頡潭成，馬君達(dá)，袁子皓，徐彥偉

(河南科技大學(xué) 機(jī)電工程學(xué)院，河南 洛陽　471003)

?

基于多元傳感器的數(shù)控刀具磨損狀態(tài)的實驗研究*

頡潭成，馬君達(dá)，袁子皓，徐彥偉

(河南科技大學(xué) 機(jī)電工程學(xué)院，河南 洛陽471003)

在介紹小波包分析原理的基礎(chǔ)上，闡述了利用聲發(fā)射傳感器和振動傳感器采集刀具磨損信號，并通過正交試驗法獲取判定刀具磨損程度的特征，進(jìn)而實現(xiàn)刀具磨損狀態(tài)判定的一種方法。此方法特別是在信號特征的選取方面，首次采用正交試驗法進(jìn)行特征的選取，這樣既可以得到磨損程度對信號的影響程度，又能分析其它因素對信號的影響，最終可以找到能夠很好的反映刀具磨損程度而不易受其它因素影響的特征，進(jìn)而可以提高磨損程度判別的準(zhǔn)確度。

多元傳感器；刀具磨損；小波包分析；聲發(fā)射

XIE Tan-cheng, MA Jun-da, YUAN Zi-hao, XU Yan-wei

(School of Mechanical and Electrical Engineering, Henan University of Science and Technology,Luoyang Henan 471003,China)

0　引言

多金屬切削加工過程是一個復(fù)雜的過程，在目前的數(shù)控機(jī)床自動化加工過程中，其精度高、可靠性好，而且夾具較少，因此工件的加工質(zhì)量受機(jī)床和夾具的影響比較小[1]；而在整個切削過程中，刀具總是承受著高溫和高壓，并且受工件和切屑的劇烈摩擦，刀具狀態(tài)對加工質(zhì)量的影響一直存在，因此，刀具的狀態(tài)對保證加工質(zhì)量和提高生產(chǎn)率至關(guān)重要[2]。據(jù)了解，數(shù)控加工中由于刀具失效引起的數(shù)控機(jī)床停機(jī)的時間占總故障停機(jī)時間的20%～30%[3]，因此，對數(shù)控機(jī)床的刀具磨損狀態(tài)進(jìn)行在線監(jiān)測以降低廢品率是十分重要的[4]。

本文在介紹小波包分析原理的基礎(chǔ)上，采用振動傳感器和聲發(fā)射傳感器獲取刀具磨損信號[5]，通過正交試驗法獲取判定刀具磨損程度的特征；此方法既能得到磨損程度對信號的影響程度，又能分析其他因素對信號的影響，最終找到能夠有效反映刀具磨損程度而不易受其他因素影響的特征，提高判別準(zhǔn)確度。

1　基本原理

1.1小波包變換基本原理

小波包分析(Wavelet Packet Analysis)的提出，提供了一種更加精細(xì)的信號分析方法。它不但可以對低頻信號進(jìn)行劃分，而且還可以對高頻信號作詳細(xì)的劃分。通過小波包分析，能夠根據(jù)被分析信號的特征自適應(yīng)的選擇相應(yīng)頻帶，使之與信號頻譜相匹配，從而提高時頻分辨率。因此，在工程實際中，小波包具有更加廣泛的應(yīng)用價值[6]。

假設(shè)φ(x)和ψ(x)分別是小波函數(shù)和正交尺度函數(shù)，將他們分別定義為：

(1)

并將與φ(x)、ψ(x)相應(yīng)的濾波器H(ω)、G(ω)定義為：

(2)

則按照以下遞推方法定義一個函數(shù)簇：

(3)

(4)

圖1為小波包分解示意圖，S代表原始信號，簡單示意了小波包對信號低頻端和高頻端均作細(xì)分的過程。

圖1　小波包分解示意圖

試驗中通過數(shù)據(jù)采集卡得到的信號是離散的信號。小波基Daubechies是一種具有緊支撐的正交小波，隨著n的增加，dbn小波系的時域支撐長度變長；消失矩陣階數(shù)增加；特征正則性增加，幅頻特性也越接近理想。當(dāng)選取n值較大的高階db小波時，其構(gòu)成可近似看成一個理想的低通濾波器和理想的帶通濾波器，且具有能量無損性。因此，本文選用能量無損的小波基——db8小波基[7]。

2　試驗分析

試驗所選刀具為株洲鉆石切削刀具股份有限公司生產(chǎn)的標(biāo)準(zhǔn)數(shù)控可轉(zhuǎn)位車刀刀片，型號為CNMG120404-PM，相關(guān)參數(shù)為：可轉(zhuǎn)位硬質(zhì)合金刀片(YT15)，刀具前角γ= 11°，后角α= 0°，主偏角kr= 95°，副偏角kr′= 5°，刃傾角λ= 0°；加工所用工件材料為45號鋼棒料。

樣品獲取方式來自實際的企業(yè)生產(chǎn)加工過程，這樣獲取的試驗樣品更加真實可信。選取同一批規(guī)格完全相同的刀具，在某公司進(jìn)行實際加工，最終獲得不同磨損級別的刀具。其中，獲取樣品時的吃刀量為0.3～1.0mm，主要加工軸承外圈。所得到的部分刀具后刀面磨損量：0.122mm、0.156mm、0.295mm、0.324mm、0.361mm、0.429mm、0.624mm、0.713mm、0.973mm。

2.1因子對數(shù)據(jù)的影響試驗

本次試驗是利用正交表[8]研究刀具磨損量及切削三要素對AE(Acoustic emission，聲發(fā)射)信號[9]和振動信號的均方根的影響程度。表1為聲發(fā)射信號和振動信號分析，表2為其均值和極差。

表1　聲發(fā)射、振動信號實驗分析

表2　信號極差與極值

級差越大，說明因子的影響越大，對AE信號而言，如表所示，主軸轉(zhuǎn)速對AE信號影響最明顯，其次是磨損程度，然后是切削深度，進(jìn)給速度影響最小。對振動信號而言，影響最大的是磨損程度，其次是主軸轉(zhuǎn)速，然后是進(jìn)給速度，最后是切削深度。

2.2不同磨損量的刀具加工試驗

工件選用45號鋼棒料，使用油基切削液，起到冷卻潤滑的作用，減少溫度變化而引起的振動加劇。主軸轉(zhuǎn)速800r/min，進(jìn)給速度40mm/min，背吃刀量0.5mm，加工長度10mm。其他參數(shù)見表3。

表3　不同磨損量刀具加工試驗相關(guān)參數(shù)

2.2.1振動信號小波包分析

由于信號有效頻率不超過13kHz[10]，所以避免信息冗余，對6級小波包分解的64個頻段只分析前面16個頻段(0～31.2kHz)，足夠完全包括所需研究的信號，其16個頻段如表4所示。

表4　振動信號小波包頻段說明

圖2　振動信號不同頻段的能量值

從圖2振動信號不同頻段的能量值可以看出，能量主要集中在2、3、4、5、6、7、8、13、14頻段。隨著刀具磨損加劇，其能量增加較為顯著的有2、3、4、7、8頻段。所以初步確定振動信號的特征頻段為2、3、4、7、8頻段，但是由于選擇的加速度傳感器的有效頻率范圍為0.7Hz～13kHz(±10%)，所以P8頻段的信息不一定完全正確，應(yīng)該舍去，則最初的特征頻段為2、3、4、7頻段。

然后，利用正交試驗獲取的試驗數(shù)據(jù)，得出16組中2、3、4、7頻段的能量值，并利用正交表(表5)確定最能反映磨損程度并且受外界因素影響最小的特征頻段。

表5　振動、聲發(fā)射特征頻段正交試驗表

表6　振動特征頻段的正交試驗均值分析

根據(jù)級差越大，影響越大的基本依據(jù)，由表6可以得出P2頻段磨損程度影響最大，切削三要素影響都較小，可以不作考慮，所以P2頻段是個較理想的特征頻段；P3頻段：磨損程度(最大級差28.33)影響最大，切削三要素(最大級差19.88、16.44、12.08)的影響次之，其影響不可忽視，因此不可作為特征頻段；P4頻段：磨損程度(最大級差41.88)影響最大，其次是主軸轉(zhuǎn)速(19.24)，然后是進(jìn)給速度和切削深度。對切削三要素而言，與磨損程度的影響相比，是很不明顯的，所以可以作為特征頻段；P7頻段：雖然磨損程度(最大級差18.59)是影響最大的因子，但是主軸轉(zhuǎn)速(14.62)稍次于它，所以不可作為特征頻段。

綜上所述，可以作為振動信號的最佳特征頻段的是P2頻段，即1.95kHz～3.9kHz；次之的是P4頻段，即5.85kHz～7.8kHz。

2.2.2AE信號小波包分析

采用5級小波包分解，小波基選取db8，這樣可以將每個頻段的頻率差縮小到31.25kHz。其各頻段范圍如表7所示。

表7　AE信號小波包頻段說明

對聲發(fā)射信號進(jìn)行小波包分解可得，能量主要存在于P1～P16頻段，P17～P32頻段幾乎沒有能量，所以只需分析P1～P16頻段即可。

圖3　AE信號不同頻段能量值

由上圖可知，AE信號能量主要存在于P1～P8頻段，而隨著刀具磨損程度增大，AE信號變化較明顯的有P2、P4、P5和P13頻段。由于聲發(fā)射信號的有效頻段大于100kHz，所以初步斷定特征頻段為P4、P5和P13。然后，利用正交試驗獲取的試驗數(shù)據(jù)，得出16組中P4、P5和P13頻段的能量值，并利用正交表(表5)找出最理想的特征頻段。

表8　AE信號特征頻段的正交試驗均值分析

由表8可知，只有P5頻段適合作為刀具磨損檢測中AE信號的特征頻段，頻率范圍為125kHz ～156.25kHz。由此可得出，在刀具磨損檢測系統(tǒng)當(dāng)中，AE信號特征易受主軸轉(zhuǎn)速的影響，因此需要考慮主軸轉(zhuǎn)速改變時對AE信號特征所產(chǎn)生的影響，降低智能識別的錯誤率，所以此時的主軸轉(zhuǎn)速必須作為聲發(fā)射信號的特征值。

3　結(jié)論

通過對振動信號和聲AE信號進(jìn)行小波包分解，并利用正交試驗法找出振動信號的最佳特征頻段為1.95kHz～3.9kHz，次之的是5.85kHz～7.8kHz；AE信號最佳特征頻段為125kHz ～156.25kHz。且由分析發(fā)現(xiàn)，振動信號的特征頻段與刀具磨損關(guān)聯(lián)度很大并不易受外界因素的影響；AE信號的特征頻段與刀具磨損關(guān)聯(lián)度也比較大，但其易受主軸轉(zhuǎn)速的影響，所以主軸轉(zhuǎn)速也應(yīng)該是聲發(fā)射信號的一個特征。由此獲取的特征值，能夠增加磨損程度判別的準(zhǔn)確度。

[1] 高琛. 刀具磨損狀態(tài)監(jiān)測系統(tǒng)研究[D]. 濟(jì)南:山東大學(xué), 2008.

[2] 高宏力. 切削加工過程中刀具磨損的智能監(jiān)測技術(shù)研究[D]. 西安: 西南交通大學(xué), 2005.

[3] Agustin G, Rodolfo H, Raul T, et al. Tool wear monitoring using neuro-fuzzy techniques: a comparative study in a turning process[J]. Journal of Intelligent Manufacturing, 2012, 23(3): 869-882.

[4] 寧倩. 數(shù)控機(jī)床刀具磨損狀態(tài)監(jiān)測系統(tǒng)及其信息傳輸標(biāo) 準(zhǔn)研究[D].天津:天津大學(xué),2011.

[5] 莊子杰. 基于聲發(fā)射和振動法的刀具磨損狀態(tài)檢測研究[D]. 上海: 上海交通大學(xué), 2009.

[6] 李小俚, 姚英學(xué), 袁哲俊, 等. 基于小波模糊神經(jīng)網(wǎng)絡(luò)刀具監(jiān)控系統(tǒng)研究[J]. 機(jī)械工程學(xué)報, 1998, 34(1): 59-63.

[7] Stepien K, Makiela W, Stoic A, et al. Defining the criteria to select the wavelet type for the assessment of surface quality [J]. Tehnicki Vjesnik-technical Gazette, 2015,22(3): 781-784.

[8] 何為，薛衛(wèi)東，唐斌. 優(yōu)化試驗設(shè)計方法及數(shù)據(jù)分析[M].北京: 化學(xué)工業(yè)出版社,2012.

[9] 陳益林, 田正芳, 侯德政, 等. 數(shù)控鏜刀磨損與破損的聲發(fā)射監(jiān)測法[J]. 機(jī)床與液壓，2012,40(10):111-113.

[10] 朱紅波. 基于振動分析的刀具磨損狀態(tài)與切削參數(shù)之間相關(guān)關(guān)系的試驗研究[D]. 石河子:石河子大學(xué), 2012.

(編輯李秀敏)

Experimental Study on the Wear State of NC Tool Based on Multi Sensor

Based on the introduction of the principle of wavelet packet analysis, the acoustic emission sensor and vibration sensor are used to collect the tool wear signal. Then the characteristics of tool wear can be obtained by Orthogonal Experiment. The method of determination about tool wear state can be implemented. Orthogonal Experiment can be used to firstly select the signal feature through this method. Thus, it can obtain the abrasion’s influence on signal and analyze other factors’ influence on signal. Finally, we can find the feature that properly reflects tool wear degree which is not easy to be influenced by the other factors to improve the discrimination degree of tool wear degree.

multi-sensor; tool wear; wavelet packet analysis; acoustic emission

1001-2265(2016)09-0028-04DOI:10.13462/j.cnki.mmtamt.2016.09.008

2015-11-15

國家自然科學(xué)基金青年基金資助項目(51305127)；河南省教育廳科學(xué)技術(shù)研究重點項目(14A460018)

頡潭成(1966—)，男，河南洛陽人，河南科技大學(xué)教授，碩士，研究方向為機(jī)電控制技術(shù)，(E-mail)xietc@sina.cn。

TH165；TG659

A