下载文档原格式
基于异源信号特征融合的刀具磨损状态识别潘贺丰;朱坚民【摘要】针对单一刀具切削信号的局限性和磨损特征存在较强的非线性,提出一种基于异源信号特征融合的刀具磨损状态识别方法.同时采集加工过程中的振动信号和声发射信号,分别提取它们小波包频带的相关时域特征,采用局部保留投影算法对原始特征进行降维,并将两信号的低维特征进行融合,对融合特征通过灰色接近关联模型进行磨损状态识别.通过3把车刀的切削磨损实验,结果表明该方法可充分利用异源信号的互补信息和特征数据之间的非线性关系,更全面地表征刀具磨损状态,相比单信号法具有更高的识别精度.【期刊名称】《电子科技》【年(卷),期】2017(030)005【总页数】5页(P105-109)【关键词】异源信号;局部保留投影;特征融合;刀具磨损;灰色接近关联模型【作者】潘贺丰;朱坚民【作者单位】上海理工大学机械工程学院,上海200093;上海理工大学机械工程学院,上海200093【正文语种】中文【中图分类】TN911.7;TB93刀具作为金属切削过程的直接执行者，其状态的变化直接导致产品质量下降和生产成本增加，所以刀具状态的监测对提高产品质量，降低生产成本具有重要意义。
传统方法大多基于单一信号[1-4]，然而，单一信号的信息量有限，限制了监测准确性的提高。
基于多种信号同时监测的传感器融合技术[5-7]具有信息覆盖范围广，抗干扰能力强等优势。
振动信号对刀具磨损具有较高的敏感度[8]，声发射信号频率高[9]，避开了加工过程中振动和环境噪声污染严重的低频区。
因此，本文将振动信号与声发射信号同时用于车刀磨损状态的识别。
由于切削信号具有较强的非线性和非平稳性，提取的原始高维特征中不可避免的存在冗余信息，所以需要对原始高维特征进行简化，提取能够反映刀具磨损的低维特征。
在刀具磨损状态的识别方法方面，神经网络方法[10]需要大量的训练样本，支持向量机算法[2]的核函数、损失函数以及惩罚参数选择的随机性影响识别性能。
基于声发射的高速铣削刀具故障诊断陈萍;王细洋;鲍平平【摘要】提出了一种利用声发射信号监测高速铣削刀具故障的方法.采用声发射参数分析法,确定总事件计数、总振铃计数、总能量和RMS作为刀具故障诊断的特征参量.基于LABVIEW编程模块提取其统计特征参量,实验表明这些信号特征值能有效地用于高速铣削过程中的刀具故障诊断.【期刊名称】《制造技术与机床》【年(卷),期】2010(000)011【总页数】3页(P22-24)【关键词】声发射;参数分析;高速铣削;故障诊断【作者】陈萍;王细洋;鲍平平【作者单位】南昌航空大学航空制造工程学院,江西,南昌,330063;南昌航空大学航空制造工程学院,江西,南昌,330063;南昌航空大学航空制造工程学院,江西,南昌,330063【正文语种】中文在金属切削加工过程中，一旦出现刀具故障将直接影响工件表面质量和尺寸精度，严重时甚至导致刀具失效、工件报废、机床受损等。
因此，在自动化加工过程中为保证产品质量和加工设备安全而对刀具进行实时监测是很有必要的。
刀具监测的方法很多，如光学图象法、放射线法、切削力法、功率法、切削温度、振动分析法、声发射法等。
在金属切削过程中伴随着丰富的声发射（Acoustic Emission，简称AE）现象，而AE信号能直接反映金属材料内部晶格的变化，因此包含了与刀具状态密切相关的信息，对于刀具出现异常现象有较好的预报特性，AE监测技术被认为是一种很有前途的监测方法。
AE监测技术在机械工程领域的应用是由刀具的磨损和破损而引入的。
上世纪70年代后期，日本首先将AE技术用于监测刀具状态，开辟了AE技术应用的新领域。
Xiaoli Li［1］等详细总结了声发射信号产生的机理，信号的特点及处理方法，指出了利用声发射信号监测刀具磨损的优越性。
研究结果表明，在正常磨损状态下，声发射主要来自第一、二、三变形区，是典型的连续信号，而刀具发生破损时，声发射信号是非连续型突发信号。
基于声发射信号多特征分析与融合的刀具磨损分类与预测技术一、本文概述随着现代制造业的快速发展，刀具作为机械加工中的核心工具，其性能状态直接影响着加工质量和生产效率。
刀具磨损作为刀具性能退化的主要表现形式，对其进行准确分类和预测对于实现智能制造和延长刀具使用寿命具有重要意义。
近年来，声发射技术作为一种无损检测方法，在刀具磨损监测领域展现出广阔的应用前景。
本文旨在探讨基于声发射信号多特征分析与融合的刀具磨损分类与预测技术，旨在为制造业提供更为精准、高效的刀具磨损监测手段。
本文首先介绍了刀具磨损的分类及其对加工过程的影响，阐述了刀具磨损监测的重要性和现有技术的局限性。
随后，详细介绍了声发射技术的基本原理及其在刀具磨损监测中的应用优势。
在此基础上，本文提出了一种基于声发射信号多特征分析与融合的刀具磨损分类与预测方法。
该方法通过对声发射信号进行时域、频域和时频域等多维度特征提取，结合机器学习算法实现刀具磨损状态的自动分类和预测。
本文的主要研究内容包括：声发射信号的采集与预处理、多特征提取方法、特征融合策略、刀具磨损分类模型的构建与评估、以及刀具磨损预测模型的建立与验证。
通过对比分析不同特征提取方法和融合策略对分类与预测性能的影响，本文旨在找到一种最优的声发射信号分析方法，以提高刀具磨损分类与预测的准确性和可靠性。
本文的研究成果将为制造业提供一种新的刀具磨损监测手段，有助于实现刀具磨损状态的实时监测和预警，减少因刀具磨损导致的生产中断和质量问题，提高加工效率和产品质量。
本文的研究方法和结论也可为其他领域的声发射信号分析提供参考和借鉴。
二、刀具磨损监测技术概述刀具磨损监测技术是确保机械加工过程质量和效率的关键环节，其准确性和实时性对于预防刀具过度磨损、减少生产中断以及优化生产过程具有重要意义。
随着科技的不断进步，刀具磨损监测技术也在不断发展，从传统的接触式测量到非接触式的声学、光学和振动分析，技术手段日趋丰富。
1前言1.1刀具磨损状态监测的意义在传统的机械加工环境中，以人为主体，对于加工过程中出现的各种状况都通过人的直觉来判断，通常是通过加工过程中所产生的噪音和所加工工件的质量来判断工况，既方便又简单，但是存在很大的误差，也会因为工人水平的不同而参差不齐，目前，机械制造业正在向柔性化、无人化方向发展，随着柔性制造系统和集成制造系统的发展，机械加工系统的自动化程度日益提高，就要求对加工过程中出现的故障进行有效的监测。
刀具作为机械设备加工的执行者，其磨损状态直接影响加工工件的质量，刀具的磨损不仅会影响加工工件的精度和表面质量、降低生产效率，而且会提高加工成本，严重时还会影响加工系统的正常运行和工人的安全，造成不必要的损失。
切削过程是一个非常复杂的过程，刀具的切削动作势必会影响刀具的状态。
制造业是一个国家的基础产业，关系到国计民生，而刀具是制造业中重要的部件，它的发展关系到制造业的发展和进步，又因为刀具的磨损会直接影响加工件的尺寸和表面质量，因此，能否及时的获取刀具的磨损程度显得尤为重要，以便根据刀具的磨损状态及时的更换刀具或是进行尺寸补偿，这样可以降低工件的报废率，提高生产效率，降低生产成本，提升企业的竞争力。
鉴于此，在加工过程中，及时定量的掌握刀具的状态，监测刀具的磨损量和崩刃等故障，对于延长刀具的寿命，提高生成效率，获得高精度的工件具有重要的意义。
1.2 国内外的研究现状及存在的问题目前，国内外的许多机构和学者已经开展了对刀具状态实时监测的研究[1]-[6]，针对不同的加工方法及切削条件，提出了许多监测方法。
根据加工过程和所使用的传感器的种类不同，目前国内外所采用的自动监测刀具状态的方法可归结为两类[1]：一类是直接监测法，包括接触、光导纤维和电视摄像和光学法等，直接监测法就是利用切削过程中刀具的形状、位置等参数来判断刀具的磨损状态，一般只能用于离线监测，由于该种方法不能实时的判断刀具的状态，可能会使所加工的工件因不合格而报废，因此此类方法已被淘汰。
基于铣刀精确建模的刀尖点频响函数预测方法朱坚民;何丹丹;张统超【摘要】为准确地获取铣刀刀尖点频响函数，提出一种基于铣刀精确建模的刀尖点频响函数的预测方法。
该方法基于 RCSA 理论和 Timoshenko 梁理论，将机床－主轴－刀柄－刀具系统划分为机床－主轴－刀柄－部分刀杆和剩余铣刀两个部分，并将剩余铣刀细分为剩余刀杆、过渡段以及多段刀齿。
将铣刀分为对称型铣刀和非对称型铣刀两类，并针对每类铣刀各部分分别进行精确建模。
以多把2刃和4刃铣刀为研究对象，进行实验测试，比较本文方法、等效质量法预测的铣刀刀尖点频响函数与实测刀尖点频响函数之间的差异，分析结果表明：该方法比等效质量法具有更高的预测精度，所预测频响函数的固有频率与实测频响函数固有频率的相对误差在5％以内。
%To obtain a more accurate tool point frequency response function,a new prediction method for tool point frequency response function based on milling cutters'accurate models was presented.On the basis of Timoshenko beam and RCSA theories,a machine tool-spindle-holder-cutting tool system was divided into machine tool-spindle-holder-part of tool rob and the rest of milling cutter,then the rest of milling cutter was subdivided into the remaining tool rod,transition part and several cutter teeth.Furthermore,milling cutters were divided into symmetrical cutters and asymmetric cutters. The accurate models of each type of cutters were established respectively.Finally,with several two-fluted and four-fluted milling cutters as the research objects,predicted tool point frequency response function under the new method and equivalent mass method were compared with experimental results.It was experimentallyproven that the new method has higher prediction accuracy than the equivalent mass method,in which the relative errors between natural frequencies of predicted frequency response function and the measured ones were within 5%.【期刊名称】《振动与冲击》【年(卷),期】2016(035)016【总页数】10页(P142-151)【关键词】刀尖点频响函数预测;响应耦合子结构分析法;等效质量法;铣刀精确建模;实验模态测试【作者】朱坚民;何丹丹;张统超【作者单位】上海理工大学机械工程学院，上海 200093;上海理工大学机械工程学院，上海 200093;上海理工大学机械工程学院，上海 200093【正文语种】中文【中图分类】TH113(上海理工大学机械工程学院，上海200093)机床高速加工过程中，机床的切削颤振会降低工件表面精度，甚至会加剧刀具的磨损和主轴的损坏[1]。
摘要摘要如今，从国际角度来看，制造业地位日益凸显，以智能制造为代表的科技变革，正在将全球制造业推倒重建，形成新的“工业互联网”世界，并成为国际竞争战略高地。
在制造业都在向智能制造方向发展的同时，数控加工技术的智能化水平也得到迅速提高。
在机械加工中，大部分的零件都是由切削加工生产得到的，刀具的使用是最直接最频繁的。
实时准确获知刀具的磨损状态对提高加工产品精度和表面质量、实现个性化制造，提高机床智能化水平、提高系统误差补偿技术具有实际意义。
本文的工作内容如下：1、研究了声发射信号的特点，确定了以声发射信号为监测信号的在线监测方案。
搭建了刀具磨损试验系统，通过试验研究了切削过程中刀具磨损形式，确定了刀具磨损的磨钝标准，将刀具磨损划分为前期、中期、后期磨损三个阶段。
基于正交试验研究了声发射信号随刀具磨损、主轴转速、进给量和背吃刀量四个因素的变化规律。
2、用不同的信号处理方法提取刀具磨损的特征值。
基于时域分析方法，提取了均值、均方根、方差和方根幅值；基于小波包变换的分析方法，提取频段的能量比作为刀具磨损的特征值；基于经验模态分析方法，提取特征模态函数的均方根作为刀具磨损的特征值。
对提取的时域特征值和时频特征值进行选择和优化。
3、将优化后的特征值输入到LS-SVM算法中进行学习，建立刀具磨损状态识别模型。
LS-SVM算法中的惩罚因子c和核参数g对识别的准确率有很大的影响，将粒子群算法应用到LS-SVM算法中，在全局化与收敛速度方面具有较大优势，能够实现参数c和g的快速寻优。
建立基于PSO-LS-SVM的刀具磨损状态识别模型和磨损量预测模型，建立未优化的LS-SVM和BP神经网络刀具磨损模型，用测试样本检测三个模型的预测效果，结果表明PSO-LS-SVM的准确率最高。
最后，离线检测刀具磨损对已加工表面的残余应力和粗糙度，将离线检测的结果用于间接评估刀具磨损，同时验证了刀具磨损的预测结果。
关键词：刀具磨损，时域分析，时频分析，最小二乘支持向量机，粒子群优化算法ABSTRACTNowadays, from the international perspective, the manufacturing position has become increasingly prominent. The technological transformation, represented by the intelligent manufacturing, is rebuilding the global manufacturing industry and forming a new industrial Internet world and becoming an international competitive strategic high ground. All world’s manufacturing industries take great effort to develop in the direction of intelligence, which make the CNC machining technology become more intelligent. Tool wear state monitoring constitutes an important part of intelligent manufacturing technology. As the direct executor of the cutting process, it will inevitably wear in the cutting process. Thus, accessing to the exact tool wear state real-time has important significance for improving the part accuracy and surface quality, realizing the personalized manufacturing, improving the level of intelligent machine tools, and the system error compensation technology. As the above problem, the main works are summarized as follows:1. The characteristics of acoustic emission are studied. An indirect online monitor system based on acoustic emission is built. The tool wear feature, mechanism and influencing factor of milling tool are briefly discussed. The tool wear standard is determined and the tool wear state is classified into initial wear, normal wear and sharp wear. Based on the orthogonal experiment, the variation law of the acoustic emission signal with the cutting parameter and the tool wear is studied.2. The characteristic values of tool wear are extracted by different signal processing methods. Firstly, based on time domain analysis, mean, root mean square(RMS), variance and root amplitude are extracted. Then, based on wavelet packet transform analysis method, the wavelet entropy features of signals are extracted. Empirical mode decomposition(EMD) is carried on the signals to extract RMS of each intrinsic mode function(IMF) as feature values. The time feature values and time-frequency feature values are optimized to reduce data redundancy and to remove the irrelevance.3. The optimized feature values are input into the LS-SVM algorithm for learning, and the tool wear state recognition model is established. Considering the penalty factors and the kernel parameters of LS-SVM have a great impact on the model’s accuracy, then the particle swarm optimization algorithm is applied to LS-SVM with theadvantage of its globalization and convergence. The tool wear state recognition model and wear prediction model based on PSO-LS-SVM are established, and the model based on LS-SVM algorithm and BP neural network are also established. The prediction effect of the three models was tested with the same test samples. The result shows that PSO-LS-SVM model is better than those two models. Finally, the residual stress and roughness of the machined surface are measured off-line, and the results are used to indirectly evaluate tool wear and verify the prediction of tool wear.Keywords:tool wear, time domain analysis, time-frequency analysis, LS-SVM, partical swarm optimization目录第一章绪论 (1)1.1 课题来源及研究目的与意义 (1)1.2 国内外研究现状 (2)1.2.1 刀具磨损监测信号的获取 (3)1.2.2 信号特征的提取 (5)1.2.3 模式识别技术 (8)1.3 目前研究中存在的问题与不足 (9)1.4 主要研究内容 (9)第二章铣刀磨损及声发射变化规律试验研究 (11)2.1 刀具磨损过程中AE信号的特点研究 (11)2.2 刀具磨损形式及磨钝标准 (12)2.2.1 刀具磨损的形式 (12)2.2.2 刀具磨损过程 (13)2.2.3 磨钝标准 (15)2.3 刀具磨损监测试验设计 (16)2.3.1 试验系统 (17)2.3.2 试验方法研究 (20)2.4 信号随影响因素的变化规律 (22)2.4.1 影响声发射信号的正交试验 (22)2.4.2 刀具磨损监测试验 (24)2.5 本章小结 (25)第三章刀具磨损信号分析 (26)3.1 时域分析 (26)3.2 时频分析 (26)3.2.1 小波包分析 (26)3.2.2 经验模态分析 (29)3.3 刀具磨损特征值提取 (31)3.3.1 时域特征值 (32)3.3.2 小波包频带能量特征值提取 (33)3.3.3 IMF分量的均方根特征值 (37)3.4 本章小结 (41)第四章刀具磨损状态识别与磨损量预测 (42)4.1 基于PSO-LS-SVM的刀具磨损状态识别 (42)4.1.1 最小二乘支持向量机分类理论 (42)4.1.2 粒子群优化算法基本原理 (43)4.1.3 PSO优化LS-SVM分类算法 (44)4.1.4刀具磨损状态识别实例 (46)4.2 基于PSO-LS-SVM的刀具磨损量预测 (48)4.2.1 最小二乘支持向量机回归理论 (48)4.2.2 PSO优化LS-SVM回归算法 (49)4.2.3 刀具磨损量预测实例 (50)4.3 刀具磨损对表面完整性的影响 (53)4.3.1 刀具磨损对残余应力的影响 (53)4.3.2 刀具磨损对表面粗糙度的影响 (55)4.4 本章小结 (55)第五章总结与展望 (57)5.1 总结 (57)5.2 展望 (57)致谢 (59)参考文献 (60)攻读硕士学位期间取得的成果 (66)第一章绪论第一章绪论1.1 课题来源及研究目的与意义如今，从国际角度来看，制造业地位日益凸显，以智能制造为代表的科技变革，正在将全球制造业推倒重建，形成新的“工业互联网”世界，并成为国际竞争战略高地。
