非线性映射关系,构建集成金刚石铣磨头刀具磨损状态的监测模型,实现了非直接式的间接刀具磨损监测,解决了金刚石铣磨头刀具磨损状态监测难题;通过分析加工过程的振动信号、声音信号和声发射信号,利用特征选择技术和特征融合技术,得到对金刚石铣磨头刀具磨损状态最敏感的特征数据,反映刀具磨损状态,显著提高监测系统的冗余度和容错性,从而保证决策的快速性和正确性,实现了监测金刚石铣磨头刀具磨损状态的方法研究,为金刚石铣磨头刀具磨损状态监测系统的研制提供了理论的基础。
本发明通过利用改进后的希尔伯特黄变换处理振动信号,它能够在时频空间中较好地描述振动信号的局部特征,弥补传统信号分析方法的不足,且有效地提高了时频分析的精确度,在时频域中深入挖掘振动信号所包含的金刚石铣磨头刀具磨损特征信息,以此来表征金刚石铣磨头磨损状态;通过基于EEMD的香农熵法方法来处理声发射信号,是其分解得到更平稳的IMF分量,不仅克服了EMD的模态混叠缺陷,还增强了自适应性,另外香农熵提取特征向量能筛选出有效的IMF分量,使所提取的分量与金刚石铣磨头刀具磨损状态联系更加紧密,从而为模式识别提供有效而准确地输入特征向量。
本发明通过利用基于粒子群优化的LS-SVM算法,粒子群优化算法具有并行好、鲁棒性强和全局自动搜索等特点,克服了LS-SVM模型参数选择缺陷,在降低计算复杂性、加快算法收敛速度的同时,较好地解决了小样本、非线性、高维数和局部极小点等实际问题,克服了在神经网络方法中无法避免局部极值、过度学习等问题,具有很强的泛化能力,有效地提高了铣磨头刀具磨损状态识别的准确率。
本发明通过搭建铣磨头磨损情况在线实时反馈的人机交互模块,可以实时在线监测金刚石铣磨头刀具磨损的磨损状态,一方面,根据刀具的磨损程度,及时更换刀具,避免盲目换刀带来的浪费,提升刀具利用率,减少生产成本,同时也减少陶瓷背板加工过程中由于刀具的原因而直接导致工件报废;另一方面,人机交互模块可以有效地解决当前企业生产过程中,实现产品质量检测的自动化以及无人化,减轻工人的劳动强度,节省人力成本。
附图说明
图1为本发明优选实施例中涉及的金刚石铣磨头多传感器特征级融合流程图;图2为本发明优选实施例中涉及的金刚石铣磨头刀具磨损状态监测方法流程示意图;
图3为本发明优选实施例中振动信号处理的流程图;
图4为本发明优选实施例中声发射信号处理的流程图;
图5为本发明优选实施例中智能识别的PSO-LS-SVM算法的流程图。
具体实施方式
下文结合附图和具体实施方式对本发明做进一步说明。
一种加工手机陶瓷背板的金刚石铣磨头刀具磨损状态监测系统,参考图1至5,包括其加工平台、铣磨头磨损信号采集模块;磨损过程的信号处理和特征提取模块;智能决策模块以及铣磨头磨损情况在线实时反馈的人机交互模块。
所述的加工平台、铣磨头磨损信号采集模块,其在于根据加工过程的环境以及传感器自身特点,采用真空吸盘固定好陶瓷毛坯,采用磁力座等专用夹具安装好加速度传感器、声音传感器与声发射传感器。然后对金刚石铣磨头铣磨加工陶瓷毛坯的过程信号进行采集;
所述的磨损过程的信号处理和特征提取模块,在信号处理与特征提取之前,应当首先对所述的加工平台、铣磨头磨损信号采集模块所采集到的原始信号进行信号预处理,所述的信号预处理主要包括对原始数据中的异常数据、缺失值和噪声数据进行数据清理。
进一步的,对于异常数据在处理前可以采用统计量进行判断、使用箱型图进行判断或者根据3σ原则对异常数据进行分析,而后根据情况,作出相应的决策,可以删除有异常的数据记录、将异常数据视为缺失值、利用平均值修正或者将异常数据视为正常数据进行操作。
进一步的,对于缺失值数据,其产生的原因多种多样,但是一般对于缺失值采用插补的方法来代替缺失值,常用的有最近邻补插,回归法和插值法。最近邻补插,即使用其缺失值样本附近的其他样本或者前后数据的平均值替代缺失值;回归法,即使用其他含缺失值的样本属性值建立拟合模型,然后使用该模型预测缺失值;插值法,与回归法类似,使用已知数据建立合适的插值函数,缺失值利用该函数计算出近似值代替。
所述的磨损过程的信号处理和特征提取模块,其信号处理方法大致分为时域法、频域法和时频域法。针对于加工平台、铣磨头磨损信号采集模块的加速度传感器采集到的振动信号,采用改进后的希尔伯特黄变换;声音信号采用小波包分析进行处理以及对于声发射信号采用改进的基于香农熵的EEMD方法进行处理,找出各个传感器关于铣磨头刀具磨损过程信号特征向量集合,然后利用主成分分析法对各个传感器预处理的关于磨损的信号特征向量进行降维处理,得到了铣磨头刀具磨损优选样本,并将其作为智能识别的输入向量。
所述的加工平台、铣磨头磨损信号采集模块的加速度传感器采集到的振动信号,采用希尔伯特黄变换,其具体步骤如下:
步骤一:将振动信号Vi(t)先进行信号预处理,对处理好的信号,选取合适的分阶层数与小波基,采用小波包分析对振动信号进行分解与重构,得到不同频段的窄带信号vi(t);
步骤二:对不同频段的窄带振动信号做EMD分解得到若干个IMF分量,具体实现如下:
(1)对于窄带信号vi(t),找出信号的所有局部极大值和极小值点;
(2)对这些极值点进行样条插值,得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线,分别记为U(t)和L(t);
(3)上下包络线的均值为
(4)令h(t)=x(t)-m(t),验证h(t)是否满足IMF分量的条件,若满足,则h(t)为第一个IMF分量;如不满足,以h(t)为输入继续进行前面的步骤(1),直至得到第一个IMF分量,并将其记为c1(t);
(5)将r1(t)=x(t)-c1(t)作为新的分析信号,重复步骤(1)到步骤(4),得到c2(t),此时记r2(t)=r1(t)-c2(t),重复上述步骤直到得到余项rn(t)是一个单调信号或者其值小于某个预先给定的阈值,分解结束。
步骤三:对振动的原始信号和各个IMF分量做归一化处理后,计算各IMF分量与原始信号间的IMI。根据IMI的筛选指标选出能够反映信号特征的真实IMF分量,将筛选出来的真实IMF分量按照频率由高到低的顺序排序。
步骤四:分别对步骤三得到的真实IMF分量做希尔伯特黄变换,提取时频特征,得到信号的瞬时属性,如IMF分量的瞬时频率、瞬时幅度、边际谱和希尔伯特谱等,具体实现如下:
式中P表示柯西主分量,因此可以得到一个解析信号为:
其中
(2)则每个IMF的瞬时频率为:
(3)可以用x(t)表示数据为
式中不包含残留物rn(t),Re表示取实部,称式右边为希尔伯特时频谱,简称希尔伯特谱,记作
(4)边际谱h(ω)为:
步骤五:提取关于铣磨头刀具磨损的振动信号的能量和信息包含最多的固有模态函数IMF以及边际谱最大幅值点等特征向量,将其作为模式识别的输入特征向量。
所述的加工平台、铣磨头磨损信号采集模块的声音传感器采集到的声音信号,采用小波包分析,其具体步骤如下:
步骤一:将声音信号Si(t)先进行信号预处理,采用高通滤波处理,而后对处理好的信号进行小波包分解,选取合适的分解层数i与小波基,得到不同频段的信号,则则t层分解的小波包能量谱向量Ei为:
Ei={Ei,p}={∑|fi,p|2}
其中:p=0,1,2,…,2i-1,fi,p为i层的小波包系数。
步骤二:将不同频段的声音信号进行重构,得到时间序列信号,通过对小波包重构后的信号幅值进行量化,计算出其各个频段的能量提取反映金刚石铣磨头刀具磨损的特征值,则各个频带下小波包分解频带下的能量比Ip:
其中能量比Ip反映铣磨加工过程中,声音信号在各个频段的小波包能量谱系数。
步骤三:进一步对特征值进行优化,提取刀具磨损特征值,分析每个频段内特征值的变化趋势,用较小的维数组成铣磨头刀具磨损的声音信号特征向量。
所述的加工平台、铣磨头磨损信号采集模块的声发射传感器采集到的声发射信号,采用基于香农熵的EEMD方法进行处理,其具体步骤如下:
步骤一:初始化加入的高斯白噪声幅值标准差比值,系数k和总体平均次数M,并令i=1;
步骤二:向声发射信号A(t)加入高斯白噪声信号ni(t),构成新的加噪后的信号Ai(t),其值为:
Ai(t)=A(t)+kni(t),i=1,2,…,M
式中:k为加入白噪声标准差与信号标准差的比值。
步骤三:对附加白噪声后的信号Ai(t)进行EMD分解,分解结果如下:
式中:ri,j(t)为残余分量,ci,j(t)表示第i次分解的第j(j=1,2,…,J)个IMF分量
步骤四:重复步骤二与步骤三,每次加入不同幅值的噪声序列,构成IMF的集合:{{c1,j(t)},{c2,j(t)},…,{cM,j(t)}}
步骤五:对步骤四分解的各个IMF求均值cj(t),并作为EEMD分解的最终IMF分量:
步骤六:计算各IMF分量的香农熵值,筛选出若干个时频分布聚集性较高的IMF分量,求得每个IMF分量的能量Ei,以及原始声发射信号的总能量E,并构造特征向量。
将振动信号的特征向量,声音信号的特征向量和声发射信号的特征向量组成特征矩阵,为:
其中:n表示样本的个数,m表示特征的个数
而后利用主成分分析法进行降维处理,其具体步骤如下:
步骤一:计算金刚石铣磨头刀具磨损特征向量的相关系数矩阵,将刀具磨损特征向量数据按列进行标准化处理,原始刀具磨损向量数据经过标准化处理以后的数据记为X;
步骤二:计算关于金刚石铣磨头刀具磨损的相关系数矩阵R的特征值(λ1,λ2,…,λp)以及相应的特征向量αi=(αi1,αi2,...,αip),i=1,2,...,p
R的特征方程:det(R—λE)=0,其中λ1≥λ2≥…≥0;
相关系数矩阵R=(rij)p×p
步骤三:选取关于刀具磨损的重要主成分,计算刀具磨损特征向量的贡献率和累计贡献率,确定其最终特征向量的主成分个数:
贡献率为:
累计贡献率为:
式中α为累计贡献率(通常取85%-95%)
步骤四:根据步骤三所确定的关于金刚石铣磨头刀具磨损的特征向量的主成分个数,则其主成分Fi可以表示为
Fi=a1iX1+a2iX2+…+aPiXP
其中:αi=(α1i,α2i,...,αpi)T,i=1,2,...,m,αi为单位特征向量。
所述的智能决策模块,是将降维处理后的关于金刚石刀具磨损过程的特征向量作为输入向量样本,经过粒子群优化LS-SVM算法,建立起关于金刚石铣磨头磨损的状态识别模型,其具体步骤如下:
步骤一:准备好关于铣磨头刀具磨损的特征向量,确定特征向量样本的训练集与测试样本集的比例个数,并初始化PSO算法各个参数;
步骤二:选择LS-SVM的惩罚因子γ和核参数σ作为该粒子算法的二维坐标,根据训练样本训练金刚石铣磨头刀具磨损状态模型,计算该粒子的适应度其中yt和yf分别表示分类的关于金刚石磨损状态模型识别的正确个数和错误个数。
步骤三:先将每一个粒子适应度与其本身的最优值作比较,更新其本身的最优适应度,而后再将每个粒子的最优适应度值与全局最优值进行比较,更新种群的全局最优适应度。
步骤四:更新粒子的速度vi和位置xi,其计算公式分别如下:
步骤五:判断循环条件是否满足,即当该算法是否已经达到最大的迭代次数,若未达到要求,则转到步骤二,继续迭代;否则,结束循环,并返回最优参数γ,σ和其识别精度,得到关于金刚石铣磨头刀具磨损状态识别模型。
所述的铣磨头磨损情况在线实时反馈的人机交互模块,本发明可以在LabVIEW中搭建好关于信号采集的实时显示界面,包括对于所采集的信号实时进行处理的功能,然后利用LabVIEW与Python之间的调用功能,调用智能决策模块中已经训练好的关于金刚石铣磨头刀具磨损状态识别模型,由此组成一个完整的金刚石铣磨头刀具磨损检测系统,实现对金刚石铣磨头加工过程的磨损状态在线监测的目的。
以上所述,仅为本发明较佳的具体实施方式,但本发明的设计构思并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,利用此构思对本发明进行非实质性的改动,均属于侵犯本发明保护范围的行为。
Claims (5)
1.一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于金刚石铣磨头磨损状态监测系统包括加工平台、铣磨头磨损信号采集模块、磨损过程的信号处理和特征提取模块、智能决策模块以及铣磨头磨损情况在线实时反馈的人机交互模块;具体包括以下几个步骤:
步骤一,进行搭建手机陶瓷背板的加工平台,根据手机陶瓷的工艺特征以及其形状参数,采用气动吸盘夹具来将陶瓷背板毛坯件固定在机床的工作平台上,并将加速度传感器、声音传感器与声发射传感器通过夹具安装固定;
步骤二,在陶瓷背板加工过程中,同时采用加速度传感器、声音传感器与声发射传感器对铣磨加工陶瓷手机背板的金刚石铣磨头工具磨损过程进行采集声音信号;
步骤三,将步骤二采集的信号进行信号预处理,信号预处理主要包括对原始数据中的异常数据、缺失值和噪声数据进行数据清理;而后根据加速度传感器、声音传感器与声发射传感器的信号特点,分别采用改进后的希尔伯特黄变换和小波分析时频域信号处理的方法,对振动信号、声音信号和声发射信号分别进行信号处理,而后对处理的结果采用降维处理的方法,从而实现对加工过程中多传感器信号进行特征级融合,最后得到关于刀具磨损的优选特征值;
步骤四,利用智能识别算法对刀具磨损的输入向量进行训练与测试处理,具体采用最小二乘向量机算法对步骤三经过的信号特征进行识别,并建立起关于铣磨头刀具磨损信号的识别模型;
步骤五,搭建起刀具状态识别的人机交互界面,根据建立的铣磨头刀具磨损信号的识别模型,最后通过编写在线实时反馈与数据重放分析界面,为金刚石铣磨头刀具磨损的实时监测提供便捷而有效的预警。
2.根据权利要求1所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于,所述的步骤三,对于磨损过程的信号处理和特征提取模块,包括对于采集的原始数据的异常信号、缺失信号以及噪声信号的进行预处理,而后对振动信号采用改进后的希尔伯特黄变换处理、声音信号采用小波包分析进行处理以及对于声发射信号采用基于香农熵的EEMD方法进行处理,找出加速度传感器、声音传感器与声发射传感器关于铣磨头刀具磨损过程信号特征向量集合,然后利用主成分分析法对加速度传感器、声音传感器与声发射传感器预处理的关于磨损的信号特征向量进行降维处理,得到了铣磨头刀具磨损优选样本,并将其作为智能识别的输入向量。
3.根据权利要求2所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于,所述的对振动信号采用改进后的希尔伯特黄变换进行处理,具体步骤如下:
步骤(一):将振动信号先进行信号预处理,对处理好的振动信号利用小波包分解与重构,得到不同频段的窄带信号;
步骤(二):对不同频段的窄带振动信号做EMD分解得到若干个IMF分量;具体实现如下:
(1)对于窄带信号vi(t),找出信号的所有局部极大值和极小值点;
(2)对这些极值点进行样条插值,得到由所有局部极大值点构成的上包络线和所有局部极小值点构成的下包络线,分别记为U(t)和L(t);
(3)上下包络线的均值为
(4)令h(t)=x(t)-m(t),验证h(t)是否满足IMF分量的条件,若满足,则h(t)为第一个IMF分量;如不满足,以h(t)为输入继续进行前面的步骤(1),直至得到第一个IMF分量,并将其记为c1(t);
(5)将r1(t)=x(t)-c1(t)作为新的分析信号,重复步骤(1)到步骤(4),得到c2(t),此时记r2(t)=r1(t)-c2(t),重复上述步骤直到得到余项rn(t)是一个单调信号或者其值小于某个预先给定的阈值,分解结束;
步骤(三):对原始信号和各个IMF分量做归一化处理后,计算各IMF分量与原始信号间的IMI;根据IMI的筛选指标选出反映信号特征的真实IMF分量,将筛选出来的真实IMF分量按照频率由高到低的顺序排序;
步骤(四):分别对步骤(三)得到的真实IMF分量做希尔伯特变换,得到信号的瞬时属性,如瞬时频率、瞬时幅度、边际谱和希尔伯特谱;具体实现如下:
式中P表示柯西主分量,因此可以得到一个解析信号为:
其中
(2)则每个IMF的瞬时频率为:
(3)用x(t)表示数据为
式中不包含残留物rn(t),Re表示取实部,称式右边为希尔伯特时频谱,简称希尔伯特谱,记作
(4)边际谱h(ω)为:
步骤(五):提取时频特征,根据信号的瞬时属性,提取时频统计特征,如第一个IMF分量的瞬时幅度的均值、边际谱的带宽、边际谱的峰值、边际谱方差;
步骤(六):提取关于铣磨头刀具磨损的振动信号的能量和信息包含最多的固有模态函数IMF以及边际谱最大幅值点等特征向量,将其作为模式识别的输入特征向量。
4.根据权利要求2所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于,所述的对声音信号采用小波分析处理,具体步骤如下:
步骤(1):将声音信号先进行信号预处理,采用高通滤波处理,而后对处理好的信号进行小波分解,选取合适的小波母函数,得到不同频段的信号;
步骤(2):对不同频段的声音信号进行能量计算,求得金刚石铣磨头刀具在不同磨损状态下的总能量的百分比;
步骤(3):按照各个频段的能量占比的高低,进行排序得到关于铣磨头刀具磨损的声音信号特征向量。
5.根据权利要求2所述的一种加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法,其特征在于,所述的对声发射信号采用小波包分析进行处理,具体步骤如下:
步骤(Ⅰ):将声发射信号先进行信号预处理,并对处理过的声发射信号进行小波包分析方法进行处理,先选取合适的小波包基并确定分解层数;
步骤(Ⅱ):将选取好的小波包基和分解层数应用到步骤(Ⅰ)预处理后的声发射信号,对不同频段的声音信号进行能量计算,求得金刚石铣磨头刀具在不同磨损状态下的总能量的百分比;
步骤(Ⅲ):得到分解后刀具磨损的各个频段能量,按照各个频段的能量占比的高低进行排序,挑选出能够准确表征刀具磨损的频段,构成关于金刚石铣磨头刀具磨损的声发射信号特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490242.9A CN111783544B (zh) | 2020-06-02 | 2020-06-02 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490242.9A CN111783544B (zh) | 2020-06-02 | 2020-06-02 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783544A true CN111783544A (zh) | 2020-10-16 |
CN111783544B CN111783544B (zh) | 2023-09-01 |
Family
ID=72753354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010490242.9A Active CN111783544B (zh) | 2020-06-02 | 2020-06-02 | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783544B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112192250A (zh) * | 2020-10-20 | 2021-01-08 | 衢州学院 | 一种基于主轴系统热设计的信息采集融合装置及其方法 |
CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
CN114905334B (zh) * | 2022-05-17 | 2023-10-20 | 北京理工大学 | 一种智能实时清洁切削监控系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN109318055A (zh) * | 2018-09-11 | 2019-02-12 | 温州大学苍南研究院 | 一种铣削刀具磨损状态特征提取多目标优化方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
-
2020
- 2020-06-02 CN CN202010490242.9A patent/CN111783544B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109318055A (zh) * | 2018-09-11 | 2019-02-12 | 温州大学苍南研究院 | 一种铣削刀具磨损状态特征提取多目标优化方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
Non-Patent Citations (3)
Title |
---|
何栋磊;黄民;: "基于改进EEMD和香农熵的铣刀磨损状态监测研究", 组合机床与自动化加工技术, no. 05 * |
毕果 等: "金刚石砂轮磨削性能退化评估", 《光学精密工程》 * |
沈剑云: "微粉金刚石表面镀钛对钎焊磨具性能的影响", 《中国表面工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112192250A (zh) * | 2020-10-20 | 2021-01-08 | 衢州学院 | 一种基于主轴系统热设计的信息采集融合装置及其方法 |
CN114905334B (zh) * | 2022-05-17 | 2023-10-20 | 北京理工大学 | 一种智能实时清洁切削监控系统和方法 |
CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
CN116652823B (zh) * | 2023-06-26 | 2024-03-22 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111783544B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783544B (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN109858345B (zh) | 一种适用于胀管设备的智能故障诊断方法 | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN116224930B (zh) | 一种数控磨床产品的加工控制方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN108763048B (zh) | 一种基于粒子滤波的硬盘故障预警与可靠性评估方法 | |
CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
CN112200000A (zh) | 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法 | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理系统及方法 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN108759479B (zh) | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 | |
CN115828164A (zh) | 一种基于数据驱动的电动钉枪故障类型识别方法 | |
CN115392292A (zh) | 基于注意力循环神经网络的刀具磨损在线监测方法 |
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 |