基于非线性自适应分解与香农熵的铣削颤振在线监测方法技术

本发明专利技术提供了一种基于非线性自适应分解与香农熵的铣削颤振在线监测方法，包括：步骤1：通过安装在主轴端的加速度计采集铣削过程中主轴振动的实测信号；步骤2：通过非线性自适应分解方法，分解实测信号；步骤3：根据颤振信号的能量聚集特性，利用分解得到的各阶分量综合计算实测信号的能量归一化香农熵，作为颤振识别的定量指标；步骤4：计算当前主轴转动周期内实测信号的香农熵值相较于上一周期的下降百分比并与经验阈值相比较，判定当前铣削状态，进行稳定性监测和颤振预警。本发明专利技术具备对噪声不敏感、计算速度快的特点，适用于工程实际中的在线监测。

【技术实现步骤摘要】
基于非线性自适应分解与香农熵的铣削颤振在线监测方法
本专利技术涉及机械加工状态监测
，具体地，涉及一种基于非线性自适应分解与香农熵的铣削颤振在线监测方法。
技术介绍
铣削颤振是一种在金属铣削加工过程中机床系统发生的自激振动现象，已成为工业生产中生产效率与零件质量的普遍限制因素；尤其是在一些大型、高端薄壁件(例如飞机蒙皮)的高速、精密铣削过程中，工件刚度低且切削力大，很难仅依赖工艺参数的选择从根本上杜绝颤振的发生。因此，铣削颤振在线监测技术多年来一直是制造业中的热点话题。颤振信号具有非线性、非平稳、多分量的特点，因此在工程实际中，难以直接根据传感器信号的时域波形或者频谱识别颤振。对于成分复杂的颤振信号，一般需要对其进行前处理，将其分解为一系列有明确物理意义的非线性分量，再从这些简单分量中提取对颤振故障敏感的特征量(例如Shannon熵)，从而实现对加工状态的在线监测。国内外有大量学者、工程师基于各类信号分解方法，对铣削颤振监测问题进行了研究。日本的AgusSusantoa等与西安交通大学的曹宏瑞等皆运用了经验模式分解(EMD)方法分本文档来自技高网...

【技术保护点】
1.一种基于非线性自适应分解与香农熵的铣削颤振在线监测方法，其特征在于，包括：/n步骤1：通过安装在主轴端的加速度计采集铣削过程中主轴振动的实测信号；/n步骤2：通过非线性自适应分解方法，把实测信号分解为转频、颤振频率、谐波及随机噪声成分；/n步骤3：根据颤振信号的能量聚集特性，利用分解得到的各阶分量综合计算实测信号的能量归一化香农熵，作为颤振识别的定量指标；/n步骤4：计算当前主轴转动周期内实测信号的香农熵值相较于上一周期的下降百分比并与经验阈值相比较，判定当前铣削状态为稳定、过渡或颤振，进行稳定性监测和颤振预警。/n

【技术特征摘要】
1.一种基于非线性自适应分解与香农熵的铣削颤振在线监测方法，其特征在于，包括：
步骤1：通过安装在主轴端的加速度计采集铣削过程中主轴振动的实测信号；
步骤2：通过非线性自适应分解方法，把实测信号分解为转频、颤振频率、谐波及随机噪声成分；
步骤3：根据颤振信号的能量聚集特性，利用分解得到的各阶分量综合计算实测信号的能量归一化香农熵，作为颤振识别的定量指标；
步骤4：计算当前主轴转动周期内实测信号的香农熵值相较于上一周期的下降百分比并与经验阈值相比较，判定当前铣削状态为稳定、过渡或颤振，进行稳定性监测和颤振预警。


2.根据权利要求1所述的基于非线性自适应分解与香农熵的铣削颤振在线监测方法，其特征在于，所述步骤2包括：
建立铣削振动信号的非线性、非平稳、多分量信号模型：



其中，K为信号分量个数，ai(t)与fi(t)为各分量的瞬时幅值与瞬时频率，θi0为各分量的初相位，n(t)表示高斯白噪声；t为时间，单位为秒。


3.根据权利要求2所述的基于非线性自适应分解与香农熵的铣削颤振在线监测方法，其特征在于，所述步骤2还包括：
通过求解下列优化问题，逐次递归提取原信号中的第i个分量：



其中：
式中，s(t)代表原输入信号，si(t)是待提取的目标分量，代表解调频率，uid(t)和vid(t)是相应的解调信号；
将已得到的分量si从原信号中减去，得到新的原信号s(t)-si(t)，重复执行上述步骤，当剩余信号的能量小于原信号的5％时，判定残差信号为噪声，终止算法并输出所有信号分量。


4.根据权利要求3所述的基于非线性自适应分解与香农熵的铣削颤振在线监测方法，其特征在于，优化问题通过下列公式迭代求解：






其中：
Ki＝[AiBi]
Ai＝diag[cosφi(t0)…cosφi(tN-1)]
Bi＝diag[sinφi(t0)…sinφi(tN-1)]



其中，Ω是一个二阶差分矩阵，0代表零矩阵；
n表示当前迭代次数；α表示带宽参数，取值为0.01～0.5；φi(t0)表示：第i个分量在t0时刻的瞬时相位；N表示信号总长；<...

【专利技术属性】
技术研发人员：涂国伟，董兴建，彭志科，汪晓姗，胡蓝，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31