[发明专利]一种智能刀具故障诊断方法

说明书

技术领域

本发明涉及一种刀具故障诊断方法，特别是关于一种在检测仪器仪表领域中使用的智能刀具故障诊断方法。

背景技术

目前，刀具故障诊断都是通过定期卸下刀具人为地肉眼进行观察，根据刀具外形和操作人员的经验进行判断刀具是否严重磨损，这样的刀具故障诊断不具有在线性和智能性，而且需要耗费大量人工成本，如果经常进行刀具诊断还会影响生产效率，耗费经济成本。

发明内容

针对上述问题，本发明的目的是提供一种智能刀具故障诊断方法，其结合机床本身特性和刀具加工过程振动信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。

为实现上述目的，本发明采取以下技术方案：一种智能刀具故障诊断方法，其特征在于，该方法包括以下步骤：1)在机床的CNC端与机床端之间设置PLC，由PLC实现对机床侧和CNC侧的输入输出信号处理；2)由PLC获取机床加工过程中产生的若干刀具振动信号x(t)，并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征：2.1)对采集到的刀具振动信号x(t)进行经验模态分解，将刀具振动信号x(t)中不同尺度的波动或趋势逐级分解出来，产生具有不同特征尺度的数据序列，并将这些序列定义为本征模态函数IMF；2.2)设置IMF分量的两个判定条件为：(1)IMF的极值点和过零点的个数差值不能大于一；(2)IMF的上包络线和下包络相对于时间轴是局部对称的；若同时满足上述两个条件，则为IMF分量；2.3)对IMF分量进行希尔伯特-黄变换，利用IMF分量c_i(t)构造时间复信号z_i(t)：式中，φ_i(t)为相角；a_i(t)为幅值；i＝1、2、…、n；使时间复信号z_i(t)的实部c_i(t)和虚部存在如下关系：

2.4)对时间复信号的幅值进行积分运算求取希尔伯特谱H(ω,t)：

2.5)通过上述步骤，提取得到刀具振动信号x(t)的有效特征量；3)根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别：3.1)对每个刀具振动信号进行训练得到隐马尔可夫模型λ，λ＝(π,A,B)，π为初始状态概率分布的矢量值；A为状态转移概率矩阵，各元素为a_ij；B为观察值概率矩阵，各元素为b_ij：3.2)利用训练好的隐马尔可夫模型λ进行似然率的计算，将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中，得到各刀具振动信号在相应隐马尔可夫模型下的似然率，进而实现刀具状态识别。

进一步，所述IMF分量具体筛选方法如下：2.2.1)确定刀具振动信号x(t)的所有局部极值点，将极大值和极小值点分别用三次样条连起来形成上包络线和下包络线；2.2.2)设定u₁为上包络线和下包络线的均值，并求出刀具振动信号x(t)与均值u₁的差y₁(t)：y₁(t)＝x(t)-u₁；2.2.3)判断y₁(t)是否为IMF分量，若y₁(t)不满足IMF条件,则将y₁(t)作为原始数据，重复执行步骤2.2.1)、2.2.2)，直到y₁(t)满足IMF条件为止；满足IMF条件时，记y₁(t)＝c₁(t)，则c₁(t)为刀具振动信号x(t)的第一个IMF分量；2.2.4)将第一个IMF分量c₁(t)从刀具振动信号x(t)中分离出来，得到一个去掉高频分量的差值信号r₁(t)：r₁(t)＝x(t)-c₁(t)；2.2.5)将差值信号r₁(t)作为处理信号，按照步骤2.2.1)至步骤2.2.3)得到第二个IMF分量c₂(t)，通过n次循环，得到刀具振动信号的n个IMF分量，则有：r_n-1(t)-c_n(t)＝r_n(t)；2.2.6)当第n个IMF分量c_n(t)或残余函数r_n(t)满足预先给定的终止条件时，即成为单调函数时循环结束，得到刀具振动信号x(t)：

式中，r_n(t)为残余函数。