一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法技术

本发明专利技术公开一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法，属于机械加工系统中的在线监测领域。对一个刀具转动周期内的振动信号进行时变滤波经验模态分解，将信号分解为不同频带分布IMF分量；然后运用瞬时频率和瞬时能量比确定颤振最佳频带，提取颤振最佳频带的瞬时能量比特征W，将其作为颤振特征；通过计算当前刀具转动周期内颤振频带的瞬时能量比与从监测开始到上一周期内瞬时能量比的均值并得到上升量，即可与本发明专利技术中给出的经验阈值相比较从而快速判定磨削加工状态，实现颤振在线监测与预警。与现有技术相比，本发明专利技术具备对颤振频率敏感，特征响应快，抗噪声干扰性强的特点，对实现早期颤振监测具有工程应用意义。应用意义。应用意义。

【技术实现步骤摘要】
一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法


[0001]本专利技术涉及机械加工系统中的在线监测领域，具体地，涉及一种基于时变滤波经验模态分解(TVFEMD)与瞬时能量比的磨削颤振监测方法。

技术介绍

[0002]磨削加工中经常出现颤振现象，这种类型的自激振动通常会导致工件加工精度差，刀具磨损加剧，振动噪声增大等多种负面影响，使得刀具和机床寿命缩短。颤振严重降低了工件表面质量和生产效率，在加工过程中避免颤振已成为制造商的必要和重要要求，因此对颤振现象进行在线监测意义重大。在实际工程中，颤振频率信息常被淹没在强背景噪声中难以识别，因此一般利用信号处理方法对非线性非平稳颤振信号进行分解，再从合适的频带中提取对颤振频率信息敏感的特征量，从而实现对颤振的监测和预报。
[0003]国内外有大量研究学者采用各类信号分解方法，对在线颤振识别进行了研究。上海交通大学的邢诺贝等运用经验模态分解(EMD)方法分解铣削加工过程中的切削力信号并提取相应特征，有效检测出颤振现象，虽然EMD在分析非线性非平稳信号方面与传统的线性方法相比有很大的优势，但是该方法会出现严重的模态混叠，分解效果欠佳。现有技术CN112580588A公开了一种基于经验模态分解的颤振信号智能识别方法，其特点在于利用EMD算法取得信号的本征模函数，将其转换为二维数据输入卷积神经网络进行训练，以识别颤振现象，同样地，该方法也受到EMD算法的限制而无法得到理想的分解结果。近年来，经验小波变换、变分模态分解等非递归式算法逐应用在颤振监测领域，但这些算法受复杂的参数选取问题的影响，处理结果存在很大不确定性。
[0004]磨削加工状态的变化伴随着信号频谱和频带能量分布的变化，提取颤振敏感的特征量作为颤振特征可以有效检测颤振，判别当前加工状态。然而目前大多数的颤振特征参数在颤振发生后才将其检测出来，此时零件可能已经发生了损坏，因此需要考虑颤振特征提取方法的准确性与时效性，使其能够快速对早期颤振进行响应，留有足够的时间采取措施抑制颤振的进一步发展。为满足颤振监测系统的实时性要求，需要选取合适的颤振特征阈值，但受加工条件以及刀具动态磨损等不稳定因素的影响，阈值的选取也不易确定。

技术实现思路

[0005]本专利技术针对早期颤振监测困难的问题，提供了一种基于时变滤波经验模态分解(TVFEMD)与瞬时能量比的磨削颤振监测方法，提取出颤振特征，实现磨削颤振的在线监测。
[0006]为解决上述问题，本专利技术采取的技术方案如下：
[0007]一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法，包括以下步骤：
[0008]步骤1：在机床床尾顶尖上安装压电加速度传感器，获取刀具加工的实时振动信号；
[0009]步骤2：对一个刀具转动周期内的振动信号进行时变滤波经验模态分解，将信号分解为不同频带分布IMF分量；
[0010]步骤3：采用希尔伯特变换求解各IMF分量的瞬时频率，确定颤振发生频带范围；
[0011]步骤4：计算各分量信号的瞬时能量比，确定颤振发生的最佳子频带；
[0012]步骤5：提取颤振最佳频带的瞬时能量比W，将其作为颤振特征；
[0013]步骤6：判断当前刀具转动周期内颤振频带的瞬时能量比W与从监测开始到上一周期瞬时能量比的均值相比上升量是否超过阈值，如果超过阈值，则认为颤振发生，发出警报；否则认为没有发生颤振，返回步骤2，继续进行稳定性监测。
[0014]进一步地，所述步骤2中，对采集的振动信号进行时变滤波经验模态分解(TVFEMD)，具体包括以下过程：
[0015](1)寻找局部截止频率
[0016]给定一个振动信号x(t)，对其进行希尔伯特变换，得到复解析信号y(t)，表达式为：
[0017][0018]其中表示x(t)的希尔伯特变换，A(t)为瞬时幅值，φ(t)为瞬时相位。
[0019]建立非平稳非线性的磨削双分量信号：
[0020][0021]其中a1(t)和a2(t)分别为双分量信号的瞬时幅值，φ1(t)和φ2(t)分别为瞬时相位，对瞬时相位求导可得瞬时频率φ1'(t)和φ2'(t)；
[0022]局部截止频率可以由下式表示：
[0023][0024]其中，
[0025][0026]因此可以通过下式复原信号：
[0027]f(t)＝cos[∫φ
’
bis
(t)dt][0028]以f(t)的极值点作为节点，将f(t)分成n段，每段步长为m。n成为B样条函数的阶数。对信号进行B样条插值逼近，得到代表局部均值函数的逼近结果m(t)；
[0029](2)停止准则
[0030]该准则定义如下：
[0031][0032]上式中：B
Loughlin
(t)代表加权平均瞬时频率；φ
avg
(t)代表Loughlin瞬时带宽。
[0033]对于给定的带宽阈值ξ，如果θ(t)＜ξ，x(t)为IMF；否则，令x(t)＝x(t)
‑
m(t)，重复上述步骤。
[0034]进一步地，所述步骤4中进行信号分量瞬时能量比的计算，具体包括以下处理：
[0035]根据以下公式对各IMF分量进行Hilbert变换
[0036][0037]式中，x
i
(t)为TVFEMD分解后第i个子信号的时间序列；x
i
(τ)为子信号序列积分函数，τ表示积分变量；M为分解得到的信号分量总数；
[0038]相应的解析信号为：
[0039][0040]式中：为瞬时幅值；
[0041]根据以下公式计算各IMF分量的瞬时能量：
[0042][0043]振动信号所有频带的总能量表达式为：
[0044][0045]各IMF分量的瞬时能量比表达式为：
[0046][0047]进一步地，所述步骤6进行在线颤振监测，具体包括：
[0048]若当前刀具转动周期Δt内颤振频带的瞬时能量比W与从监测开始到上一Δt内瞬时能量比的均值相比上升量(瞬时能量比上升量)ΔW＞5％时，则判定当前Δt时间段内发生颤振，通过报警器进行警报。否则，认为当前Δt时间段内没有发生颤振，继续进行稳定性监测。
[0049]进一步，以刀具每转一圈为一个周期，则Δt计算公式为：
[0050][0051]式中，n为刀具主轴转速，单位为rpm；
[0052]每个刀具转动周期Δt内包含的数据点为：N＝fsΔt
[0053]其中，fs为传感器的采样频率，在线实时计算瞬时能量比的过程中，以N个数据点为一段，进行分段计算。
[0054]与现有技术相比，本专利技术具有如下的有益效果：
[0055]本专利技术对磨削过程实时采集的振动信号进行时变滤波经验模态分解，运用瞬时频率和瞬时能量比提取颤振最佳频带，获取颤振最佳频带的瞬时能量比特征；本专利技术提出的瞬时能量比指标对颤振频率敏感，特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法，其特征在于，包括：步骤1：在机床床尾顶尖上安装压电加速度传感器，获取刀具加工的实时振动信号；步骤2：对一个刀具转动周期内的振动信号进行时变滤波经验模态分解，将信号分解为不同频带分布IMF分量；步骤3：采用希尔伯特变换求解各IMF分量的瞬时频率，确定颤振发生频带范围；步骤4：计算各分量信号的瞬时能量比，确定颤振发生的最佳子频带；步骤5：提取颤振最佳频带的瞬时能量比W，将其作为颤振特征；步骤6：判断当前刀具转动周期内颤振频带的瞬时能量比W与从监测开始到上一周期瞬时能量比的均值相比上升量是否超过阈值，如果超过阈值，则认为颤振发生，发出警报；否则认为没有发生颤振，返回步骤2，继续进行稳定性监测。2.如权利要求1所述的一种基于时变滤波经验模态分解与瞬时能量比的磨削颤振监测方法，其特征在于，所述步骤2中，对采集的振动信号进行时变滤波经验模态分解，具体包括以下过程：(1)寻找局部截止频率给定一个振动信号x(t)，对其进行希尔伯特变换，得到复解析信号y(t)，表达式为：其中表示x(t)的希尔伯特变换，A(t)为瞬时幅值，φ(t)为瞬时相位；建立非平稳非线性的磨削双分量信号：其中a1(t)和a2(t)分别为双分量信号的瞬时幅值，φ1(t)和φ2(t)分别为瞬时相位，对瞬时相位求导可得瞬时频率φ1′
(t)和φ2′
(t)；局部截止频率可以由下式表示：其中，其中，因此可以通过下式复原信号：f(t)＝cos[∫φ
′
bis
(t)dt]以f(t)的极值点作为节点，将f(t)分成n段，每段步长为m；n成为B样条函数的阶数；对信号进行B样条插值逼近，得到代表局部均值函数的逼近...

【专利技术属性】
技术研发人员：李楠楠，王珍，杨铎，陈添定，
申请(专利权)人：大连大学，
类型：发明
国别省市：