CN114778699A - 一种基于声发射技术的微细磨削在线无损监测方法 - Google Patents
一种基于声发射技术的微细磨削在线无损监测方法 Download PDFInfo
- Publication number
- CN114778699A CN114778699A CN202210317448.0A CN202210317448A CN114778699A CN 114778699 A CN114778699 A CN 114778699A CN 202210317448 A CN202210317448 A CN 202210317448A CN 114778699 A CN114778699 A CN 114778699A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- signal
- time domain
- emission signal
- micro
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及精密微细磨削在线无损监测领域,特指一种基于声发射技术的微细磨削在线无损监测方法。解决现有的精密微细磨削加工中微细磨削工具磨损程度及加工零件表面粗糙度无法有效实现在线无损监测的技术问题,本发明采用峰度和偏度作为技术指标,与其他时域特征值进行对比,具有更高的敏感性;与现有技术相比较的优势在于对于加工精度和工具尺寸比传统磨削要求更高的精密微细磨削更具研究价值。与现有技术相比,既可以保证足够的监测精度和准确度,也可以大大提高运算效率,避免资源浪费。
Description
技术领域
本发明涉及精密微细磨削在线无损监测领域,特指一种基于声发射技术的微细磨削在线无损监测方法。
背景技术
现行方式中,在航空航天、机械电子、光学以及光电子等领域中,“微细磨削加工”由于具有重要的应用价值和广阔的应用前景,正在得到越来越多的应用;
具体地,为了实现在“微细磨削加工”达到纳米级的表面粗糙度和微米级的面形精度,现有技术的常规技术手段是:需要在微细磨削加工过程中进行在线的无损监测,以防止因微细磨削加工具严重磨损而导致零件表面质量受到影响;
更加具体的说明现有技术的缺陷,目前现有技术的常规技术手段在实现监测时存在如下制约条件:(1)由于微细磨削加工区域常处于封闭状态,激光测振仪等设备无法直接测量到加工位置;(2)微细磨削加工中磨削力数值较小,通过常用的力传感器往往不易监测到磨削力信号;(3)非在位检测手段需要反复拆卸零件,无法实现快速及时地信息反馈。
另外,声发射信号具有极强的抗干扰性和易收集性,而采集的声发射信号频率远高于设备本身的固有频率,因此受到噪声的影响也较小;同时,声发射信号具有极高的灵敏度,可以实时给予系统以反馈;但是,即使是现有技术中已有的涉及声发射监测的技术手段中,也存在如下制约条件:例如(1.1)常用的时域特征值均方根RMS、幅值A等存在灵敏度较低、对循环期间可能发生的脉冲事件不敏感的缺点;(1.2)常用的频域分析方法如FFT存在不包含事件发生时间、无法描述频域中的瞬态信号特性的缺点。
综上所述,亟待解决的问题是需要在现有声发射监测手段基础上提供一种可以保证灵敏度的微细磨削在线无损监测系统和方法。
发明内容
本发明的目的是为了解决现有的精密微细磨削加工中微细磨削工具磨损程度及加工零件表面粗糙度无法有效实现在线无损监测的技术问题,从而提供一种基于声发射技术的微细磨削在线无损监测方法。
为了解决上述技术问题,本发明的技术方案具体如下:
一种基于声发射技术的微细磨削在线无损监测方法,包括:
步骤一、构建出双通道连接方式的基于声发射技术的微细磨削在线无损监测系统;
所述双通道连接方式为:
第一声发射传感器11,安置夹装在微细磨削工具2的轴侧,以获取所述微细磨削工具2和工件轴在细微磨削过程中产生的第一声发射信号100;
通过所述第一前置放大器111将所述第一声发射信号传输指所述信号采集卡3,并最终输送至所述上位机系统4;
第二声发射传感器22安置与所述工件1加工面的背面的中心;
产生第二声发射信号200通过第二前置放大器222传输至所述信号采集卡3至所述上位机系统4;
所述上位机系统4用于将所述第二声发射信号通过时频域EMD处理,并通过一马尔可夫模型模块进行判断运算,进行磨损识别判断;
步骤二、通过一第一声发射传感器11获取第一声发射信号100,并通过一时域处理模块10对所述第一声发射信号进行时域处理,并进行时域识别判断,所述时域识别判断的方式为:
依据所述时域特征值是否达到指定的阀值进行判断,当所述时域判断结果为未达到时,则通过时域处理模块10再进行判断,如此往复;
依据所述时域特征值是否达到指定的阀值进行判断,当所述时域判断结果为达到时,执行下一步骤;
步骤三、该步骤为所述下一步骤,并给予所述时域判断结果为达到时,一第二声发射传感器22工作,并获取所述第二声发射信号200;
通过一EMD计算模块20对所述第二声发射信号200进行EMD计算,并得到计算结果;
所述计算结果通过一隐马尔可夫模型模块对该以所述第二声发射信号200为所述计算结果的声发射信号进行磨损识别判断;
所述磨损识别判断执行一预设顺序,该预设顺序为:
首次判定,进行判定微细磨削工具是否达到轻微磨损,当结果未达到轻微磨损时,则返回隐马尔可夫模型模块以对后续接收的第二声发射信号200为所述计算结果的声发射信号进行磨损识别判断;
当结果达到轻微磨损时,上位机系统4发出轻微磨损提示;
再次判定,进行判定微细磨削工具是否达到正常磨损,当结果达到正常磨损时,上位机系统发出正常磨损提示;
三次判定,进行判定微细磨削工具是否达到严重磨损,当结果达到严重磨损时,上位机系统发出严重磨损提示;
所述再次判定、所述三次判定的判定为到达该磨损指标时,则与首次判定处理方式相同。
优选地,所述声发射信号的采样频率为2MHz;
所述采样频率应该大于等于模拟信号频谱中最高频率的2倍。
优选地,所述时域处理模块10峰度(K)和偏度(S)做为所述时域特征值,其计算方式为:
峰度K,计算公式为:
其中,nk为峰度计算中的样本个数,k2为二阶累积量的无偏估计即样本方差,Sk为峰度修正系数,在本方法中,Sk取1.2;
偏度(S),计算公式为:
其中,ns为偏度计算中的样本个数,k2为二阶累积量的对称无偏估计,Ss为偏度修正系数,本方法中,Ss取1.4。
优选地,根据时域特征值进行判断、判定特征值是否达到指定阈值时,以获得的时域特征值峰度(K)和偏度(S)为基准进行阈值判定,如果达到阈值,则为自动触发所述步骤三的前置条件。
优选地,所述EMD计算模块20执行的计算方式以一优化计算的方式进行,具体为:
将所述第二声波信号定义为信号I(ω);
首先,将所述信号I(ω)进行短时傅里叶变化,所述信号I(ω)可在频率上分解为:
其中,声发射信号中的噪声主要为高频噪声;
针对所述高频噪声进行滤波,在I(ω)中,对I(ω)进行EMD分解为:
其中,所述I(ω)表示输入信号,IMFi(ω)表示本征模函数,Resn(ω)表示残差;
依据下式计算所述信号中高频噪声的功率:
再依据下式判断高频噪声信号功率是强度:
SNR=10lg(Ps/Pn)
其中,当SNR≤25时,则证明高频噪声功率强度足够,将EMD分解中的IMF1去掉,将新信号定义为I′(ω),即第一次滤波后的信号,再对I′(ω)进行高频噪声功率和SNR计算,直到新信号In(ω)中的SNR≥25。
优选地,所述计算结果的声发射信号进行磨损识别判断的方式为:
采用隐马尔可夫模型为基础进行声发射信号的建模;
在EMD分解后得到的IMF视为观察状态,将微细磨削工具的实际磨损状态视为隐藏状态,而该过程中的混沌矩阵经过实验验证为如下:
优选地,结合给定的所述混沌矩阵和初始参数,利用Nelder-Mead算法不断更新隐马尔可夫模型中的参数,以实现不需要预先求得多元函数的导函数的情况下,能够在短时间内收敛达到局部最小值。
本发明具有以下的有益效果:
第一方面,本发明采用声发射信号作为监测信号,可以避免力、振动等相关指标在微细磨削加工中变化不显著的问题;
第二方面,本发明采用峰度和偏度作为技术指标,与其他时域特征值进行对比,具有更高的敏感性;与现有技术相比较的优势在于对于加工精度和工具尺寸比传统磨削要求更高的精密微细磨削更具研究价值。
第三方面,本发明采用时域分析方式和时频域分析方式相结合的方式对微细磨削加工进行监测,与现有技术相比,既可以保证足够的监测精度和准确度,也可以大大提高运算效率,避免资源浪费。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的系统图;
图2为本发明的结构框图;
图3为本发明的方法流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围;需要说明的是,本申请中为了便于描述,以当前视图中“左侧”为“第一端”,“右侧”为“第二端”,“上侧”为“第一端”,“下侧”为“第二端”,如此描述的目的在于清楚的表达该技术方案,不应当理解为对本申请技术方案的不当限定。
本发明的目的是为了解决现有的精密微细磨削加工中微细磨削工具磨损程度及加工零件表面粗糙度无法有效实现在线无损监测的技术问题,从而提供一种基于声发射技术的微细磨削在线无损监测系统及方法。
请参阅图3、并结合附图1、附图2所示,本技术方案一种基于声发射技术的微细磨削在线无损监测方法,包括:
步骤一、构建出双通道连接方式的基于声发射技术的微细磨削在线无损监测系统;
双通道连接方式为:
第一声发射传感器11,安置夹装在微细磨削工具2的轴侧,以获取微细磨削工具2和工件轴在细微磨削过程中产生的第一声发射信号100;
通过第一前置放大器111将第一声发射信号传输指信号采集卡3,并最终输送至上位机系统4;
第二声发射传感器22安置与工件1加工面的背面的中心;
产生第二声发射信号200通过第二前置放大器222传输至信号采集卡3至上位机系统4;
上位机系统4用于将第二声发射信号通过时频域EMD处理,并通过一马尔可夫模型模块进行判断运算,进行磨损识别判断;
该方法首先构建出检测系统,即本申请中提及的双通道连接方式,将附图3中分成第一部分、第二部分进行详细的说明,本申请中第一通道具体指:
第一声发射传感器11安置在装夹微细磨削工具的轴侧,用于通过微细磨削工具和轴接收声发射信号(第一声发射信号100),第一声发射传感器11所采集的声发射信号经由第一前置放大器111,进入信号采集卡3,最后传输进入上位机系统4。
具体的工作原理及目的在于,使用第一声发射传感器11相当于作为粗测部分;第一声发射传感器11采集来的声发射信号通过时域处理,当信号的时域特征值达到一定比例时,再开始通过第二声发射传感器22采集的声发射信号(第二声发射信号200)来进行进一步的在线监测;
第一声发射传感器11所采集的声发射信号则会受到工件1主轴转动时的噪声影响,但包含着工件1主轴转动状态等更加丰富的信息。S21标记为第一处理阶段标记S21。
更为具体的说明本申请中第二通道的部分,第二声发射传感器22安置在工件1加工背面的中心,不会受到磨屑以及其他物质的影响,用于直接从工件表面接收声发射信号;
第二声发射传感器22所采集的声发射信号(即第二声发射信号200)经由第二前置放大器222,进入信号采集卡3,最后传输进入上位机系统4;第二声发射传感器22所采集的声发射信号靠近加工位置,不受到其他噪声的干扰。
使用第二声发射传感器22作为精测部分;当到达指定阈值后,第二声发射传感器22采集的声发射信号通过时频域EMD处理,运用隐马尔科夫模型进行机器学习,具体指进行磨损识别判断。
综上,采用双通道信号采集卡可以保证两种信号的同步采集。
另外,如附图2所示,本方法整体系统包括信号采集卡采集到的声发射信号的声发射信号获取模块,增益调节放大电路模块,声发射信号采集模块,获取声发射信号的峰度(K)和偏度(S)的峰度和偏度获取模块,微细磨削工具磨损状况与峰度(K)和偏度(S)的对照关系设置模块,获取声发射信号EMD处理的声发射信号EMD获取模块,对声发射信号使用马尔科夫模型进行机器学习的马尔可夫模型模块。
在一个可实施的方式中,更为优选的是,所述声发射信号获取模块为清诚声发射研究有限公司的W500声发射传感器,声发射传感器的频率范围为100~1000KHz,谐振频率500kHz,灵敏度峰值>65dB。
在一个可实施的方式中,更为优选的是,所述增益调节放大电路模块为清诚声发射研究有限公司的PAS前置放大器,选用40dB增益和20kHz-1200kHz滤波档位。
在一个可实施的方式中,所述声发射信号采集模块为ADVANTECH公司的PCI-1714U同步模拟输入卡,采用4通道单头模拟输入,12位转换器。
进一步地,请参阅附图3中,具体标记为第二部分,具体内容为:
步骤二、通过一第一声发射传感器11获取第一声发射信号100,并通过一时域处理模块10对第一声发射信号进行时域处理,并进行时域识别判断,时域识别判断的方式为:
依据时域特征值是否达到指定的阀值进行判断,当时域判断结果为未达到时,则通过时域处理模块10再进行判断,如此往复;
依据时域特征值是否达到指定的阀值进行判断,当时域判断结果为达到时,执行下一步骤;
步骤三、该步骤为下一步骤,并给予时域判断结果为达到时,一第二声发射传感器22工作,并获取第二声发射信号200;
通过一EMD计算模块20对第二声发射信号200进行EMD计算,并得到计算结果;
计算结果通过一隐马尔可夫模型模块对该以第二声发射信号200为计算结果的声发射信号进行磨损识别判断;
磨损识别判断执行一预设顺序,该预设顺序为:
首次判定,进行判定微细磨削工具是否达到轻微磨损,当结果未达到轻微磨损时,则返回隐马尔可夫模型模块以对后续接收的第二声发射信号200为计算结果的声发射信号进行磨损识别判断;
当结果达到轻微磨损时,上位机系统4发出轻微磨损提示;
再次判定,进行判定微细磨削工具是否达到正常磨损,当结果达到正常磨损时,上位机系统发出正常磨损提示;
三次判定,进行判定微细磨削工具是否达到严重磨损,当结果达到严重磨损时,上位机系统发出严重磨损提示;
再次判定、三次判定的判定为到达该磨损指标时,则与首次判定处理方式相同。
具体而言,在精密微细磨削加工过程中,不同磨损状态包括轻微磨损、正常磨损、严重磨损等不同阶段;一般情况下,微细磨削工具磨损越严重,表面有效磨粒数量越小,声发射信号在时域上表现出的尖峰越少,这证明,声发射信号经过一定的时域处理后的特征值与工具磨损状态存在某种定性关系,但受到加工和监测条件等诸多条件的限制,通过简单的解析手段无法满足在精密微细磨削加工中的精确监测,但仍然可以作为一种简易的阈值监测手段,在提供快速反应的同时,节约计算资源。
在一个具体的实施方式中,声发射信号的采样频率为2MHz,采样频率应该大于等于模拟信号频谱中最高频率的2倍。
根据奈奎斯特采样定理,为了不失真地恢复模拟信号,采样频率应该大于等于模拟信号频谱中最高频率的2倍,即:
fs≥2fmax
确定声发射信号的采样频率应该高于2MHz。在实际操作中发现,采样频率低于2MHz会导致采集的声发射信号所包含的信息过少,无法获取准确的信息。但同时,采样频率也并非越高越好。如果按照2.5MHz的采样频率计算,默定数据宽度为12位,则本方法中采用的双路数据量总和则为60MB,此数量级的数据无法完成实时运算和反馈,结合以上分析,最终确定声发射信号的采样频率确定为2MHz。
具体地解释说明,具体而言,在对声发射信号的处理包括时域分析法、频域分析法以及时频域分析法;三种方法各有优缺点,时域分析法反应速度最快,但准确性较低;频域分析法较为精确,但无法在分析中体现时间信息;时频域分析法则最为准确,但反应速度最慢。在第二处理阶段标记S12中,采用时域分析法对声发射信号进行快速处理。在其他声发射时域监测中,通常采用均方根电压值RMS作为时域特征值,电压值RMS拥有使用广泛、计算简单等优点,但是,电压值RMS最大的劣势在于其敏感性极低,而在微细磨削加工中这个缺点会被方法,因此,在标记为S12的第二处理阶段标记S12中,采用具有极强敏感度的峰度(K)和偏度(S)作为时域特征值;
时域处理模块10峰度(K)和偏度(S)做为时域特征值,其计算方式为:
峰度K,计算公式为:
其中,nk为峰度计算中的样本个数,k2为二阶累积量的无偏估计即样本方差,Sk为峰度修正系数,在本方法中,Sk取1.2;
偏度(S),计算公式为:
其中,ns为偏度计算中的样本个数,k2为二阶累积量的对称无偏估计,Ss为偏度修正系数,本方法中,Ss取1.4。
具体地,体现在第三处理阶段标记S13、第四处理阶段标记S14时,根据时域特征值进行判断、判定特征值是否达到指定阈值以获得的时域特征值峰度(K)和偏度(S)为基准进行阈值判定,如果达到阈值,自动触发,进入如附图3所示的第二部分。即根据时域特征值进行判断、判定特征值是否达到指定阈值时,以获得的时域特征值峰度K和偏度S为基准进行阈值判定,如果达到阈值,则为自动触发步骤三的前置条件。
具体的远离时,优选的方式中,将微细磨削工具达到严重磨损时峰度的1.2倍作为阈值,以此为阈值既可以避免因时域分析法本身存在的准确性不足而导致影响监测不够准确的情况,同时可以节约时间和优化计算量。在实验中测试得到,以此数值作为阈值,当信号的采样点数为20000时,可以在每个循环中减少0.25-0.4s的计算时间。
在第五处理标记S21中体现,从声发射传感器2获取声发射信号在第二部分自动触发后,通过布置在工件加工背面中心位置的声发射传感器2采集声发射信号。
具体而言,将第二声发射传感器22布置在工件加工背面中心位置可以避免磨屑和其他外界物质的影响,同时保证接收到的声发射信号受噪声影响较小。
本方法之所以将两个声发射传感器分开布置,首先是避免两个声发射传感器互相之间的干扰;其次,由于在实际监测过程中,第一部分占用的时间往往比例较高,精密微细磨削加工系统出现故障往往在这一阶段,因此,将声发射传感器1布置在轴端可以在监测微细磨削工具粗糙度的同时,监测主轴的声发射信号变化情况,一旦出现差异较大的峰值或偏差,则应立刻将整个系统急停,避免对主轴造成损害。而将第二声发射传感器22布置在工件加工背面中心位置也可以完成对工件表面粗糙度的监测。
第六处理阶段标记S22中,将从第二声发射传感器22接收到的声发射信号,通过EMD时频域分析,对声发射信号进行计算。具体而言,EMD作为一种依据数据自身的时间尺度特征来进行信号分解的时频域,最大的优点在于无需预先设定基函数,可以大大节省计算时间。
相当于,本方法中还提出了一种针对EMD算法的优化形式,以解决由于在声发射信号采集的过程中,声发射信号极易被噪声污染。
EMD计算模块20执行的计算方式以一优化计算的方式进行,具体为:
将第二声波信号定义为信号I(ω);
首先,将信号I(ω)进行短时傅里叶变化,信号I(ω)可在频率上分解为:
其中,声发射信号中的噪声主要为高频噪声;
针对高频噪声进行滤波,在I(ω)中,对I(ω)进行EMD分解为:
其中,I(ω)表示输入信号,IMFi(ω)表示本征模函数,Resn(ω)表示残差;
依据下式计算信号中高频噪声的功率:
再依据下式判断高频噪声信号功率是强度:
SNR=10lg(Ps/Pn)
其中,当SNR≤25时,则证明高频噪声功率强度足够,将EMD分解中的IMF1去掉,将新信号定义为I'(ω),即第一次滤波后的信号,再对I'(ω)进行高频噪声功率和SNR计算,直到新信号In(ω)中的SNR≥25。
第七处理阶段标记S23:利用隐马尔可夫模型对声发射信号进行识别,采用隐马尔可夫模型为基础进行声发射信号的建模。
但是,目前的隐马尔可夫模型中存在如下问题:一是模型中矩阵规模过大容易导致整体计算效率的降低。二是模型中参数配置应随着矩阵变化而变化。
优选的是,在此方法中,为了解决问题一,首先在第六处理阶段标记S22中EMD分解后得到的IMF视为观察状态,将微细磨削工具的实际磨损状态视为隐藏状态,而该过程中的混沌矩阵经过实验验证为如下:
计算结果的声发射信号进行磨损识别判断的方式为:
采用隐马尔可夫模型为基础进行声发射信号的建模;
在EMD分解后得到的IMF视为观察状态,将微细磨削工具的实际磨损状态视为隐藏状态,而该过程中的混沌矩阵经过实验验证为如下:
另外,结合给定的混沌矩阵和初始参数,利用Nelder-Mead算法不断更新隐马尔可夫模型中的参数,以实现不需要预先求得多元函数的导函数的情况下,能够在短时间内收敛达到局部最小值;
首先,确定初始点ω1,并以此为基础生成n个作为初始点的替代点,即ω2...ωn+1,并计算出替代点的平均点ωm以及ωn+1关于ωm的对称点ωr,其中
ωr=2ωm-ωn+1
随后需要进行判定。
如果I(ω1)≤I(ωn+1)<I(ωn),则进入下一循环。
如果I(ωn+1)<I(ω1),则需计算拓展点ωs,其中
ωs=3ωm-2ωn+1
如果I(ωs)<I(ωn+1),则令ωn+1=ωs,并进入下一循环,否则令ωn+1=ωr,并进入下一循环。
令
并进入下一循环。
第八处理阶段标记S24、第九处理阶段标记S25、第十处理阶段标记S26:判定微细磨削工具当前是否达到相应的磨损程度,上位机系统发出轻微磨损提示、上位机系统发出正常磨损提示、上位机系统发出严重磨损提示并停机。
具体而言,根据判定结果,上位机系统将发送提示,并在必要情况下进行停机操作以保护加工系统。在轻微磨损和正常磨损的情况下,上位机系统会发出提示,使用者将根据自身的加工要求和实际工况来选择性地进行下一步操作。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于声发射技术的微细磨削在线无损监测方法,其特征在于,包括:
步骤一、构建出双通道连接方式的基于声发射技术的微细磨削在线无损监测系统;
所述双通道连接方式为:
第一声发射传感器(11),安置夹装在微细磨削工具(2)的轴侧,以获取所述微细磨削工具(2)和工件轴在细微磨削过程中产生的第一声发射信号(100);
通过所述第一前置放大器(111)将所述第一声发射信号传输指所述信号采集卡(3),并最终输送至所述上位机系统(4);
第二声发射传感器(22)安置与所述工件(1)加工面的背面的中心;产生第二声发射信号(200)通过第二前置放大器(222)传输至所述信号采集卡(3)至所述上位机系统(4);
所述上位机系统(4)用于将所述第二声发射信号通过时频域EMD处理,并通过一马尔可夫模型模块进行判断运算,进行磨损识别判断;
步骤二、通过一第一声发射传感器(11)获取第一声发射信号(100),并通过一时域处理模块(10)对所述第一声发射信号进行时域处理,并进行时域识别判断,所述时域识别判断的方式为:
依据所述时域特征值是否达到指定的阀值进行判断,当所述时域判断结果为未达到时,则通过时域处理模块(10)再进行判断,如此往复;
依据所述时域特征值是否达到指定的阀值进行判断,当所述时域判断结果为达到时,执行下一步骤;
步骤三、该步骤为所述下一步骤,并给予所述时域判断结果为达到时,一第二声发射传感器(22)工作,并获取所述第二声发射信号(200);
通过一EMD计算模块(20)对所述第二声发射信号(200)进行EMD计算,并得到计算结果;
所述计算结果通过一隐马尔可夫模型模块对该以所述第二声发射信号(200)为所述计算结果的声发射信号进行磨损识别判断;
所述磨损识别判断执行一预设顺序,该预设顺序为:
首次判定,进行判定微细磨削工具是否达到轻微磨损,当结果未达到轻微磨损时,则返回隐马尔可夫模型模块以对后续接收的第二声发射信号(200)为所述计算结果的声发射信号进行磨损识别判断;
当结果达到轻微磨损时,上位机系统(4)发出轻微磨损提示;
再次判定,进行判定微细磨削工具是否达到正常磨损,当结果达到正常磨损时,上位机系统发出正常磨损提示;
三次判定,进行判定微细磨削工具是否达到严重磨损,当结果达到严重磨损时,上位机系统发出严重磨损提示;
所述再次判定、所述三次判定的判定为到达该磨损指标时,则与首次判定处理方式相同。
2.如权利要求2所述的基于声发射技术的微细磨削在线无损监测方法,其特征在于,所述声发射信号的采样频率为2MHz;
所述采样频率应该大于等于模拟信号频谱中最高频率的2倍。
4.如权利要求3所述的基于声发射技术的微细磨削在线无损监测方法,其特征在于,根据时域特征值进行判断、判定特征值是否达到指定阈值时,以获得的时域特征值峰度(K)和偏度(S)为基准进行阈值判定,如果达到阈值,则为自动触发所述步骤三的前置条件。
5.如权利要求4所述的基于声发射技术的微细磨削在线无损监测方法,其特征在于,所述EMD计算模块(20)执行的计算方式以一优化计算的方式进行,具体为:
将所述第二声波信号定义为信号I(ω);
首先,将所述信号I(ω)进行短时傅里叶变化,所述信号I(ω)可在频率上分解为:
其中,声发射信号中的噪声主要为高频噪声;
针对所述高频噪声进行滤波,在I(ω)中,对I(ω)进行EMD分解为:
其中,所述I(ω)表示输入信号,IMFi(ω)表示本征模函数,Resn(ω)表示残差;
依据下式计算所述信号中高频噪声的功率:
再依据下式判断高频噪声信号功率是强度:
SNR=10lg(Ps/Pn)
其中,当SNR≤25时,则证明高频噪声功率强度足够,将EMD分解中的IMF1去掉,将新信号定义为I′(ω),即第一次滤波后的信号,再对I′(ω)进行高频噪声功率和SNR计算,直到新信号In(ω)中的SNR≥25。
7.如权利要求6所述的基于声发射技术的微细磨削在线无损监测方法,其特征在于,结合给定的所述混沌矩阵和初始参数,利用Nelder-Mead算法不断更新隐马尔可夫模型中的参数,以实现不需要预先求得多元函数的导函数的情况下,能够在短时间内收敛达到局部最小值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317448.0A CN114778699A (zh) | 2022-03-29 | 2022-03-29 | 一种基于声发射技术的微细磨削在线无损监测方法 |
CN202211354219.2A CN115586262A (zh) | 2022-03-29 | 2022-11-01 | 一种基于声发射技术的微细磨削在线无损监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317448.0A CN114778699A (zh) | 2022-03-29 | 2022-03-29 | 一种基于声发射技术的微细磨削在线无损监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114778699A true CN114778699A (zh) | 2022-07-22 |
Family
ID=82426026
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317448.0A Pending CN114778699A (zh) | 2022-03-29 | 2022-03-29 | 一种基于声发射技术的微细磨削在线无损监测方法 |
CN202211354219.2A Pending CN115586262A (zh) | 2022-03-29 | 2022-11-01 | 一种基于声发射技术的微细磨削在线无损监测方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354219.2A Pending CN115586262A (zh) | 2022-03-29 | 2022-11-01 | 一种基于声发射技术的微细磨削在线无损监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114778699A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304577A (zh) * | 2023-04-11 | 2023-06-23 | 湖南大学 | 一种基于优化变分模态分解的微细磨削非稳态特征识别方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009047489A (ja) * | 2007-08-16 | 2009-03-05 | Tokyo Seimitsu Co Ltd | 非接触型aeセンサ |
CN101817163B (zh) * | 2010-03-25 | 2012-01-04 | 南京大学 | 一种基于神经网络的磨削加工工况检测方法 |
AU2013270443B2 (en) * | 2012-05-30 | 2016-10-13 | Resmed Sensor Technologies Limited | Method and apparatus for monitoring cardio-pulmonary health |
CN104723171B (zh) * | 2015-03-17 | 2017-02-01 | 洛阳理工学院 | 一种基于电流与声发射复合信号的刀具磨损监测方法 |
CN104932426B (zh) * | 2015-06-15 | 2018-04-24 | 哈尔滨工业大学 | 声发射飞刀切削微结构对刀装置及方法 |
CN105415191B (zh) * | 2015-11-26 | 2018-06-12 | 西北工业大学 | 一种基于声发射的磨削状态测控方法及装置 |
CN105787255B (zh) * | 2016-02-04 | 2018-10-30 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
CN108304768A (zh) * | 2017-12-12 | 2018-07-20 | 重庆邮电大学 | 一种基于emd去噪和imf判别能量熵的磨音特征提取方法 |
CN108037034B (zh) * | 2017-12-21 | 2019-03-15 | 山东大学 | 砂轮磨削性能的多传感器在线检测及数据处理系统 |
CN108956783B (zh) * | 2018-05-18 | 2020-04-21 | 南京大学 | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 |
CN113705421B (zh) * | 2021-08-24 | 2022-12-09 | 西安交通大学 | 一种磨削工件表面振纹在线监测方法及系统 |
CN114161328B (zh) * | 2021-11-15 | 2022-11-25 | 哈尔滨工业大学 | 一种cvd金刚石微细磨削工具及其制备方法 |
-
2022
- 2022-03-29 CN CN202210317448.0A patent/CN114778699A/zh active Pending
- 2022-11-01 CN CN202211354219.2A patent/CN115586262A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304577A (zh) * | 2023-04-11 | 2023-06-23 | 湖南大学 | 一种基于优化变分模态分解的微细磨削非稳态特征识别方法 |
CN116304577B (zh) * | 2023-04-11 | 2024-05-28 | 湖南大学 | 一种基于优化变分模态分解的微细磨削非稳态特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115586262A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
WO2021043192A1 (zh) | 一种在线监测铣削加工刀具缺损的方法 | |
TWI422460B (zh) | Tool nose detection method for cutting machine tool | |
CN106112697B (zh) | 一种基于3σ准则的铣削颤振自动报警阈值设定方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
KR101482509B1 (ko) | 베어링 결함 진단 시스템 및 그 진단 방법 | |
CN115586262A (zh) | 一种基于声发射技术的微细磨削在线无损监测方法 | |
TWI419761B (zh) | Tool State Detection Method and Device for Machining Machine | |
CN110653661A (zh) | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 | |
CN116701984B (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
CN114850968B (zh) | 基于振动模型的刀具磨损监测方法、装置、终端及介质 | |
CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
Yang et al. | Application of bispectrum diagonal slice feature analysis in tool wear states monitoring | |
CN112781820A (zh) | 一种滚刀性能退化趋势评估方法 | |
CN112720071A (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
CN106706122B (zh) | 基于相关系数和emd滤波特性的碰摩声发射信号降噪方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN115922553A (zh) | 一种碳化硅晶片抛光加工状态在线监测方法 | |
CN114523338A (zh) | 一种基于噪声分析的切削刀具磨损状态监测方法 | |
CN110530495B (zh) | 一种基于振动分析的切削颤振监测方法 | |
CN113719269A (zh) | 一种随钻测井仪器电路工作状态在线监测方法 | |
Tang et al. | An acoustic emission event filtering method for low-speed bearing outer race defect localization | |
CN115081491B (zh) | 一种卫生巾生产设备运行状态故障诊断方法 | |
CN103630537A (zh) | 一种划片机刀具状态检测装置、方法及划片机 | |
Aguiar et al. | Monitoring the dressing operation in the grinding process |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220722 |
|
WD01 | Invention patent application deemed withdrawn after publication |