一种磨床磨削颤振故障在线诊断方法技术

本发明专利技术涉及一种磨床磨削颤振在线诊断方法，其用BEMD来处理磨床振动信号，将构造的复值振动信号分解为一系列复值固有模态函数IMFs，用基于相关系数的判断准则筛选出与原始信号相关性比较大的真实IMF分量，然后分别对真实IMF的峰峰值、实时方差、峭度、偏度和瞬时能量等指标量进行求和，并进行归一化处理，形成特征向量。利用部分实验样本数据的特征量对最小二乘支持向量机(LSSVM)进行分类训练，得到识别模型，再用剩余特征向量验证此模型准确性，得出检验结果。最后将检验之后的LSSVM模型应用到磨床的监控中，实时监测与判断磨床的工作状态，及时对磨床运行做出调整。

【技术实现步骤摘要】

本专利技术涉及一种故障在线诊断方法，具体涉及一种磨床磨削颤振故障在线诊断方法，其应用于数控龙门导轨磨床中。
技术介绍
磨削加工是机械制造过程中不可或缺的加工工序，是一种比较广泛、高效的加工方法。在实际生产中，磨削颤振是磨床主机故障的主要表现形式之一。若这种振动故障不能及时排除，将进而导致传动噪声变大、运行阻力变大、工作效率下降、刀具损耗加剧等问题，严重时还可能损害磨头和机床主轴，使加工无法进行下去。由于其产生要理复杂，迄今还没有找到可在生产中推广应用的有效监测与控制方法。根据磨削系统的性质和颤振征兆的本身特性，正确地选取能够反映出颤振征兆的信号是进行颤振监测的首要条件。磨削过程中的各种振动信号(如振动位移、加速度信号)能够最直接反映磨削颤振的发展过程，因此振动信号是最常用的颤振监测信号。传感技术的快速发展为磨削颤振的在线检测成为可能。通过安装在磨床上的各类传感器，如加速度传感器、力传感器等，能实时获取磨床加工过程中的振动信号。然后利用信号处理技术从磨削信号中提取对颤振敏感的特征量。常用于数控磨床颤振监测的信号处理方法有小波变换、S变换、奇异值分解、人工智能等。但这些分析方法大都以傅里叶变换为其最终的理论依据，对于磨削颤振产生的非线性非平稳的信号，容易产生虚假信号和假频等矛盾现象。磨床的磨削过程从平稳磨削到发生颤振基本都要经历一段过渡磨削的过程，此过程包含了较为丰富的磨削状态信息，可以通过研究这个过渡过程来探索磨削颤振的征兆以及颤振的机理，对颤振在线监测研究提供了很高的价值。然而磨削颤振过渡过程时间特别短，而且磨削加工过程中又存在着许多随机因素。针对以上的难题，有必要寻求相应的信号特征提取方法和颤振信号检测方法。因此，为解决上述技术问题，确有必要提供一种创新的磨床磨削颤振故障在线诊断方法，以克服现有技术中的所述缺陷。
技术实现思路
为解决上述技术问题，本专利技术的第一目的在于一种磨床磨削颤振故障在线诊断方法，其能快速、准确实现颤振的自动化在线监测。为实现上述目的，本专利技术采取的技术方案为：种磨床磨削颤振故障在线诊断方法，其包括如下步骤：S1：利用振动信号采集系统对磨床的振动信号进行采集，并进行筛选构造出新的复值信号s(t)；S2：利用BEMD对步骤S1中构造的复值信号s(t)进行分解，得到一系列的复值固有模态函数(IMFs)；S3：计算上述各IMF与原始信号之间的相关系数，根据基于相关系数的判断准则筛选出相关系数比较大的真实IMF分量；S4：计算出步骤S3中得到的各阶真实IMF分量的峰峰值、实时方差、峭度、偏度和瞬时能量等指标量，分别进行求和并归一化处理，形成特征向量；S5：利用部分实验样本数据中得到的特征向量来训练最小二乘支持向量机(LSSVM)，得到LSSVM识别模型；S6：用剩余样本数据的特征向量对步骤S5中得到的模型进行检验，得到状态检测结果；S7：将步骤S6中检验之后的LSSVM模型应用到磨床的监控中，实时监测磨床的工作状态，及时对磨床运行做出调整。本专利技术的磨床磨削颤振故障在线诊断方法进一步为：所述步骤S1中的振动信号采集系统包括三相压电加速度传感器、动态信号测试分析系统和计算机；三相压电加速度传感器布置在磨床主轴、电机及立柱上。本专利技术的磨床磨削颤振故障在线诊断方法进一步为：所述步骤S2中的BEMD方法包括以下步骤：S21：选取信号投影方向的数目N，并计算投影方向：S22：计算步骤S1中得到的复值信号s(t)投影到方向上的值：S23：找出的局部极大值和极小值点，记录下位置和数值：S24：通过三次样条插值拟合方法对步骤S23中得到的进行插值得到包络曲线S25：重复步骤S22-S24，直到获得所有投影方向上的包络曲线；S26：计算步骤S25中得到的所有包络线的均值：S27：从原始信号s(t)中减去包络线均值得到分量g1(t)： g 1 ( t ) = s ( t ) - m ‾ 1 ( t ) - - - ( 4 ) ; ]]>S28：检测g1(t)是否满足固有模态函数的筛选停止条件，如果不满足，将g1(t)替换成新的原始信号s(t)，并返回步骤S22；否则，将分量g1(t)作为第一个固有模态函数分量c1(t)，用原始信号s(t)减去第一个固有模态函数分量c1(t)获得残余量r1(t)：c1(t)＝g(t)，r1(t)＝s(t)-c1(t) (5)；S29：判断残余量r1(t)是否为单调函数，若是，则进入步骤S210；若否，则将r1(t)作为新的原始信号并的返回步骤S22；S210：重复步骤S22-S29直至获得所有的固有模态函数和一个最终的残余量rn(t)；最终残余量rn(t)为振动信号s(t)的平均趋势；振动信号s(t)可以表示为： s ( t ) = Σ k = 1 n c k ( t ) + r n ( t ) - - - ( 6 ) . ]]>本专利技术的磨床磨削颤振故障在线诊断方法进一步为：所述步骤S3中的基于相关系数的判断准则具体为：S31：计算出步骤S2中得到的各阶IMF与原始信号s(t)之间的相关系数n为IMF的阶数，k＝1表示的是IMF的实部，k＝2表示的是IMF的虚部；S32：选取λ为最大相关系数的一个比值：η是大于1.0的比例系数。S33：判断是否小于λ，若是，剔除第i个固有模态函数并令否则，保留第i个固有模态函数直到筛选出所有真实IMF。本专利技术的磨床磨削颤振故障在线诊断方法进一步为：所述步骤S4中的实时方差和瞬时能量的计算过程具体为：S41：对于信号采样得到的时间序列{xt本文档来自技高网...

【技术保护点】
一种磨床磨削颤振故障在线诊断方法，其特征在于：包括如下步骤：S1：利用振动信号采集系统对磨床的振动信号进行采集，并进行筛选构造出新的复值信号s(t)；S2：利用BEMD对步骤S1中构造的复值信号s(t)进行分解，得到一系列的复值固有模态函数(IMFs)；S3：计算上述各IMF与原始信号之间的相关系数，根据基于相关系数的判断准则筛选出相关系数比较大的真实IMF分量；S4：计算出步骤S3中得到的各阶真实IMF分量的峰峰值、实时方差、峭度、偏度和瞬时能量等指标量，分别进行求和并归一化处理，形成特征向量；S5：利用部分实验样本数据中得到的特征向量来训练最小二乘支持向量机(LSSVM)，得到LSSVM识别模型；S6：用剩余样本数据的特征向量对步骤S5中得到的模型进行检验，得到状态检测结果；S7：将步骤S6中检验之后的LSSVM模型应用到磨床的监控中，实时监测磨床的工作状态，及时对磨床运行做出调整。

【技术特征摘要】
1.一种磨床磨削颤振故障在线诊断方法，其特征在于：包括如下步骤：S1：利用振动信号采集系统对磨床的振动信号进行采集，并进行筛选构造出新的复值信号s(t)；S2：利用BEMD对步骤S1中构造的复值信号s(t)进行分解，得到一系列的复值固有模态函数(IMFs)；S3：计算上述各IMF与原始信号之间的相关系数，根据基于相关系数的判断准则筛选出相关系数比较大的真实IMF分量；S4：计算出步骤S3中得到的各阶真实IMF分量的峰峰值、实时方差、峭度、偏度和瞬时能量等指标量，分别进行求和并归一化处理，形成特征向量；S5：利用部分实验样本数据中得到的特征向量来训练最小二乘支持向量机(LSSVM)，得到LSSVM识别模型；S6：用剩余样本数据的特征向量对步骤S5中得到的模型进行检验，得到状态检测结果；S7：将步骤S6中检验之后的LSSVM模型应用到磨床的监控中，实时监测磨床的工作状态，及时对磨床运行做出调整。2.根据权利要求1所述的磨床磨削颤振故障在线诊断方法，其特征在于，所述步骤S1中的振动信号采集系统包括三相压电加速度传感器、动态信号测试分析系统和计算机；三相压电加速度传感器布置在磨床主轴、电机及立柱上。3.根据权利要求2所述的磨床磨削颤振故障在线诊断方法，其特征在于，所述步骤S2中的BEMD方法包括以下步骤：S21：选取信号投影方向的数目N，并计算投影方向：S22：计算步骤S1中得到的复值信号s(t)投影到方向上的值：S23：找出的局部极大值和极小值点，记录下位置和数值：S24：通过三次样条插值拟合方法对步骤S23中得到的进行插值得到包络曲线S25：重复步骤S22-S24，直到获得所有投影方向上的包络曲线；S26：计算步骤S25中得到的所有包络线的均值：S27：从原始信号s(t)中减去包络线均值得到分量g1(t)： g 1 ( t ) = s ( t ) - m ‾ 1 ( t ) ...

【专利技术属性】
技术研发人员：沈建洋，陈换过，陈文华，陈培，易永余，钱佳诚，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33