[发明专利]一种基于电流与声发射复合信号的刀具磨损监测方法

摘要

本发明涉及一种基于电流与声发射复合信号的刀具磨损监测方法，该方法通过检测切削加工中的主轴电机的电流信号及车刀磨损状态的声发射信号，并基于电流与声发射复合信号进行处理分析，实现对刀具磨损状态的实时监测；本发明自适应获取切削电机电流信号与声发射信号中刀具磨损状态特征，该方法充分挖掘声切削电机电流信号与声发射信号中丰富的刀具磨损状态信息，结合小波包分析、相关性分析和主成分分析等方法，自适应地提取反映刀具当前磨损状态的特征信息，并通过分析与初始磨损状态特征之间的关联性来判断刀具的磨损程度。

主权项

一种基于电流与声发射复合信号的刀具磨损监测方法，其特征在于：该方法通过检测切削加工中的主轴电机的电流信号及车刀磨损状态的声发射信号，并基于电流与声发射复合信号进行处理分析，实现对刀具磨损状态的实时监测；所述电流信号的检测采用电流传感器监测机床主轴电机电流，电流信号经前置放大、滤波、A/D转换后存储在计算机中，供后续处理与分析；所述声发射信号的检测将声发射传感器安装在车刀刀柄上，车刀在切削加工过程中产生的声发射信号依次经过信号放大、抗混叠滤波和A/D转换后存储在计算机中，供后续处理与分析；所述电流信号的处理与分析过程如下：对信号进行j 层小波包分解，小波包的分解与重构采用Mallat塔式算法，如式(1)和式(2)所示：(1)(2)其中，P j i 表示第j层小波分解的第i个节点的小波包系数；h和g为小波滤波器，且满足g(k)=(‑1)kh(1‑k)，即h与g具有正交关系；利用第j层的2j 个节点的小波包系数进行信号重构，得到的重构系数时频矩阵P为：(3)式中， P2j n 表示由第2 j 个节点重构的第n个小波包重构系数，N为采样数据长度；与小波包重构系数时频矩阵行向量相对应的小波包各频带能量计算公式为：(4)随着刀具磨损量的增加，小波包各频带能量会发生相应的变化；对于M×N阶小波包重构系数时频矩阵P，其奇异值分解可表示为：(5)式中，U=[u1,u2,…,uM]RMM，V=[v1,v2,…,vN]RNN，且U和V为正交矩阵，当M<N时，对角阵L=diag(s1,s2,…sM)，si (i=1,2,…M)为矩阵P的奇异值，且s1≥s2≥…≥sM≥0，设与si对应的左、右奇异向量分别为ui和vi，则有如下关系式成立：(6)即时频矩阵P经过奇异值分解后，可以展开为多个与奇异值si对应的子矩阵叠加的形式，每个子矩阵都包含着与si对应的时频信息，利用式(6)将s1对应的子矩阵从时频矩阵P中分离出，分离后重构的时频矩阵Q可表示为：(7)利用时频矩阵Q对电流信号进行重构，并进行频谱分析；所述声发射信号的处理与分析过程如下：在相同的加工工艺参数下，设当前刀具所加工的第n 个工件的一段声发射信号为X n ，对其进行4层小波包分解，得到16组小波包系数c i n ( i =1,2,…,16)；先对c i n 作单节点重构，得到相应16个频带的信号分量s i n (i =1,2,…,16)，对于每个信号分量s i n 进行第1次时域特征提取，分别获得 8类时域特征值r n i , j (i = 1,2,…,16,j = 1,2,…,8)为：j=1，均方根；j=2，方差；j=3，偏度；j=4，峭度；j=5，能量；j=6，均值；j=7，峰值因子；j=8，裕度因子；将前n个工件的时域特征值r k i , j(k=1,2,…,n)组成数列r i,j =(r 1i,,r2i,j,… ,r n i ,j) (i =1,2,…,16,j =1,2,…,8)，求出r i,j与刀具磨损量数列M 的相关系数数列ρ , j =(ρ 1,j,ρ 2,j,… ,ρ16,j) (j =1,2,…,8)，并基于ρ , j分别构建用于后续时域分析和时序分析的“去噪”信号；以同一把刀具所加工的工件个数间接反映刀具的磨损量，所构造的刀具磨损量数列M 为M =( 1,2,…,n ) ；对声发射信号的时域分析：选取ρ , j中绝对值较大的若干元素，从c i n 中找出每个所选取元素对应的小波包系数c na , j（a ∈[1,16]，a 为整数），利用这些小波包系数进行小波包重构，得到与上述8类时域特征对应的“去噪”信号Y j k（k 为工件的序号，k =1,2,…,n ; j 为时域特征的种类，j =1,2,…,8），对信号Y j k 进行第2次时域特征提取，获得时域特征数列t j =(t 1 j ,t 2 j ,… ,tnj) (j =1,2,…,8)并组成时域分析特征矩阵T n TD如式（8）所示：（8）对声发射信号的时序分析：在选取ρ , j中绝对值较大元素的基础上，考察这些元素对应的频带，并以这些频带所对应的小波包系数进行小波包重构，得到用于时序分析的去噪信号Y k A R（k =1,2,…,n ），建立Y k AR信号的AR(z)模型，将其模型系数(u k 1,u k 2 ,… ,ukz)（k =1,2,…, n ; z 为模型阶数）与残差方差v k （k =1,2,…,n ）构建时序分析特征矩阵T n A R如式（9）所示：（9）将T n T D和T n A R合并成组合特征矩阵T n 如式（10）所示： （10）对T n 进行主成分分析，融合T n 中不同的特征数列，聚焦T n 中反映刀具磨损状态的主成分信息，得到降维后的磨损状态特征融合矩阵T n PCA如式（11）所示：       （11）式（11）中，T n PCA包含 (n × m)个元素，m<9+z，其中的第k行数列f k = (f k 1 , f k 2 ,… , f k m ) (k =1,2,…,n )代表加工第k个工件时刀具上声发射信号的磨损状态特征数据序列；以当前切削声发射信号的特征数据序列f n 作为比较数据序列，以该刀具在切削初期所加工的前三个工件声发射信号的特征数据序列f 1 、f 2 和f 3 分别作为参考数据序列，采用灰色关联度分析法分别求取比较数据序列与参考数据序列之间的灰色绝对关联度ε n 1 、ε n 2 和ε n 3 ，求ε n 1 、ε n 2 和ε n 3 的平均值ε n ，该平均值反映了刀具当前切削磨损状态与切削初期状态的特征数据序列之间的相似程度，即反应刀具磨损程度。