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

一种机床切削颤振的在线监测方法及装置 Download PDF

Info

Publication number
CN112405072A
CN112405072A CN202011251745.7A CN202011251745A CN112405072A CN 112405072 A CN112405072 A CN 112405072A CN 202011251745 A CN202011251745 A CN 202011251745A CN 112405072 A CN112405072 A CN 112405072A
Authority
CN
China
Prior art keywords
machine tool
singular value
vibration
chatter
frequency
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
Application number
CN202011251745.7A
Other languages
English (en)
Other versions
CN112405072B (zh
Inventor
许黎明
邢诺贝
赵达
刘福军
周超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202011251745.7A priority Critical patent/CN112405072B/zh
Publication of CN112405072A publication Critical patent/CN112405072A/zh
Application granted granted Critical
Publication of CN112405072B publication Critical patent/CN112405072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B23Q7/00—Arrangements for handling work specially combined with or arranged in, or specially adapted for use in connection with, machine tools, e.g. for conveying, loading, positioning, discharging, sorting
    • 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
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/0032—Arrangements for preventing or isolating vibrations in parts of the machine

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

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：
Figure BDA0002771807720000021
Figure BDA0002771807720000022
其中，cp(l)原始振动信号，
Figure BDA0002771807720000023
代表分解的低频部分，
Figure BDA0002771807720000024
代表分解的高频部分，hl-2k、gl-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：
Figure BDA0002771807720000031
较佳地，所述S15中的S变换的算法公式为：
Figure BDA0002771807720000032
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；
Figure BDA0002771807720000033
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：
Figure BDA0002771807720000034
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：
Figure BDA0002771807720000035
其中，
Figure BDA0002771807720000036
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(tm)，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：
Figure BDA0002771807720000061
Figure BDA0002771807720000062
式中，cp(l)代表原始振动信号，
Figure BDA0002771807720000063
代表分解的低频部分，
Figure BDA0002771807720000064
代表分解的高频部分，hl-2k、gl-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：
Figure BDA0002771807720000065
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；
Figure BDA0002771807720000071
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：
Figure BDA0002771807720000072
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：
Figure BDA0002771807720000073
式中，
Figure BDA0002771807720000074
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：
Figure FDA0002771807710000011
Figure FDA0002771807710000012
其中，cp(l)原始振动信号，
Figure FDA0002771807710000013
代表分解的低频部分，
Figure FDA0002771807710000014
代表分解的高频部分，hl-2k、gl-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：
Figure FDA0002771807710000021
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：
Figure FDA0002771807710000022
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；
Figure FDA0002771807710000023
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：
Figure FDA0002771807710000024
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：
Figure FDA0002771807710000025
其中，
Figure FDA0002771807710000026
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。
CN202011251745.7A 2020-11-11 2020-11-11 一种机床切削颤振的在线监测方法及装置 Active CN112405072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011251745.7A CN112405072B (zh) 2020-11-11 2020-11-11 一种机床切削颤振的在线监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011251745.7A CN112405072B (zh) 2020-11-11 2020-11-11 一种机床切削颤振的在线监测方法及装置

Publications (2)

Publication Number Publication Date
CN112405072A true CN112405072A (zh) 2021-02-26
CN112405072B CN112405072B (zh) 2022-04-26

Family

ID=74781852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011251745.7A Active CN112405072B (zh) 2020-11-11 2020-11-11 一种机床切削颤振的在线监测方法及装置

Country Status (1)

Country Link
CN (1) CN112405072B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112974945A (zh) * 2021-03-19 2021-06-18 天津大学 基于变分模态分解与跟踪阈值的铣削颤振监测方法
CN113059402A (zh) * 2021-03-31 2021-07-02 南昌大学 一种数控铣床铣削颤振智能监测系统
CN113984190A (zh) * 2021-10-20 2022-01-28 上海交通大学 机器人钻削颤振识别方法和系统
CN114714157A (zh) * 2022-03-23 2022-07-08 大连大学 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065254A1 (en) * 2004-11-01 2008-03-13 University Of Florida Research Foundation, Inc. Methods for Machining Process Parameter Estimation and Systems Thereof
CN103190898A (zh) * 2013-04-23 2013-07-10 何怡刚 心磁信号噪声自适应滤波消除设计方法
TW201332708A (zh) * 2012-02-10 2013-08-16 中原大學 刀具顫振監控方法
CN104236871A (zh) * 2013-06-09 2014-12-24 沈阳透平机械股份有限公司 离心式压缩机半开式叶轮裂纹故障识别方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
TWM522802U (zh) * 2015-12-18 2016-06-01 Dah Lih Machinery Industry Co Ltd 用於加工機的切削顫振控制裝置
CN105700477A (zh) * 2016-04-28 2016-06-22 上海交通大学 一种基于颤振频率的加工颤振智能抑制方法
CN105808950A (zh) * 2016-03-09 2016-07-27 常州信息职业技术学院 微铣削颤振的在线预测方法
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106446829A (zh) * 2016-09-22 2017-02-22 三峡大学 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法
CN106553084A (zh) * 2016-11-29 2017-04-05 天津大学 一种基于小波包变换和近似熵特征的机床颤振在线监测方法
CN107297649A (zh) * 2017-06-05 2017-10-27 天津大学 一种基于小波包和希尔伯特变换的机床颤振在线监测方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
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
CN110530495A (zh) * 2019-09-10 2019-12-03 长沙理工大学 一种基于振动分析的切削颤振监测方法
CN110597184A (zh) * 2019-10-12 2019-12-20 上海交通大学 在线同时调整变主轴转速幅值和频率的主动颤振抑制方法
CN111890126A (zh) * 2020-07-03 2020-11-06 太原理工大学 一种基于声压能量峭度指标的早期车削颤振预警监测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065254A1 (en) * 2004-11-01 2008-03-13 University Of Florida Research Foundation, Inc. Methods for Machining Process Parameter Estimation and Systems Thereof
TW201332708A (zh) * 2012-02-10 2013-08-16 中原大學 刀具顫振監控方法
CN103190898A (zh) * 2013-04-23 2013-07-10 何怡刚 心磁信号噪声自适应滤波消除设计方法
CN104236871A (zh) * 2013-06-09 2014-12-24 沈阳透平机械股份有限公司 离心式压缩机半开式叶轮裂纹故障识别方法
CN104786101A (zh) * 2015-04-29 2015-07-22 常州信息职业技术学院 立铣切削颤振的监测方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
TWM522802U (zh) * 2015-12-18 2016-06-01 Dah Lih Machinery Industry Co Ltd 用於加工機的切削顫振控制裝置
CN105808950A (zh) * 2016-03-09 2016-07-27 常州信息职业技术学院 微铣削颤振的在线预测方法
CN105700477A (zh) * 2016-04-28 2016-06-22 上海交通大学 一种基于颤振频率的加工颤振智能抑制方法
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106446829A (zh) * 2016-09-22 2017-02-22 三峡大学 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法
CN106553084A (zh) * 2016-11-29 2017-04-05 天津大学 一种基于小波包变换和近似熵特征的机床颤振在线监测方法
CN107297649A (zh) * 2017-06-05 2017-10-27 天津大学 一种基于小波包和希尔伯特变换的机床颤振在线监测方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
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
CN110530495A (zh) * 2019-09-10 2019-12-03 长沙理工大学 一种基于振动分析的切削颤振监测方法
CN110597184A (zh) * 2019-10-12 2019-12-20 上海交通大学 在线同时调整变主轴转速幅值和频率的主动颤振抑制方法
CN111890126A (zh) * 2020-07-03 2020-11-06 太原理工大学 一种基于声压能量峭度指标的早期车削颤振预警监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王二化等: "基于小波包分解和奇异谱分析方法的立铣加工颤振监测", 《机床与液压》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112974945A (zh) * 2021-03-19 2021-06-18 天津大学 基于变分模态分解与跟踪阈值的铣削颤振监测方法
CN113059402A (zh) * 2021-03-31 2021-07-02 南昌大学 一种数控铣床铣削颤振智能监测系统
CN113059402B (zh) * 2021-03-31 2022-07-12 南昌大学 一种数控铣床铣削颤振智能监测系统
CN113984190A (zh) * 2021-10-20 2022-01-28 上海交通大学 机器人钻削颤振识别方法和系统
CN114714157A (zh) * 2022-03-23 2022-07-08 大连大学 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法
CN114714157B (zh) * 2022-03-23 2023-05-30 大连大学 一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法

Also Published As

Publication number Publication date
CN112405072B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN112405072B (zh) 一种机床切削颤振的在线监测方法及装置
Aghazadeh et al. Tool condition monitoring using spectral subtraction and convolutional neural networks in milling process
CN109434564A (zh) 一种基于深度神经网络的铣刀磨损状态监测方法
Li et al. Online chatter detection in milling process based on VMD and multiscale entropy
CN109710955B (zh) 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法
CN108629864B (zh) 一种基于振动的电主轴径向精度表征方法及其系统
CN106970593A (zh) 一种通过主轴转速智能控制实现加工颤振在线抑制的方法
CN103203670B (zh) 基于最大信息熵与方向散度的磨削颤振预测方法
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
Han et al. ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system
CN115016403A (zh) 一种滚动轴承外圈内滚道的磨削加工过程控制方法及系统
Gao et al. Identification of cutting chatter through deep learning and classification
Sener et al. Intelligent chatter detection in milling using vibration data features and deep multi-layer perceptron
CN112395809A (zh) 一种加工零件表面振纹缺陷检测方法
CN116304751A (zh) 用于动车组部件检修的运行数据处理方法
CN114523338A (zh) 一种基于噪声分析的切削刀具磨损状态监测方法
CN118060972A (zh) 一种基于离散小波分解的刀具磨损监测方法
Sun et al. Real-time chatter detection using the weighted wavelet packet entropy
CN110530495B (zh) 一种基于振动分析的切削颤振监测方法
Zhuo et al. Chatter identification in flank milling of thin-walled blade based on fractal dimension
CN114310483B (zh) 一种数控加工尺寸误差预测方法
Long et al. Applications of fractional lower order frequency spectrum technologies to bearing fault analysis
CN114800042B (zh) 一种基于功率谱熵差的机器人铣削加工颤振类型辨识方法
Rabah et al. Tool wear condition monitoring based on blind source separation and wavelet transform
CN115685746B (zh) 一种机床工作台的离线和在线结合的系统辨识方法

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