高龍 袁從貴

摘要：在現(xiàn)代化刀具工藝體系中，要保證加工品質(zhì)，就亟待解決切削過(guò)程中刀具的磨損狀態(tài)監(jiān)測(cè)問(wèn)題。采用聲發(fā)射傳感器SR12、測(cè)力儀Kistler9257B、振動(dòng)傳感器B&K4370建立了銑刀加工信號(hào)監(jiān)測(cè)系統(tǒng)，對(duì)加工過(guò)程中獲取的切削力信號(hào)和振動(dòng)信號(hào)采用小波包頻帶能量監(jiān)測(cè)法計(jì)算其頻帶能量，獲取了與刀具磨損敏感的頻段特征。結(jié)果表明，該方法對(duì)實(shí)際生產(chǎn)過(guò)程刀具磨損監(jiān)控具有良好的應(yīng)用價(jià)值。

關(guān)鍵詞：小波包;刀具磨損;特征提取;狀態(tài)監(jiān)測(cè)

Application of wavelets package analysis in tool wear condition monitoring

Gao Long Yuan CongGui

DongGuan Polytechnic DongGuan 523808）

Abstract：In the modern tool technology system， in order to ensure the processing quality， it is urgent to solve the problem of monitoring the wear status of the tool during the processing. The acoustic emission sensor SR12， the force gauge Kistler9257B， and the vibration sensor B&K4370 are used to establish a milling cutter processing signal monitoring system. The cutting force signal and vibration signal obtained during the processing process are calculated using the wavelet packet frequency band energy monitoring method to calculate their frequency band energy. Frequency band characteristics sensitive to tool wear. The results show that this method has good application value for tool wear monitoring in the actual production process.

Keywords： wavelet packet; tool wear; feature extraction; condition monitoring

0引言

金屬切削加工中，刀具和工件以及刀具內(nèi)部之間產(chǎn)生了巨大的磨擦，這勢(shì)必會(huì)導(dǎo)致刀具的損壞[1]。刀具磨損狀況會(huì)影響工件的加工精度和品質(zhì)，嚴(yán)重時(shí)甚至?xí){機(jī)床和作業(yè)人員的生命安全，及時(shí)有效的監(jiān)測(cè)刀具磨損狀況，是國(guó)內(nèi)外專家學(xué)者一直努力探究的重要課題。

目前國(guó)內(nèi)外學(xué)者對(duì)刀具磨損的間接監(jiān)測(cè)方式主要是利用振動(dòng)信號(hào)、聲發(fā)射信號(hào)器、切削力信號(hào)等進(jìn)行監(jiān)測(cè)，對(duì)刀具磨損監(jiān)測(cè)信號(hào)的分析以及提取特征大多是基于其時(shí)域特征和頻域特征[2]。在刀具發(fā)生磨損情況時(shí)，刀具和工件之間的摩擦力隨二者接觸面積的增加而相應(yīng)上升，從而使得動(dòng)態(tài)切削分力也產(chǎn)生了改變，所以通過(guò)對(duì)動(dòng)態(tài)切削分力的改變情況進(jìn)行監(jiān)測(cè)，能夠得到加工工序中的刀具不同損壞狀況[3-4];而聲發(fā)射則是指一種金屬材料中由于塑性變形、相變、裂紋擴(kuò)展等而導(dǎo)致應(yīng)力能迅速釋放所形成的應(yīng)力波現(xiàn)象，刀具在機(jī)械加工過(guò)程中就會(huì)有聲發(fā)射現(xiàn)象出現(xiàn);在銑削過(guò)程中，在切削力的影響下由銑刀及主軸等部分所構(gòu)成的懸臂梁結(jié)構(gòu)會(huì)產(chǎn)生變形，并由此形成了簡(jiǎn)諧振動(dòng)，在刀具狀況改變時(shí)，會(huì)導(dǎo)致激振力頻率和幅度的改變，所以，通過(guò)檢測(cè)振動(dòng)信息也可以掌握刀具的磨損狀況[5]。

1刀具監(jiān)測(cè)系統(tǒng)架構(gòu)

基于上述刀具監(jiān)測(cè)信號(hào)產(chǎn)生的原理及特點(diǎn)，建立圖1所示的刀具磨損信號(hào)監(jiān)測(cè)系統(tǒng)。系統(tǒng)所涉及的實(shí)驗(yàn)在Cineinnati Milaeron公司的 Sabre 500上完成，聲發(fā)射傳感器SR12和振動(dòng)傳感器B&K4370分別吸附在工件的兩側(cè)，Kistler9257B測(cè)力傳感器放置在機(jī)床的工作臺(tái)上。實(shí)驗(yàn)中，通過(guò)專用量具測(cè)量使傳感器在加工的過(guò)程中位姿保持恒定，確保不同加工條件下采集的刀具監(jiān)測(cè)信號(hào)具有可對(duì)比性[6]。其中，切削力信號(hào)和振動(dòng)信號(hào)采集均使用低速采集卡PCI-1711，采樣長(zhǎng)度為10K，采樣頻率設(shè)定為16K;發(fā)射信號(hào)采集使用高速采集卡JV52O14，采樣長(zhǎng)度為256K，采樣頻率設(shè)定為2MHz。

2小波包分解頻帶能量監(jiān)測(cè)

傅立葉分析方法也可用于信號(hào)頻帶能量分析，所得到的頻譜結(jié)構(gòu)特征矢量，已成功應(yīng)用于部分故障診斷領(lǐng)域。嚴(yán)格來(lái)說(shuō)，頻帶能量監(jiān)測(cè)必須包含各個(gè)頻帶里所有信號(hào)的全部能量，包含非線形、非平穩(wěn)的振動(dòng)能量。而傅立葉分析方法只能統(tǒng)計(jì)信號(hào)中的正弦成份，但在監(jiān)測(cè)刀具磨損的信號(hào)中又常常含有不穩(wěn)定信息，所以以正弦信號(hào)為基礎(chǔ)來(lái)表述并不恰當(dāng)，所獲得的信息頻帶能量也不夠全面。通過(guò)使用小波分析技術(shù)對(duì)刀具信號(hào)進(jìn)行處理，則能夠描述其中的不穩(wěn)定信息，特別是小波包析技術(shù)，能夠把包含正弦信號(hào)在內(nèi)的任何信號(hào)根據(jù)實(shí)際需求分解到任意單獨(dú)的、精細(xì)的頻帶上，在分解得到的頻帶上作能量計(jì)算得到的特征向量[6]，更趨科學(xué)性與合理性。

小波包對(duì)信號(hào)分解采用正交分解方法，分解后分配到各個(gè)頻譜帶的信號(hào)都彼此獨(dú)立、不多余、不缺漏，所以小波包信號(hào)分解遵從能量守恒基本原理[7][8]。具體表示為如下關(guān)系：

這里En代表信號(hào)的能量。在水平分辨率為j的小波包信號(hào)分解中，表示位于子空間信號(hào)的離散信號(hào)。如果采集到的信號(hào)數(shù)據(jù)長(zhǎng)度為N，則分解頻帶中離散信號(hào)的數(shù)據(jù)長(zhǎng)度變?yōu)闉?，其能量可描述為?/p>

其中，N代表原始數(shù)據(jù)的大小;k代表頻率的分解層數(shù);代表分解后各個(gè)頻帶的序號(hào)。有時(shí)為便于使用，也可以采取歸一化相對(duì)能量監(jiān)測(cè)方法，即用分解信號(hào)頻帶能量占信號(hào)總能量的比例來(lái)描述。第m個(gè)頻帶信號(hào)的相對(duì)能量可以表示為

在實(shí)際使用中，不論是直接使用能量監(jiān)測(cè)或是使用歸一化的能量監(jiān)測(cè)方法，要遵守如下過(guò)程：根據(jù)信號(hào)特性選擇最佳的小波包基;選定分解尺度后實(shí)現(xiàn)小波包分析，并實(shí)現(xiàn)小波包單子帶重構(gòu);按照小波包分析中存在的頻帶交叉規(guī)律，重新排列重構(gòu)節(jié)點(diǎn);按照式（2）信號(hào)各個(gè)頻帶能量，建立能量向量;若使用歸一化能量，則需按照式（3）計(jì)算相對(duì)能量之后再建立能量向量。

3刀具故障診斷分析

實(shí)驗(yàn)中測(cè)試刀具材質(zhì)選用YT15，銑削過(guò)程中使工件相對(duì)于銑刀回轉(zhuǎn)中心處于對(duì)稱位置。在主軸轉(zhuǎn)速依次是600r/min、900r/min、1200r/min、1500r/min，工件的進(jìn)給量依次是0.5mm/r、0.8mm/r，背吃刀量依次為0.5mm、1mm、1.5mm、3mm的條件下，完成了不同磨損狀況的刀具在27種不同加工工藝下的測(cè)試實(shí)驗(yàn)[8]，在加工中不使用冷卻液，來(lái)加速刀具的磨損速度以及降低冷卻液對(duì)傳感器所造成的負(fù)面影響。在工程計(jì)算中，為了便于統(tǒng)計(jì)和研究，常把切削力F劃分為三個(gè)互相垂直的切削分力Fx、Fy和Fz，下面以主軸轉(zhuǎn)速為600r/min，進(jìn)給量為0.5mm/r，背吃刀量為0.5mm（工況一）不同磨損狀況下的切削力信號(hào)為例進(jìn)行分析。

圖2-圖4中，VB表示刀具磨損量。在上面的三圖中可以發(fā)現(xiàn)：一方面，銑削工藝中存在著銑刀工作齒間斷性參與切削的特性，在銑削過(guò)程中切削厚度與銑刀工作齒數(shù)都保持著變動(dòng)態(tài)勢(shì)，因此切削分力Fy與Fx在各個(gè)加工位置都是不一樣的，但伴隨銑刀工作刀齒對(duì)工件的切出與切入，F(xiàn)x和Fy的變化呈現(xiàn)周期性;另一方面，隨著銑刀磨損量的提高，切削分力Fx、Fy的變動(dòng)幅度范圍呈現(xiàn)上升態(tài)勢(shì)，而切削分力Fz的變化幅度不大，所以在監(jiān)測(cè)過(guò)程中可以重點(diǎn)分析切削分力Fx、Fy的有關(guān)時(shí)域或者頻域特性來(lái)監(jiān)測(cè)銑刀的損壞狀況。

對(duì)兩個(gè)切削分力Fx、Fy做功率譜分析可以得知，兩個(gè)切削分力對(duì)刀具磨損較為靈敏的頻段都在1kHz以下（圖5）。在小波基選擇方面，經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，最終選擇db4小波。圖5-6是在工況一條件下對(duì)切削分力Fx、Fy進(jìn)行小波包分解重構(gòu)后結(jié)果，同時(shí)用小波包分解頻帶能量監(jiān)測(cè)法提取的頻段能量見(jiàn)表1-表2。

對(duì)兩個(gè)切削分力Fx和Fy的分析表明，采用同樣的加工條件，從其功率譜上很難分辨出刀具的不同磨損狀況（圖5）;而經(jīng)小波包分解提取的0-200Hz、200-400Hz、400-600Hz、600-800Hz四個(gè)頻段能量在不同的刀具磨損狀態(tài)下，具有相同的變化規(guī)律（表1-表2），即在相同的加工條件下，不同磨損量所對(duì)應(yīng)的頻段能量值各不相同，對(duì)于Fx，除0-200Hz頻段能量外，其他200-400Hz、400-600Hz、600-800Hz三個(gè)頻段能量均隨著刀具磨損量的提高而降低，這是由于低頻帶能量向高頻段能量轉(zhuǎn)移形成的，而對(duì)于切削分力Fy，0-200Hz、200-400Hz、400-600Hz、600-800Hz四個(gè)頻段能量值均隨著刀具磨損量的提高而上升。在其他加工條件下，對(duì)刀具不同磨損狀況的切削分力Fx和Fy做同樣的分析處理，亦得到同樣的規(guī)律，這表明切削力在0-200Hz、200-400Hz、400-600Hz、600-800Hz四個(gè)頻段的能量值，可以做為切削力信號(hào)的特征值來(lái)監(jiān)測(cè)刀具的磨損狀況。

4結(jié)論

利用小波包分析方法，對(duì)切削分力Fx、Fy在1000Hz以下的信號(hào)進(jìn)行了頻帶能量提取。實(shí)踐證明，在0-200Hz、200-400Hz、400-600Hz、600-800Hz四個(gè)頻帶上提取的能量值對(duì)于刀具磨損較為敏感，可以作為刀具磨損狀態(tài)監(jiān)測(cè)的有效特征。后續(xù)可采用人工智能技術(shù)如采用神經(jīng)網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行模式識(shí)別處理，從而實(shí)現(xiàn)刀具磨損狀態(tài)的在線監(jiān)測(cè)。

參考文獻(xiàn)：

[1]胡秋.CIMS下刀具狀態(tài)監(jiān)測(cè)研究回顧與展望[J].機(jī)床與液壓.2003.6：17-18

[2]李圣怡，吳學(xué)忠，范大鵬.多傳感器融合理論及在智能制造系統(tǒng)中的用[M].長(zhǎng)沙：國(guó)防科技大學(xué)出版社.1998

[3]高宏力.切削加工過(guò)程中刀具磨損的智能監(jiān)測(cè)技術(shù)研究.西南交通大學(xué)博士論文[J].2005

[4]向文江，趙學(xué)智，陳文戈.基于小波變換的刀具磨損檢測(cè)方法，工具技術(shù)[J].2000，34（5）：34-36

[5]PanF，A.D.HopeandG.A.King.Aneurofuzzy pattern recognition algorithm and its application[J].美國(guó)，Proeeedings of ?IEEE Confereneeon systems Man and Cyberneties，1998：4234-4239

[6]何正嘉等.機(jī)械設(shè)備非平穩(wěn)信號(hào)的故障診斷原理及應(yīng)用[M].北京：高等教育出版社.2001

[7]溫新宇等.基于小波包能量和調(diào)制信號(hào)雙譜邊帶估計(jì)的齒輪磨損監(jiān)測(cè)[J].機(jī)械傳動(dòng).2021：118-119

[8]高龍.基于小波分析和集成神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測(cè)技術(shù)研究.西南交通大學(xué)碩士論文[J].2007

作者簡(jiǎn)介：高龍（1982-），男，東莞職業(yè)技術(shù)學(xué)院電子信息學(xué)院，工程師。主要從事機(jī)器視覺(jué)、故障診斷及職業(yè)教育等方面的研究。

（基金項(xiàng)目：東莞職業(yè)技術(shù)學(xué)院課題，基于多參量信息融合的刀具磨損狀態(tài)模式識(shí)別研究2019C09）