基于EMD和SVM的缸盖加工颤振在线检测

作者:密思佩;徐锦泱;明伟伟;陈明;陈龙 刊名:工具技术 上传者:陈灵

【摘要】切削载荷下加工系统的颤振现象直接影响加工过程的效率和性能;本文介绍了一种基于经验模式分解(EmpiricalModeDecomposition;EMD)的机床刀具颤振分析方法;通过对机床主轴的振动信号进行综合分析;并对异常颤振信号进行EMD分解以获得本征模函数;采用Hilbert变换得到其包络信号;计算包络谱;提取噪声信号的特征频率;对特征频率进行支持向量机(SupportVectorMachine;SVM)颤振判别学习;通过现场信号验证;证明该方法能有效检测加工颤振;

全文阅读

1 引言 高速数控机床主轴是否正常运转直接影响机床加工质量及生产效率。在主轴高速运转时,切削颤振会影响工件的加工精度和表面质量,缩短刀具寿命。检测加工过程中的切削颤振并采取有效措施预防颤振具有重要意义。颤振的识别方式可分为离线Lobe图方法和在线颤振检测[1],稳定Lobe图通过稳定性边界识别来优化切削条件,以进行稳定加工,但是该方法需要对机床动力学进行完整分析,并深入了解加工过程和加工材料,工业用户很难实现[2]。此外,在某些情况下(例如薄壁件加工),由于机床和工件的稳定Lobe图不断变化,根据Lobe图选择合适的参数确保加工过程稳定运行难度较大[3]。在线颤振检测无需稳定Lobe图识别,通过加工信号的检测和处理即可有效识别加工颤振的产生,其主要通过监测声音信号、切削力信号、位移信号和加速度信号等进行颤振识别。 近年来很多学者提出了一些有效的颤振检测方法。Delio T.等[4]认为,与其它传感器(例如力传感器、位移传感器、加速度传感器)相比,微声传感器是用于颤振检测的优秀传感器,在铣削加工中已被验证具有良好的颤振识别能力。文献[5-7]提出了一种基于铣削声音信号方差的统计评估值进行颤振识别的方法。Yao Z.等[8]提出了一种基于小波和支持向量机的颤振识别方法,该方法可识别初期颤振,有效避免自激振动的危害,精度可达95%。Zhang C.L.等[9]提出了一种基于隐马尔可夫(HMM)和人工神经网络(ANN)的颤振识别方法,通过隐马尔可夫提取时变信号的特征向量作为人工神经网络的输入,进行颤振模式学习。虽然声音信号已被证实能有效检测加工颤振信号,但是由于实际产线加工中噪声较大且成分复杂,声音传感器并不能很好地识别信号。同时,产线实际加工信号包含大量噪声,通过小波分析和隐马尔可夫并不能很好地提取有效特征。因此,需要对所获噪声信号进行有效的特征提取,经验模态分解(EMD)的信号处理方法被大量用于轴承故障检测,并被证明具有良好的检测能力[10,11]。本文采用该方法对产线振动信号进行分析处理,提取颤振信号的特征频率,输入支持向量机进行颤振识别,该颤振识别方法被用于其它加工信号的颤振识别,经验证明具有良好的识别能力。 2 经验模态分解的基本原理 经验模态分解(EMD)和傅里叶变换、小波变换等类似,可将信号分解出不同频率特性,与傅里叶变化不同,EMD是依据数据自身的时间尺度特征进行信号分解,且不同于小波变换需要预设基函数。理论上,EMD可应用于任何类型信号的分解,适合于分析非线性和非平稳信号序列,广泛应用于机械故障诊断领域。 经验模态分解(EMD)的分解步骤为:①找出原信号y(t)的所有极值点;②对极小值点形成下包络l(t),对极大值形成上包络h(t);③计算均值a(t)=[l(t)+h(t)]/2;④抽离细节d(t)=y(t)-a(t);⑤对残余的a(t)重复上述步骤,直至d(t)的均值为0,或者满足某种条件停止迭代,最终分离出有限个本征模函数和一个余量。 通过上述步骤可将复杂信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF),分解出来的各IMF分量包含了原信号中不同时间尺度的局部特征信号。经验模态分解法能将非平稳数据进行平稳化处理,通过希尔伯特变换获得时频谱图,进行包络绘图可得到复杂信号的故障特征频谱。 本征模函数反映了信号中存在的不同特征成分,普遍用于高频调幅故障信号的检测[11]。由文献[12]可知,机床颤振时的振动信号在时域上,振动幅值增大;在频域上,信号主频带将从高频段向低频段移动,信号能量在频域上的分布由

参考文献

引证文献

问答

我要提问