外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法制造方法及图纸

本发明专利技术涉及一种外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法，该装置包括经过截断处理的磨床尾架顶尖、三向力传感器、声发射传感器、三向振动传感器、功率传感器，信号放大器、AD采集卡和计算机；该方法采用小波包熵、经验模态分解对传感器信号进行特征分析，利用支持向量机的颤振识别分类模型，实现磨床尾架顶尖力在线监控磨削颤振，以及对磨床尾架顶尖力在实际加工过程中的在线监控，并建立尾架顶尖力和磨削颤振现象的关系，减少振动避免磨削颤振现象，达到提高机床加工的产品质量的效果。效果。效果。

【技术实现步骤摘要】
外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法


[0001]本专利技术涉及一种外圆磨削监控装置及方法，尤其是一种外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法。

技术介绍

[0002]磨床的尾架是磨床的重要部件之一，磨床在磨削工件时，磨床尾架配合磨床头架对工件起到支承和定心的作用，如图1所示。磨削是机床加工中对精度要求最高的一道工序，然而颤振是磨削过程中影响加工质量的关键因素，工件形位误差、尺寸误差、表面粗糙度和波纹度等指标的恶化都可能是颤振导致的。在实际磨削加工中，由于外界因素导致的机床加工的强迫振动和机床内部加工因素发生的自激振动都会引起磨削颤振的发生，磨床尾架顶尖力的大小也是诱发机床自激振动引发颤振的主要因素之一，故提高磨床尾架的抗颤振特性的特性是提升当前机床高质量、高效率、高精密性重要举措之一，因此需要准确对磨床尾架顶尖力在实际磨削加工过程中的颤振进行在线识别，来分析磨床尾架的抗颤振特性，选取适当的尾架顶尖力从而减少机床加工自激振动，提高产品质量，延长机床使用寿命。基于以上原因，提出一种基于三向力传感器、振动传感器、功率传感器、声发射传感器的磨床尾架顶尖力在线监控磨削颤振测试装置及研究方法，对磨床尾架在实际加工过程中的顶尖力大小进行在线监控，减少振动避免颤振现象，提高机床加工的产品质量。

技术实现思路

[0003]本专利技术提出一种基于力传感器、三向振动传感器、功率传感器、声发射传感器的外圆磨削颤振识别与尾架顶尖力在线监控测量装置及方法，实现对磨床尾架顶尖力在实际加工过程中的在线监控，以便分析磨削颤振现象和尾架顶尖力的关系，减少振动避免磨削颤振现象，达到提高机床加工的产品质量的效果。
[0004]为实现上述目的，本专利技术的技术方案是：一种外圆磨削颤振识别与尾架顶尖力在线监控测量装置，包括：经过截断处理的磨床尾架顶尖、三向力传感器、声发射传感器、三向振动传感器、功率传感器，信号放大器、AD采集卡和计算机，所述三向力传感器与顶尖通过螺纹孔连接起来，用于获取磨削加工过程中顶尖X和Y方向的受力情况；所述声发射传感器用磁性表座固定在磨床顶尖上，用于采集各种加工工况下的声发射信号；所述三向振动传感器灵敏度通过传感器底部的磁性表座固定在磨床顶尖上，用于采集磨床尾架顶尖处X,Y,Z三个方向的振动信号；所述功率传感器连接在机床电箱输入砂轮主轴电机上的三向电压、电流处，用于采集监测各种工况下的功率信号，所述三向力传感器、声发射传感器、三向振动传感器、功率传感器分别将采集的测量磨削过程中的态信号通过信号线依次经过信号放大器、AD采集卡传输到计算机上。
[0005]进一步，所述声发射传感器灵敏度为1dB。
[0006]进一步，所述三向振动传感器灵敏度为100mv/mm/s。
[0007]进一步，所述功率传感器量程为67.5Kw，信号输出为0
‑
10v。
[0008]一种外圆磨削颤振识别与尾架顶尖力在线监控方法，采用在线监控测量装置，该方法采用小波包熵、经验模态分解对传感器信号进行特征分析，利用支持向量机的颤振识别分类模型，实现磨床尾架顶尖力在线监控磨削颤振，以及对磨床尾架顶尖力在实际加工过程中的在线监控，并建立尾架顶尖力和磨削颤振现象的关系，减少振动避免磨削颤振现象。
[0009]进一步，所述小波包熵、经验模态分解之前先进行顶尖力大小选取范围设定。
[0010]进一步，所述小波包熵作为磨削颤振的识别方法，首先对声发射信号进行小波包分解求出分解层的能量分布：
[0011]第L层第J频带的小波包系数定义为：
[0012][0013]CJ,I是信号分解后每个点的小波包系数值，每个频带的能量为：
[0014][0015]频带总能量为：
[0016][0017]第L层能量分布向量T为：
[0018][0019]将小波包分解系数能量分布与信息熵相结合，定义第L层的小波包熵为：
[0020][0021]同时第L层第J频带的小波包熵值为：
[0022][0023]对于小波包熵故障信息检测，单个节点处的小波包熵值以及该分解层熵向量都可以作为输入型特征向量，所以小波包分解第L层的熵向量为：
[0024][0025]进一步，所述经验模态分解将采集的振动信号分解为有限个固有模态IMF函数之和，获得各个IMF函数的“筛选”步骤如下：
[0026](1)确定信号x(t)的所有局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有局部极小值点连接起来形成下包络线，这两条包络线包络了所有信号数据。
[0027](2)将两条包络线的均值记为μ1，求出
[0028]y1(t)＝x(t)
‑
μ1[0029](3)判断y1(t)是否为IMF，若y1(t)不满足IMF条件，则将y1(t)作为原始数据，重复
步骤(1)，(2)直到y1(t)满足IMF条件，此时记y1(t)＝c1(t)，则c1(t)为信号x1(t)的第一个IMF分量，它代表信号x1(t)中最高频率的分量
[0030](4)将c1(t)从x1(t)中分离出来，即得到一个去掉高频分量的差值信号r1(t)即有：
[0031]r1(t)＝x(t)
‑
c1(t)
[0032]将r1(t)作为原始数据，重复步骤(1),(2),(3)得到第二个IMF分量c2(t)，重复n次，得到n个IMF分量，这样就有：
[0033][0034]当c
n
(t)或r
n
(t)满足给定的终止条件时，循环结束由上述式子可得到：
[0035][0036]式子中，r
n
(t)为残余函数，代表信号的平均趋势，而各IMF分量c1(t),c2(t),
…
,c
n
(t)分别包含了从高到低不同频率段的成分。
[0037]进一步，所述支持向量机通过给定(x
i
,y
i
)作为训练样本，其中x
i
∈R
n
为输入向量，y
i
∈R为输出向量，对于多分类支持向量机通过非线性变换将输入向量映射到高维空间，并在高维空间求取最优决策曲面，实现样本的准确分类并且间隔较大，为了求解位于高维空间中的决策曲面，构造线性分类函数：
[0038]g(x)＝ω
T
x+b
[0039]式中w为权分量；b为分类阈值，根据结构风险最小化原理，可以将分类问题转化为如下的优化问题：
[0040][0041]约束条件为：
[0042][0043]式子中C惩罚因子被用来调节对误分类样1本的惩罚程度；ξ为松弛系数用来表示被误分类的样本数；进一步转化为对偶化问题：
[0044][0045]约束条件为：
[0046][0047]由此可以得到最优决策函数：
[0048][0049]此即支持向量机回归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种外圆磨削颤振识别与尾架顶尖力在线监控测量装置，其特征在于，包括：经过截断处理的磨床尾架顶尖、三向力传感器、声发射传感器、三向振动传感器、功率传感器，信号放大器、AD采集卡和计算机，所述三向力传感器与顶尖通过螺纹孔连接起来，用于获取磨削加工过程中顶尖X和Y方向的受力情况；所述声发射传感器用磁性表座固定在磨床顶尖上，用于采集各种加工工况下的声发射信号；所述三向振动传感器灵敏度通过传感器底部的磁性表座固定在磨床顶尖上，用于采集磨床尾架顶尖处X,Y,Z三个方向的振动信号；所述功率传感器连接在机床电箱输入砂轮主轴电机的三向电压、电流处，用于采集监测各种工况下的功率信号，所述三向力传感器、声发射传感器、三向振动传感器、功率传感器分别将采集的测量磨削过程中的态信号通过信号线依次经过信号放大器、AD采集卡传输到计算机上。2.根据权利要求1所述的外圆磨削颤振识别与尾架顶尖力在线监控测量装置，其特征在于：所述声发射传感器灵敏度为1dB。3.根据权利要求1所述的外圆磨削颤振识别与尾架顶尖力在线监控测量装置，其特征在于：所述三向振动传感器灵敏度为100mv/mm/s。4.根据权利要求1所述的外圆磨削颤振识别与尾架顶尖力在线监控测量装置，其特征在于：所述功率传感器量程为67.5Kw，信号输出为0
‑
10v。5.一种外圆磨削颤振识别与尾架顶尖力在线监控方法，采用权利要求1
‑
4任一所述外圆磨削颤振识别与尾架顶尖力在线监控测量装置，其特征在于：该方法采用小波包熵、经验模态分解对传感器信号进行特征分析，利用支持向量机的颤振识别分类模型，实现磨床尾架顶尖力在线监控磨削颤振，以及对磨床尾架顶尖力在实际加工过程中的在线监控，并建立尾架顶尖力和磨削颤振现象的关系，减少振动避免磨削颤振现象。6.根据权利要求5所述的外圆磨削颤振识别与尾架顶尖力在线监控方法，其特征在于：所述小波包熵、经验模态分解之前先进行顶尖力大小选取范围设定。7.根据权利要求5所述的外圆磨削颤振识别与尾架顶尖力在线监控方法，其特征在于：所述小波包熵作为磨削颤振的识别方法，首先对声发射信号进行小波包分解求出分解层的能量分布：第L层第J频带的小波包系数定义为：C
J,I
是信号分解后每个点的小波包系数值，每个频带的能量为：频带总能量为：第L层能量分布向量T为：将小波包分解系数能量分布与信息熵相结合，定义第L层的小波包熵ρ为：
同时第L层第J频带的小波包熵值为：对于小波包熵故障信息检测，单个节点处的小波包熵值以及该分解层熵向量都可以作为输入型特征向量，所以小波包分解第L层的熵向量h为：。8.根据权利要求5所述的外圆磨削颤振识别与尾架顶尖力在线监控方法，其特征在于：所述经验模态分解将采集的振动信号分解为有限个固有模态IMF函数之和，获得各个IMF函数的“筛选”步骤如下：(1)确定信号x(t)的所有局部极值点，然后用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有局部极小值点连接起来形成下包络线，这两条包络线包络了所有信号数据。(2)将两条包络线的均值记为μ1，求出y1(t)＝x(t)
‑
μ1(3)判断y1(t)是否为IMF，若y1(t)不满足IMF条件，则将y1(t)作为原始数据，重复步骤(1)，(2)直到y1(t)满足IMF条件，此时记y1(t)＝c1(t)，则c1(t)为信号x1(t)的第一个IMF分量，它代表信号x1(t)中最高频率的分量(4)将c1(t)从x1(t)中分离出来，即得到一个去掉高频分量的差值信号r1(t)即有：r1(t)＝x(t)

【专利技术属性】
技术研发人员：迟玉伦，戴顺达，徐亮亮，文卓，严妍，陆金雷，
申请(专利权)人：上海机床厂有限公司，
类型：发明
国别省市：