CN114147284A - 一种拉床拉刀结构健康监测系统及方法 - Google Patents
一种拉床拉刀结构健康监测系统及方法 Download PDFInfo
- Publication number
- CN114147284A CN114147284A CN202111012874.5A CN202111012874A CN114147284A CN 114147284 A CN114147284 A CN 114147284A CN 202111012874 A CN202111012874 A CN 202111012874A CN 114147284 A CN114147284 A CN 114147284A
- Authority
- CN
- China
- Prior art keywords
- broach
- broaching
- damage
- frequency
- acceleration
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23D—PLANING; SLOTTING; SHEARING; BROACHING; SAWING; FILING; SCRAPING; LIKE OPERATIONS FOR WORKING METAL BY REMOVING MATERIAL, NOT OTHERWISE PROVIDED FOR
- B23D39/00—Accessories for broaching machines or broaching devices
-
- 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
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
- B23Q17/008—Life management for parts of the machine
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种拉床拉刀结构健康监测系统及方法,本系统包括主溜板、工件、拉刀、加速度传感器、数据采集卡和上位机,利用基于敏感段振动信号频谱幅值的拉削刀具磨损定量预测,达到对拉床拉刀结构定量健康管理。当拉刀以恒定拉削速度拉削工件时,拉刀刀齿进入或离开工件时会产生一次激励。读取加速度信号,先从整段加速度信号中截取对刀具磨损敏感的振动信号段,再将敏感段振动信号作快速傅立叶变换,获得加速度信号变换后的频谱信号。无论是何种激励,其频谱图上均会出现幅值特别大的频率信号,频率幅值变化幅度代表刀具磨损程度或损伤类型,频率幅值变化幅度越大即代表刀具磨损或损伤程度越大。利用此特性定量预测拉刀磨损程度或不同损伤类型。
Description
技术领域
本发明为一种拉床拉刀结构健康监测系统及方法,应用于车间复杂现场环境下,实现对拉床刀具轻微磨损或损伤的定量评估与预测。
背景技术
拉刀是用于拉削的成形刀具。刀具表面上有多排刀齿,各排刀齿的尺寸和形状从切入端至切出端依次增加和变化。当拉刀作拉削运动时,每个刀齿就从工件上切下一定厚度的金属,最终得到所要求的尺寸和形状。拉刀常用于成批和大量生产中加工圆孔、花键孔、键槽、平面和成形表面等,生产率很高。拉刀按加工表面部位的不同,分为内拉刀和外拉刀。
目前拉床拉刀的磨损与损伤主要是通过工人师傅凭经验定期更换刀具,或仅凭经验听机床工作时振动声音以判断拉刀是否磨损或损伤。这种方法很有可能因工人误听误判造成不必要的工件和刀具报废而产生重大经济损失。
发明内容
本发明的目的在于针对实际情况中存在的一些问题,提供一种拉床拉刀结构健康监测系统及方法,可实现对拉床刀具轻微磨损或损伤定量评估与预测。本发明监测拉床拉刀结构健康的优点是设备成本低廉、结构简单可靠,可以直观的根据频谱图判断拉刀是否磨损与损伤。
为达到上述目的,本发明采用下述技术方案:
一种拉床拉刀结构健康监测系统,包括主溜板、工件、拉刀、加速度传感器、数据采集卡和上位机,所述加速度传感器安装在拉床两侧溜板上,用于测量拉削方向的加速度信号,加速度传感器与数据采集卡相连接,数据采集卡获得数字信号传递给上位机,上位机截取敏感段振动信号后经频谱分析后对拉刀进行结构健康状态定量评估。
一种拉床拉刀结构健康监测方法,采用本发明拉床拉刀结构健康监测系统进行操作,所述监测方法包括以下步骤:
①拉刀以恒定速度进行拉削运动,其刀齿对工件会产生激励;
②刀具的磨损与损伤会导致刀具对工件的激励在某时间段明显增大,为磨损敏感段;
③无论激励是不是周期激励均会在频谱图上产生一部分幅值相对很大的频率,为特征频率;
④拉刀出现磨损或者损伤均会导致频谱信号所有频率幅值明显增大;
⑤对频谱信号切削激励所产生特征频率幅值进行分析,定量预测拉刀的磨损与损伤。
优选地,所述加速度传感器所采集到的加速度信号要经过筛选才能使用;通过观察时域信号,来确定拉刀损伤对能量变化影响大的时域敏感段,将敏感段作快速傅里叶变换,即可得到能代表刀具磨损与损伤信号的频谱图。
进一步优选地,在截取时域敏感段时,必须保证在加速度传感器采样频率一定时,截取的数据的长度和位置一致;如果长度或者位置不一致,就意味着其频谱图的特征频率幅值不具有可比性。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
1.本发明监测系统主要包括拉刀、加工工件、传感器、数据采集卡、上位机;拉刀以恒定的拉削速度拉削被加工工件,数据采集卡将拉削所产生的加速度信号采集后先截取敏感段振动信号然后作快速傅立叶变换,获得频谱信号;当拉刀发生磨损或损伤时,频谱信号特征频率所对应的幅值会增大;利用这一特性实现对拉床刀具轻微磨损或损伤的定量评估与预测;
2.本发明监测拉床拉刀结构健康的优点是设备成本低廉、结构简单可靠,可以直观的根据频谱图判断拉刀是否磨损与损伤,本发明方法简单易行,适合推广使用。
附图说明
图1为本发明基于敏感段振动信号频谱幅值的拉床拉刀结构健康监测系统结构示意图。
图2为本发明基于敏感段振动信号频谱幅值的拉床拉刀结构健康监测方法的流程图。
图3为44组实验数据中第1组数据和第2组数据时域对比图。
图4为44组实验数据中第1组数据和第44组数据时域对比图。
图5为44组实验数据中第1组数据敏感段振动信号被截取图。
图6为44组实验数据中第1组数据敏感段振动信号频谱图。
图7为44组实验数据中第44组数据敏感段振动信号被截取图。
图8为44组实验数据中第44组数据敏感段振动信号频谱图。
图9为44组实验数据中第1组数据和第44组数据敏感段振动信号频谱图对比图。
图10为敏感段振动信号频谱图特征频率幅值随着磨损加剧规律变化统计图。
具体实施方案
下面就优选实施例结合附图,对本发明的技术方案做进一步说明。
实施例一
参见图1,一种拉床拉刀结构健康监测系统,包括主溜板1、工件2、拉刀3、加速度传感器4、数据采集卡5和上位机6,其特征在于:所述加速度传感器4安装在拉床两侧溜板上,用于测量拉削方向的加速度信号,加速度传感器4与数据采集卡5相连接,数据采集卡5获得数字信号传递给上位机6,上位机6截取敏感段振动信号后经频谱分析后对拉刀进行结构健康状态定量评估。
本实施例拉床拉刀结构健康监测系统可实现对拉床刀具轻微磨损或损伤定量评估与预测。本发明监测拉床拉刀结构健康的优点是设备成本低廉、结构简单可靠,可以直观的根据频谱图判断拉刀是否磨损与损伤。
实施例二
参见图2,一种拉床拉刀结构健康监测方法,采用实施例一拉床拉刀结构健康监测系统进行操作,其特征在于所述监测方法包括以下步骤:
①拉刀以恒定速度进行拉削运动,其刀齿对工件会产生激励;
②刀具的磨损与损伤会导致刀具对工件的激励在某时间段明显增大——磨损敏感段;
③无论激励是不是周期激励均会在频谱图上产生一部分幅值相对很大的频率——特征频率;
④拉刀出现磨损或者损伤均会导致频谱信号所有频率幅值明显增大;
⑤对频谱信号切削激励所产生特征频率幅值进行分析,定量预测拉刀的磨损与损伤。
本实施例方法实现对拉床刀具轻微磨损或损伤的定量评估与预测,可以直观的根据频谱图判断拉刀是否磨损与损伤,本发明方法简单易行,适合推广使用。
实施例三
在本实施例中,一种拉床拉刀结构健康监测方法,加速度传感器所采集到的加速度信号要经过筛选才能使用;通过观察时域信号来确定拉刀损伤对能量变化影响大的时域敏感段,将敏感段作快速傅里叶变换即可得到能代表刀具磨损与损伤信号的频谱图。
在截取时域敏感段时,必须保证在加速度传感器采样频率一定时其截取的数据的长度和位置一致;如果长度或者位置不一致就意味着其频谱图的特征频率幅值不具有可比性。
本实施例拉刀以恒定的拉削速度拉削被加工工件,数据采集卡将拉削所产生的加速度信号采集后先截取敏感段振动信号然后作快速傅立叶变换,获得频谱信号;当拉刀发生磨损或损伤时,频谱信号特征频率所对应的幅值会增大;利用这一特性实现对拉床刀具轻微磨损或损伤的定量评估与预测。
实施例四
在本实施例中,一种拉床拉刀结构健康监测系统,如图1所示,加速度传感器4安装在拉床两侧溜板上,主要测量拉削方向加速度信号。
当拉床拉削工件的时候,加速度传感器采集拉削运动过程中拉刀所产生的加速度变化信号。在数据采集卡读取加速度信号后,需要通过观察时域找出容易受刀具磨损从而影响加工的敏感段振动信号,最后将信号敏感段振动信号作快速傅里叶变换从而获得频谱信号。无论所施加的激励是否是周期信号,频谱信号均会呈现出一部分幅值很高的频率信号,即特征频率信号。刀具磨损会导致这部分特征频率信号幅值增大。不同幅值激励信号,即代表刀具磨损与损伤的程度,幅值变化越大即代表刀具磨损与损伤更严重。利用这一特性定量预测拉刀磨损程度或不同损伤类型。
在本实施例中,加速度传感器所测得的加速度信号不能直接用来频谱图分析,原因是整段加速度信号能量过于巨大,但是刀具磨损所造成的能量相对来说十分微小,细微的能量不足以引起整段加速度信号所对应的频谱图发生有规律的变化。解决这个问题的方法是通过观察整段加速度信号所对应的时域图,通过观察时域图随着刀具磨损产生的变化特征而截取对刀具磨损比较敏感的振动信号段从而将敏感段振动信号提取出来作频谱分析。如图3所示,轻微的磨损引起15s后的加速度时域信号段幅值增大,当磨损积累到一定程度后,加速度时域信号的敏感特征就非常明显了,如图4。在经过观察加速度时域信号的敏感特征后可知拉削时间从15s后到结束这段加速度时域信号为敏感段振动信号。这段信号受刀具磨损所影响产生的能量变化最为剧烈,截取这段振动信号并分析频谱图特征频率幅值即可定量预测拉刀磨损程度或不同损伤类型。
参见图5和图6,将第1组加速度的敏感段振动信号段截取出来作快速傅里叶变换得到频谱图信号。从频谱图可以得第1组加速度的敏感段振动信号段能量最强的特征频率是30.37Hz,其幅值为0.3233m/s^2。
参见图7和图8,将第44组加速度的敏感段振动信号段截取出来作快速傅里叶变换得到频谱图信号。从频谱图可以得第44组加速度的敏感段振动信号段能量最强的特征频率是30.37Hz,其幅值为2.39m/s^2。
参见图6和图8,将第1组加速度的敏感段振动信号对应的频谱图信号与第44组加速度的敏感段振动信号对应的频谱图信号作比较。从图9可得知,不仅仅是特征频率其它的频率所对应的幅值随着刀具的磨损与损伤均有较大的变化,幅值增大。
参见图6,尽管刀具磨损会导致频谱图一切频率均会增大,其它的非特征频率也可对刀具的磨损程度或损伤类型作出评估。但为了方便进行数据对比,建议用那部分频谱图上能量巨大的特征频率定量预测评估拉刀磨损程度或不同损伤类型。
参见图9和图10,,在统计44组加速度敏感段振动信号对应频谱图的特征频率30.37Hz后,可以得到每组实验数据特征频率30.37Hz对应的幅值。以实验先后顺序为横坐标以实验组对应的特征频率幅值为纵坐标绘图,从图10可直观的得出结论:随着刀具磨损或损伤的增大,加速度敏感段振动信号对应的频谱图特征频率幅值在小范围内有波动,但是从整体上来看是增大的。
综上所述,上述实施例拉床拉刀结构健康监测系统包括主溜板、工件、拉刀、加速度传感器、数据采集卡和上位机。本发明上述实施例利用基于敏感段振动信号频谱幅值的拉削刀具磨损定量预测方法,达到对拉床拉刀结构定量健康管理。加速度传感器固定安装在拉刀两侧溜板上,主要测量拉削方向的振动信号。当拉刀以恒定拉削速度拉削工件时,拉刀刀齿进入或者离开工件时会产生一次激励。用数据采集卡读取加速度信号,先从整段加速度信号中截取那段对刀具磨损敏感的振动信号段,然后将敏感段振动信号作快速傅立叶变换,获得加速度信号变换后的频谱信号。无论是那种类型的激励,其频谱图上均会出现一些幅值特别大的频率信号,频率幅值变化幅度代表刀具磨损程度或不同损伤类型,频率幅值变化的幅度越大即代表刀具的磨损或损伤程度越大。上述实施例利用这一特性定量预测拉刀磨损程度或不同损伤类型。
上面对本发明实施例结合附图进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明的技术原理和发明构思,都属于本发明的保护范围。
Claims (4)
1.一种拉床拉刀结构健康监测系统,包括主溜板(1)、工件(2)、拉刀(3)、加速度传感器(4)、数据采集卡(5)和上位机(6),其特征在于:所述加速度传感器(4)安装在拉床两侧溜板上,用于测量拉削方向的加速度信号,加速度传感器(4)与数据采集卡(5)相连接,数据采集卡(5)获得数字信号传递给上位机(6),上位机(6)截取敏感段振动信号后经频谱分析后对拉刀进行结构健康状态定量评估。
2.一种拉床拉刀结构健康监测方法,采用根据权利要求1所述的拉床拉刀结构健康监测系统进行操作,其特征在于,所述监测方法包括以下步骤:
①拉刀以恒定速度进行拉削运动,其刀齿对工件会产生激励;
②刀具的磨损与损伤会导致刀具对工件的激励在某时间段明显增大,为磨损敏感段;
③无论激励是不是周期激励,均会在频谱图上产生一部分幅值相对很大的频率,为特征频率;
④拉刀出现磨损或者损伤均会导致频谱信号所有频率幅值明显增大;
⑤对频谱信号切削激励所产生特征频率幅值进行分析,定量预测拉刀的磨损与损伤。
3.根据权利要求2所述的拉床拉刀结构健康监测方法,其特征在于:所述加速度传感器所采集到的加速度信号要经过筛选才能使用;通过观察时域信号,来确定拉刀损伤对能量变化影响大的时域敏感段,将敏感段作快速傅里叶变换,即可得到能代表刀具磨损与损伤信号的频谱图。
4.根据权利要求2所述的拉床拉刀结构健康监测方法,其特征在于:在截取时域敏感段时,必须保证在加速度传感器采样频率一定时,截取的数据的长度和位置一致;如果长度或者位置不一致,就意味着其频谱图的特征频率幅值不具有可比性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012874.5A CN114147284A (zh) | 2021-08-31 | 2021-08-31 | 一种拉床拉刀结构健康监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012874.5A CN114147284A (zh) | 2021-08-31 | 2021-08-31 | 一种拉床拉刀结构健康监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114147284A true CN114147284A (zh) | 2022-03-08 |
Family
ID=80461488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012874.5A Pending CN114147284A (zh) | 2021-08-31 | 2021-08-31 | 一种拉床拉刀结构健康监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114147284A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104741638A (zh) * | 2015-04-20 | 2015-07-01 | 江苏师范大学 | 一种车削刀具磨损状态监测系统 |
CN107159964A (zh) * | 2017-07-03 | 2017-09-15 | 杭州电子科技大学 | 卧式内拉床智能拉削单元 |
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
CN109967789A (zh) * | 2019-03-11 | 2019-07-05 | 杭州电子科技大学 | 一种超声拉刀、高效精密超声拉削装置及其拉削工艺 |
CN111069941A (zh) * | 2019-12-18 | 2020-04-28 | 中南大学 | 一种用于高速精密拉削加工涡轮盘榫槽的夹具系统及加工方法 |
CN111644900A (zh) * | 2020-05-21 | 2020-09-11 | 西安交通大学 | 一种基于主轴振动特征融合的刀具破损实时监测方法 |
CN113211189A (zh) * | 2021-04-26 | 2021-08-06 | 上海大学 | 基于振动信号的拉削刀具磨损与损伤定量预测系统及方法 |
-
2021
- 2021-08-31 CN CN202111012874.5A patent/CN114147284A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104741638A (zh) * | 2015-04-20 | 2015-07-01 | 江苏师范大学 | 一种车削刀具磨损状态监测系统 |
CN107159964A (zh) * | 2017-07-03 | 2017-09-15 | 杭州电子科技大学 | 卧式内拉床智能拉削单元 |
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
CN109967789A (zh) * | 2019-03-11 | 2019-07-05 | 杭州电子科技大学 | 一种超声拉刀、高效精密超声拉削装置及其拉削工艺 |
CN111069941A (zh) * | 2019-12-18 | 2020-04-28 | 中南大学 | 一种用于高速精密拉削加工涡轮盘榫槽的夹具系统及加工方法 |
CN111644900A (zh) * | 2020-05-21 | 2020-09-11 | 西安交通大学 | 一种基于主轴振动特征融合的刀具破损实时监测方法 |
CN113211189A (zh) * | 2021-04-26 | 2021-08-06 | 上海大学 | 基于振动信号的拉削刀具磨损与损伤定量预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113211189A (zh) | 基于振动信号的拉削刀具磨损与损伤定量预测系统及方法 | |
Cao et al. | Chatter identification in end milling process based on EEMD and nonlinear dimensionless indicators | |
Yang et al. | A novel feature representation method based on original waveforms for acoustic emission signals | |
CN105058165A (zh) | 基于振动信号的刀具磨损量监测系统 | |
CN107350900B (zh) | 一种基于断屑时间提取的刀具状态监测方法 | |
JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
CN109894925B (zh) | 基于内嵌式压电传感器的薄壁件铣削加工振动监测方法 | |
Rizal et al. | The application of I-kazTM-based method for tool wear monitoring using cutting force signal | |
CN103203670B (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
CN112781820A (zh) | 一种滚刀性能退化趋势评估方法 | |
Aguiar et al. | In-process grinding monitoring by acoustic emission | |
CN107153728B (zh) | 一种基于双谱幅值分布熵的砂轮磨损状态特征提取方法 | |
CN114147284A (zh) | 一种拉床拉刀结构健康监测系统及方法 | |
Aguiar et al. | In-process grinding monitoring through acoustic emission | |
CN114577453A (zh) | 用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元 | |
Albers et al. | Prediction of the product quality of turned parts by real-time acoustic emission indicators | |
CN114055252A (zh) | 一种基于敏感段振动信号时域/频域均方根的拉削刀具磨损定量预测系统及方法 | |
Lemaster et al. | Monitoring tool wear during wood machining with acoustic emission | |
Dotto et al. | Acoustic image-based damage identification of oxide aluminum grinding wheel during the dressing operation | |
CN114888635A (zh) | 一种刀具状态监测方法 | |
Junior et al. | Wear monitoring of single-point dresser in dry dressing operation based on neural models | |
CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
CN101319956B (zh) | 机床极限切宽的测定方法 | |
CN110849928B (zh) | 一种超声滚压加工温度测量分析方法 | |
CN201262587Y (zh) | 机床极限切宽的测定系统 |
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 |