基于经验模态分解和样本熵特征的机床颤振在线监测方法技术

本发明专利技术公开一种基于经验模态分解和样本熵特征的机床颤振在线监测方法，将原始数据集采集的原始信号数据等分成随时间变化的信号样本集；分别对不同的样本集进行经验模态分解，将信号分解为不同的本征模分量尺度上；提取分解后的本征模分量中富含颤振信息尺度表征信号复杂性的样本熵特征，并绘制随时间变换的信号样本熵特征曲线通过绘制的样本熵特征曲线上样本熵值的大小与变化情况，来辨识不同加工时刻下系统的稳定性。本发明专利技术使得到的样本熵特征对切削系统稳定性具有很好的敏感性和鲁棒性，样本熵特征曲线能够很好地实现切削颤振的在线辨识与监测，对实现变参数切削下的机床颤振监测具有重要意义。

【技术实现步骤摘要】
基于经验模态分解和样本熵特征的机床颤振在线监测方法
本专利技术涉及机加工在线检测
，特别是涉及一种机床颤振状态监测与辨识

技术介绍
切削颤振是切削过程中工件和刀具之间自发产生的振荡，会严重影响机床加工性能，是现代精密加工中必须解决的重要问题之一。切削颤振的成因十分复杂，概括来讲就是在切削加工过程中，由于加工系统本身特性而在无周期性性外力作用下所激起的一种剧烈振动。目前离线颤振稳定性预测分析方面的研究已经形成了较为成熟的理论方法和应用研究。但是实际加工中稳定域的加工参数也可能引起颤振，这就需要对铣削加工进行实时在线监测并进行反馈分析，所以在线的颤振识别和监测显得尤为重要。在准确界定加工状态的基础上，需要建立合适的监测算法以准确及时的对颤振状态进行监测。国内外针对颤振监测的研究大多局限于在定参数下进行颤振辨识，即通过模式识别的方法来监测颤振的发生。然而实际加工过程中，由于工件的尺寸、形状等因素的影响，诸如轴向切深，径向切深等切削参数并不是时刻保持不变的。当切削参数发生变化时可能使系统的稳定性发生改变，因此提供针对变参数切削加工的颤振监测系统是解决此类问题性质有效的方法。专本文档来自技高网...

【技术保护点】
一种基于经验模态分解和样本熵特征的机床颤振在线监测方法，其特征在于，该方法包括以下步骤：步骤一、获得在线监测时间内，刀具加工的原始信号数据，原始信号主要包括通过测力仪测量切削过程中刀具与工件之间在三维空间三个方向x,y,z的切削力信号；步骤二、对上述采集的原始信号数据等分成随时间变化的信号样本集；步骤三、分别对各样本集进行经验模态分解，得到不同尺度的本征模分量；步骤四、根据切削颤振的特点，提取分解后的本征模分量中富含颤振信息尺度表征信号复杂性的样本熵特征，并绘制随时间变换的信号样本熵特征曲线。计算以X(i)为基准小于容限值r的个数占的比例

【技术特征摘要】
1.一种基于经验模态分解和样本熵特征的机床颤振在线监测方法，其特征在于，该方法包括以下步骤：步骤一、获得在线监测时间内，刀具加工的原始信号数据，原始信号主要包括通过测力仪测量切削过程中刀具与工件之间在三维空间三个方向x,y,z的切削力信号；步骤二、对上述采集的原始信号数据等分成随时间变化的信号样本集；步骤三、分别对各样本集进行经验模态分解，得到不同尺度的本征模分量；步骤四、根据切削颤振的特点，提取分解后的本征模分量中富含颤振信息尺度表征信号复杂性的样本熵特征，并绘制随时间变换的信号样本熵特征曲线。计算以X(i)为基准小于容限值r的个数占的比例公式如下：其中，Num{dij≤r}表示对于任意一个X(i)，根据预先设定的容限值r计算dij小于r的个数；m表示相空间嵌入维数，r表示容限，N表示时间序列数；dij为X(i)与X(j)之间的距离；X(i)与X(j)表示时间序列，i与j均表示离散时间点；进一步地，将所有的i取平均值Bm(r)定义为：于是得到样本熵的表达式为：SampEn(m,r,N)＝-ln[Bm+1(r)/Bm(r)]步骤五、通过样本熵特征曲线辨识系统的颤振情况，即根据样本熵特征曲线值是否在某一时刻突然减小来监测系统是否发生颤振，辨识不同加工时刻下系统的稳定性；步骤六、如果在某一时刻突然减小，则判断系统此时未发生颤振；步骤七、如果在某一时刻未突然减小，则判断当前系统此时稳定性...

【专利技术属性】
技术研发人员：王国锋，杨凯，杨星焕，张全彪，董毅，桑玲玲，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12