手机版
|
刀具磨损在金属切削过程中会严重损坏工件的几何尺寸和表面形状。自动化制造系统中,需要对刀具磨损状态进行在线监测,及时换刀,以保证产品的质量和加工系统运行的稳定性和可靠性。 到目前为止,关于刀具磨损监测的方法有:探针法、光学法、图像法、电机功率电流法、沧州欧谱切削力(扭矩)法、振动法、声发射法、表面粗糙度法以及工件尺寸法等等。其中,声发射法直接来源于切削加工点,与刀具磨损相关程度高,成为近年来国内外专家学者 广泛使用的一种新方法。 1 小波包分解技术 刀具磨损监测的关键是提取加工过程中刀具的各种状态信号的特征值和进行状态的辨识。声发射信号具有瞬态性和随机性,属于非平稳的随机信号。小波分析是目前非平稳随机信号分析最有力的工具,它的特点是对信号进行变时窗分析,即对信号中的低频分 量采用较宽的时窗,对高频分量采用较窄的时窗。这个特点使得小波分析在时域和频域同时具有良好的局部分析特性,非常适合用来分析声发射信号。 我们熟悉的傅立叶变化是通过一组正交的正弦信号把信号的表现从时域转换到频域中,小波变换的基本出发点与傅立叶变换相似,也是要通过寻找一组小波基函数,对信号进行一定形式的转换后再对信号进行分析处理。小波基的定义如下: 设Ψ( t) 是函数空间L2 ( R) (平方可积的实数空间,即能量有限的信号空间) 中满足“容许条件”的一个函数或者信号: 从信号滤波的角度来看,正交小波包分解是将待分解信号通过一个低通滤波器L 和一个高通滤波器H 分别进行滤波,分解得到一组低频近似信号和一组高频细节信号,并且同时对低频和高频信号一直分解下去。随着分解级数的增加,频率段划分越细。下面以一个3 尺度信号分解为例,其分解结构的组织形式如图1 所示。X 表示原始信号, CAjn表示低频分量, CDjn表示高频分量,其中j 、n 表示第j 层第n 个频段。而第j 层第n 个频段的起始频率f ns由下列公式计算得到: 2 神经网络模式识别 对声发射信号进行分析的最终目的是为了对刀具的磨损状态进行识别。人工神经网络具有良好的自学习能力,不要求研究者具有丰富的背景知识和经验,所以人工神经网络是研究模式识别的有效方法。其中,BP 网络是目前在模式识别中应用最广泛的,它无论是在网络理论还是网络性能方面都是非常成熟的。 BP 神经网络的结构如图2 所示。BP 网络的最大特点是逼近能力很强,只需要一个隐层就能逼近所有的非线性函数,所以图中给出的是一个3 层的BP 网络,包括输入层、隐层和输出层。 神经网络用于模式识别的原理可简单归纳为通过学习样本的训练,学习调整网络的连接权值,实现输入特征向量与输出模式层参数的非线性映射。设待识别的模式类别数为m ,根据前面的分析结果， 设输入特征向量x 经过BP 网络后的输出为y ,对于输出向量y 中的数值进行如下处理:数值最大的置为1 ,沧州欧谱其它的置为0 ,数值最大的输出单元位置设为k ,则该输入向量属于k 模式。 3 应用实例 3.1 实验装置 实验在一台车削车床CA6140 上进行,AE 声发射传感器装在刀杆尾部。声发射信号经前置放大、滤波后分别接示波器显示波形,工控机对信号进行采集保存。实验根据刀具磨损量的不同分成新刀、轻度磨损、中度磨损和严重磨损4 种状态进行,对应的磨损量分别在0 ～ 011mm , 011 ～ 012mm , 012 ～014mm ,014～015mm 左右波动。 3.2 特征提取 实验的加工条件如下:切削速度为28612mmPs ,进给速度为012mmPr ,背吃刀量为015m。采样频率为2MHz ,采样长度为128000。测厚仪http://www.oupu17.com 在4 种不同磨损状态下分别采集了240 组数据,每个数据实际对应的刀具磨损量由工具显微镜现场测量获得。 选择Daubechies 小波, 消失矩阶数N = 8 , 即“db8”小波对声发射数据进行5 层分解,得到从低频到高频32 个频段的分解信号,具体的频段范围由公式③计算得到。分别提取这32 个不同频段的信号特征作为下一步神经网络识别的输入特征量,本文选择均方根作为特征量。每种状态选择16 组数据,经小波分析得到32 ×64 的矩阵作为神经网络的训练样本。 图4 为新刀和严重磨损(具体磨损值分别为0101mm和0143mm) 两种状态下的声发射原始数据图。图5 为经过小波包分解后低频段(0～31125kHz)的小波分解系数图,从图中可以看到:随刀具磨损量的增加,信号波形变化明显,严重磨损状态的波形要比新刀状态的波形复杂。 3.3 实验结果 建立3 层BP 网络。输入层对应声发射信号的32 个特征量,所以神经元数为32 个。沧州欧谱隐层传递函数选择“logsig”函数,神经元数为10 个。输出层传递函数也为“logsig”,使得输出值范围在[ 0 ,1 ]之间,神经元数为4 个。网络训练误差e F0100005 ,最大训练步数为15000。经过8906 个步数训练之后,网络训练完毕,误差e = 0100004998。右表为网络输出对应的刀具磨损状态。另外取32 ×64 个特征量对网络性能进行测试,部分测试结果如表2。 从表2 中,可以明显地看到1～3 组为新刀,4～6 组为轻度磨损刀具,7～9 组为中度磨损刀具,10～12 组数据的分析结果表明刀具已经严重磨损,需要更换。64 组分析结果表明,此BP 网络能够成功地识别不同的刀具磨损状态。 4 结 论 本文用小波包分解技术求取刀具磨损中声发射信号的特征量,用均方根作为特征值,采用BP 神经网络对刀具磨损状态类别进行识别,实验结果表明效果良好。 |
