基于声发射法的刀具磨损状态研究
|
摘要
从机床结构来说,影响立式车铣复合加工中心精度的部件或结构有很多,而电主轴和加工刀具是最直接的零部件,而针对切削加工刀具,采用电机电流信号和声发射(AE)对刀具状态进行监测都是现在研究的有效方法。根据导师的在做项目的要求,本文着重讨论基于声发射法的刀具状态监测系统的研究。
声发射是固体材料中普遍存在的一种物理现象。声发射作为一种有效的无损检测技术已经应用到设备检测、监控的各个领域,以其灵敏度高、在监控过程中无需停机等优点正适合于刀具的在线检测。本文在高速铣削加工动静态监测技术的基础上,利用声发射信号对刀具的磨损状态的监控进行了研究,其主要从一下几个方面来开展工作：
(1)构建铣削过程刀具磨损监测试验系统。包括对构建系统的硬件设备和软件环境进行了较为详细的介绍。目的在于采集的声发射信号和分析、处理信号做前期的准备。
(2)利用声发射传感器和数据采集卡采集到的声发射信号,在LABVIEW环境下,对信号进行统计分析和功率谱分析。目的在于寻找信号中存在着的与刀具磨损变化相应的特征,通过对现场采集的声发射进行分析,根据刀具磨损状态的特征,总结规律,以此作为刀具状态在线监测判别的根据。同时也说明利用声发射信号进行刀具的在线检测是可行的。
(3)通过构建的硬件和软件系统,对采集到的声发射信号进行分析,以得到在加工过程中,刀具的切削三要素(主轴转速n、进给量f和切削深度pa)对声发射信号的影响程度,得出结论。
(4)由于小波具有对高频信号细化分析的功能,我们将利用多辨率小波分解对声发射信号进行分析和处理,然后对信号各频段进行的能量统计,以便提取反映刀具磨损状态的频率特征,利用这一步得到的结果作为刀具磨损状态识别的输入。经过分析采用RBF(径向基函数)神经网络,对刀具的磨损状态建立有效的识别系统。最后对整个识别系统的效果做出结论。
From the machine structure, there are many parts or structures Influence the accuracy of the vertical milling complex machining center, however the Spindle and Cutting Tools are the most directly parts. Just for the cutting tools, the method of the use of Motor current Signal and AE signal to monitor the state of the tools are the most effective method。So According to the requirements of the program of the tutor, the focal point study of the paper is discussing the tooling monitor system which based on AE signal.
AE signal is the physical phenomenon of the some materials. AE as an effective Non-destructive testing (NDT) technique has apply to all kinds of the inspect devices. With the advantages of the AE just fit the online test of the tools, such as high sensitivity and without stop during the works. We will make use of the AE signals to study state the tool abrasion based on the researcher of the technology of the inspect of machine tool with the high speed. So we will carried out our works form several aspects as following:
(1) Build up the tool wear monitoring experiment system in milling. Including introduce how to construct the system's hardware and software environment with detailed. We do some preparations so that we can gather the AE signals which we will analyze and process in the following steps.
(2) Detect and collect the acoustic emission signals of different wear stages through using AE sensor and data-acquisition card, in the environment of the LABVIEW, then the AE signals were analyzed by statistics analysis and power spectrum. In order to search characteristic component which changes with the state of tool wearing that existing in the AE signals. At the same time we will prove that it is feasible to use AE signals to monitor the tool states online.
(3) According to the system of the hardware and soft ware, we will analysis the AE signals which gathered by the system. So that can get level information of the influents of the tools factors. So that can do some conclusions
(4) Because of wavelet transform possess the function of analyze the high-frequency signal, so we will use the multi-resolution wavelet decomposition to analyze and process the AE signals. Then do energy statistics to the part of the frequency band. So that can extract the features frequency that reflected the tools wear state. And using the results of this step as the inputs the tools states. After analyzing of the characteristic of the AE signals, we use the RBF neural network to build the system to the tool wear states. And conclude the result on the all system。
声发射是固体材料中普遍存在的一种物理现象。声发射作为一种有效的无损检测技术已经应用到设备检测、监控的各个领域,以其灵敏度高、在监控过程中无需停机等优点正适合于刀具的在线检测。本文在高速铣削加工动静态监测技术的基础上,利用声发射信号对刀具的磨损状态的监控进行了研究,其主要从一下几个方面来开展工作：
(1)构建铣削过程刀具磨损监测试验系统。包括对构建系统的硬件设备和软件环境进行了较为详细的介绍。目的在于采集的声发射信号和分析、处理信号做前期的准备。
(2)利用声发射传感器和数据采集卡采集到的声发射信号,在LABVIEW环境下,对信号进行统计分析和功率谱分析。目的在于寻找信号中存在着的与刀具磨损变化相应的特征,通过对现场采集的声发射进行分析,根据刀具磨损状态的特征,总结规律,以此作为刀具状态在线监测判别的根据。同时也说明利用声发射信号进行刀具的在线检测是可行的。
(3)通过构建的硬件和软件系统,对采集到的声发射信号进行分析,以得到在加工过程中,刀具的切削三要素(主轴转速n、进给量f和切削深度pa)对声发射信号的影响程度,得出结论。
(4)由于小波具有对高频信号细化分析的功能,我们将利用多辨率小波分解对声发射信号进行分析和处理,然后对信号各频段进行的能量统计,以便提取反映刀具磨损状态的频率特征,利用这一步得到的结果作为刀具磨损状态识别的输入。经过分析采用RBF(径向基函数)神经网络,对刀具的磨损状态建立有效的识别系统。最后对整个识别系统的效果做出结论。
From the machine structure, there are many parts or structures Influence the accuracy of the vertical milling complex machining center, however the Spindle and Cutting Tools are the most directly parts. Just for the cutting tools, the method of the use of Motor current Signal and AE signal to monitor the state of the tools are the most effective method。So According to the requirements of the program of the tutor, the focal point study of the paper is discussing the tooling monitor system which based on AE signal.
AE signal is the physical phenomenon of the some materials. AE as an effective Non-destructive testing (NDT) technique has apply to all kinds of the inspect devices. With the advantages of the AE just fit the online test of the tools, such as high sensitivity and without stop during the works. We will make use of the AE signals to study state the tool abrasion based on the researcher of the technology of the inspect of machine tool with the high speed. So we will carried out our works form several aspects as following:
(1) Build up the tool wear monitoring experiment system in milling. Including introduce how to construct the system's hardware and software environment with detailed. We do some preparations so that we can gather the AE signals which we will analyze and process in the following steps.
(2) Detect and collect the acoustic emission signals of different wear stages through using AE sensor and data-acquisition card, in the environment of the LABVIEW, then the AE signals were analyzed by statistics analysis and power spectrum. In order to search characteristic component which changes with the state of tool wearing that existing in the AE signals. At the same time we will prove that it is feasible to use AE signals to monitor the tool states online.
(3) According to the system of the hardware and soft ware, we will analysis the AE signals which gathered by the system. So that can get level information of the influents of the tools factors. So that can do some conclusions
(4) Because of wavelet transform possess the function of analyze the high-frequency signal, so we will use the multi-resolution wavelet decomposition to analyze and process the AE signals. Then do energy statistics to the part of the frequency band. So that can extract the features frequency that reflected the tools wear state. And using the results of this step as the inputs the tools states. After analyzing of the characteristic of the AE signals, we use the RBF neural network to build the system to the tool wear states. And conclude the result on the all system。
引文
[1]刘德平,刘武发,张琳娜等。 国家重大科技专项“Cx系列立式车铣复合加工中心”项目说明书 郑州大学2009.65-8
[2]王润孝.先进制造技术导论.北京：科学出版社,2004：20-45.
[3]刘彬,任玉艳,冯冀宁.数控车床刀具监测方法的研究.机械研究与应用,2003,16(2)：44-45.
[4]汤为基于声发射法的铣刀磨损状态识别研究[硕十学位论文].上海交通大学.2009,6
[5]SUN Xudong, LIN Yuchi, ZHANG Guoxiong. PHOTO-ELECTRIC MEASURING SYSTEMFOR TOOL EDGE DETECTION BY THE TECHNOLOGY OF COMPUTER DYNAMICDISPLAY MOVING IMAGE.Transactions of Tianjin University,1999,5(1):47-51.
[6]王海丽.刀具状态多传感器监控策略的研究[博士学位论文].上海交通大学.2003,1
[7]汤为基于声发射法的铣刀磨损状态识别研究[硕士学位论文].上海交通大
[8]王琪.刀具磨损和破损的综合监测法新技术新工艺,2003,10：17-18.
[9]Dae Kyun Bake,Tae Jo Ko, Hee Sool Kim. Real time monitoring of tool breakage in a millingoperation using a digital signal processor. Materials Processing Technology,2003,100:266-272.
[10]Dirmela, A.D.Hope and G.A.King. A neuro fuzzy pattern recognition algorithmanditsapplication. USA, ProceedingofIEEEConferenceonSystems, Man, andCybe rnetics,2004,4234-4239.
[11]Benhard Seek Sick. Fusion of Hard and Soft Computing Techniques in Indirect, Online Tool Wear Monitoring. IEEE transactions on systems, man, and cybemetics:applications and reviews,2002,32(2):80-90.
[12]Transeal. Classification of Underwater SignalsUsing Wavelet Transforms and Neural Networks. Mathl. Comput. Modelling, Vol.27, No.2, pp.47-60,1998.
[13]Manuman D. A.Temperature measurement in single point turning. Materials Processing Technology,2004,118:301-308.
[14]翁德玮,邵华,王海丽.多传感器刀具状态监控系统.机械制造,2004,42(6)：11-14.
[15]黄茂正基于磨削加工过程中的声发射信号的研究[硕士学位论文].南京航空航天大学,2008.2.
[16]王宛山基于摩擦声发射信号的磨削表面粗糙度在线检测技术的研究,东北大学学报,Vo1.12,2006.41-45
[17]秦勇刀具磨破损实施监测系统的开发与研究,华中科技大学学报,Vol.32,No.4,2006,：32-37
[18]刘敦临、李建复现代制造环境中的刀具状态监控方法试验研究：[硕士学位论文]大连：大连理工大学,2004.
[19]李小军基于AE信号和振动信号的刀具状态监控方法试验研究.兰州理工大学学报, Vol.26,No.5,2003,：59-74.
[20]李小军基于AE信号和振动信号的刀具状态监控方法试验研究.兰州理工大学学报,Vol.26,No.5,2003,：59-74.
[21]刘贵忠,邸双亮.小波分析及其应用.西安电子科技大学出版社,1997：30-32.
[22]唐晓初.小波分析及其应用。重庆：重庆大学出版社,2006：45-55.
[23]朱名栓,蔡永霞.人工神经网络与刀具磨损监测,航空精密制造技术,2006,32(2)：25-28.
[24]张立明.人工神经网络模型及其应用.上海：复口.大学出版社,1993：35-39.
[25]陈日曜 金属切削原理华中科技大学2009 65-67
[26]吴道全,万光珉,林树兴等.金属切削原理及刀具[M].重庆大学出版社.1994：46-59.
[27]王平嶂刀具制造工艺清华大学出版社2005-03 58-60
[28]陈日曜 金属切削原理华中科技大学2009 65-67
[29]陆剑中 金属切削原理与刀具北京机械工业出版社2008,48-50
[30]吴道全,万光珉,林树兴等.金属切削原理及刀具[M].重庆大学出版社.1994：46-59.
[31]王先奎机械制造工艺学清华大学出版社2008,35-38
[32]王忠民,王信义,杨大勇等.刀具磨损状态在线监测技术,制造技术与机床,2000,6：39-41.
[33]郭千里.刀具磨损的声、振特性及其在线监测模式[硕士学位论文].天津：天津大学.2003
[34]高宏力.切削加工过程中刀具磨损的智能监测技术研究[博士学位论文].成都：西南交通大学,2004
[35]陈锡辉张银鸿LabVIEW 8.20程序设计从入门到精通[M].北京：清华大学出版社2007-07：2-4
[36]陆剑中金属切削原理与刀具[M] 北京：机械工业出版社2008,60-62
[37]熊诗波黄长艺机械工程测试技术基础[M]北京：机械工业出版社,2006-06：23-25
[38]王伯雄、王雪、 陈非凡 工程测试技术[M]北京：清华大学出版社,2006-01：43-45
[39]贾民平、 张洪亭测试技术[M]北京：高等教育出版社2009-05 55-56
[40]从爽.神经网络、模糊系统及其在运动控制中的应用.安徽：中国科学技术人学出版社2001：77-85.
[41]许东,吴铮.基于MATLAB 6.X的系统分析与设计—神经网络(第二版).西安：西安电子科技大学出版社,2002：67-88.
[42]潘旭辉.基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].西南交通大学.2006.3.
[43]向文江,赵学智,陈文戈.基于小波变换的刀具磨损检测方法.工具技术.200034(5)：34-36.
[44]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[45]陈志奎.工程信号处理中的小波基和小波变换分析仪器系统的研究[博士学位论文].重庆：重庆大学.
[46]高龙.基于小波分析和集成神经网络的刀具磨损监测技术研究[硕士学位论文].西南交通大学.2007.3.
[47]唐晓初.小波分析及其应用[M]重庆：重庆大学出版社,2006：63-66.
[48]杨培辉.小波包技术研究及储层预测评价[硕士学位论文].成都：成都理工大学.2006.
[49]李小埋,姚英学,袁哲俊.基于小波模糊神经网络刀具监控系统研究.机械工程学报.1998
[50]徐长发,李国宽.实用小波方法[M].华中科技大学出版社,2001：55-68.
[51]蔡静之.特征提取在工况监测与故障诊断中的应用.重庆大学学报,203(4)：93-95.
[52]向文江,赵学智,陈文戈.基于小波变换的刀具磨损检测方法.工具技术.200034(5)：52-54.
[53]杨建国小波分析及其应用[M]北京：机械工业出版社,2005-07：45-47
[55]唐晓初.小波分析及其应用[M]重庆：重庆大学出版社,2006：63-66.
[56]刘明才小波分析及其应用[M]北京：清华大学出版社,2005-09 58-60
[57]鲍超.信息监测技术,杭州：浙江大学出版社,2002：23-37.
[58]汤为基于声发射法的铣刀磨损状态识别研究.上海交通大学.2009.2
[59]潘旭辉.基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].西南交通大学.2006.3.
[60]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[61]杨行峻,郑君里,人工神经网络与盲信号处理,北京：清华大学出版2003.1
[62]董长虹,神经网络与应用,北京：国防工业出版社,2005.1
[63]杨建刚.人工神经网络实用教程.浙江大学出版社,2001：1-25.
[64]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[65]杨行峻,郑君里,人工神经网络与盲信号处理,北京：清华大学出版2003.1
[66]董长虹,神经网络与应用,北京：国防工业出版社,2005.1
[67]刘贵忠,邸双亮.小波分析及其应用.西安电子科技大学出版社,1997：30-32.
[68]王学武、顾幸生.神经网络的研究热点分析.工业仪表与自动化装置.2004(6)：3-6.
[69]蔡静之.特征提取在工况监测与故障诊断中的应用.重庆大学学报,203(4)：93-95.
[70]汤为基于声发射法的铣刀磨损状态识别研究.上海交通大学.2009.2
[71]谢政基于切削声音信号的刀具状态识别研究[硕士学位论文].上海：上海交通大学.2008
[72]梁晓刚张永昌翟弘泰LabVIEW与Matlab混合编程的实现电脑开发与应用2009-971-74
[2]王润孝.先进制造技术导论.北京：科学出版社,2004：20-45.
[3]刘彬,任玉艳,冯冀宁.数控车床刀具监测方法的研究.机械研究与应用,2003,16(2)：44-45.
[4]汤为基于声发射法的铣刀磨损状态识别研究[硕十学位论文].上海交通大学.2009,6
[5]SUN Xudong, LIN Yuchi, ZHANG Guoxiong. PHOTO-ELECTRIC MEASURING SYSTEMFOR TOOL EDGE DETECTION BY THE TECHNOLOGY OF COMPUTER DYNAMICDISPLAY MOVING IMAGE.Transactions of Tianjin University,1999,5(1):47-51.
[6]王海丽.刀具状态多传感器监控策略的研究[博士学位论文].上海交通大学.2003,1
[7]汤为基于声发射法的铣刀磨损状态识别研究[硕士学位论文].上海交通大
[8]王琪.刀具磨损和破损的综合监测法新技术新工艺,2003,10：17-18.
[9]Dae Kyun Bake,Tae Jo Ko, Hee Sool Kim. Real time monitoring of tool breakage in a millingoperation using a digital signal processor. Materials Processing Technology,2003,100:266-272.
[10]Dirmela, A.D.Hope and G.A.King. A neuro fuzzy pattern recognition algorithmanditsapplication. USA, ProceedingofIEEEConferenceonSystems, Man, andCybe rnetics,2004,4234-4239.
[11]Benhard Seek Sick. Fusion of Hard and Soft Computing Techniques in Indirect, Online Tool Wear Monitoring. IEEE transactions on systems, man, and cybemetics:applications and reviews,2002,32(2):80-90.
[12]Transeal. Classification of Underwater SignalsUsing Wavelet Transforms and Neural Networks. Mathl. Comput. Modelling, Vol.27, No.2, pp.47-60,1998.
[13]Manuman D. A.Temperature measurement in single point turning. Materials Processing Technology,2004,118:301-308.
[14]翁德玮,邵华,王海丽.多传感器刀具状态监控系统.机械制造,2004,42(6)：11-14.
[15]黄茂正基于磨削加工过程中的声发射信号的研究[硕士学位论文].南京航空航天大学,2008.2.
[16]王宛山基于摩擦声发射信号的磨削表面粗糙度在线检测技术的研究,东北大学学报,Vo1.12,2006.41-45
[17]秦勇刀具磨破损实施监测系统的开发与研究,华中科技大学学报,Vol.32,No.4,2006,：32-37
[18]刘敦临、李建复现代制造环境中的刀具状态监控方法试验研究：[硕士学位论文]大连：大连理工大学,2004.
[19]李小军基于AE信号和振动信号的刀具状态监控方法试验研究.兰州理工大学学报, Vol.26,No.5,2003,：59-74.
[20]李小军基于AE信号和振动信号的刀具状态监控方法试验研究.兰州理工大学学报,Vol.26,No.5,2003,：59-74.
[21]刘贵忠,邸双亮.小波分析及其应用.西安电子科技大学出版社,1997：30-32.
[22]唐晓初.小波分析及其应用。重庆：重庆大学出版社,2006：45-55.
[23]朱名栓,蔡永霞.人工神经网络与刀具磨损监测,航空精密制造技术,2006,32(2)：25-28.
[24]张立明.人工神经网络模型及其应用.上海：复口.大学出版社,1993：35-39.
[25]陈日曜 金属切削原理华中科技大学2009 65-67
[26]吴道全,万光珉,林树兴等.金属切削原理及刀具[M].重庆大学出版社.1994：46-59.
[27]王平嶂刀具制造工艺清华大学出版社2005-03 58-60
[28]陈日曜 金属切削原理华中科技大学2009 65-67
[29]陆剑中 金属切削原理与刀具北京机械工业出版社2008,48-50
[30]吴道全,万光珉,林树兴等.金属切削原理及刀具[M].重庆大学出版社.1994：46-59.
[31]王先奎机械制造工艺学清华大学出版社2008,35-38
[32]王忠民,王信义,杨大勇等.刀具磨损状态在线监测技术,制造技术与机床,2000,6：39-41.
[33]郭千里.刀具磨损的声、振特性及其在线监测模式[硕士学位论文].天津：天津大学.2003
[34]高宏力.切削加工过程中刀具磨损的智能监测技术研究[博士学位论文].成都：西南交通大学,2004
[35]陈锡辉张银鸿LabVIEW 8.20程序设计从入门到精通[M].北京：清华大学出版社2007-07：2-4
[36]陆剑中金属切削原理与刀具[M] 北京：机械工业出版社2008,60-62
[37]熊诗波黄长艺机械工程测试技术基础[M]北京：机械工业出版社,2006-06：23-25
[38]王伯雄、王雪、 陈非凡 工程测试技术[M]北京：清华大学出版社,2006-01：43-45
[39]贾民平、 张洪亭测试技术[M]北京：高等教育出版社2009-05 55-56
[40]从爽.神经网络、模糊系统及其在运动控制中的应用.安徽：中国科学技术人学出版社2001：77-85.
[41]许东,吴铮.基于MATLAB 6.X的系统分析与设计—神经网络(第二版).西安：西安电子科技大学出版社,2002：67-88.
[42]潘旭辉.基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].西南交通大学.2006.3.
[43]向文江,赵学智,陈文戈.基于小波变换的刀具磨损检测方法.工具技术.200034(5)：34-36.
[44]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[45]陈志奎.工程信号处理中的小波基和小波变换分析仪器系统的研究[博士学位论文].重庆：重庆大学.
[46]高龙.基于小波分析和集成神经网络的刀具磨损监测技术研究[硕士学位论文].西南交通大学.2007.3.
[47]唐晓初.小波分析及其应用[M]重庆：重庆大学出版社,2006：63-66.
[48]杨培辉.小波包技术研究及储层预测评价[硕士学位论文].成都：成都理工大学.2006.
[49]李小埋,姚英学,袁哲俊.基于小波模糊神经网络刀具监控系统研究.机械工程学报.1998
[50]徐长发,李国宽.实用小波方法[M].华中科技大学出版社,2001：55-68.
[51]蔡静之.特征提取在工况监测与故障诊断中的应用.重庆大学学报,203(4)：93-95.
[52]向文江,赵学智,陈文戈.基于小波变换的刀具磨损检测方法.工具技术.200034(5)：52-54.
[53]杨建国小波分析及其应用[M]北京：机械工业出版社,2005-07：45-47
[55]唐晓初.小波分析及其应用[M]重庆：重庆大学出版社,2006：63-66.
[56]刘明才小波分析及其应用[M]北京：清华大学出版社,2005-09 58-60
[57]鲍超.信息监测技术,杭州：浙江大学出版社,2002：23-37.
[58]汤为基于声发射法的铣刀磨损状态识别研究.上海交通大学.2009.2
[59]潘旭辉.基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].西南交通大学.2006.3.
[60]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[61]杨行峻,郑君里,人工神经网络与盲信号处理,北京：清华大学出版2003.1
[62]董长虹,神经网络与应用,北京：国防工业出版社,2005.1
[63]杨建刚.人工神经网络实用教程.浙江大学出版社,2001：1-25.
[64]黎向锋基于切削加工声音信号的刀具状态监测技术基础研究[硕士学位论文].南京航空航天大学2006.3.
[65]杨行峻,郑君里,人工神经网络与盲信号处理,北京：清华大学出版2003.1
[66]董长虹,神经网络与应用,北京：国防工业出版社,2005.1
[67]刘贵忠,邸双亮.小波分析及其应用.西安电子科技大学出版社,1997：30-32.
[68]王学武、顾幸生.神经网络的研究热点分析.工业仪表与自动化装置.2004(6)：3-6.
[69]蔡静之.特征提取在工况监测与故障诊断中的应用.重庆大学学报,203(4)：93-95.
[70]汤为基于声发射法的铣刀磨损状态识别研究.上海交通大学.2009.2
[71]谢政基于切削声音信号的刀具状态识别研究[硕士学位论文].上海：上海交通大学.2008
[72]梁晓刚张永昌翟弘泰LabVIEW与Matlab混合编程的实现电脑开发与应用2009-971-74