CN112405072A - 一种机床切削颤振的在线监测方法及装置 - Google Patents

Abstract

本发明公开了一种机床切削颤振的在线监测方法及装置，该方法包括：采集机床切削过程中的振动信号；对振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；对振动信号进行小波包分解；选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；对重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；通过奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。通过本发明，能够实现批量生产、变切削参数下的颤振识别，具有很好的普适性。

Description

一种机床切削颤振的在线监测方法及装置

技术领域

本发明涉及机床加工技术领域，特别涉及一种机床切削颤振的在线监测方法及装置。

背景技术

高速铣削加工是航空、航天、车辆、船舶等关键领域的主要加工方式之一，加工稳定性对提高产品质量、生产效率，降低生产成本都有着重大影响。切削颤振是金属加工中由于刀具与工件之间的自激效应而自发产生的一种振动现象，颤振的产生对产品的表面质量、刀具的磨损都有破坏性的影响，严重时甚至对机床主轴带来损伤，是一种在机加工中必须避免的现象。目前主要研究方向都是依据机床动力学特性，建立稳定性预测模型。但由于机床实际加工过程中，受环境、温度、振动等影响，理论模型与实际模型有出入，很难在实际中被广泛应用。因此通过传感器信号对颤振进行在线监测与识别是一种更有效的方法，国内外目前都是通过采集反映切削颤振本质的加工信号，利用信号处理算法进行特征提取，选择合适的阈值或者分类器对颤振进行在线监测与识别，这些研究都局限于在定参数下进行颤振识别，在实际加工中作用有限。

因此，急需提供一种在变参数下的切削加工的颤振识别方法。

发明内容

本发明针对上述现有技术中存在的问题，提出一种机床切削颤振的在线监测方法及装置，具有很好的普适性，能够实现批量生产、变切削参数下的颤振识别。

为解决上述技术问题，本发明是通过如下技术方案实现的：

本发明提供一种机床切削颤振的在线监测方法，其包括：

S11：采集机床切削过程中的振动信号；

S12：对所述S11中的振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；

S13：对所述振动信号进行小波包分解；

S14：选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

S15：对所述重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；

S16：通过所述奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。

较佳地，所述S11与S12之间还包括：

S21：对于所述振动信号，通过确定样本间隔为K个采样点，得到N个采样点的分段样本信号；

所述S13进一步为：分别对不同的分段样本信号进行多层小波包分解。

较佳地，所述小波包分解的算法公式为：

其中，c_p(l)原始振动信号，

代表分解的低频部分，

代表分解的高频部分，h_l-2k、g_l-2k分别表示滤波器低频、高频分解系数，j＝1,2,3,...,J，J为分解层数。

较佳地，所述S14中的小波包系数重构的算法公式为：

较佳地，所述S15中的S变换的算法公式为：

其中，S(τ,f)为变换得到的时频谱二维矩阵；x(t)为重构振动信号；

为高斯窗函数；f为频率；τ为时间，控制窗口函数在时间轴上的位置；

所述奇异值分解的原理为：

其中，d1≥d2≥...≥dr≥0为奇异值，U、VT均为正交矩阵；

所述奇异值熵为：

其中，

是第i个主分量在总能量中的贡献率。

较佳地，所述16进一步为：当所述奇异值熵特征曲线在某一时刻急剧减小，则判定此刻机床切削过程中出现颤振现象。

较佳地，所述S11中的振动信号为加速度信号；

所述S11进一步为：通过加速度传感器采集机床切削过程中的振动信号。

本发明还提供一种机床切削颤振的在线监测装置，其包括：振动采集单元、快速傅里叶变换单元、小波包分解、小波包系数重构、奇异值熵特征曲线获取单元以及是否出现颤振判断单元；其中，

所述振动采集单元用于采集机床切削过程中的振动信号；

所述快速傅里叶变换单元用于对所述振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；

所述小波包分解单元用于对所述振动信号进行小波包分解；

所述小波包系数重构单元用于选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

所述奇异值熵特征曲线获取单元用于对所述重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；

所述是否出现颤振判断单元用于通过所述奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。

较佳地，还包括：振动信号分段单元，用于对于所述振动采集单元采集的振动信号，通过确定样本间隔为K个采样点，得到N个采样点的分段样本信号。

较佳地，所述振动采集单元为加速度传感器。

相较于现有技术，本发明具有以下优点：

(1)本发明提供的机床切削颤振的在线监测方法及装置，通过奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象，由于奇异值熵特征能够反映系统加工的信号复杂度，即使在不同切削参数下，只要系统加工稳定性发生改变，都能通过奇异值熵曲线反映出来，具有很好的普适性，能够实现批量生产、变切削参数下的颤振识别；

(2)本发明提供的机床切削颤振的在线监测方法及装置，通过S变换得到二维矩阵，经过奇异值分解，将奇异值熵作为颤振特征，在判断颤振是否确切发生的准确性上更有优势；

(3)本发明提供的机床切削颤振的在线监测方法及装置，通过S变换得到的特征对噪声不敏感，具有很好的鲁棒性；并且由于奇异值熵对系统具有很好的敏感性，当系统稳定性发生变换时，通过小波包和S变换后可以非常明显地体现出来，它可以实现颤振的早期预报，对于切削颤振监测具有重要的实际意义，能够在颤振即将发生前提前识别预报，能够有效预防颤振对工件、刀具甚至机床本身带来的损伤。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

下面结合附图对本发明的实施方式作进一步说明：

图1为本发明一实施例的机床切削颤振的在线监测方法的流程图；

图2a为本发明一实施例的稳定状态的FFT频谱图；

图2b为本发明一实施例的过渡状态的FFT频谱图；

图2c为本发明一实施例的颤振状态的FFT频谱图；

图3为本发明一实施例的小波包分解过程示意图；

图4为本发明一实施例的奇异值熵特征曲线图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示为本发明一实施例的机床切削颤振的在线监测方法的流程图。

请参考图1，本实施例的机床切削颤振的在线监测方法包括：

S11：通过安装在卧式铣床主轴上的加速度传感器采集铣削过程中的加速度信号，表示为x(t)，其中t表示时间。采集的振动信号包括稳定状态信号、过渡状态信号以及颤振状态信号；

S21：对上述采集的原始振动信号，通过确定样本间隔为200个采样点，得到分段的长度为2000的样本信号x(t₁),x(t₂),...,x(t_m)，m代表分段样本集的段数；

S12：对原始振动信号进行快速傅里叶变换，得到最大幅值的频率范围；

S13：分别对不同的样本集进行小波包分解，按图3所示进行小波包树逐层分解，能够同时对低频、高频信号再次分解，采用‘db1’小波基，分解层数为4，得到S40、S41、S42、S43、S44、S45、S46、S47、S48、S49、S410、S411、S412、S413、S414、S415，一共16个频带尺度下的小波包系数；:小波包分解的算法公式如下：

式中，c_p(l)代表原始振动信号，

代表分解的低频部分，

代表分解的高频部分，h_l-2k、g_l-2k表示滤波器低频、高频分解系数，j＝1,2,3,...,J(J为分解层数)。

如图2a-2c所示，通过对原始振动信号中稳定状态(2a所示)、过渡状态(2b所示)、以及颤振状态信号(2c所示)分别进行基于FFT的频谱分析，稳定状态下最大幅值所处的频率范围会随着颤振的产生发生能量变化，发生能量频移现象。

S14：选取包含最大幅值对应频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

小波包重构算法公式为：

S15：对重构的振动信号进行S变换，并对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的特征曲线；

S变换的定义如下：x(t)为重构的特征频带振动信号：

其中，S(τ,f)为变换得到的时频谱二维矩阵；

为高斯窗函数；f为频率；τ为时间，控制窗口函数在时间轴上的位置。

奇异值分解的定义如下：S为二维矩阵：

其中，d1≥d2≥...≥dr≥0为奇异值，U、VT均为正交矩阵。

提取的奇异值熵特征T：

式中，

为二维矩阵经过分解后奇异值向量中第i个主分量在总能量中的贡献率；

S16：通过辨识奇异值熵T曲线判定系统此时的稳定性，如图4所示，即观察奇异值熵曲线值是否在某一时刻急剧减小来监测加工中是否出现颤振现象，破坏系统的稳定性。

较佳实施例中，S16具体为：若16个频带中某一频带的奇异值熵曲线值在某一时刻急剧减小，且值变化的幅度大于0.2时，则判定此刻加工中发生颤振，达到颤振的预报警效果；若所有奇异值熵曲线值在某一时刻未急剧减小，即值变化的幅度始终在0.2之间，则判定此时系统处于稳定状态。

如图4所示，大约在0.4秒处，奇异值熵值在这一时刻急剧减小，此时的奇异值熵具有稳定状态和过渡状态的信息，复杂性急剧上升，在0-0.4秒，奇异值熵稳定在8.5-8.6，当值小于8.3时，判定此刻加工中发生颤振，达到颤振的预报警效果；若奇异值熵曲线值在某一时刻未急剧减小，处于0～0.4秒的状态，则判定此时系统处于稳定状态；在约0.48秒处开始，奇异值熵又开始急剧上升，这是因为此时信号开始包含更多的颤振状态、过渡状态渐渐减小，系统复杂性减弱。该种方法通过锁定某一频带，快速地通过奇异值熵来识别颤振发生与否，为切削颤振早期预报带来实际意义。

一实施例中，还提供一种机床切削颤振的在线监测装置，其包括：振动采集单元、快速傅里叶变换单元、小波包分解、小波包系数重构、奇异值熵特征曲线获取单元以及是否出现颤振判断单元；其中，

振动采集单元用于采集机床切削过程中的振动信号；

快速傅里叶变换单元用于对振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；

小波包分解单元用于对所述振动信号进行小波包分解；

小波包系数重构单元用于选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

奇异值熵特征曲线获取单元用于对所述重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；

是否出现颤振判断单元用于通过奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。

较佳实施例中，还包括：振动信号分段单元，用于对于振动采集单元采集的振动信号，通过确定样本间隔为K个采样点，得到N个采样点的分段样本信号。

较佳实施例中，振动采集单元为加速度传感器，安装在卧式铣床主轴上。

此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。

Claims (10)

1.一种机床切削颤振的在线监测方法，其特征在于，包括：

S11：采集机床切削过程中的振动信号；

S12：对所述S11中的振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；

S13：对所述振动信号进行小波包分解；

S14：选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

S15：对所述重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；

S16：通过所述奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。

2.根据权利要求1所述的机床切削颤振的在线监测方法，其特征在于，所述S11与S12之间还包括：

S21：对于所述振动信号，通过确定样本间隔为K个采样点，得到N个采样点的分段样本信号；

所述S13进一步为：分别对不同的分段样本信号进行多层小波包分解。

3.根据权利要求1所述的机床切削颤振的在线监测方法，其特征在于，所述小波包分解的算法公式为：

其中，c_p(l)原始振动信号，

代表分解的低频部分，

代表分解的高频部分，h_l-2k、g_l-2k分别表示滤波器低频、高频分解系数，j＝1,2,3,...,J，J为分解层数。

4.根据权利要求3所述的机床切削颤振的在线监测方法，其特征在于，所述S14中的小波包系数重构的算法公式为：

5.根据权利要求4所述的机床切削颤振的在线监测方法，其特征在于，所述S15中的S变换的算法公式为：

其中，S(τ,f)为变换得到的时频谱二维矩阵；x(t)为重构振动信号；

为高斯窗函数；f为频率；τ为时间，控制窗口函数在时间轴上的位置；

所述奇异值分解的原理为：

其中，d1≥d2≥...≥dr≥0为奇异值，U、VT均为正交矩阵；

所述奇异值熵为：

其中，

是第i个主分量在总能量中的贡献率。

6.根据权利要求1至5任一项所述的机床切削颤振的在线监测方法，其特征在于，所述16进一步为：当所述奇异值熵特征曲线在某一时刻急剧减小，则判定此刻机床切削过程中出现颤振现象。

7.根据权利要求6所述的机床切削颤振的在线监测方法，其特征在于，所述S11中的振动信号为加速度信号；

所述S11进一步为：通过加速度传感器采集机床切削过程中的振动信号。

8.一种机床切削颤振的在线监测装置，其特征在于，包括：振动采集单元、快速傅里叶变换单元、小波包分解、小波包系数重构、奇异值熵特征曲线获取单元以及是否出现颤振判断单元；其中，

所述振动采集单元用于采集机床切削过程中的振动信号；

所述快速傅里叶变换单元用于对所述振动信号进行快速傅里叶变换，以确定频域幅值最大值所在的频率范围；

所述小波包分解单元用于对所述振动信号进行小波包分解；

所述小波包系数重构单元用于选取包含最大幅值频率的频带进行小波包系数重构，得到重构特征频带的振动信号；

所述奇异值熵特征曲线获取单元用于对所述重构特征频带的振动信号进行S变换，对变换后得到的二维矩阵进行奇异值分解，提取表征信号复杂性的奇异值熵特征，并绘制随时间变化的奇异值熵特征曲线；

所述是否出现颤振判断单元用于通过所述奇异值熵特征曲线来判定机床切削过程中是否出现颤振现象。

9.根据权利要求8所述的机床切削颤振的在线监测装置，其特征在于，还包括：振动信号分段单元，用于对于所述振动采集单元采集的振动信号，通过确定样本间隔为K个采样点，得到N个采样点的分段样本信号。

10.根据权利要求8或9所述的机床切削颤振的在线监测装置，其特征在于，所述振动采集单元为加速度传感器。

Images