[go: up one dir, main page]

CN116871978A - 基于多传感器融合的钻削刀具状态监测方法 - Google Patents

基于多传感器融合的钻削刀具状态监测方法 Download PDF

Info

Publication number
CN116871978A
CN116871978A CN202310836694.1A CN202310836694A CN116871978A CN 116871978 A CN116871978 A CN 116871978A CN 202310836694 A CN202310836694 A CN 202310836694A CN 116871978 A CN116871978 A CN 116871978A
Authority
CN
China
Prior art keywords
signal
tool
data
status
frequency
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
CN202310836694.1A
Other languages
English (en)
Inventor
夏志杰
倪志强
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.)
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Yancheng Institute of Technology
Original Assignee
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Yancheng Institute of 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 Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd, Yancheng Institute of Technology filed Critical Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Priority to CN202310836694.1A priority Critical patent/CN116871978A/zh
Publication of CN116871978A publication Critical patent/CN116871978A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于多传感器融合的钻削刀具状态监测方法，包括采集主轴振动信号数据和工件AE信号，对数据分别进行小波包分解和经验模态分解得到融合信号，再对融合信号进行PCA降维。本发明采用声发射传感器和振动传感器的多传感器融合方法，通过采集加工过程中的声发射信号和振动信号，在不影响工件加工状态的条件下，采集并分析刀具的实际状态，将不同的信号通过特征工程进行处理，实现了数据的压缩及提升了刀具状态判断的及时性，解决了实际加工中由于刀具磨破损导致的刀具失效及工件报废的问题，采用传感器融合的技术，避免了实际加工过程中声发射传感器由于环境原因而导致的噪声过大的问题，具有较高的实时性和精准性。

Description

基于多传感器融合的钻削刀具状态监测方法
技术领域
本发明涉及机械加工领域，具体为一种基于多传感器融合的钻削刀具状态监测方法。
背景技术
数控机床作为高端装备制造的“工业母机”，是航空、航天、航海等领域大型装备复杂结构件高精度制造的基础。刀具作为数控机床完成结构件制造的最终执行者，对零件加工精度有着至关重要的影响。刀具在切削加工过程中不可避免会发生磨损，刀具过度磨损会导致切削刃外圆尺寸变小进而引起零件加工尺寸不合格。同时切削刃磨损会使得刀具后刀面宽度VB值增加，进而造成已加工表面粗糙度超差。一旦刀具切削刃意外破损后，不仅会导致机床振动明显加剧，而且会恶化零件表面质量。
在实际数控加工过程中，工件与刀具之间不断摩擦与挤压，并在切削区域聚集大量的热量，因此刀具表面会产生磨损、变形乃至断裂。正是由于刀具与工件的直接接触，所以工件的加工质量直接受到刀具状态的影响。当刀具磨损严重到影响产品质量时，就需要更换刀具。实时的、成功的确定刀具磨损可以避免因产品质量不足、计划外停机和与工具故障而导致的经济损失。在实际的统计数据中显示，由于刀具磨损或者破损等导致的刀具更换成本占总加工成本的3％-12％，这一现象直接降低了制造企业的生产加工效率，增加了单个产品的制造成本。通常来说，刀具更换策略是主观的和周期性的，时间周期取决于机床操作人员的经验。提前更换刀具会降低刀具的有效使用时间并增加机床的停机时间，而过迟的更换刀具会影响工件的加工质量并且导致生产成本的增加。
高精度数控机床以及正确数控程序也不一定能够加工出合格零件，刀具几何形态也是保障零件是否合格的关键。实时掌握刀具的几何状态对于保证零件加工质量来说至关重要。现阶段刀具磨损、破损状态判断主要依赖机床操作工人经验，刀具失效后一段时间后才被察觉的事件发生频繁，大大增加了零件不合格的风险。考虑刀具潜在的风险，保守提前更换刀具，则会增加刀具使用成本，造成资源极大浪费。随着自动化生产线的成熟发展，市场对无人值守生产线的需求更加迫切。刀具健康状态的自动诊断判别正是实现无人值守生产线技术的最为关键的一步。
由于实际加工过程中采集的传感信号直接受到工件和刀具状态变化的影响，因而对应的传感器技术以及传感信号采集技术直接与刀具状态监测系统的准确性相关，所以传感器技术以及传感信号采集技术是刀具状态监测技术的基础。已有的众多研究中，刀具状态监测的传感器技术所采用的方法主要分为直接法和间接法，这两种不同的方法分别采用不同的策略。
⑴直接法采用直接法进行刀具状态的识别与监测的原理就是通过直接测量的方法获得刀具刃口附近的形状变化，从而直接测量出刀具的磨损状态。这种方法由于是直接测量，所以测量与监测得到的刀具磨损量精度非常高。通常的直接法监测技术均要求对于刀具的磨损测量通过离线的方式进行，这就需要被测量的刀具从机床上取下，从而不利于生产的进行。此外，直接法的监测技术是针对刀具的实时测量技术，所以无法实现对于刀具磨损状态的提前感知与预测。
(2)间接法
间接方法利用各种传感器信号(声发射、铣削力、刀具/工件振动、声音、主轴扭矩、主轴电机电流和功率、温度、视觉系统、应力和切屑形成)来估计刀具磨损状态，传感器信号与刀具磨损状态相关，通过相应的数据处理和特征学习技术构建两者之间的内在关系。相对于直接法来说，间接法的实际使用成本是较低的，并且可以实现非离线的刀具状态监测，这就大大增加了其实用的价值。此外，间接法的刀具状态监测的重要优势是可以通过对采集到的传感信号进行处理与特征学习实现对于刀具状态的提前感知与预测，极大降低了实际生产过程中发生意外的概率。
通过传感器采集机床加工过程中的状态响应信号及NC指令数据等可用于刀具磨破损状态的判别。然而，如何从海量制造大数据中提取反映切削刃状态变化的有用信息成为了解决刀具状态实时监测的关键。刀具状态监测流程大体可分为数据采集、特征提取与状态判别3个阶段。
发明专利202210494513.7发明了一种刀具磨损状态的格拉姆角场增强对比学习监测方法,通过采集切削过程中三个方向的切削力信号,将每个方向的切削力信号通过格拉姆角场生成为灰度图像,并且将三个方向的灰度图叠加合并成彩色图,输入到对比学习模型中得到预训练模型,将预训练模型中的特征提取权重加载到分类模型中,利用少量有标签的样本对分类模型进行学习训练,利用训练后的分类模型对刀具磨损状态进行识别。基于格拉姆角场增强对比学习的刀具状态监测方法可得到对刀具磨损敏感而不受工况参数影响的铣削力系数等指标，但这些都依赖瞬时铣削力模型，而从加工制造数据中获取辨识铣削力系数所需的输入参数是非常具有挑战性的。
发明专利202111085598.5发明了一种基于对抗迁移学习的刀具磨损状态预测方法及装置，利用已有的带标签的刀具磨损监测数据(源域数据)辅助建立其他场景下的对抗迁移学习模型，从而只需较少的带标签的目标域数据，就能够解决不同直径刀具的磨损状态预测问题。尽管借助深度学习方法可实现端到端的刀具状态判别，但深度学习模型在模型泛化能力方面不足的问题导致其当前很难用于真实的工业现场。
发明专利202211669296.7发明了一种基于主轴振动信号的刀具磨破损实时监控方法及相关装置，利用三向加速度传感器采集的振动数据，在降噪的基础上进行功率谱分析以得到反映刀具磨损的功率谱频带能量指标和反映刀具破损的无量纲监测指标，从而设置设定刀具磨损及破损阈值用来判断刀具是否失效，但上述方法很容易受到工况参数和环境噪声的干扰，产生大量误报警造成机床的频繁停机，影响正常生产节拍，且获取振动信号需要专门的传感器，在生产线上使用这些传感器既不实际也不划算。
现有技术对于没有对声发射信号和主轴振动信号(加速度信号)进行很好的处理，并且没有基于声发射信号和加速度信号，进行高效的数据处理，缺少如何从大量的传感器数据中提取反映切削刃状态变化有用信息的方法，实时性和精准性均有待提高。
发明内容
本发明目的在于提供一种基于多传感器融合的钻削刀具状态监测方法，采用声发射传感器和振动传感器的多传感器融合方法，通过采集加工过程中的声发射信号和振动信号，在不影响工件加工状态的条件下，采集并分析刀具的实际状态，传输到pc端。
为达成上述目的，本发明提出如下技术方案：基于多传感器融合的钻削刀具状态监测方法，包括如下过程：
采集主轴振动信号数据，对数据分别进行小波包分解和经验模态分解得到融合信号，再对融合信号进行PCA降维，再构建LS-SVM刀具磨损识别模型，用粒子群算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测；
采集工件AE信号，在AE信号的基础上做长时傅里叶变换，将连续时域信号转换为频域信号，并进行滤波处理，实现对信号的去噪和特征增强处理，给出刀具破损状态与传感器信号瞬时映射关系。
使用加速度传感器采集主轴振动信号，且主轴的振动信号反映的就是刀具实际加工过程磨损量的变化趋势，避免了实际加工过程中切削力不易测量的问题，其中，刀具的磨损量采用后刀面的磨损值判定，可分为初期磨损，中期磨损和剧烈磨损三个阶段，如图11所示。在主轴振动信号数据降噪的基础上做小波包分解和经验模态分解得到数据特征，对特征曲线指数进行指数平滑处理和保序回归，得到特征值，建立基于改进粒子群算法优化LS-SVM的刀具磨损状态监测方法，提出了设定刀具磨损及破损阈值的有效方法。
采用声发射传感器采集工件AE信号，在声发射信号的基础上做长时傅里叶变换，将连续时域信号转换为频域信号，并进行滤波处理，实现对信号的去噪和特征增强处理，提出了刀具破损状态与传感器信号瞬时映射关系。本发明在刀具状态上分为刀具磨损状态预判断和刀具的破损状态的精确判断，且系统在运行过程中不占用设备的正常运行时间及不影响机床的正常加工，有效提高了机床的使用效率；本发明公开的系统中刀具磨损状态预判断基于机器学习的理论原理，刀具破损状态的精确判断基于深度学习及分析处理方法。
进一步的，在本发明中，所述小波包分解的过程包括：
小波分解公式表示为：
其中为一个小波基，a为尺度因子或伸缩因子，b为平移因子，频率窗随着a的增加变窄，对应的时间窗反之，此时中心频率下降，信号中的低频特征能够被提取出来，当a减小时，频率窗变宽，对应的时间窗变窄，此时中心频率提高，信号中的高频特征能够提取出来，对振动信号进行分解和重构后，得到基于振动信号的低频和高频融合信号。
进一步的，在本发明中，所述经验模态分解包括如下过程：
根据原始信号上下极值点，分别画出上、下包络线；
求上、下包络线的均值，画出均值-包络线；
原始信号减均值包络线，得到中间信号r(t)；
判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新分析；
当rk(t)是信号第k个IMF分量，则mk(t)相对与IMFk是低频分量，mk(t)继续迭代分解，直至余项res单调或为常数，信号x(t)可以表示为
进一步的，在本发明中，所述PCA降维步骤如下：
高维数据集去均值，计算其协方差矩阵；
求协方差矩阵特征值和特征向量；
依据数值大小选取特征值，求解贡献率和累计贡献率；
寻找选择的特征值对应的特征向量，得到降维特征。
进一步的，在本发明中，所述构建LS-SVM刀具磨损识别模型的过程如下：
提取切削力信号EMD分解后的部分IMF分量的能量和其他时域频域特征，构造切削力信号高维全特征集；
全特征集进行PCA降维，构造降维特征集，当作模型输入；
建立LS-SVM刀具磨损状态识别模型。
进一步的，在本发明中，所述粒子群算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测过程如下：
初始化粒子群算法参数，将识别模型的核参数σ和惩罚因子c的取值范围定义为粒子群算法粒子位置的边界，将可能解定义为粒子位置c，确定粒子初始速度v、粒子数目d；
设置适应度函数，LS-SVM刀具磨损状态识别模型的目标函数为模型的识别错误率，因此构造与目标函数相同的适应度函数，用来计算粒子个体的适应度；
迭代，通过比较计算所有粒子适应度，更新粒子的历史最优解pbj、领域内最优解lb和全局最优解gbj，即刀具状态识别LS-SVM模型可能的最优核参数σ和惩罚因子c，并根据改进策略更新粒子位置x、速度v和权重ω；
迭代终止，判断识别错误率是否为0或迭代次数t是否到达100次；
依据粒子群优化算法输出的优化结果，构建最优LS-SVM刀具磨损识别模型，并通过模型识别出的刀具磨损状态。
进一步的，在本发明中，采集工件AE信号后，对原始信号在0.12ms内的数据求rms值，公式为：
以显示其时域信号特征，对rms数据集进行傅里叶变换，并进行滤波处理，对其时域频域进行分析，将时域信号转换为频域信号，其频谱函数为：
X(ω)为复数，具有实部和虚部，其表达式分别为：
其中|X(ω)|和φ(ω)为信号的幅值和相位，他们与ω的关系图称为幅值谱和相位谱；基于上述频谱变换公式，得到时频转换后的频谱图，结合频谱图，采用滤波算法，对转换后的数据进行降噪处理，得到刀具不同磨损阶段的频谱图；刀具在破损时，其产生的声发射信号和赋值为正常加工状态的五倍，采用包络线即可完全判断出刀具的破损状态，进而完成对刀具破损状态的监测。
一种多传感器融合方法，基于声发射传感器和振动传感器的数据融合系统，包括：
数据信号层的融合，基于多个传感器收集的目标信号，对传感器输出的数据进行对应的特征提取，提取出代表目标演变趋势的特征；
特征层的融合，对提取的特征及进行识别，完成各传感器关于目标的说明；
判断层的融合，将各传感器按同一目标分组，得到该目标的一致性描述与解释。本发明中，对于声发射信号和加速度信号，分别进行数据预处理及特征提取，基于特征层融合和及决策层的融合，对于刀具的磨损及破损进行精准判断，基于多传感器融合的方法，将声发射传感器和加速度传感器进行融合，将不同的信号通过特征工程进行处理，实现了数据的压缩及提升了刀具状态判断的及时性。
基于多传感器融合的钻削刀具状态监测系统，包括：
数据采集模块，同步采集主轴振动信号、工件声发射信号及数控系统内部数据；
预处理模块，用于对采集到的数据信号进行数据预处理，包括对主轴振动信号进行小波包分解和经验模态分解处理；
阈值设定模块，用于通过对预处理后的主轴振动数据进行LS-SVM算法分析，对声发射信号进行时频转换得频谱分析，得到反映刀具磨破损变化的功率谱频带能量指标；
综合判断模块，当综合监测指标超过失效阈值，通过材料去除率增量辅助判断刀具是否失效，进而在消除工况参数切换瞬间产生的误报警同时准确识别刀具状态。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多传感器融合的钻削刀具状态监测方法。
有益效果，本申请的技术方案具备如下技术效果：
在本发明中，采用声发射传感器和振动传感器的多传感器融合方法，通过采集加工过程中的声发射信号和振动信号，在不影响工件加工状态的条件下，采集并分析刀具的实际状态，将不同的信号通过特征工程进行处理，实现了数据的压缩及提升了刀具状态判断的及时性，解决了实际加工中由于刀具磨破损导致的刀具失效及工件报废的问题，采用传感器融合的技术，避免了实际加工过程中声发射传感器由于环境原因而导致的噪声过大的问题，具有较高的实时性和精准性。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本发明系统架构示意图。
图2为本发明主轴振动信号数据处理过程图。
图3为本发明AE信号数据处理过程图。
图4为本发明多传感器融合过程示意图。
图5为本发明粒子群优化算法流程示意图。
图6为本发明时频转换时域图。
图7为本发明时频转换频域图。
图8为本发明初期磨损阶段幅值频谱图。
图9为本发明初期磨损阶段振幅图。
图10为本发明剧烈期磨损阶段幅值频谱图。
图11为本发明刀具的磨损量变化示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
本实施例提供一种基于多传感器融合的钻削刀具状态监测方法，包括数据采集平台及刀具状态监测系统；
如图1所示，数据采集平台包括振动传感器、声发射传感器及NI采集装置，通过OPCUA协议采集数控系统内部的刀具名称、程序名称，以及实时的主轴转速、进给速度、XYZ轴坐标数据；通过安装于主轴侧壁的三向加速度传感器实时采集主轴XYZ振动数据；通过安装于工件的声发射传感器实时采集工件加工声发射数据。
刀具状态监测系统实时采集到刀具加工过程中的异常振动信号及声信号并传输至数据分析处理单元，实时分析刀具加工过程中接收到的异常信号并运算已设置好的算法，对刀具异常状态进行预判断，确定异常发生的时间节点，并将分析的结果传输至可视化人机交互系统界面。
实时采集到刀具加工过程中的振动信号；利用刀具磨损状态预判断模型对刀具磨损情况进行状态预判断并确定刀具发生异常的时间点；在状态预判断后且在不影响刀具加工的连续性的情况下完成刀具磨损情况的展示，实现对刀具异常状态做出准确预判断。
如图2所示，对原始数据分别进行小波包分解和经验模态分解，使用主成分分析法进行数据降维，构建LS-SVM刀具磨损识别模型，用IPOS算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测，具体过程如下：
所述小波包分解的过程包括：小波分解公式表示为：
其中为一个小波基，a为尺度因子或伸缩因子，b为平移因子，频率窗随着a的增加变窄，对应的时间窗反之，此时中心频率下降，信号中的低频特征能够被提取出来，当a减小时，频率窗变宽，对应的时间窗变窄，此时中心频率提高，信号中的高频特征能够提取出来，对振动信号进行分解和重构后，得到基于振动信号的低频和高频融合信号。
所述经验模态分解包括如下过程：
根据原始信号上下极值点，分别画出上、下包络线；
求上、下包络线的均值，画出均值-包络线；
原始信号减均值包络线，得到中间信号r(t)；
判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新分析；
当rk(t)是信号第k个IMF分量，则mk(t)相对与IMFk是低频分量，mk(t)继续迭代分解，直至余项res单调或为常数，信号x(t)可以表示为
所述PCA降维步骤如下：
高维数据集去均值，计算其协方差矩阵；
求协方差矩阵特征值和特征向量；
依据数值大小选取特征值，求解贡献率和累计贡献率；
寻找选择的特征值对应的特征向量，得到降维特征。
所述构建LS-SVM刀具磨损识别模型的过程如下：
提取切削力信号EMD分解后的部分IMF分量的能量和其他时域频域特征，构造切削力信号高维全特征集；
全特征集进行PCA降维，构造降维特征集，当作模型输入；
建立LS-SVM刀具磨损状态识别模型。
所述粒子群算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测过程如下：
初始化粒子群算法参数，将识别模型的核参数σ和惩罚因子c的取值范围定义为粒子群算法粒子位置的边界，将可能解定义为粒子位置c，确定粒子初始速度v、粒子数目d；
设置适应度函数，LS-SVM刀具磨损状态识别模型的目标函数为模型的识别错误率，因此构造与目标函数相同的适应度函数，用来计算粒子个体的适应度；
迭代，通过比较计算所有粒子适应度，更新粒子的历史最优解pbj、领域内最优解lb和全局最优解gbj，即刀具状态识别LS-SVM模型可能的最优核参数σ和惩罚因子c，并根据改进策略更新粒子位置x、速度v和权重ω；
迭代终止，判断识别错误率是否为0或迭代次数t是否到达100次；
依据粒子群优化算法输出的优化结果，构建最优LS-SVM刀具磨损识别模型，并通过模型识别出的刀具磨损状态，具体算法流程图如图5。
实时采集到刀具加工过程中的声发射信号；利用刀具破损状态判断模型对刀具破损情况进行状态精准判断并确定刀具发生异常的时间点；在破损状态精确判断后且在不影响工件已加工部分质量的情况下完成对操作工人的提示，实现对刀具破损状态的精确判断。
具体的说，如图3所示，通过对声发射信号进行傅里叶变换，融合时域频域，结合频谱图，实现刀具破损状态监测。基于钻削加工实验平台，采样率为1MHZ，在该采样率的条件下，工件原始的声发射信号特征可以得到完整保留，对声发射信号求其rms值，公式为：
对声发射信号进行时域频率为0.12ms的rms求值，在rms数据集的基础上进行傅里叶变换，将时域信号转换为频域信号，其频谱函数为：
X(ω)为复数，具有实部和虚部。其表达式分别为：
其中|X(ω)|和φ(ω)为信号的幅值和相位，他们与ω的关系图称为幅值谱和相位谱；基于上述频谱变换公式，得到时频转换后的频谱图；采用滤波算法，对转换后的数据进行降噪处理，得到刀具不同磨损阶段的频谱图；刀具在破损时，其产生的声发射信号和赋值为正常加工状态的五倍，如图6-10，因此，采用包络线即可完全判断出刀具的破损状态。
如图4所示，本实施例还给出一种多传感器融合方法，基于声发射传感器和振动传感器的数据融合系统，包括：
数据信号层的融合，基于多个传感器收集的目标信号，对传感器输出的数据进行对应的特征提取，提取出代表目标演变趋势的特征；
特征层的融合，对提取的特征及进行识别，完成各传感器关于目标的说明；
判断层的融合，将各传感器按同一目标分组，得到该目标的一致性描述与解释。
上述方法分为数据层、特征层和决策层三层结构；数据层的融合技术的基本概念是将传感器采集到的原始数据在数据输入阶段进行融合的过程。数据层的数据融合要求被融合的多传感器数据具有同种类型与相同的性质，即不同传感器数据采集的数据类型必须保持一致。在特征层融合原始数据中被提取的特征信息，为以后的决策分析提供支持。基于特征层的数据融合技术有效降低了数据空间的维度，在保留与决策分析相关的特征的基础之上实现了对于数据的压缩功能。决策层的融合主要是将前期得到初步决策在一定的规则之下进行更高层次的决策融合，从而为最终的决策提供依据。在该发明中，基于加速度传感器和声发射传感器的多传感器融合，对两种信号分别进行处理，依托于各自的数据预处理算法，提取相同维度的数据特征；对于提取的数据特征，基于特征融合算法，通过决策层融合，对数据特征进行连接，实现对刀具状态的预测。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多传感器融合的钻削刀具状态监测方法。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.基于多传感器融合的钻削刀具状态监测方法，其特征在于：包括如下过程：
采集主轴振动信号数据，对数据分别进行小波包分解和经验模态分解得到融合信号，再对融合信号进行PCA降维，再构建LS-SVM刀具磨损识别模型，用粒子群算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测；
采集工件AE信号，在AE信号的基础上做长时傅里叶变换，将连续时域信号转换为频域信号，并进行滤波处理，实现对信号的去噪和特征增强处理，给出刀具破损状态与传感器信号瞬时映射关系。
2.根据权利要求1所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：所述小波包分解的过程包括：
小波分解公式表示为：
其中为一个小波基，a为尺度因子或伸缩因子，b为平移因子，频率窗随着a的增加变窄，对应的时间窗反之，此时中心频率下降，信号中的低频特征能够被提取出来，当a减小时，频率窗变宽，对应的时间窗变窄，此时中心频率提高，信号中的高频特征能够提取出来，对振动信号进行分解和重构后，得到基于振动信号的低频和高频融合信号。
3.根据权利要求2所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：所述经验模态分解包括如下过程：
根据原始信号上下极值点，分别画出上、下包络线；
求上、下包络线的均值，画出均值-包络线；
原始信号减均值包络线，得到中间信号r(t)；
判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新分析；
当rk(t)是信号第k个IMF分量，则mk(t)相对与IMFk是低频分量，mk(T)继续迭代分解，直至余项res单调或为常数，信号x(t)可以表示为
4.根据权利要求3所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：所述PCA降维步骤如下：
高维数据集去均值，计算其协方差矩阵；
求协方差矩阵特征值和特征向量；
依据数值大小选取特征值，求解贡献率和累计贡献率；
寻找选择的特征值对应的特征向量，得到降维特征。
5.根据权利要求4所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：所述构建LS-SVM刀具磨损识别模型的过程如下：
提取切削力信号EMD分解后的部分IMF分量的能量和其他时域频域特征，构造切削力信号高维全特征集；
全特征集进行PCA降维，构造降维特征集，当作模型输入；
建立LS-SVM刀具磨损状态识别模型。
6.根据权利要求5所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：所述粒子群算法进行参数寻优同时完成基于振动信号的刀具磨损状态准确预测过程如下：
初始化粒子群算法参数，将识别模型的核参数σ和惩罚因子c的取值范围定义为粒子群算法粒子位置的边界，将可能解定义为粒子位置c，确定粒子初始速度v、粒子数目d；
设置适应度函数，LS-SVM刀具磨损状态识别模型的目标函数为模型的识别错误率，因此构造与目标函数相同的适应度函数，用来计算粒子个体的适应度；
迭代，通过比较计算所有粒子适应度，更新粒子的历史最优解pbj、领域内最优解lb和全局最优解gbj，即刀具状态识别LS-SVM模型可能的最优核参数σ和惩罚因子c，并根据改进策略更新粒子位置x、速度v和权重ω；
迭代终止，判断识别错误率是否为0或迭代次数t是否到达100次；
依据粒子群优化算法输出的优化结果，构建最优LS-SVM刀具磨损识别模型，并通过模型识别出的刀具磨损状态。
7.根据权利要求1所述的基于多传感器融合的钻削刀具状态监测方法，其特征在于：采集工件AE信号后，对原始信号在0.12ms内的数据求rms值，公式为：
以显示其时域信号特征，对rms数据集进行傅里叶变换，并进行滤波处理，对其时域频域进行分析，将时域信号转换为频域信号，其频谱函数为：
X(ω)为复数，具有实部和虚部，其表达式分别为：
其中|X(ω)|和φ(ω)为信号的幅值和相位，他们与ω的关系图称为幅值谱和相位谱；基于上述频谱变换公式，得到时频转换后的频谱图，结合频谱图，采用滤波算法，对转换后的数据进行降噪处理，得到刀具不同磨损阶段的频谱图；刀具在破损时，其产生的声发射信号和赋值为正常加工状态的五倍，采用包络线即可完全判断出刀具的破损状态，进而完成对刀具破损状态的监测。
8.一种多传感器融合方法，基于声发射传感器和振动传感器的数据融合系统，其特征在于：包括：
数据信号层的融合，基于多个传感器收集的目标信号，对传感器输出的数据进行对应的特征提取，提取出代表目标演变趋势的特征；
特征层的融合，对提取的特征及进行识别，完成各传感器关于目标的说明；
判断层的融合，将各传感器按同一目标分组，得到该目标的一致性描述与解释。
9.基于多传感器融合的钻削刀具状态监测系统，其特征在于：包括：
数据采集模块，同步采集主轴振动信号、工件声发射信号及数控系统内部数据；
预处理模块，用于对采集到的数据信号进行数据预处理，包括对主轴振动信号进行小波包分解和经验模态分解处理；
阈值设定模块，用于通过对预处理后的主轴振动数据进行LS-SVM算法分析，对声发射信号进行时频转换得频谱分析，得到反映刀具磨破损变化的功率谱频带能量指标；
综合判断模块，当综合监测指标超过失效阈值，通过材料去除率增量辅助判断刀具是否失效，进而在消除工况参数切换瞬间产生的误报警同时准确识别刀具状态。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于多传感器融合的钻削刀具状态监测方法。
CN202310836694.1A 2023-07-10 2023-07-10 基于多传感器融合的钻削刀具状态监测方法 Pending CN116871978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310836694.1A CN116871978A (zh) 2023-07-10 2023-07-10 基于多传感器融合的钻削刀具状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310836694.1A CN116871978A (zh) 2023-07-10 2023-07-10 基于多传感器融合的钻削刀具状态监测方法

Publications (1)

Publication Number Publication Date
CN116871978A true CN116871978A (zh) 2023-10-13

Family

ID=88259770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310836694.1A Pending CN116871978A (zh) 2023-07-10 2023-07-10 基于多传感器融合的钻削刀具状态监测方法

Country Status (1)

Country Link
CN (1) CN116871978A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409306A (zh) * 2023-10-31 2024-01-16 江苏南高智能装备创新中心有限公司 基于振动和声发射传感器的铣刀切入过程中故障监测方法
CN117600912A (zh) * 2023-10-20 2024-02-27 上海诺倬力机电科技有限公司 基于超声波的动态工件检测方法、装置、设备及介质
CN117647392A (zh) * 2024-01-30 2024-03-05 成都三一能源环保技术有限公司 一种基于数据分析的井下钻井仪器报废监测预警系统
CN118060972A (zh) * 2024-04-03 2024-05-24 哈尔滨工业大学 一种基于离散小波分解的刀具磨损监测方法
CN118342334A (zh) * 2024-04-12 2024-07-16 成都飞机工业（集团）有限责任公司 一种飞机零件数控加工机床刀具异常识别方法
CN118427576A (zh) * 2024-07-02 2024-08-02 江苏新长江无缝钢管制造有限公司 基于压力信号分解和滤波的仓储管理方法及系统
CN118938687A (zh) * 2024-08-29 2024-11-12 昆山凯斯汀模具科技有限公司 一种模具加工参数自适应控制方法及装置
CN118951825A (zh) * 2024-10-18 2024-11-15 昆山北钜机械有限公司 一种智能换刀决策控制方法及系统
CN119559436A (zh) * 2024-11-14 2025-03-04 南开大学 一种医用骨摆锯切割人骨时切割状态分类模型的构建方法及应用
CN120353189A (zh) * 2025-06-23 2025-07-22 东南大学 数控机床中基于主轴电流的自适应实时断刀检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102394658A (zh) * 2011-10-16 2012-03-28 西南科技大学 一种面向机械振动信号的复合压缩方法
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN107101813A (zh) * 2017-04-26 2017-08-29 河北工业大学 一种基于振动信号的框架式断路器机械故障程度评估方法
CN110405537A (zh) * 2019-07-17 2019-11-05 湘潭大学 一种基于深度学习的导轨精度预测模型的建立方法
CN110576336A (zh) * 2019-09-11 2019-12-17 大连理工大学 基于ssae-lstm模型的深孔加工刀具磨损量监测方法
CN111476339A (zh) * 2020-04-20 2020-07-31 山东师范大学 滚动轴承故障特征提取方法、智能诊断方法及系统
CN111783544A (zh) * 2020-06-02 2020-10-16 华侨大学 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN113927371A (zh) * 2021-11-05 2022-01-14 太原科技大学 一种基于多传感器特征融合的刀具磨损预测方法
US20220275687A1 (en) * 2021-02-26 2022-09-01 Saudi Arabian Oil Company Real-time polycrystalline diamond compact (pdc) bit condition evaluation using acoustic emission technology during downhole drilling

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102394658A (zh) * 2011-10-16 2012-03-28 西南科技大学 一种面向机械振动信号的复合压缩方法
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN107101813A (zh) * 2017-04-26 2017-08-29 河北工业大学 一种基于振动信号的框架式断路器机械故障程度评估方法
CN110405537A (zh) * 2019-07-17 2019-11-05 湘潭大学 一种基于深度学习的导轨精度预测模型的建立方法
CN110576336A (zh) * 2019-09-11 2019-12-17 大连理工大学 基于ssae-lstm模型的深孔加工刀具磨损量监测方法
CN111476339A (zh) * 2020-04-20 2020-07-31 山东师范大学 滚动轴承故障特征提取方法、智能诊断方法及系统
CN111783544A (zh) * 2020-06-02 2020-10-16 华侨大学 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
US20220275687A1 (en) * 2021-02-26 2022-09-01 Saudi Arabian Oil Company Real-time polycrystalline diamond compact (pdc) bit condition evaluation using acoustic emission technology during downhole drilling
CN113927371A (zh) * 2021-11-05 2022-01-14 太原科技大学 一种基于多传感器特征融合的刀具磨损预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁国君;王立德;申萍;杨鹏;: "基于EEMD能量熵和LSSVM的传感器故障诊断", 传感器与微系统, no. 07, 20 July 2013 (2013-07-20), pages 22 - 25 *
韩玉辉;: "基于粒子群优化SVM的刀具磨损量预测", 工具技术, no. 11, 20 November 2016 (2016-11-20) *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117600912A (zh) * 2023-10-20 2024-02-27 上海诺倬力机电科技有限公司 基于超声波的动态工件检测方法、装置、设备及介质
CN117409306A (zh) * 2023-10-31 2024-01-16 江苏南高智能装备创新中心有限公司 基于振动和声发射传感器的铣刀切入过程中故障监测方法
CN117409306B (zh) * 2023-10-31 2024-05-17 江苏南高智能装备创新中心有限公司 基于振动和声发射传感器的铣刀切入过程中故障监测方法
CN117647392A (zh) * 2024-01-30 2024-03-05 成都三一能源环保技术有限公司 一种基于数据分析的井下钻井仪器报废监测预警系统
CN117647392B (zh) * 2024-01-30 2024-04-09 成都三一能源环保技术有限公司 一种基于数据分析的井下钻井仪器报废监测预警系统
CN118060972A (zh) * 2024-04-03 2024-05-24 哈尔滨工业大学 一种基于离散小波分解的刀具磨损监测方法
CN118342334A (zh) * 2024-04-12 2024-07-16 成都飞机工业（集团）有限责任公司 一种飞机零件数控加工机床刀具异常识别方法
CN118427576A (zh) * 2024-07-02 2024-08-02 江苏新长江无缝钢管制造有限公司 基于压力信号分解和滤波的仓储管理方法及系统
CN118427576B (zh) * 2024-07-02 2024-10-29 江苏新长江无缝钢管制造有限公司 基于压力信号分解和滤波的仓储管理方法及系统
CN118938687A (zh) * 2024-08-29 2024-11-12 昆山凯斯汀模具科技有限公司 一种模具加工参数自适应控制方法及装置
CN118938687B (zh) * 2024-08-29 2025-02-14 昆山凯斯汀模具科技有限公司 一种模具加工参数自适应控制方法及装置
CN118951825A (zh) * 2024-10-18 2024-11-15 昆山北钜机械有限公司 一种智能换刀决策控制方法及系统
CN119559436A (zh) * 2024-11-14 2025-03-04 南开大学 一种医用骨摆锯切割人骨时切割状态分类模型的构建方法及应用
CN120353189A (zh) * 2025-06-23 2025-07-22 东南大学 数控机床中基于主轴电流的自适应实时断刀检测方法

Similar Documents

Publication Publication Date Title
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
Cheng et al. Tool wear intelligent monitoring techniques in cutting: a review
CN106514434B (zh) 一种基于数据的铣削刀具磨损监测方法
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN108873830A (zh) 一种生产现场数据在线采集分析及故障预测系统
CN114800040B (zh) 工艺-状态数据关联的刀具磨损监测方法及系统
CN112766182B (zh) 一种拉削刀具磨损状态识别方法
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
Sun et al. Machining process monitoring and application: a review
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN109262369B (zh) 一种刀具状态检测系统及方法
Zheng et al. Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
Du et al. Intelligent turning tool monitoring with neural network adaptive learning
CN118839142A (zh) 拉丝模的中心孔检测方法及装置
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
Duan et al. A spatiotemporal fusion autoencoder-based health indicator automatic construction method for rotating machinery considering vibration signal expression
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法
CN118585870A (zh) 一种基于时空感知神经网络的减速器轴承故障检测方法
CN120772860A (zh) 加工过程质量在线监测及反馈调整系统及方法
Zhu et al. Intelligent health monitoring of machine tools using a Bayesian multibranch neural network
Ping et al. Surface defect detection for wire ropes based on deep convolutional neural network
CN121234179A (zh) 基于振动分析的机床故障预测性维护方法
Wang et al. Tool wear classification based on minimalism in deep learning for VanillaNet and recurrence plot encoding technology
Li et al. Tool fault diagnosis based on improved multiscale network and feature fusion

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