基于加速度信号的铣削加工过程振动状态监测方法及系统技术方案

为了解决现有通过建立动力学模型识别振动状态的方法难以保障识别效果可靠性，以及基于人工智能技术建立识别模型的方法仅能识别单一指标且易发生漏报错报的技术问题，本发明专利技术提出了一种基于加速度信号的铣削加工过程振动状态监测方法。本发明专利技术通过能量最强的本征模态分量的标准差std识别到不稳定振动状态后，再结合铣削信号x(n)和颤振相关分量e(n)的标准差的比值stdr进一步区分两种不稳定振动状态，涵盖的振动状态种类比较全面。由于采用两种识别指标快速地识别不稳定振动的发生，因此能够准确地区分剧烈振动和颤振，不会发生漏报错报。错报。错报。

【技术实现步骤摘要】
基于加速度信号的铣削加工过程振动状态监测方法及系统


[0001]本专利技术属于机械加工状态检测
，具体涉及一种铣削加工过程振动状态监测方法及系统。

技术介绍

[0002]铣削薄壁结构件时，由于其具有强度和刚度低的特点，不当的切削深度和主轴转速等切削参数会导致工艺系统产生不稳定的振动状态，主要有剧烈振动和颤振两种。前者是由于铣削力过大，导致工件受迫振动的幅值增大；而后者是由于切削厚度动态变化而产生的一种自激振动。不稳定的振动状态是造成工件加工表面质量粗糙、尺寸精度超差甚至工艺系统损坏的主要原因。因此，如何准确、可靠地识别当前的振动状态，并及时预警不稳定的振动状态，是避免异常振动、提高加工效率和保证加工质量的关键手段之一。
[0003]传统的振动状态识别与预测方法的主要思路是通过建立工艺系统的动力学模型，求解切削深度、主轴转速和系统状态之间的关系，并绘制相应的稳定域叶瓣图，从而实现振动状态的预测和识别。然而，由于建立的动力学模型忽略了工件材料、机床结构等多种因素，以及忽略了刀具磨损、温度变化等因素导致的时变性，得到的稳定域叶瓣图与实际本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于加速度信号的铣削加工过程振动状态监测方法，其特征在于，包括以下步骤：步骤1：采集铣削时的加速度信号并降噪，得到纯净的铣削信号；步骤2：经验模态分解所述铣削信号，得到一系列本征模态分量，计算能量最强的本征模态分量的标准差，将所述标准差与预设阈值一比对，若小于阈值一，则当前为稳定的受迫振动状态，返回步骤1；若大于等于阈值一，则当前为不稳定的振动状态，进入步骤3；步骤3：从所述铣削信号中提取颤振相关分量；步骤4：计算所述颤振相关分量的幅值标准差与铣削信号的幅值标准差的比值，将所述比值与预设阈值二比对，若小于阈值二，则当前为剧烈振动状态；若大于等于阈值二，则当前为颤振状态。2.根据权利要求1所述的基于加速度信号的铣削加工过程振动状态监测方法，其特征在于，所述步骤1中的降噪方法是基于未切削的信号段进行噪声估计，并以此为基础消除所述加速度信号中的噪声，得到纯净的铣削信号。3.根据权利要求2所述的基于加速度信号的铣削加工过程振动状态监测方法，其特征在于，所述步骤1中的降噪方法具体为：首先将所述加速度信号转换为频域信号，然后利用未切削时的信号段计算所述频域信号的平均幅度谱和其中所含噪声信号的幅度谱，最后通过所述平均幅度谱和所述噪声信号的幅度谱运算得到铣削信号的幅度谱并对其进行逆变换至时域，得到纯净的铣削信号。4.根据权利要求1
‑
3任一所述的基于加速度信号的铣削加工过程振动状态监测方法，其特征在于，所述步骤2中经验模态分解所述铣削信号，得到一系列本征模态分量的方法具体为：2.1)寻找铣削信号x(n)全部的局部最大值点和局部最小值点，利用三次样条插值，将局部最大、最小值点分别连接为上包络线e
max
(n)和下包络线e
min
(n)；2.2)计算上包络线e
max
(n)和下包络线e
min
(n)在各时刻的平均值，得到均值包络线2.3)用铣削信号x(n)减去均值包络线得到第一个分量h1(n)，判断第一个分量h1(n)是否满足本征模态分量的条件，若是，则该第一个分量h1(n)为第一阶本征模态分量IMF1(n)，若否，则进行步骤2.4)，若满足则进行步骤2.5)；2.4)分解分量h1(n)，求取h1(n)的上包络线h
1max
(n)、下包络线h
1min
(n)和均值包络线得到分量h
11
(n)并判断h
11
(n)是否满足本征模态分量的条件，若不满足则重复该步骤，直到分量h
...

【专利技术属性】
技术研发人员：吴宝海，郑天飞，刘子钵，张钊，张莹，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：