CN114707552A - 一种钛铝合金铣削加工三维表面形貌分析方法 - Google Patents

一种钛铝合金铣削加工三维表面形貌分析方法 Download PDF

Info

Publication number
CN114707552A
CN114707552A CN202210355906.XA CN202210355906A CN114707552A CN 114707552 A CN114707552 A CN 114707552A CN 202210355906 A CN202210355906 A CN 202210355906A CN 114707552 A CN114707552 A CN 114707552A
Authority
CN
China
Prior art keywords
dimensional
wavelet
titanium
aluminum alloy
dimensional surface
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
Application number
CN202210355906.XA
Other languages
English (en)
Inventor
赵鑫
吴延林
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210355906.XA priority Critical patent/CN114707552A/zh
Publication of CN114707552A publication Critical patent/CN114707552A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明提供一种钛铝合金铣削加工三维表面形貌分析方法，包括：根据铣削钛铝合金已加工表面进行表面三维数据提取，对所述表面三维数据进行小波分析，所述小波分析选择小波基函数，所述小波基函数进行特征参数计算，所述特征参数采用响应曲面模型进行特征匹配分析，所述特征匹配分析输出匹配小波基函数，所述匹配小波基函数对三维表面数据进行分解重构，所述表面三维数据得到各个频段三维表面形貌特征。

Description

一种钛铝合金铣削加工三维表面形貌分析方法
技术领域
本发明涉及一种钛铝合金铣削加工三维表面形貌分析方法。
背景技术
钛铝合金目前在航天航天领域已经被广泛应用，同时钛铝合金作为一种难加工材料，在高温环境下引发化学反应，加工硬化现象严重、造成加工效率低、加工质量较差等问题。钛铝合金表面形貌直接影响工件的使用性能。相对于传统表面滤波技术无法多尺度分析表面形貌特性，需要表面具有服从高斯分布和滤波分布或者各向同性的要求，小波分析可将表面形貌中不同尺度信号进行分离，得到不同层次的三维粗糙度表面信息，其中小波分析中小波基函数的选择是关键，只有与原三维表面数据信号匹配度高的小波基函数，才能对铣削加工表面三维形貌进行特征分析。
发明内容
本发明一种钛铝合金铣削加工三维表面形貌分析方法，对铣削三维表面进行详细的系统性表征。
一种钛铝合金铣削加工三维表面形貌分析方法，包括以下步骤：步骤一，根据铣削钛铝合金已加工表面进行表面三维数据提取，对所述表面三维数据进行小波分析。
其中，表面三维数据需要先转换为小波信号，在进行表面三维数据小波分析。
步骤二，根据所述小波分析选择小波基函数，所述小波基函数进行特征参数计算，所述特征参数采用响应曲面模型进行特征匹配分析。
其中，小波基函数需要根据特征参数计算，其中特征参数包括算术平均值、标准差、偏度、峰度、能量、香农熵和计算的能量熵系数。
进一步的，响应曲面模型是二阶非线性模型，每一个特征参数都需要与响应曲面模型进行计算。
进一步的，特征参数需要与响应曲面模型计算匹配分析R2>90％，否则需要重新选择小波基函数。
步骤三，根据所述特征匹配分析输出匹配小波基函数，所述匹配小波基函数对三维表面数据进行分解重构，所述表面三维数据得到各个频段三维表面形貌特征。
进一步的，三维表面数据重构信号进行分类，通过计算小波能量E能求出能量突变层，由于同频率内信号变化规律一致，因此对频率信号进行分类，对重构后的三维表面形貌进行分析，验证能量分层的准确性。
进一步的，对重构的三维表面形貌进行特征分析，高频粗糙度图像与刀具-工件振动及刀具硬质点相关，低频粗糙度图像与刀具磨损、去除机理及表面缺陷相关，表面基准面作为评定表面粗糙度的基准面。
附图说明
图1为本发明的一种钛铝合金铣削加工表面三维形貌分析方法的流程图；
图2为本发明的一种钛铝合金铣削加工表面三维形貌的原始三维形貌图像；
图3为本发明的一种钛铝合金铣削加工表面三维形貌的不同频率信号下形貌特征图。
具体实施方式
以下结合附图说明及实施例对本发明进行进一步的详细、清晰的说明。
本发明提供了一种钛铝合金铣削加工表面三维形貌分析方法，包括了以下步骤：如图1为本发明的一种钛铝合金铣削加工表面三维形貌分析方法的流程图，具体过程如下：步骤一，根据铣削钛铝合金已加工表面进行表面三维数据提取，对所述表面三维数据进行小波分析。
首先表面三维数据需要先转换为小波信号，采用白光干涉仪提取三维表面文本数据，通过matlab软件小波分析工具包在进行表面三维数据小波分析。
步骤二，根据所述小波分析选择小波基函数，所述小波基函数进行特征参数计算，所述特征参数采用响应曲面模型进行特征匹配分析。
表1为钛铝合金铣削加工所选小波基函数。
Figure BDA0003582742720000021
其中，小波基函数需要根据特征参数计算，其中特征参数包括算术平均值、标准差、偏度、峰度、能量、香农熵和计算的能量熵系数。
使用选择小波基函数处理后的三维表面形貌信号进行特征参数计算，
算术平均值为
Figure BDA0003582742720000031
标准差为
Figure BDA0003582742720000032
偏度为
Figure BDA0003582742720000033
峰度为
Figure BDA0003582742720000034
能量为
Figure BDA0003582742720000035
香农熵为
Figure BDA0003582742720000036
计算的能量熵系数为
Figure BDA0003582742720000037
进一步的，响应曲面模型是二阶非线性模型，每一个特征参数都需要与响应曲面模型进行计算。
进一步的，响应曲面二阶非线性模型为如下公式：
y＝β0+β1x1+β2x2+β3x3+β12x1x2+β23x2x3+β13x1x3+β11x1 2+β22x2 2+β33x3 2+e；
其中x1、x2、x3是分别对应切削力F、进给量f、切削速度v，特征参数每一个参数需要在响应曲面模型中进行计算。
进一步的，特征参数需要与响应曲面模型计算匹配分析R2>90％，否则需要重新选择小波基函数。
步骤三，根据所述特征匹配分析输出匹配小波基函数，所述匹配小波基函数对三维表面数据进行分解重构，所述表面三维数据得到各个频段三维表面形貌特征。
进一步的，图2为本发明的一种钛铝合金铣削加工表面三维形貌的原始三维形貌图像，小波分解重构步骤为：设x(t)为平方可积函数，当基本小波ψ(t)满足容许条件时，x(t)的小波变换为：
Figure BDA0003582742720000038
或用内积形式，
WTf(a,b)＝<f,ψa,b>
其中，
Figure BDA0003582742720000041
式中，ψa,b(t)称为小波，a为伸缩因子，b为平移因子。当a减小时，小波中心频率增大，频率宽度增大；反之，中心频率减小，带宽减小。参数b使小波窗口移动。
逆变换的定义为：
Figure BDA0003582742720000042
当在计算机中进行计算时，需要进行离散化处理，取
Figure BDA0003582742720000043
j，k∈Z，因此离散小波变换ψj,k(t)为：
Figure BDA0003582742720000044
重构公式为：
Figure BDA0003582742720000045
进一步的，三维表面数据重构信号进行分类，通过计算小波能量E能求出能量突变层，由于同频率内信号变化规律一致，因此对频率信号进行分类，对重构后的三维表面形貌进行分析，验证能量分层的准确性。
表2铣削三维表面形貌重构信号小波能E能。
Figure BDA0003582742720000046
由表2知，在不同尺度三维形貌的信号小波能中，尺度3-4(E能变化量为尺度2-3的2.22倍)与尺度8重构的小波能量变化较为明显。
进一步的，对重构的三维表面形貌进行特征分析，图3为本发明的一种钛铝合金铣削加工表面三维形貌的不同频率信号下形貌特征图，高频粗糙度图像与刀具-工件振动及刀具硬质点相关，低频粗糙度图像与刀具磨损、去除机理及表面缺陷相关，表面基准面作为评定表面粗糙度的基准面。

Claims (7)

1.一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：包括以下步骤，
步骤一，根据铣削钛铝合金已加工表面进行表面三维数据提取，对所述表面三维数据进行小波分析；
步骤二，根据所述小波分析选择小波基函数，所述小波基函数进行特征参数计算，所述特征参数采用响应曲面模型进行特征匹配分析；
步骤三，根据所述特征匹配分析输出匹配小波基函数，所述匹配小波基函数对三维表面数据进行分解重构，所述表面三维数据得到各个频段三维表面形貌特征。
2.根据权利要求1所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述步骤一表面三维数据需要先转换为小波信号，在进行表面三维数据小波分析。
3.根据权利要求1所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述步骤二小波基函数需要根据特征参数计算，其中特征参数包括算术平均值、标准差、偏度、峰度、能量、香农熵和计算的能量熵系数。
4.根据权利要求1所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述步骤二响应曲面模型是二阶非线性模型，每一个特征参数都需要与响应曲面模型进行计算。
5.根据权利要求1所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述步骤三三维表面数据重构信号进行分类，通过计算小波能量E能求出能量突变层，由于同频率内信号变化规律一致，因此对频率信号进行分类，对重构后的三维表面形貌进行分析，验证能量分层的准确性。
6.根据权利要求1所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述步骤三对重构的三维表面形貌进行特征分析，高频粗糙度图像与刀具-工件振动及刀具硬质点相关，低频粗糙度图像与刀具磨损、去除机理及表面缺陷相关，表面基准面作为评定表面粗糙度的基准面。
7.根据权利要求4所述一种钛铝合金铣削加工三维表面形貌分析方法，其特征在于：所述特征参数需要与响应曲面模型计算匹配分析R2>90％，否则需要重新选择小波基函数。
CN202210355906.XA 2022-04-06 2022-04-06 一种钛铝合金铣削加工三维表面形貌分析方法 Pending CN114707552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210355906.XA CN114707552A (zh) 2022-04-06 2022-04-06 一种钛铝合金铣削加工三维表面形貌分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210355906.XA CN114707552A (zh) 2022-04-06 2022-04-06 一种钛铝合金铣削加工三维表面形貌分析方法

Publications (1)

Publication Number Publication Date
CN114707552A true CN114707552A (zh) 2022-07-05

Family

ID=82173342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210355906.XA Pending CN114707552A (zh) 2022-04-06 2022-04-06 一种钛铝合金铣削加工三维表面形貌分析方法

Country Status (1)

Country Link
CN (1) CN114707552A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837780A (zh) * 2006-04-10 2006-09-27 西安交通大学 区间b样条小波单元用于转子横向裂纹定量诊断的方法
CN109855593A (zh) * 2019-03-12 2019-06-07 哈尔滨理工大学 一种钛合金车削加工三维表面形貌分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837780A (zh) * 2006-04-10 2006-09-27 西安交通大学 区间b样条小波单元用于转子横向裂纹定量诊断的方法
CN109855593A (zh) * 2019-03-12 2019-06-07 哈尔滨理工大学 一种钛合金车削加工三维表面形貌分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHING-TUN PENG ET.AL: "Dry machining parameter optimization for γ-TiAl with a rhombic insert", 《PROCEDIA MANUFACTURING》, 31 December 2021 (2021-12-31), pages 167 *
RISHI PAHUJA ET.AL: "Quality monitoring in milling of unidirectional CFRP through wavelet packet transform of force signals", 《PROCEDIA MANUFACTURING》, 31 December 2020 (2020-12-31), pages 389 - 396 *

Similar Documents

Publication Publication Date Title
CN108356606B (zh) 基于小波包分析与rbf神经网络的刀具磨损在线监测方法
Mannan et al. Application of image and sound analysis techniques to monitor the condition of cutting tools
CN110647943B (zh) 基于演化数据聚类分析的切削刀具磨损监测方法
US20140129503A1 (en) Method for predicting machining quality of machine tool
Caesarendra et al. Adaptive neuro-fuzzy inference system for deburring stage classification and prediction for indirect quality monitoring
Imani et al. Joint multifractal and lacunarity analysis of image profiles for manufacturing quality control
CN108629864B (zh) 一种基于振动的电主轴径向精度表征方法及其系统
Zhou et al. Tool condition monitoring in milling using a force singularity analysis approach
CN111633467A (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
Raju et al. Establishment of Process model for rapid prototyping technique (Stereolithography) to enhance the part quality by Taguchi method
Rusinek et al. Dynamics of thin-walled element milling expressed by recurrence analysis
CN111331429A (zh) 基于小波包能量分析的刀具磨损状态监测方法及装置
Khalifa et al. Image processing for chatter identification in machining processes
CN116008114B (zh) 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法
Wang et al. Novel monitoring method for material removal rate considering quantitative wear of abrasive belts based on LightGBM learning algorithm
CN111958321B (zh) 基于深度神经网络的数控机床刀具磨损程度识别方法
Jiang et al. The monitoring of milling tool tipping by estimating holder exponents of vibration
Pathiranagama et al. Fractal-based analysis of the effect of machining parameters on surface finish of workpiece in turning operation
Ghani et al. Statistical analysis for detection cutting tool wear based on regression model
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
Ren et al. Online milling chatter identification using adaptive Hankel low-rank decomposition
CN113458873B (zh) 一种刀具磨损量和剩余寿命预测的方法
CN114707552A (zh) 一种钛铝合金铣削加工三维表面形貌分析方法
CN114523338A (zh) 一种基于噪声分析的切削刀具磨损状态监测方法
Rudolph et al. Towards Predictive Part Quality and Predictive Maintenance in Industrial Machining-A Data-Driven Approach.

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