[發明專利]一種數控機床刀具磨損監測方法

在審

• 申請號: 202010057426.6
• 申請日: 2020-01-19
• 公開（公告）號: CN111168471A
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 劉祖斌;陳建鵬
• 申請（專利權）人: 浙江工業大學
• 主分類號: B23Q17/09
• 分類號: B23Q17/09
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

一種數控機床刀具磨損監測方法，首先通過采集機床刀具作業時的振動加速度信號和麥克風聲信號作為待分析信號；用快速獨立成分分析算法對原信號進行預處理得到初步降噪后的振動信號和聲信號，再利用變分模態分解算法分解加速度信號和聲信號分別得到各自固有的經驗模態函數；進而用引入虛擬噪聲通道的快速獨立成分分析算法對已有模態進行去噪，從而得到有效模態分量；采用最大功率譜密度作為磨損特征來提取與磨損信息相關性程度最高的固有模態；最后將加速度信號和聲信號的磨損特征組成二維特征空間，聯合進行磨損評估。本發明能夠有效的提取完整的磨損信息，實現更高穩定性和更高分辨率的刀具磨損程度的監測。

技術領域

本發明涉及一種數控機床刀具磨損狀態監測方法。

背景技術

作為機械制造業的基礎，數控切削加工技術的數字化、自動化和智能化對整個機械制造業具有非常重要的意義。刀具作為數控加工技術的執行單元，是否健康、穩定的工作將直接影響切削加工的質量和效率。一方面隨著先進制造技術的進一步發展，對產品的精度提出了更高的要求；另一方面國際制造業的競爭日趨激烈，進行技術升級和更新已經迫在眉睫。據有關統計，數控機床加工過程中由于刀具原因導致的停機率約占總磨損率的22.4％，這樣大大地降低了生產效率。因此在數控機床上集成刀具磨損監測技術可以在機床自動化加工中實時監測刀具健康程度，預測刀具磨損，減少人工干預，提升加工效率和質量。

目前，數控機床刀具的主流監測方法是通過加速度傳感器采集刀具切削加工時的機床和刀架的振動狀態信息，但是單一信號無法完整地反映刀具工作中的信息，尤其高頻振動難以被測量，造成磨損程度判斷準確度不高，因此刀具的振動監測還未在實際規模化生產中廣泛應用。實際生產中，一些有經驗的工人可以通過工作中機床的振動和聲音來判斷出刀具的磨損狀態，因此采用振動和聲音聯合信號同時監測能夠更完整地采集到刀具的磨損信息，從而減少磨損誤報或者漏報，提升可靠性。

發明內容

本發明要解決機床刀具磨損監測缺少穩定且準確的技術手段的問題，提出基于振動和聲信號聯合的數控機床刀具磨損監測方法。

本發明所述的數控機床刀具磨損監測方法，包括如下步驟：

步驟1：將加速度傳感器安裝在數控機床車刀的刀柄上，傳感器主軸方向與刀柄主軸方向垂直。

步驟2：將一個麥克風傳感器安裝在車刀的刀柄附近，將兩個麥克風傳感器按近遠分別安裝在艙外近處和遠處，艙外的麥克風用來采集環境噪聲。

步驟3：分別對均有三個通道的加速度和聲信號進行快速獨立成分分析(FAST-Independent Component Analysis)，得到初步降噪后的振動加速度信號和聲信號。

ICA的基本原理如下，假設觀測信號為X＝[x₁,x₂,...,x_n]，有n個通道數據。假設我們最后分離出來n個通道數據的樣本集為S，S中每組數據都是獨立的分量，則一定存在一個矩陣W，使得S＝WX成立。因此ICA的任務就是根據觀測信號X求出W和S。

Fast-ICA是一種基于負熵最大的固定點迭代的快速算法。具體分解步驟：假設有m個通道n維數據；

(1)原始數據按列組成n行m列矩陣X；

(2)將觀測數據X歸一化，即減去其均值，這意味著X是零均值的；

(3)對去中心化的數據進行白化(去相關)：

得到歸一化的信號X后，對X進行線性變換使其各成分不相關且具有單位方差，白化后的數據為X′。具體實施方式為對X的協方差矩陣進行特征值分解，即E{X′X′^T}＝EDE^T，其中E表示X特征向量的正交矩陣，D是其特征值的對角矩陣D＝diag(d₁,d₂,...,d_n)；