當前位置：沈陽一機 > > 新聞中心 > > 行業(yè)動態(tài) > > 數(shù)控機床檢測信號的提取

數(shù)控機床檢測信號的提取

日期：2009年11月09　來源：沈陽第一機床廠　關鍵字：數(shù)控機床
    由傳感器檢測到的隨機信號刁；能自接用于／j具的狀態(tài)識別，而必須經過預處琿，提取特征，將分析的結果的持槍測模式與標準模式(正常模式或異常模式)相比較才能做出診斷結論。
    ⑴頻譜分析法
    劉振動信號而言，頻譜分析是用得最＼‘也是最成熟的分析方法之一。例如，選垂直于刀桿方向的加速度什為原始信弓，通過頻踏分析研究L刀削過程中隨著／J具的磨損信號功率譜的變化規(guī)律，并假設刀桿固有頻率公高頻段，高頻段頻譜特性的變化是刀具磨損通過切削力激發(fā)刀撲振數(shù)控機床動模態(tài)參數(shù)變化所造成的，  日同前刀面與切屑的接觸長度和后刀畫與了件表面的摩擦面的長度有關。而低頻段是山于刀具磨損通過工件激發(fā)加丁系統(tǒng)振動模忐參數(shù)史化所造成的。因此，高頻段司以有效地隔離或削弱加—I系統(tǒng)的頻串成分，而主要與刀具磨損的變化有關。另外，叫序模型的參數(shù)、結構、殘差和特性函數(shù)(如格林函數(shù)、自協(xié)方差函數(shù))也都能表達動態(tài)過程的特性，時域統(tǒng)計特征量(特別是二階矩統(tǒng)計特性)對刀具磨損狀態(tài)變化的反應也非常敏感。
    ⑵甚于小波外蝕包分析法
    由J：切削機胛的復雜性，刀具磨損引起的1：藝系統(tǒng)動力學性能的變化足極其微小和不確定的。而小波變形具有多分辨率分析的特點，對非千穩(wěn)特點分析具有無刮比擬的優(yōu)點，因此數(shù)控機床小波分析就成為刀具狀態(tài)監(jiān)測的重要上具之一。研究表明，利用小波分解快速算法對刀具不司磨損狀態(tài)下切削力的信兮功率增進行分解與黃構處理，獲得切削力信號功率喈在√；同分辨聲十腫變拈特扯，分＼拆棄月度重荷檸導腫聲者潞睜／J方差肚刀月磨損村變形屈申。疋／鉀少披分析技術可以有效地實現(xiàn)印削力信號功率譜特征值提取，提取的信兮功率蠟特征對刀具磨損狀態(tài)的變形十分敏感，是刀具監(jiān)測的有效辦法。以小波分析作為原始信號凈化處理方法，為后續(xù)的模糊神經網絡卿纖網絡提供高信噪比的榆入信號，提高了網絡的輸出精度。
    (3)基f分形維數(shù)的／J只狀態(tài)在線監(jiān)測
    在不問的切削參數(shù)條件／，當／J具磨損量達數(shù)控機床到同一值時，聲發(fā)射的某些特征(如均方根、振鈴、計數(shù)、陡度、幅度期望等)存在很大的差開，若以這些特征作為刀具磨損狀態(tài)的判掂，則必須同時考慮切削參數(shù)、工件、丁件材料等因素。而分形維數(shù)反映的是信兮的不規(guī)則程度，刁；受信兮能量人小的影響。同時聲發(fā)則法拾取的信號足很復雜的，近年來發(fā)展起來的分形幾何學為研究各種復雜信號的幾何特性捉供了有效的分析方法，將分形兒何學知識應用于刀具膳損的在線監(jiān)測，為／J具磨損在線監(jiān)測的研究開腫丁一條新思路。一些文獻以分形理論為基礎，分析聲發(fā)割信號在／J具磨損過程巾分形維數(shù)的變形情況，提出以聲發(fā)射信號分形維數(shù)進行刀具磨損的枚；線監(jiān)洲新方法。其結果表叫，聲發(fā)射信號分形維數(shù)反映了戶發(fā)射信號的幾何特征，受切削參數(shù)變形的影響較小，隨數(shù)控機床著刀具磨損量的增加，／J具與工件之間的摩擦加劇，聲發(fā)射信號的波形變得越來越不規(guī)則，聲發(fā)射信號的分形維數(shù)逐漸增大。
    (4)神經網絡注
    切削過程是一個復雜的物理過程，刀具的磨損破損狀態(tài)與各信號之間是一個典型的非線性系統(tǒng)。人丁神經網絡以其強大的信息綜合處理能力、很弛的學習能力、泛化功能和非線性逼近能力而受到人們的重視。神經網絡被越來越多地用于刀具狀態(tài)監(jiān)測系統(tǒng)。
    近年來隨著人們智能技術的迅猛發(fā)屜和多傳感揣信號融合的應用，信號特征值的提取方法得到新的發(fā)展。采用小波變換對傳感器組荻取的豐軸電動機電流、卞軸驅動速度、進給驅動電流、進給速度進行凈化預處理，再以凈化后的信號作為神經網絡的輸入，從而為后續(xù)的神經網絡提供高信噪比的數(shù)控機床輸入，提高網絡的預期精度。最典型的是將小波包分析、模糊琿論及人㈠*經網絡相結合的智能刀具在線臨測系統(tǒng)，其基本方法是利用小波包將聲發(fā)射信號分解為不同頻帶的時間序列，從中抽取，¨J具切削狀態(tài)緊密相關的序列信號的均方根值什為信號特征值，再以這些信兮特征值為模糊神經網絡的輸入，并對神經網格采用自組織競個學川與BP算法相結合的混合學習算法，實現(xiàn)對刀具狀態(tài)的可靠、迅速的實時識別。
    切削過程刀具的在線狀態(tài)識別，作為機械制造過程監(jiān)測與診斷的重要內容，也是敏捷制造系統(tǒng)的關鍵技術之一，已受到越來越多的研究者的重視。然而，作為—個完善的數(shù)控機床監(jiān)視系統(tǒng)，它必然是  個以狀態(tài)識別為中心的信弓處理系統(tǒng)，山十加I—過程的復雜性，劉刀只切削狀態(tài)的識別也提出了越來越高的要求，如快速響應性、最人叫靠性、強魯棒性等。多仕脯器信息融合是／J具切削狀態(tài)監(jiān)測與識別的發(fā)展方向，可選信息的合理組合(即系統(tǒng)的最小化)，j特征信息傘回性之間矛盾的解決方法，安裝方便、可靠和實用性，以及對所采集信號靈敏度高的傳感器的合群選取與研究開發(fā)，仍是當前要解決的基礎性工作。隨著多路傳感器技術的應用，帶來的足信息量的成倍增長，如何從這些寵人的原始信號中提取我們所需的特征信息值，—直是冊窮帥船廟衄題。這包括原始信號肘凈化頂處理拄術和掙化信心偽內：數(shù)控機床處周技術(即從凈化信息山提取劉切削狀態(tài)最為敏感的信弓特征值)兩個方面�，F(xiàn)有研究成果多間限T：某一特定丁況下的驗證，也就是說，這些方法對具體丁況下切削參數(shù)(如切削速度、進給、刀具構料等)的敏感性并未得到驗證，其實用性受到限制。例如，采用神經網絡模型，把眾多的切削參數(shù)都作為網絡的輸入，則無疑十分復雜，計算量也很大。因此，如果能尋求某種對切削參數(shù)不敏感，而又對刀具磨損敏感的信號特征值，將是一件很有意義的事。

　推薦資訊

　最新資訊

 銷售電話
機床營銷
Tel:024-25340888
    024-25341888
    024-25340887
    024-25341887
Fax:024-25341177
配件服務
Tel:024-25341716
    024-25341717
Fax:024-25341718
維護改造
Tel:024-25340767
Fax:024-25341177

 在線提交意向
Mailto：
sale@syms.com.cn

   產品分類