一种智能刀具故障诊断方法技术

本发明专利技术涉及一种智能刀具故障诊断方法，其包括以下步骤：获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。本发明专利技术根据刀具加工过程三相电流信号、振动信号、声发射信号以及切削力信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。

An Intelligent Tool Fault Diagnosis Method

The invention relates to an intelligent tool fault diagnosis method, which comprises the following steps: acquiring three-phase current signals generated by the total motor in the process of tool processing of machine tools: vibration signals generated by tool cutting, cutting force signals and acoustic emission signals, analyzing and processing various signals collected, extracting the tool sensitive characteristics among them, and according to the obtained tool sensitive characteristics; The corresponding relationship between tool signal characteristics and tool wear faults is established to realize the intelligent recognition of tool wear faults. According to the characteristics of three-phase current signal, vibration signal, acoustic emission signal and cutting force signal in the process of tool processing, the invention realizes automatic detection of tool wear fault and can automatically identify tool wear state.

【技术实现步骤摘要】
一种智能刀具故障诊断方法
本专利技术涉及一种刀具故障诊断方法，特别是关于一种在检测仪器仪表领域中使用的智能刀具故障诊断方法。
技术介绍
目前，刀具故障诊断都是通过定期卸下刀具人为地肉眼进行观察，根据刀具外形和操作人员的经验进行判断刀具是否严重磨损，这样判断刀具故障不具有在线性和智能性，而且需要耗费大量人工成本，如果经常进行刀具诊断还会影响生产效率，耗费经济成本。因此，需要寻求一种可以在线自动监测刀具故障的方法，能够自主进行监测，自动识别刀具磨损状态。
技术实现思路
针对上述问题，本专利技术的目的是提供一种智能刀具故障诊断方法，其根据刀具加工过程三相电流信号、振动信号、声发射信号以及切削力信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。为实现上述目的，本专利技术采取以下技术方案：一种智能刀具故障诊断方法，其包括以下步骤：1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。进一步，所述步骤1)中，刀具敏感特征的提取方法步骤如下：1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号；1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子的时域特征的特征值；1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分；1.4)对采集到的各种信号x(t)进行小波分析；1.5)以刀具后刀面的磨损值VB作为刀具磨损程度的标准，采集刀具从新刀到严重磨损整个过程中的各种信号，并将整个过程分为n段，每段刀具的磨损值都不同，分别表示刀具处于不同磨损阶段；将刀具的n个不同磨损阶段采集到的各种信号x(t)进行时域、频域和小波分析后，每个刀具磨损阶段都得到由时域、频域和小波分析构成的m个特征对应的特征值；在刀具的n个不同磨损阶段的同一种特征值构成一个特征向量，对m个特征向量fij都进行归一化处理；1.6)对每个特征向量做曲线拟合，根据最小二乘法求出每种特征的拟合直线，并求取拟合直线的平方误差；1.7)根据得到m种特征的拟合直线，以及每条拟合曲线的斜率ki和平方误差ei；在保证平方误差ei在允许的范围内，其中斜率ki的绝对值最大的k条拟合直线所对应的特征做为刀具磨损的敏感特征。进一步，所述步骤1.3)中，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。进一步，所述步骤1.4)中，小波分析方法为：首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，并对每层细节信号和逼近信号进行均值、均方值和方差的计算，得到各种信号经过小波分析后的特征值。进一步，所述步骤1.5)中，对m个特征向量fij都进行归一化处理：式中，fmax是特征向量fij的最大值，fmin是特征向量fij的最小值；i＝1、2、…、m；j＝1、2、…、n。进一步，所述步骤1.6)中，拟合直线为：si(x)＝kix+bi式中，ki表示第i个特征向量的拟合直线的斜率，i＝1、2、…、m；bi为常数；拟合直线的平方误差e为：式中，yj表示计算得到的真实特征值。进一步，所述步骤2)中，刀具磨损故障的智能识别方法包括以下步骤：2.1)采集N组刀具正常磨损状态下的各种信号作为样本，并根据步骤1)选出k个敏感特征，计算出对应的特征值组成特征矩阵X＝[xab]k×N，其中a＝1、2、…、k；b＝1、2、…、N；对特征矩阵进行正则化处理，得到正则化基准矩阵Z＝[zab]k×N，并计算正则化基准矩阵Z的相关系数矩阵C；2.2)采集刀具中度磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，得到正则化的特征向量Y，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2，并根据计算出的马氏距离值MD2，设定中度磨损阈值为T1；2.3)同步骤2.2)一样，采集刀具严重磨损状态下的各种信号，得到敏感特征值组成的特征向量y＝[y1,y2,...,yk]T，同样对其正则化处理，计算刀具严重磨损状态下的马氏距离值，设定严重磨损阈值为T2；2.4)采集刀具未知状态下的各种信号，得到对正则化后的特征向量y＝[y1,y2,...,yk]T，计算其马氏距离值MD′2，将其与T1和T2比较，进而判断该刀具的磨损状态。进一步，所述步骤2.1)中，对特征矩阵进行正则化处理：式中，μa为第a个敏感特征的平均值，sa为第a个敏感的标准方差，a＝1、2、…、k；b＝1、2、…、N；计算正则化基准矩阵Z的相关系数矩阵C：进一步，所述步骤2.2)中，根据正则化的特征向量计算刀具中度磨损状态下的马氏距离值MD2：进一步，所述步骤2.4)中，判断该刀具的磨损状态方法为：如果MD′2<T1时，则认为刀具正常磨损，当T1<MD′2<T2时，则认为刀具已经中度磨损，当MD′2>T2时，则认为刀具已经严重磨损。本专利技术由于采取以上技术方案，其具有以下优点：1、本专利技术可以无需停机取下刀具进行检测，能够在线实现在线刀具故障监测，没有人工干预，减少了人工成本，使刀具故障诊断更加智能化。2、本专利技术结合了多种刀具加工时的信号特征，可以根据不同的刀具，不同的加工情况，自动选择出对刀具磨损状态改变最敏感的特征，使此刀具故障诊断方法适应性更高。3、本专利技术使用了先进的信号处理和故障模式识别技术判断刀具故障，磨损故障识别的准确率更高。附图说明图1是本专利技术对刀具电流信号进行小波分解效果图。具体实施方式下面结合附图和实施例对本专利技术进行详细的描述。本专利技术提供一种智能刀具故障诊断方法，其包括以下步骤：1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号。并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；刀具敏感特征的提取方法步骤如下：1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号。1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子等不同的时域特征的特征值；1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分：由于声发射信号的采样频率范围比其他信号的大，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。1.4)对采集到的各种信号x(t)进行小波分析，首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，其分解效果如图1所示，图中D1、D2、D3为小波分解后得本文档来自技高网...

【技术保护点】
1.一种智能刀具故障诊断方法，其特征在于包括以下步骤：1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。

【技术特征摘要】
1.一种智能刀具故障诊断方法，其特征在于包括以下步骤：1)获取机床刀具加工过程中总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号，并对采集到的各种信号进行数据分析处理，提取其中的刀具敏感特征；2)根据获得的刀具敏感特征，建立刀具信号特征和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别。2.如权利要求1所述诊断方法，其特征在于：所述步骤1)中，刀具敏感特征的提取方法步骤如下：1.1)采集刀具的n个不同磨损阶段总电机产生的三相电流信号：刀具切削产生的振动信号、切削力信号以及声发射信号；1.2)对采集到的各种信号x(t)进行时域分析，得到各种信号的均值、均方值、方差、峭度、峰值、峰值因子、波形因子、脉冲因子和裕度因子的时域特征的特征值；1.3)对采集到的各种信号x(t)进行频域分析，通过快速傅里叶变换得到各种信号的功率谱密度函数，对各种信号的功率谱密度按照频率进行划分；1.4)对采集到的各种信号x(t)进行小波分析；1.5)以刀具后刀面的磨损值VB作为刀具磨损程度的标准，采集刀具从新刀到严重磨损整个过程中的各种信号，并将整个过程分为n段，每段刀具的磨损值都不同，分别表示刀具处于不同磨损阶段；将刀具的n个不同磨损阶段采集到的各种信号x(t)进行时域、频域和小波分析后，每个刀具磨损阶段都得到由时域、频域和小波分析构成的m个特征对应的特征值；在刀具的n个不同磨损阶段的同一种特征值构成一个特征向量，对m个特征向量fij都进行归一化处理；1.6)对每个特征向量做曲线拟合，根据最小二乘法求出每种特征的拟合直线，并求取拟合直线的平方误差；1.7)根据得到m种特征的拟合直线，以及每条拟合曲线的斜率ki和平方误差ei；在保证平方误差ei在允许的范围内，其中斜率ki的绝对值最大的k条拟合直线所对应的特征做为刀具磨损的敏感特征。3.如权利要求2所述诊断方法，其特征在于：所述步骤1.3)中，将声发射信号能量集中的频率段作为有效的频率范围进行划分，得到各种信号经过等分的若干子频带，对划分后的每个子频带进行均值计算，得到各种信号在频域上的特征值。4.如权利要求2所述诊断方法，其特征在于：所述步骤1.4)中，小波分析方法为：首先对得到的各种信号进行小波分解，得到其各层细节信号和逼近信号，并对每层细节信号和逼近信号进行均值、均方值和方差的计算，得到各种信号经过小波分析后的特征值。5.如权利要求2所述诊断方法，其特征在于：所...

【专利技术属性】
技术研发人员：孙巍伟，黄民，何一千，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11