CN112846938B - 一种切削工况下的主轴回转精度劣化溯源系统 - Google Patents

一种切削工况下的主轴回转精度劣化溯源系统 Download PDF

Info

Publication number
CN112846938B
CN112846938B CN202110005626.1A CN202110005626A CN112846938B CN 112846938 B CN112846938 B CN 112846938B CN 202110005626 A CN202110005626 A CN 202110005626A CN 112846938 B CN112846938 B CN 112846938B
Authority
CN
China
Prior art keywords
main shaft
signal
module
error
traceability
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.)
Active
Application number
CN202110005626.1A
Other languages
English (en)
Other versions
CN112846938A (zh
Inventor
王红军
魏许杰
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology 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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202110005626.1A priority Critical patent/CN112846938B/zh
Publication of CN112846938A publication Critical patent/CN112846938A/zh
Application granted granted Critical
Publication of CN112846938B publication Critical patent/CN112846938B/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
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种切削工况下的主轴回转精度劣化溯源系统，其在线处理部分包括数据采集模块、信号分析与处理模块和人机交互模块；离线处理部分包括劣化溯源模块；数据采集模块用于采集切削工况下的主轴振动位移信号，得到主轴回转误差并传输至信号分析与处理模块；信号分析与处理模块将接收到的主轴回转误差信号进行频谱变换，并对采集到的原始振动信号进行降噪处理，对传感器测得的主轴振动位移信号进行误差分离，对主轴回转误差进行误差结果评定；人机交互模块与信号分析与处理模块进行信息交互，用于显示评定结果，并生成报表；设置采集信号的参数并传输至信号分析与处理模块；劣化溯源模块用于进行基于轴心轨迹的主轴回转精度劣化分析，实现主轴运行状态识别。

Description

一种切削工况下的主轴回转精度劣化溯源系统
技术领域
本发明涉及一种数控机床技术领域，特别是关于一种切削工况下的主轴回转精度劣化溯源系统。
背景技术
主轴作为数控机床的核心部件，其性能优劣直接决定了零件加工的质量，因而主轴的动态性能研究成为人们关注的焦点。主轴回转误差的研究对于主轴回转精度、主轴性能劣化溯源、加工参数优化和误差补偿等方面有着重要意义。目前主轴的回转误差研究主要停留在机床空载工况下进行的，其运行状态与切削工况下的真实情况相差甚远，只能局部的反映主轴性能。
发明内容
针对上述问题，本发明的目的是提供一种切削工况下的主轴回转精度劣化溯源系统，其能完成主轴回转精度劣化溯源，溯源效果较好。
为实现上述目的，本发明采取以下技术方案：一种切削工况下的主轴回转精度劣化溯源系统，其包括在线处理部分和离线处理部分；所述在线处理部分包括数据采集模块、信号分析与处理模块和人机交互模块；所述离线处理部分包括劣化溯源模块；
所述数据采集模块用于采集切削工况下的主轴振动位移信号，得到主轴回转误差并传输至所述信号分析与处理模块；
所述信号分析与处理模块将接收到的主轴回转误差信号进行频谱变换，并对其频谱图进行分析；同时，对采集到的原始振动信号进行降噪处理，对传感器测得的主轴振动位移信号进行误差分离，并用形状成像法对主轴回转误差进行误差结果评定；
所述人机交互模块与信号分析与处理模块进行信息交互，用于显示评定结果，并生成报表；设置采集信号的参数并传输至所述信号分析与处理模块；
所述劣化溯源模块用于进行基于轴心轨迹的主轴回转精度劣化分析，实现主轴运行状态识别。
进一步，在所述数据采集模块中，采用三个电涡流位移传感器A、B、C采集主轴振动位移信号，所述主轴振动位移信号是主轴回转误差和被测目标的表面形状误差的集合。
进一步，三个所述电涡流位移传感器A、B、C设置在主轴的周围，所述电涡流位移传感器A位于X轴的轴线上，所述电涡流位移传感器B放置于与X轴成α角度的位置上，所述电涡流位移传感器C放置于与X轴成β角度的位置上，三个所述电涡流位移传感器A、B、C处于同一截面且传感器延长线汇于一点。
进一步，所述角度α和角度β的取值为：α∈(80.2°,83.7°)，β∈(134.6°,144.4°)。
进一步，所述信号分析与处理模块包括信号降噪模块和误差分离模块；所述信号降噪模块中采用基于VMD与小波变换联合的降噪方法，所述误差分离模块中采用三点法或矩阵算法对降噪后的误差信号进行误差分离。
进一步，所述降噪方法包括：
步骤11、输入主轴振动位移信号设置VMD参数：惩罚因子设置为2000，带宽参数设置为τ＝0并输入分解层数k，k将原始振动信号分解为k个IMF分量；
步骤12、输入不同的k值，得到中心频率分布值；根据中心频率判断分解层数的优劣差异，确定分解层数；
步骤13、计算各IMF分量与原始主轴振动位移信号的相关性，根据相关系数原则选择相关度较高的IMF分量，舍弃相关度较低的IMF分量；
步骤14、采用新的小波自适应阈值对选择的IMF分量进行降噪，并将降噪后的各分量进行重构，得到降噪后的主轴回转位移信号。
进一步，所述新的小波自适应阈值函数η(x,λ)为：
Figure BDA0002883225710000021
式中，x＝(x1,x2,…,xN)是不含噪声信息的原始信号，N为采样点数；k＝(k1,k2,…,kN)，且k～N(0,σ2)属于噪声，σ是噪声的标准差；λ为乘法算子；参数a、b为正常数；m为小波函数阈值的逼近程度，在区间(0,1)中调整参数m的大小。
进一步，所述三点法误差分离方法包括：
步骤21、设三个电涡流位移传感器A、B、C的输出信号分别为S0(θ)、S1(θ)、S2(θ)；
步骤22、将三个输出信号乘以权系数c0、c1、c2相加之后构造形状误差线性方程；
步骤23、对形状误差线性方程进行FFT变换，提取出形状误差r(θ)；
步骤24、将得到的形状误差r(θ)带入所述步骤21的三个输出信号表达式中，得到回转误差的X轴和Y轴的两个分量x(θ)、y(θ)。
进一步，所述劣化溯源模块中采用基于CGA-SVR的回转精度劣化溯源模型进行溯源，其中，CGA为混沌遗传算法，SVR为支持向量机回归模型；溯源方法包括：
步骤31、将采集到的主轴振动位移信号进行去噪，完成信号前期处理；
步骤32、提取发生回转精度劣化的主轴轴心轨迹，并计算其特征向量；
步骤33、将特征向量进行归一化处理，并随机选取所有特征向量的70％为训练样本，其它作为测试样本；
步骤34、设定SVR参数的初始取值范围；
步骤35、采用CGA产生初始种群，将其作为SVR模型的初始参数；
步骤36、将训练样本输入到SVR模型，利用CGA算法对SVR参数不断迭代进化，最终得到参数(C,γ,ε)的最优解；其中，C为惩罚因子，C>0；γ是径向基核函数的参数；ε为不敏感损失系数；
步骤37、将测试样本输入到优化完成的SVR模型，进行状态识别与分类；
步骤38、根据识别与分类后的状态进行主轴回转精度劣化溯源，完成劣化溯源诊断。
进一步，所述步骤32中，采用轴心轨迹不变矩提取发生回转精度劣化的主轴轴心轨迹的特征值；提取方法包括：
步骤321、确定p+q阶的矩Mpq；其中，p,q均为整数；
步骤322、根据矩Mpq确定p+q阶的中心矩mpq；
步骤323、将中心矩归一化之后得到7阶的不变值
Figure BDA0002883225710000031
前4阶用于描述图像的大体特征，5-7阶矩则是图像的图形特征。
本发明由于采取以上技术方案，其具有以下优点：1、本发明实现了主轴振动位移信号采集、信号处理、误差分离、评价和回转精度劣化溯源。对机床的主轴回转精度进行测量，对比Lion设备所测结果，验证了系统的有效性。同时在该机床上成功的进行了主轴回转精度劣化溯源分析，为工程实际应用提供了技术手段，具有很重要的意义。2、本发明为了将混杂在回转误差信号中的高频噪声进行消除，采用基于VMD+小波变换的信号降噪方法对原始信号进行降噪处理，其降噪效果较为良好。
附图说明
图1是本发明实施例中的系统整体结构示意图；
图2是本发明实施例中的三个电涡流位移传感器设置位置示意图；
图3是本发明实施例中信号降噪模块的降噪方法流程示意图；
图4是本发明实施例中基于CGA-SVR的回转精度劣化溯源模型的溯源方法流程示意图；
图5a是本发明实施例中施加0.2N·mm时在轻度磨损下的主轴轴心轨迹图；
图5b是本发明实施例中施加0.4N·mm时在轻度磨损下的主轴轴心轨迹图；
图5c是本发明实施例中施加0.6N·mm时在轻度磨损下的主轴轴心轨迹图；
图6a是本发明实施例中施加0.2N·mm时在中度磨损下的主轴轴心轨迹图；
图6b是本发明实施例中施加0.4N·mm时在中度磨损下的主轴轴心轨迹图；
图6c是本发明实施例中施加0.6N·mm时在中度磨损下的主轴轴心轨迹图；
图7a是本发明实施例中施加0.2N·mm时在严重磨损下的主轴轴心轨迹图；
图7b是本发明实施例中施加0.4N·mm时在严重磨损下的主轴轴心轨迹图；
图7c是本发明实施例中施加0.6N·mm时在严重磨损下的主轴轴心轨迹图；
图8是本发明实施例中适应度曲线；
图9是本发明实施例中训练样本诊断结果示意图；
图10是本发明实施例中测试样本诊断结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
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，本发明提供一种切削工况下的主轴回转精度劣化溯源系统，其包括在线处理部分和离线处理部分。在线处理部分包括数据采集模块、信号分析与处理模块和人机交互模块；离线处理部分包括劣化溯源模块。其中：
数据采集模块用于采集切削工况下的主轴振动位移信号，得到主轴回转误差并传输至信号分析与处理模块。
信号分析与处理模块将接收到的主轴回转误差信号进行频谱变换，并对其频谱图进行分析；同时，对采集到的原始振动信号进行降噪处理，排除掉随机噪声对测量结果的影响；对传感器测得的主轴振动位移信号进行误差分离，并用形状成像法对主轴回转误差进行误差结果评定。
人机交互模块与信号分析与处理模块进行信息交互，用于显示评定结果，并生成报表；设置采集信号的参数并传输至信号分析与处理模块。
劣化溯源模块用于进行基于轴心轨迹的主轴回转精度劣化分析，实现主轴运行状态识别。
在一个优选的实施例中，在数据采集模块中，为了得到主轴回转误差信号，需要利用三个电涡流位移传感器A、B、C采集主轴振动位移信号。而切削工况下的回转精度测量是直接采集主轴刀柄的信息，所以采集的主轴振动位移信号是主轴回转误差和被测目标(即主轴刀柄)的表面形状误差的集合。三个电涡流位移传感器A、B、C设置在主轴的周围，电涡流位移传感器A位于X轴的轴线上，电涡流位移传感器B放置于与X轴成α角度的位置上，电涡流位移传感器C放置于与X轴成β角度的位置上(如图2所示)，且三个电涡流位移传感器A、B、C处于同一截面的同时还要确保传感器延长线汇于一点。
其中，电涡流位移传感器是一种非接触式的位移测量传感器，可以采集在高速旋转下的机械振动位移，其具有高可靠性，宽阔的测量范围和高准确度等特点。
优选的，α∈(80.2°,83.7°)，β∈(134.6°,144.4°)。角度α和角度β的最优取值分别为：α＝83°6′、β＝137°2′24″。
在一个优选的实施例中，信号分析与处理模块包括信号降噪模块和误差分离模块。由于电涡流位移传感器所采集到的信号除了主轴回转误差信号外，还包含高频、无序的噪声信号，高频噪声很可能将信号中的主轴信号淹没。因此必须要先将这部分噪声进行去除，以保证结果的准确性。其中：
信号降噪模块中采用基于VMD与小波变换联合的降噪方法，可以有效的进行信号降噪。如图3所示，具体的降噪方法包括：
步骤11、输入主轴振动位移信号设置VMD参数：惩罚因子设置为2000，带宽参数设置为τ＝0并输入分解层数k，k可以将原始振动信号分解为k个IMF分量。
步骤12、输入不同的k值，得到中心频率分布值；根据中心频率判断分解层数的优劣差异，从而确定分解层数。
步骤13、计算各IMF分量与原始主轴振动位移信号的相关性，根据相关系数原则(大于最高相关系数的十分之一)选择相关度较高的IMF分量，舍弃相关度较低的IMF分量。
步骤14、采用新的小波自适应阈值对选择的IMF分量进行降噪，并将降噪后的各分量进行重构，得到降噪后的主轴回转位移信号；
其中，新的小波自适应阈值函数η(x,λ)为：
Figure BDA0002883225710000061
式中，x＝(x1,x2,…,xN)是不含噪声信息的原始信号，N为采样点数；k＝(k1,k2,…,kN)，且k～N(0,σ2)属于噪声；σ是噪声的标准差；λ为乘法算子，用于保证约束条件的严格性；参数a、b为正常数，在信号滤波降噪中可以通过调节a、b来改变阈值函数的大小变化；m(0≤m≤1)为小波函数阈值的逼近程度，在区间(0,1)中调整参数m的大小，可以使得应阈值函数在λ处连续，避免了硬阈值函数发生振荡现象，也减小了软阈值函数带来的偏差，同时又兼具传统小波的优异性。
误差分离模块中采用三点法或矩阵算法对降噪后的误差信号进行误差分离，在本实施例中，优选为三点法。三点法误差分离方法包括：
步骤21、设三个电涡流位移传感器A、B、C的输出信号分别为S0(θ)、S1(θ)、S2(θ)，采样点数为N，则：
Figure BDA0002883225710000062
其中，θ是被测主轴轮廓的角度变量，θ＝2nπ/N,n＝0,1,…,N-1；r(θ)是主轴的形状误差，x(θ)、y(θ)分别为回转误差在X、Y轴上的分量。
步骤22、将三个输出信号乘以权系数c0、c1、c2相加之后构造形状误差线性方程；
将式(1)乘以权系数c0、c1、c2相加之后可以构造线性方程：
Figure BDA0002883225710000063
令T＝c0+c1 cosα+c2 cosβ及U＝c1 sinα+c2 sinβ，为分离形状误差则需要T＝0、U＝0。设c0＝1，则权系数c1、c2的值为：
Figure BDA0002883225710000064
最终得到形状误差线性方程Sn(θ)：
Sn(θ)＝c0r(θ)+c1r(θ+α)+c2r(θ+β) (4)
此时信号的全部是形状误差的值。
步骤23、对形状误差线性方程进行FFT变换，提取出形状误差r(θ)；
由于FFT变换的时延和相移特点可以提取出形状误差r(θ)，如下所示。
R(k)＝S(k)/H(k) (5)
其中，R(k)是形状误差的FFT变换；S(k)是形状误差线性方程的FFT变换；H(k)是权函数，其数学表达式为：
H(k)＝c0ejk0+c1ejkα+c0ejkβ (6)
进行FFT-1变换后可得到被测主轴截面的形状误差：
r(θ)＝FFT-1(R(k))。 (7)
步骤24、将得到的形状误差r(θ)带入步骤21三个输出信号表达式中，得到回转误差的X轴和Y轴的两个分量x(θ)、y(θ)；
Figure BDA0002883225710000071
优选的，对主轴回转误差进行误差结果评定的方法为，判断劣化突变是否大于30％，若大于，则进入劣化溯源模块；反之，则主轴运行状态正常。
在一个优选的实施例中，劣化溯源模块中采用基于CGA-SVR的回转精度劣化溯源模型进行溯源，其中，CGA为混沌遗传算法，SVR为支持向量机回归模型。如图4所示，基于CGA-SVR的回转精度劣化溯源模型的溯源方法包括：
步骤31、将采集到的主轴振动位移信号进行去噪，完成信号前期处理；
去噪方法采用基于VMD与小波变换联合的降噪方法。
步骤32、提取发生回转精度劣化的主轴轴心轨迹，并计算其特征向量。
步骤33、为了提高结果精度，将特征向量进行归一化处理，并随机选取所有特征向量的70％为训练样本，其它作为测试样本。
步骤34、设定SVR参数的初始取值范围。
步骤35、采用CGA产生初始种群，将其作为SVR模型的初始参数。
步骤36、将训练样本输入到SVR模型，利用CGA算法对SVR参数不断迭代进化，最终得到参数(C,γ,ε)的最优解；其中，C为惩罚因子，C>0，表示对超出误差的样本的惩罚程度；γ是径向基核函数的参数；ε为不敏感损失系数。
步骤37、将测试样本输入到优化完成的SVR模型，进行状态识别与分类；
步骤38、根据识别与分类后的状态进行主轴回转精度劣化溯源，完成劣化溯源诊断。
上述步骤32中，采用轴心轨迹不变矩提取发生回转精度劣化的主轴轴心轨迹的特征值。轴心轨迹不变矩是基于图像归一化中心矩的非线性计算，之后生成7个不同的特征值，原理是将图像的特征转化为数字矩阵的特征提取方法，有着对图像平移、旋转、缩放不变的特点，并且维度低，速度快、计算量小的优势。
具体提取方法包括：
步骤321、确定p+q阶的矩Mpq；
设有一个图像f(i,j)，其大小为M×N,则其p+q阶的矩Mpq为：
Figure BDA0002883225710000081
式中，p,q均为整数；
步骤322、根据矩Mpq确定p+q阶的中心矩mpq为：
Figure BDA0002883225710000082
Figure BDA0002883225710000083
式中，f(i,j)是一个像素点的质量，Mpq是图像中不同p、q的矩。
步骤323、将中心矩归一化之后得到7阶的不变矩特征值
Figure BDA0002883225710000085
前4阶用于描述图像的大体特征，5-7阶矩则是图像的图形特征；
其中，7阶的不变矩特征值为：
Figure BDA0002883225710000084
式中，μpq表示中心矩归一化后的值；下标p、q的取值均为2,3,…
上述就是轴心轨迹不变矩特征提取的过程，可以正确的反映轴心轨迹图像的主要特征。
上述步骤36中，支持向量机回归模型(SVR)中首先考虑用线性回归函数f(x)＝(w·x)+b估计训练样本集D＝{(xi,yi)},i＝1,2,...,n,xi∈Rd,yi∈R。假定训练数据进行无误差的线性拟合，且不敏感损失系数为ε，即：
Figure BDA0002883225710000091
目标函数为：
Figure BDA0002883225710000092
综合考虑允许范围内的不敏感损失系数误差问题，增加松弛变量因子ξi≥0和ξi *≥0，式(13)变成：
Figure BDA0002883225710000093
则式(14)的目标函数变成：
Figure BDA0002883225710000094
式中：C>0，表示对超出误差ε的样本的惩罚程度。
为解决这个凸二次规划问题，搭建Lagrange函数，为：
Figure BDA0002883225710000095
式中：
Figure BDA0002883225710000096
Figure BDA0002883225710000097
i＝1,2,...,n。
应用优化方法求得对偶问题，即
Figure BDA0002883225710000098
Figure BDA0002883225710000099
得到的回归函数为
Figure BDA0002883225710000101
非线性问题的情况是，非线性问题应该通过运算在高维空间转换成线性问题。为了实现数据的非线性拟合，采用核函数K(xi·xj)功能，而不是内积(xi·xj)，本实施例中采用RBF(径向基核函数)进行计算。如下所示：
K(xi·xj)＝exp(-γ||xi-xj||2) (21)
式中，γ是径向基核函数的参数。
上述步骤36中，遗传算法是根据生物学上的选择和进化机制开发的全局最佳搜索算法。首先，有了初始种群，有了选择、交叉和变异形成的新种群，再进行进化后，有了最佳的种群，从而有了最佳的参数解决方案。而CGA算法则是把混沌变量加载于遗传算法的变量群体中，利用混沌变量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度。
通过优化问题的数学模型，来推算混沌遗传算法的优化：
maxf(x1,…,xr),ai≤xi≤bi,i＝1,…,r (22)
式中，[ai,bi]是优化问题中变量xi的变量区间，r是变量的个数，i＝1,…,r。
根据遗传算法的理论依据，定义长度短的模式被破坏的可能性很低，采用交叉编码方式的参数决定模式(最高n位)的定义长度(n)比阶梯式模式的定义长度(n×L+L-1)短，生存率较高。因此，在这个优化模型中，考虑到不同参数之间的相关性，采用了交叉相关的编码方式。同时为了避免单点交换方式搜索效率低的问题，故而应用多点交换(概率为P1)和局域交换方式(概率为P2)。
确定随机扰动方案，设
δ'k＝(1-T)δ*+Tδk (23)
其中δ*为问题最优解
Figure BDA0002883225710000102
映射到[0，1]区间后形成的向量，称之为混沌最优向量；δk是混沌向量迭代k次后的结果，δ'k是经过随机扰动后(x1,…,xr)所对应的混沌向量；其中0<T<1，采用自适应选取，这是因为搜索初期需要获取较大的(x1,…,xr)。随着不断搜索的进行，(x1,…,xr)渐渐的接近到最佳优点，因而需要选取较小的T，这是为了方便在
Figure BDA0002883225710000103
小范围内进行搜索。T是与迭代次数k相关的一个比例系数，确定T为：
Figure BDA0002883225710000104
式中m是由优化目标需求确定的一个整数；迭代次数为k；
在确定了上述随机扰动、编码与交换系统后，通过混沌遗传算法获得最佳参数xi的步骤如下：
步骤361、在混沌算子中设置变量的范围[ai,bi]、初始种群规模m、吸引子η与父种群的交换率P1、P2以及子种群的变异率Pm。
步骤362、选用一维Logistic映射模型，其数学模型为
Figure BDA0002883225710000111
式中，i表示的是混沌变量的序号，i＝1,…,r；u是种群的序号，u＝1,…,m；而Ui则为混沌变量，0≤Ui≤1。
取u＝0,η＝4，给SVR模型赋初值，共计r个有着微小差异的值，由此可以得到r个混沌变量
Figure BDA0002883225710000112
依次取值u＝1,…,m，得到m个初始群的解。
步骤363、选定的r个混沌变量
Figure BDA0002883225710000113
分别带入到上式(22)的r个优化变量中，使其变换为xi'，使混沌变量和其相应的优化变量的变化范围和取值范围相对应。
选定的r个混沌变量的公式为：
Figure BDA0002883225710000114
其中。ci、di是变换常数，i＝1,…,r。设
X＝(x1,x2,…,xr) (27)
X'＝(x'1,x'2,…,x'r) (28)
步骤364、对回归函数进行变换，以使其作为适应度函数；
计算式(26)产生的适应度值，其中式(22)优化模型为适应度函数，并进行降序排列，由于f(X')小于0时是无法作为适应度函数的。而且如果存在f(X')变化范围很小时，则算法收敛速度慢。由此需要对f(X')进行如下变换：
Figure BDA0002883225710000115
式中，f'k(X')为变换后的适应度值大小，fk(X')则为变换前的大小，f(X')max是变换前最大适应度，f(X')min是变换前最小适应度。通过变换后适应度大于0，且变化较大，加快收敛速度。
步骤365、对所有的变量进行二进制编码，其中90％适应度较小经过复制、交叉、变异后进行解码，剩下10％适应度较大的不参加复制、交叉、变异，而是直接带入下一代群体。
步骤366、计算新的适应度值，并按照式(29)进行变换，按照适应度值进行排序，求出适应度平均值，将平均值与最大值按照式(30)规则进行对比，如果成立，输出最优解，反之执行下一步。
Figure BDA0002883225710000121
其中
Figure BDA0002883225710000122
f'(X')max＝max{f'j(X'),j＝1,2,…,m} (32)
其中Xi是事先给定的某个极小的正整数。
步骤367、将适应度较小的前代群体的90％对应的优化变量加入混沌扰动，规则如式(23)。接着采用式(27)映射为优化变量并进行迭代，随着迭代次数的增加，T值在不断地改变，迭代逐渐向最优解逼近，直到满足条件即适应度平均值之差小于给定的某个数X2。
Figure BDA0002883225710000123
步骤368、按照适应度值对群体进行排序，求出适应度平均值如果满足式(30)，则寻优过程结束，否则重新循环到步骤5。
实施例：
在本实施例中，以电主轴磨损故障现象为例进行描述。
电主轴作为精密数控机床的核心组成部件，其性能优劣对零件有着很大的影响，所以对电主轴进行故障研究对精度分析、零件加工指导有着很重要的意义。为了对电主轴可靠性进行研究与分析，本实施例中搭建了电主轴试验台。该实验台由电主轴、加载单元(转轴)、测功机和液压加载装置构成，并且可以通过测功机和液压加载装置对电主轴添加反向扭矩和切削力，来模拟不同切削工况下的电主轴运行状态。
在电主轴使用10个月后发生故障，在主轴转速为800r/min，测功机对电主轴一次添加0.1N·mm到0.6N·mm的反向扭矩时电主轴转速急剧下载，再增加扭矩时，主轴转速变为0。停机检查后发现故障部位是转轴与拉爪之间磨损严重，有明显划痕并产生碎屑。电主轴的磨损故障导致其无法高速运转，严重时主轴停止转动。
为了对电主轴进行劣化溯源，首先将其转速设置为800r/min，并依次施加0.2N·mm、0.4N·mm和0.6N·mm的反向扭矩，共三种切削工况分别定义为“轻度磨损、中度磨损和严重磨损”。
利用所搭建的主轴回转精度测量系统对试验台的转轴进行主轴振动位移信号进行采集，采样频率设置为1024Hz，采样点数设置为10240，对采集到的结果进行分析处理后，得到不同切削工况下的主轴回转误差如表1所示。
表1不同时刻下的各劣化状态下主轴回转精度
Figure BDA0002883225710000131
从上表可以看出，随着扭矩的加大和电主轴磨损情况的加剧，主轴回转精度发生了劣化，回转精度从1.054μm左右下降到了2.094μm左右，提取不同劣化程度的主轴轴心轨迹如图5a～图7c所示。
采用基于VMD与小波变换联合的降噪方法进行数据处理后，得到提纯后的轴心轨迹。为了进行劣化溯源研究，将这3种劣化状态下的轴心轨迹按时间向量分为10组，共组成3×10个样本图像。并提取每个图像的Hu不变矩值，如表2所示。
表2某时刻下的各劣化状态下的Hu不变矩值
Figure BDA0002883225710000132
将不同时刻下的轴心轨迹生成的30×7维的图像特征量，并将根据电主轴磨损劣化状态“轻度、中度和严重”分别定义为标签1、2、3。进行归一化处理后选取其中21组样本作为训练数据，剩下的9组作为测试数据。
将训练样本和测试样本分别输入到CGA-SVM模型中，CGA优化后获得的最佳参数为惩罚因子C＝62.3927，径向基核函数参数γ＝7.4489，不敏感损失系数参数ε＝0.7089,最终结果如图8～图10所示。
综上所述，利用本发明构建的CGA-SVR模型对加载不同切削工况参数下的电主轴磨损故障进行劣化溯源诊断，训练样本和测试样本准确率分别达到了97.98％和94.62％，成功的对电主轴轻度磨损、中度磨损和严重磨损进行了分类，表明了该模型可以正确的对主轴回转精度进行劣化溯源。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (8)

1.一种切削工况下的主轴回转精度劣化溯源系统，其特征在于，包括在线处理部分和离线处理部分；所述在线处理部分包括数据采集模块、信号分析与处理模块和人机交互模块；所述离线处理部分包括劣化溯源模块；
所述数据采集模块用于采集切削工况下的主轴振动位移信号，得到主轴回转误差并传输至所述信号分析与处理模块；
所述信号分析与处理模块将接收到的主轴回转误差信号进行频谱变换，并对其频谱图进行分析；同时，对采集到的原始振动信号进行降噪处理，对传感器测得的主轴振动位移信号进行误差分离，并用形状成像法对主轴回转误差进行误差结果评定；
所述人机交互模块与信号分析与处理模块进行信息交互，用于显示评定结果，并生成报表；设置采集信号的参数并传输至所述信号分析与处理模块；
所述劣化溯源模块用于进行基于轴心轨迹的主轴回转精度劣化分析，实现主轴运行状态识别；
所述信号分析与处理模块包括信号降噪模块和误差分离模块；所述信号降噪模块中采用基于VMD与小波变换联合的降噪方法，所述误差分离模块中采用三点法或矩阵算法对降噪后的误差信号进行误差分离；
所述降噪方法包括：
步骤11、输入主轴振动位移信号设置VMD参数：惩罚因子设置为2000，带宽参数设置为τ＝0并输入分解层数k，将原始振动信号分解为k个IMF分量；
步骤12、输入不同的k值，得到中心频率分布值；根据中心频率判断分解层数的优劣差异，确定分解层数；
步骤13、计算各IMF分量与原始主轴振动位移信号的相关性，根据相关系数原则选择相关度较高的IMF分量，舍弃相关度较低的IMF分量；
步骤14、采用小波自适应阈值对选择的IMF分量进行降噪，并将降噪后的各分量进行重构，得到降噪后的主轴回转位移信号。
2.如权利要求1所述溯源系统，其特征在于，在所述数据采集模块中，采用三个电涡流位移传感器A、B、C采集主轴振动位移信号，所述主轴振动位移信号是主轴回转误差和被测目标的表面形状误差的集合。
3.如权利要求2所述溯源系统，其特征在于，三个所述电涡流位移传感器A、B、C设置在主轴的周围，所述电涡流位移传感器A位于X轴的轴线上，所述电涡流位移传感器B放置于与X轴成α角度的位置上，所述电涡流位移传感器C放置于与X轴成β角度的位置上，三个所述电涡流位移传感器A、B、C处于同一截面且传感器延长线汇于一点。
4.如权利要求3所述溯源系统，其特征在于，所述角度α和角度β的取值为：α∈(80.2°,83.7°)，β∈(134.6°,144.4°)。
5.如权利要求1所述溯源系统，其特征在于，所述小波自适应阈值函数η(x,λ)为：
Figure FDA0003735922610000021
式中，x＝(x1,x2,…,xN)是不含噪声信息的原始信号，N为采样点数；k＝(k1,k2,…,kN)，且k～N(0,σ2)属于噪声，σ是噪声的标准差；λ为乘法算子；参数a、b为正常数；m为小波函数阈值的逼近程度，在区间(0,1)中调整参数m的大小。
6.如权利要求1所述溯源系统，其特征在于，所述三点法误差分离方法包括：
步骤21、设三个电涡流位移传感器A、B、C的输出信号分别为S0(θ)、S1(θ)、S2(θ)；
步骤22、将三个输出信号乘以权系数c0、c1、c2相加之后构造形状误差线性方程；
步骤23、对形状误差线性方程进行FFT变换，提取出形状误差r(θ)；
步骤24、将得到的形状误差r(θ)带入所述步骤21的三个输出信号表达式中，得到回转误差的X轴和Y轴的两个分量x(θ)、y(θ)。
7.如权利要求1所述溯源系统，其特征在于，所述劣化溯源模块中采用基于CGA-SVR的回转精度劣化溯源模型进行溯源，其中，CGA为混沌遗传算法，SVR为支持向量机回归模型；溯源方法包括：
步骤31、将采集到的主轴振动位移信号进行去噪，完成信号前期处理；
步骤32、提取发生回转精度劣化的主轴轴心轨迹，并计算其特征向量；
步骤33、将特征向量进行归一化处理，并随机选取所有特征向量的70％为训练样本，其它作为测试样本；
步骤34、设定SVR参数的初始取值范围；
步骤35、采用CGA产生初始种群，将其作为SVR模型的初始参数；
步骤36、将训练样本输入到SVR模型，利用CGA算法对SVR参数不断迭代进化，最终得到参数(C,γ,ε)的最优解；其中，C为惩罚因子，C＞0；γ是径向基核函数的参数；ε为不敏感损失系数；
步骤37、将测试样本输入到优化完成的SVR模型，进行状态识别与分类；
步骤38、根据识别与分类后的状态进行主轴回转精度劣化溯源，完成劣化溯源诊断。
8.如权利要求7所述溯源系统，其特征在于，所述步骤32中，采用轴心轨迹不变矩提取发生回转精度劣化的主轴轴心轨迹的特征值；提取方法包括：
步骤321、确定p+q阶的矩Mpq；其中，p,q均为整数；
步骤322、根据矩Mpq确定p+q阶的中心矩mpq；
步骤323、将中心矩归一化之后得到7阶的不变值
Figure FDA0003735922610000031
前4阶用于描述图像的大体特征，5-7阶矩则是图像的图形特征。
CN202110005626.1A 2021-01-05 2021-01-05 一种切削工况下的主轴回转精度劣化溯源系统 Active CN112846938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110005626.1A CN112846938B (zh) 2021-01-05 2021-01-05 一种切削工况下的主轴回转精度劣化溯源系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110005626.1A CN112846938B (zh) 2021-01-05 2021-01-05 一种切削工况下的主轴回转精度劣化溯源系统

Publications (2)

Publication Number Publication Date
CN112846938A CN112846938A (zh) 2021-05-28
CN112846938B true CN112846938B (zh) 2022-09-16

Family

ID=76001596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110005626.1A Active CN112846938B (zh) 2021-01-05 2021-01-05 一种切削工况下的主轴回转精度劣化溯源系统

Country Status (1)

Country Link
CN (1) CN112846938B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114964078A (zh) * 2022-04-12 2022-08-30 上海交通大学 微波多维形变及振动测量收发器分布布置方法
CN117686555B (zh) * 2024-02-04 2024-05-14 南京邮电大学 一种基于机器学习的lc湿度传感器漂移补偿方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102501137A (zh) * 2011-11-03 2012-06-20 西安交通大学 一种主轴径向回转精度在线监测装置
CN103042436A (zh) * 2013-01-21 2013-04-17 北京信息科技大学 一种基于轴心轨迹流形学习的主轴回转误差溯源方法
CN103644875A (zh) * 2013-11-19 2014-03-19 重庆机床(集团)有限责任公司 一种动态主轴回转精度检测装置
CN104197874A (zh) * 2014-07-04 2014-12-10 丽水学院 一种高精度回转体跳动在位测量方法
CN104227501A (zh) * 2014-07-17 2014-12-24 西安交通大学 一种主轴回转误差测试分析系统
CN204142176U (zh) * 2014-10-23 2015-02-04 武汉理工大学 一种非接触式的精密主轴回转误差在线测量系统
CN104400560A (zh) * 2014-11-07 2015-03-11 西安交通大学 一种数控机床切削工况下主轴轴心轨迹在线测量方法
WO2017012107A1 (zh) * 2015-07-20 2017-01-26 徐文欢 主轴回转误差精度测试装置
CN111580390A (zh) * 2020-05-22 2020-08-25 南京高传四开数控装备制造有限公司 一种五轴机床多轴联动误差溯源方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015226947A (ja) * 2014-05-30 2015-12-17 中村留精密工業株式会社 工作機械のワーク加工方法及びワーク加工装置
CN112059721A (zh) * 2020-08-06 2020-12-11 清华大学 一种机床主轴回转精度在线间接测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102501137A (zh) * 2011-11-03 2012-06-20 西安交通大学 一种主轴径向回转精度在线监测装置
CN103042436A (zh) * 2013-01-21 2013-04-17 北京信息科技大学 一种基于轴心轨迹流形学习的主轴回转误差溯源方法
CN103644875A (zh) * 2013-11-19 2014-03-19 重庆机床(集团)有限责任公司 一种动态主轴回转精度检测装置
CN104197874A (zh) * 2014-07-04 2014-12-10 丽水学院 一种高精度回转体跳动在位测量方法
CN104227501A (zh) * 2014-07-17 2014-12-24 西安交通大学 一种主轴回转误差测试分析系统
CN204142176U (zh) * 2014-10-23 2015-02-04 武汉理工大学 一种非接触式的精密主轴回转误差在线测量系统
CN104400560A (zh) * 2014-11-07 2015-03-11 西安交通大学 一种数控机床切削工况下主轴轴心轨迹在线测量方法
WO2017012107A1 (zh) * 2015-07-20 2017-01-26 徐文欢 主轴回转误差精度测试装置
CN111580390A (zh) * 2020-05-22 2020-08-25 南京高传四开数控装备制造有限公司 一种五轴机床多轴联动误差溯源方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
数控机床主轴回转精度测试与劣化分析;么曼实等;《北京信息科技大学学报(自然科学版)》;20151215(第06期);43-46 *

Also Published As

Publication number Publication date
CN112846938A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
Cao et al. Combining translation-invariant wavelet frames and convolutional neural network for intelligent tool wear state identification
Udmale et al. Application of spectral kurtosis and improved extreme learning machine for bearing fault classification
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Li et al. Multiscale symbolic fuzzy entropy: An entropy denoising method for weak feature extraction of rotating machinery
Chen et al. Predicting tool wear with multi-sensor data using deep belief networks
Wang et al. A multi-input and multi-task convolutional neural network for fault diagnosis based on bearing vibration signal
Li et al. A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM
CN112846938B (zh) 一种切削工况下的主轴回转精度劣化溯源系统
CN111687689A (zh) 一种基于lstm和cnn的刀具磨损状态预测方法及装置
Huachun et al. Two-dimensional time series sample entropy algorithm: Applications to rotor axis orbit feature identification
Bai et al. Research on feature selection for rotating machinery based on Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm
CN114169110B (zh) 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法
Dong et al. Multiscale feature extraction from the perspective of graph for hob fault diagnosis using spectral graph wavelet transform combined with improved random forest
Kong et al. Surface roughness prediction using kernel locality preserving projection and Bayesian linear regression
CN112518425B (zh) 基于多源样本迁移强化学习的智能加工刀具磨损预测方法
Wang et al. Investigation on an in-process chatter detection strategy for micro-milling titanium alloy thin-walled parts and its implementation perspectives
CN113414638A (zh) 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法
Zheng et al. TCM in milling processes based on attention mechanism-combined long short-term memory using a sound sensor under different working conditions
Song et al. Tool wear monitoring based on multi-kernel Gaussian process regression and Stacked Multilayer Denoising AutoEncoders
Addeh et al. Control chart patterns detection using COA based trained MLP neural network and shape features
CN115753101A (zh) 一种基于权重自适应特征融合的轴承故障诊断方法
CN114358075A (zh) 一种数据驱动的转子系统典型故障自动识别方法
Xie et al. Tool wear status recognition and prediction model of milling cutter based on deep learning
Han et al. Chatter detection in milling of thin-walled parts using multi-channel feature fusion and temporal attention-based network
CN113743010A (zh) 基于eemd能量熵的滚动轴承运行状态评估方法

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