CN113705421B - 一种磨削工件表面振纹在线监测方法及系统 - Google Patents

一种磨削工件表面振纹在线监测方法及系统 Download PDF

Info

Publication number
CN113705421B
CN113705421B CN202110977700.6A CN202110977700A CN113705421B CN 113705421 B CN113705421 B CN 113705421B CN 202110977700 A CN202110977700 A CN 202110977700A CN 113705421 B CN113705421 B CN 113705421B
Authority
CN
China
Prior art keywords
grinding
frequency
data
analyzed
workpiece
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
CN202110977700.6A
Other languages
English (en)
Other versions
CN113705421A (zh
Inventor
曹宏瑞
刘佳宁
魏江
史江海
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.)
Xian Jiaotong University
Original Assignee
Xian 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110977700.6A priority Critical patent/CN113705421B/zh
Publication of CN113705421A publication Critical patent/CN113705421A/zh
Application granted granted Critical
Publication of CN113705421B publication Critical patent/CN113705421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明公开了一种磨削工件表面振纹在线监测方法及系统，解决传统检测方法难以在多变加工参数下实现磨削工件表面振纹的在线监测问题。方法主要包括：获取待分析数据、频谱分析并计算边频带特征频率、判断有无明显振纹、获取待分析重构信号、包络谱分析并计算转频比特征频率、判断有无微振纹；本发明充分考虑实际磨削加工过程中加工参数多变的情况，聚焦于富含磨削工件表面振纹特征信息的敏感频带，提出的两个特征频率监测指标对磨削工件表面振纹缺陷敏感，适应于各种磨削参数，有助于实现多变加工参数下磨削工件表面振纹的精确在线监测。

Description

一种磨削工件表面振纹在线监测方法及系统
技术领域
本发明属于机加工缺陷监测领域，具体涉及一种磨削工件表面振纹在线监测方法及系统。
背景技术
工件表面振纹是磨削加工中最为常见的缺陷之一，其表现形式主要是工件表面产生微小的振动波纹。磨削理论研究认为，砂轮或其他转动件的不平衡、工件刚性不足、砂轮修整异常等都会造成磨削振纹的产生。工件表面振纹直接影响磨削工件的成形精度和表面光洁度，甚至会缩短砂轮和机械加工装备的使用寿命。因此，工件表面振纹的准确在线监测对磨削加工过程至关重要。
传统的磨削工件表面振纹检测方法包括人工目测、油石打磨或粉笔打磨、薄软铜皮打磨以及表面振动纹检测仪检测等，这些检测方法依赖于人工，无法实现自动化监测，并且工业环境的高噪声水平、金属粉尘等也会引起检测人员的健康问题。为实现磨削工件表面振纹的智能监测，部分研究利用机器学习方法获取模式识别模型，然而机器学习方法难以满足在线监测的实时性要求。由于机加工振纹往往是由系统颤振或者异常振动引起的，针对工件表面振纹的在线监测问题，部分研究通过分析振动、力、声发射等测量信号来判断工件表面有无振纹。这类方法利用时域统计或磨削工件表面振纹特征频率构造能量级监测指标，以此作为振纹缺陷的判断依据，其关键在于获取可靠的振纹监测指标和阈值。然而实际磨削过程的工艺路线复杂，磨削力、砂轮转速、进给量等磨削参数实时变化，并且在磨削工件表面振纹萌发初期，振纹特征频率易被噪声所淹没。受多种因素的影响，传统的能量级监测指标会在磨削加工过程中逐步退化，固定阈值难以满足复杂加工工艺下的监测要求，而建立一个精确的阈值跟踪模型难度较大，传统振纹在线监测方法难以在实际磨削过程中实现磨削工件表面振纹的有效监测。因此，研究多变加工参数下的磨削工件表面振纹在线监测具有重要意义。
发明内容
为了解决现有技术中存在的问题，本发明提供一种磨削工件表面振纹在线监测方法。方法主要包括：获取待分析数据、频谱分析并计算边频带特征频率、判断有无明显振纹、获取待分析重构信号、包络谱分析并计算转频比特征频率、判断有无微振纹。提出的基于边频带特征频率的监测指标和基于转频比特征频率的监测指标对磨削工件表面振纹特征敏感，适应于各种磨削工况，有助于实现多变加工参数下的磨削工件表面振纹在线监测。
为了实现上述目的，本发明采用的技术方案是：一种磨削工件表面振纹在线监测方法，包括以下步骤：
步骤1，获取砂轮轴竖直方向的原始加速度信号；获取实际加工过程中砂轮轴竖直方向的原始加速度信号，所述实际加工过程包括磨削加工过程以及相应的空转行程；所述空转行程是指未进行磨削加工时，砂轮处于空转状态的行程，此时砂轮转速和砂轮架速度与磨削加工过程一致；
步骤2，从所述原始加速度信号中截取相同长度的磨削数据以及相应的砂轮轴空转数据；
步骤3，对所述磨削数据以及相应的砂轮轴空转数据进行频谱分析，根据砂轮轴转频理论计算值fgt和工件轴转频理论计算值fwt确定砂轮轴实际转频fg并计算边频带特征频率fs；
步骤4，对比所述磨削数据和相应的砂轮轴空转数据的频谱，观察磨削信号频谱中是否新出现与边频带特征频率fs相近的频率成分，判断有无明显振纹；如果磨削信号的频谱中新出现与边频带特征频率fs相近的频率成分，则判断该磨削工件表面存在明显振纹；如果磨削信号的频谱中没有出现与边频带特征频率fs相近的频率成分，则进行下一步骤；
步骤5，对比所述磨削数据和相应空转数据的频谱，根据振纹缺陷特征频率分布特点确定待分析频段；
步骤6，根据所述待分析频段范围对磨削数据和相应空转数据进行小波包分解与重构，得到所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号；
步骤7，对所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号进行包络谱分析，根据砂轮轴实际转频fg和工件轴转频理论计算值fwt计算转频比特征频率fr；
步骤8，对比所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号包络谱，判断磨削重构信号包络谱是否新出现与转频比特征频率fr相近的频率成分；如果磨削数据的待分析频段重构信号包络谱中出现接近转频比特征频率fr的频率成分，则判断该磨削工件表面存在微振纹；如果磨削数据的待分析频段重构信号包络谱中没有接近转频比特征频率fr的频率成分，则判断该磨削工件表面没有振纹。
利用磁座支架将单轴加速度传感器吸附于砂轮轴上壁，分别采集各工序的原始加速度信号。
获取实际加工过程中砂轮轴竖直方向的原始加速度信号，所述实际加工过程包括磨削加工过程以及相应的空转行程；所述空转行程是指未进行磨削加工时，砂轮处于空转状态的行程，此时砂轮转速和砂轮架速度与磨削加工过程一致。
步骤3中，所述边频带特征频率fs的计算过程具体如下：
S31，计算砂轮轴转频和工件轴转频的理论值：
Figure BDA0003227991990000031
Figure BDA0003227991990000032
其中，fgt为砂轮轴转频理论计算值，fwt为工件轴转频理论计算值，ngt为砂轮轴设定转速，nwt为工件轴设定转速；
S32，从分析所得频谱中选取接近上述砂轮轴转频理论计算值的频率成分作为砂轮轴实际转频fg；
S33计算边频带特征频率fs：
fs＝fg±fwt。
步骤5中，所述待分析频段的确定过程具体如下：
S51对磨削数据和相应空转数据进行频谱分析并绘制频谱图，所述磨削数据包括各种磨削参数下的加工数据；
S52对比磨削数据和相应空转数据的频谱图，根据频谱成分的变化情况，选取磨削数据中富含磨削工件表面振纹信息的缺陷主要作用频率范围作为待分析频段。
步骤6中，对磨削数据和相应空转数据进行小波包分解与重构具体步骤如下：
S61根据待分析频段的范围确定小波包分解频带宽度及小波包分解的层数，使分解后最后一层的某一频段中包含待分析频段；
S62采用db3小波对磨削数据和空转数据进行小波包分解，获取待分析频段所在频段的节点系数；
S63利用待分析频段所在频段的节点系数进行小波包重构，得到的重构时域数据即为所述待分析频段重构信号。
步骤7中，所述转频比特征频率fr的计算过程具体如下：
Figure BDA0003227991990000041
其中，fg为砂轮轴实际转频，fwt为工件轴转频理论计算值。
另外，本发明还提供一种磨削工件表面振纹在线监测系统，包括原始信号获取模块、待分析数据截取模块、频谱分析模块、明显振纹判断模块、待分析频段确定模块、分析频段重构信号获取模块、包络谱分析模块以及微振纹判断模块；
原始信号获取模块用于获取砂轮轴竖直方向的原始加速度信号；
待分析数据截取模块用于从所述原始加速度信号中截取相同长度的磨削数据以及相应的砂轮轴空转数据；
频谱分析模块用于对所述磨削数据以及相应的空转数据进行频谱分析，根据砂轮轴转频理论计算值fgt和工件轴转频理论计算值fwt确定砂轮轴实际转频fg并计算边频带特征频率fs；
明显振纹判断模块用于对比所述磨削数据和相应的砂轮轴空转数据的频谱，观察磨削信号频谱中是否新出现与边频带特征频率fs相近的频率成分，判断有无明显振纹；如果磨削信号的频谱中新出现与边频带特征频率fs相近的频率成分，则判断该磨削工件表面存在明显振纹；如果磨削信号的频谱中没有出现与边频带特征频率fs相近的频率成分，则进行下一步骤；
待分析频段确定模块用于对比所述磨削数据和相应的砂轮轴空转数据的频谱，根据振纹缺陷特征频率分布特点确定待分析频段；
分析频段重构信号获取模块用于根据所述待分析频段范围对磨削数据和相应的砂轮轴空转数据进行小波包分解与重构，得到所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号；
包络谱分析模块用于对所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号进行包络谱分析，根据砂轮轴实际转频fg和工件轴转频理论计算值fwt计算转频比特征频率fr；
微振纹判断模块用于对比所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号包络谱，判断磨削重构信号包络谱是否新出现与转频比特征频率fr相近的频率成分；如果磨削数据的待分析频段重构信号包络谱中出现接近转频比特征频率fr的频率成分，则判断该磨削工件表面存在微振纹；如果磨削数据的待分析频段重构信号包络谱中没有接近转频比特征频率fr的频率成分，则判断该磨削工件表面没有振纹。
一种计算机设备，包括：处理器；存储器，用于存储计算机程序指令；所述计算机程序指令由所述处理器加载并运行时，所述处理器执行本发明所述的磨削工件表面振纹在线监测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器加载并运行时，所述处理器执行本发明所述的磨削工件表面振纹在线监测方法。
与现有技术相比，本发明至少具有以下有益效果：
本发明深度挖掘振纹的产生机理，利用砂轮轴和工件轴之间的振动关系反映振纹的产生，提出的振纹监测指标不会在磨削加工过程中退化，所以具有较好的可靠性。本发明充分考虑了实际磨削加工过程中复杂加工工艺导致的参数变化情况，聚焦于富含磨削工件表面振纹信息的敏感频带，提取的磨削工件表面振纹监测指标适应于各种磨削参数，提高了检测结果的准确性与鲁棒性；此外，本发明提出的基于转频比的特征指标对磨削工件表面振纹较为敏感，有助于实现多变加工参数下磨削工件表面微振纹的监测，可有效避免振纹引起的工件或加工机床损坏。
附图说明
图1为本发明监测方法的整体性框架；
图2为本示例中粗磨原始加速度信号的时域图；
图3为本示例中粗磨、精磨1两种磨削数据与其对应空转数据的频谱放大图；
图4是本示例中精磨2数据和精磨2对应的空转数据的频谱图；
图5为本示例中精磨1、精磨2两种磨削数据与其对应空转数据的重构信号包络谱图。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参考图1，本发明主要包括：获取待分析数据、频谱分析并计算边频带特征频率、判断有无明显振纹、获取待分析重构信号、包络谱分析并计算转频比特征频率、判断有无微振纹；
参考图2，图2是本示例中粗磨原始加速度信号的时域图，根据振幅的变化情况可确定磨削加工开始与结束时间；
参考图3，图3(a)是本示例中粗磨数据与其对应空转数据的频谱放大图，图3(b)是本示例中精磨1数据与其对应空转数据的频谱放大图，其中虚线表示各磨削信号，实线表示各磨削过程相应的空转信号。
参考图4，图4是本示例中精磨2数据和精磨2对应的空转数据的频谱图，其中虚线表示精磨2信号，实线表示空转信号。根据频率成分的变化情况可确定富含磨削工件表面振纹信息的待分析频段；
参考图5，图5(a)是本示例中精磨1数据与其对应空转数据的重构信号包络谱图，图5(b)是本示例中精磨2数据与其对应空转数据的重构信号包络谱图，其中虚线表示各磨削信号，实线表示各磨削过程相应的空转信号。
本实施例中，针对某一数控蜗杆砂轮磨齿机实际加工过程，具体按照以下步骤实施：
步骤1，获取磨削加工过程中砂轮轴竖直方向的原始加速度信号，所述磨削加工过程包括粗磨、半精磨、精磨三道工序以及各工序相应的空转过程，其获取方式具体如下：
1).设置各工序磨削参数如下表所示：
Figure BDA0003227991990000071
2).利用磁座支架将单轴加速度传感器吸附于砂轮轴上壁，分别采集各工序的原始加速度信号存至计算机内，采样频率为10kHz，所述各工序的原始加速度信号包含各工序的磨削信号和相应的空转信号。
步骤2，从所述原始加速度信号中截取相同长度的粗磨数据、半精磨数据、精磨数据以及各工序对应的空转数据作为待分析数据；以粗磨为例，待分析数据的确定过程如下：
根据振幅变化情况选取待分析数据，图2为粗磨原始加速度信号的时域图，观察发现在18s左右振幅突然增加，表明此时开始粗磨，在37s左右振幅减小并趋于平稳，表明此时磨削加工结束。因此，截取第5-10s的信号作为粗磨对应的空转数据，截取20-25s的信号作为粗磨数据，本实施例中所述待分析数据的长度均为50000。
步骤3，对磨削数据以及相应的空转数据进行频谱分析，根据砂轮轴转频理论计算值fgt和工件轴转频理论计算值fwt确定砂轮轴实际转频fg、边频带特征频率fs以及转频比特征频率fr；所述边频带特征频率fs和转频比特征频率fr的计算过程具体如下：
(1)根据转频计算公式计算砂轮轴转频和工件轴转频的理论值。本示例中，粗磨、半精磨以及精磨2的砂轮轴转频理论计算值约为71.67Hz，工件轴转频的理论计算值为5.25Hz；精磨1的砂轮轴转频理论计算值为55.00Hz，工件轴转频的理论计算值约为4.02Hz；
(2)从所得频谱中寻找接近理论计算值的频率成分作为实际转频，本示例在空转过程中，振动以强迫振动为主，频谱中的激振频率以砂轮轴的实际转频及其倍频为主；在磨削过程中，原有的砂轮轴转频及其倍频幅值发生变化。根据频谱图判断粗磨过程中砂轮轴实际转频约为71.70Hz；半精磨过程中砂轮轴实际转频约为71.60Hz；精磨1过程中砂轮轴实际转频约为55.00Hz；精磨2过程中砂轮轴实际转频约为71.60Hz；
(3)计算边频带特征频率fs
本示例中粗磨、半精磨、精磨1、精磨2的边频带特征频率分别为：76.95Hz和66.45Hz、76.85Hz和66.35Hz、59.02Hz和50.98Hz、76.85Hz和66.35Hz
步骤4，判断有无明显振纹。为排除系统频率的干扰，对比所述磨削数据和相应空转数据的频谱，观察磨削信号频谱中是否新出现与边频带特征频率fs相近的频率成分.如果出现与边频带特征频率fs相近的频率成分，则判断该磨削工件表面存在明显振纹；如果没有出现，则进行步骤g。以粗磨和精磨1为例，明显振纹的判断过程如下所示：
图3(a)为本示例中粗磨数据和粗磨对应的空转数据的频谱放大图，可以看出在粗磨的频谱中，砂轮轴转频两侧新出现频率值约为76.90Hz和66.40Hz的频率成分，该频率成分接近粗磨边频带特征频率76.95Hz和66.45Hz，所以判断此时工件存在明显振纹；
图3(b)为本示例中精磨1数据和精磨1对应的空转数据的频谱放大图，可以看出在磨削信号频谱中，砂轮轴转频两侧未出现明显的新频率成分，所以推断此时工件没有明显振纹并继续判断有无微振纹。
本示例中精磨1和精磨2的频谱中均没有出现接近边频带特征频率的频率分量，故需进一步判断是否存在微振纹
步骤5，确定待分析频段。对比所述磨削数据和相应空转数据的频谱，根据振纹缺陷特征频率分布特点确定待分析频段。以精磨2为例，待分析频段的确定过程如下：
对上述精磨2数据和精磨2对应的空转数据进行快速傅里叶变换，得到频谱图如图4所示，观察频谱图，能量集中在4000Hz附近，并且在3800Hz左右磨削信号频谱开始出现新的频率成分，包含丰富的振纹特征频率信息，因此确定待分析频段为3750Hz-5000Hz。
步骤6，获取待分析频段重构信号。根据所述待分析频段范围对磨削数据和相应空转数据进行小波包分解与重构，得到所述磨削数据和相应空转数据的待分析频段重构信号；
步骤7，对所述磨削数据和相应空转数据的待分析频段重构信号进行包络谱分析并绘制包络谱图，然后根据砂轮轴实际转频fg和工件轴转频理论计算值fwt计算转频比特征频率fr。本示例中，精磨1和精磨2的转频比特征频率分别为13.68Hz和13.64Hz。
步骤8，为进一步排除系统频率的干扰，对比所述磨削数据和相应空转数据的待分析频段重构信号包络谱，判断磨削数据的待分析频段重构信号包络谱中是否新出现与转频比特征频率fr相近的频率成分。如果出现接近转频比特征频率fr的频率成分，则判断该磨削工件表面存在微振纹；如果没有出现，则判断该磨削工件表面没有振纹。
如图5(a)所示，对比空转数据，精磨1数据的包络谱中频率成分的幅值有所改变，但是在实际转频比特征频率13.68Hz附近没有出现新的频率成分，表明磨削工件表面没有振纹；
如图5(b)所示，对比空转数据，精磨2数据的包络谱中新出现约为13.25Hz的频率成分，该频率与精磨2的转频比特征频率13.64Hz接近，表明磨削工件表面存在微振纹。
本方法的监测结果符合实际情况，具有良好的监测精度。此外，精磨过程的进给量较小，进给速度较慢，磨削工件表面振纹目测不明显，在强光照射下目测有明显的断续、间距不等、碎小的细微，属于微振纹。传统振纹在线监测方法难以识别磨削工件表面微振纹信息，而本方法可以有效提取振纹微弱特征，证明了本方法在磨削工件表面微振纹在线监测的有效性。
结果表明，该方法能够在多变加工条件下实现高精度、鲁棒的磨削工件表面振纹在线监测。
本发明还可以提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述磨削工件表面振纹在线监测方法。
另一方面，本发明提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的磨削工件表面振纹在线监测方法。
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、桌面型计算机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (10)

1.一种磨削工件表面振纹在线监测方法，其特征在于，包括以下步骤：
步骤1，获取砂轮轴竖直方向的原始加速度信号；获取实际加工过程中砂轮轴竖直方向的原始加速度信号，所述实际加工过程包括磨削加工过程以及相应的空转行程；所述空转行程是指未进行磨削加工时，砂轮处于空转状态的行程，此时砂轮转速和砂轮架速度与磨削加工过程一致；
步骤2，从所述原始加速度信号中截取相同长度的磨削数据以及相应的砂轮轴空转数据；
步骤3，对所述磨削数据以及相应的砂轮轴空转数据进行频谱分析，根据砂轮轴转频理论计算值fgt和工件轴转频理论计算值fwt确定砂轮轴实际转频fg并计算边频带特征频率fs；
步骤4，对比所述磨削数据和相应的砂轮轴空转数据的频谱，观察磨削信号频谱中是否新出现与边频带特征频率fs相近的频率成分，判断有无明显振纹；如果磨削信号的频谱中新出现与边频带特征频率fs相近的频率成分，则判断该磨削工件表面存在明显振纹；如果磨削信号的频谱中没有出现与边频带特征频率fs相近的频率成分，则进行下一步骤；
步骤5，对比所述磨削数据和相应空转数据的频谱，根据振纹缺陷特征频率分布特点确定待分析频段；
步骤6，根据所述待分析频段范围对磨削数据和相应空转数据进行小波包分解与重构，得到所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号；
步骤7，对所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号进行包络谱分析，根据砂轮轴实际转频fg和工件轴转频理论计算值fwt计算转频比特征频率fr；
步骤8，对比所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号包络谱，判断磨削重构信号包络谱是否新出现与转频比特征频率fr相近的频率成分；如果磨削数据的待分析频段重构信号包络谱中出现接近转频比特征频率fr的频率成分，则判断该磨削工件表面存在微振纹；如果磨削数据的待分析频段重构信号包络谱中没有接近转频比特征频率fr的频率成分，则判断该磨削工件表面没有振纹。
2.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，利用磁座支架将单轴加速度传感器吸附于砂轮轴上壁，分别采集各工序的原始加速度信号。
3.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，获取实际加工过程中砂轮轴竖直方向的原始加速度信号，所述实际加工过程包括磨削加工过程以及相应的空转行程；所述空转行程是指未进行磨削加工时，砂轮处于空转状态的行程，此时砂轮转速和砂轮架速度与磨削加工过程一致。
4.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，
步骤3中，所述边频带特征频率fs的计算过程具体如下：
S31，计算砂轮轴转频和工件轴转频的理论值：
Figure FDA0003227991980000021
Figure FDA0003227991980000022
其中，fgt为砂轮轴转频理论计算值，fwt为工件轴转频理论计算值，ngt为砂轮轴设定转速，nwt为工件轴设定转速；
S32，从分析所得频谱中选取接近上述砂轮轴转频理论计算值的频率成分作为砂轮轴实际转频fg；
S33计算边频带特征频率fs：
fs＝fg±fwt。
5.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，步骤5中，所述待分析频段的确定过程具体如下：
S51对磨削数据和相应空转数据进行频谱分析并绘制频谱图，所述磨削数据包括各种磨削参数下的加工数据；
S52对比磨削数据和相应空转数据的频谱图，根据频谱成分的变化情况，选取磨削数据中富含磨削工件表面振纹信息的缺陷主要作用频率范围作为待分析频段。
6.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，步骤6中，对磨削数据和相应空转数据进行小波包分解与重构具体步骤如下：
S61根据待分析频段的范围确定小波包分解频带宽度及小波包分解的层数，使分解后最后一层的某一频段中包含待分析频段；
S62采用db3小波对磨削数据和空转数据进行小波包分解，获取待分析频段所在频段的节点系数；
S63利用待分析频段所在频段的节点系数进行小波包重构，得到的重构时域数据即为所述待分析频段重构信号。
7.根据权利要求1所述的磨削工件表面振纹在线监测方法，其特征在于，步骤7中，所述转频比特征频率fr的计算过程具体如下：
Figure FDA0003227991980000031
其中，fg为砂轮轴实际转频，fwt为工件轴转频理论计算值。
8.一种磨削工件表面振纹在线监测系统，其特征在于，包括原始信号获取模块、待分析数据截取模块、频谱分析模块、明显振纹判断模块、待分析频段确定模块、分析频段重构信号获取模块、包络谱分析模块以及微振纹判断模块；
原始信号获取模块用于获取砂轮轴竖直方向的原始加速度信号；
待分析数据截取模块用于从所述原始加速度信号中截取相同长度的磨削数据以及相应的砂轮轴空转数据；
频谱分析模块用于对所述磨削数据以及相应的空转数据进行频谱分析，根据砂轮轴转频理论计算值fgt和工件轴转频理论计算值fwt确定砂轮轴实际转频fg并计算边频带特征频率fs；
明显振纹判断模块用于对比所述磨削数据和相应的砂轮轴空转数据的频谱，观察磨削信号频谱中是否新出现与边频带特征频率fs相近的频率成分，判断有无明显振纹；如果磨削信号的频谱中新出现与边频带特征频率fs相近的频率成分，则判断该磨削工件表面存在明显振纹；如果磨削信号的频谱中没有出现与边频带特征频率fs相近的频率成分，则进行下一步骤；
待分析频段确定模块用于对比所述磨削数据和相应的砂轮轴空转数据的频谱，根据振纹缺陷特征频率分布特点确定待分析频段；
分析频段重构信号获取模块用于根据所述待分析频段范围对磨削数据和相应的砂轮轴空转数据进行小波包分解与重构，得到所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号；
包络谱分析模块用于对所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号进行包络谱分析，根据砂轮轴实际转频fg和工件轴转频理论计算值fwt计算转频比特征频率fr；
微振纹判断模块用于对比所述磨削数据和相应的砂轮轴空转数据的待分析频段重构信号包络谱，判断磨削重构信号包络谱是否新出现与转频比特征频率fr相近的频率成分；如果磨削数据的待分析频段重构信号包络谱中出现接近转频比特征频率fr的频率成分，则判断该磨削工件表面存在微振纹；如果磨削数据的待分析频段重构信号包络谱中没有接近转频比特征频率fr的频率成分，则判断该磨削工件表面没有振纹。
9.一种计算机设备，其特征在于，包括：处理器；存储器，用于存储计算机程序指令；所述计算机程序指令由所述处理器加载并运行时，所述处理器执行权利要求1-7任一项所述的磨削工件表面振纹在线监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被处理器加载并运行时，所述处理器执行权利要求1-7任一项所述的磨削工件表面振纹在线监测方法。
CN202110977700.6A 2021-08-24 2021-08-24 一种磨削工件表面振纹在线监测方法及系统 Active CN113705421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977700.6A CN113705421B (zh) 2021-08-24 2021-08-24 一种磨削工件表面振纹在线监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977700.6A CN113705421B (zh) 2021-08-24 2021-08-24 一种磨削工件表面振纹在线监测方法及系统

Publications (2)

Publication Number Publication Date
CN113705421A CN113705421A (zh) 2021-11-26
CN113705421B true CN113705421B (zh) 2022-12-09

Family

ID=78668953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977700.6A Active CN113705421B (zh) 2021-08-24 2021-08-24 一种磨削工件表面振纹在线监测方法及系统

Country Status (1)

Country Link
CN (1) CN113705421B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114778699A (zh) * 2022-03-29 2022-07-22 哈尔滨工业大学 一种基于声发射技术的微细磨削在线无损监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021906B (zh) * 2016-05-16 2019-03-05 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
CN107297649B (zh) * 2017-06-05 2019-05-28 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
CN111890126B (zh) * 2020-07-03 2022-03-11 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

Also Published As

Publication number Publication date
CN113705421A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
US5663894A (en) System and method for machining process characterization using mechanical signature analysis
CN105058165A (zh) 基于振动信号的刀具磨损量监测系统
CN108388908B (zh) 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法
CN113705421B (zh) 一种磨削工件表面振纹在线监测方法及系统
CN111890126B (zh) 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
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
Li et al. Online chatter detection in milling process based on VMD and multiscale entropy
Jena et al. Radial ball bearing inner race defect width measurement using analytical wavelet transform of acoustic and vibration signal
CN106563973A (zh) 一种基于刀具振动位移的动态铣削力测量方法
WO2022143502A1 (zh) 一种滚刀性能退化趋势评估方法
Kulkarni et al. Investigations on mother wavelet selection for health assessment of lathe bearings
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
Shrivastava et al. Estimation of stable cutting zone in turning based on empirical mode decomposition and statistical approach
CN111230590A (zh) 拉削加工稳定性监测方法及系统
CN108680247B (zh) 基于振动烈度低频滤波修正的振动信号转换方法
Jiang et al. A tacholess order tracking method based on spectral amplitude modulation for variable speed bearing fault diagnosis
CN112372371B (zh) 数控机床刀具磨损状态评估方法
CN111238362B (zh) 一种深孔钻削中孔圆度误差实时监测的方法
CN115356108B (zh) 一种调制高阶水平挤压变换机械故障诊断方法与装置
CN109540279B (zh) 机床高速铣削过程欠采样动态信号的逆压缩感知恢复方法
Zhuo et al. Chatter identification in flank milling of thin-walled blade based on fractal dimension
de Aguiar et al. Acoustic emission applied to detect workpiece burn during grinding
CN115438688A (zh) 关键设备的故障检测方法、装置、电子设备及存储介质
CN110595751B (zh) 基尼指数引导的早期故障特征小波重构方法及其应用
Rahman et al. Correlation Analysis of Vibration Signal Frequency with Tool Wear During the Milling Process on Martensitic Stainless Steel Material

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