□ 邢諾貝 □ 劉福軍 □ 周 超 □ 胡德金 □ 許黎明

上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院 上海 200240

1 研究背景

制造業(yè)是支撐我國(guó)經(jīng)濟(jì)高速增長(zhǎng)的重要產(chǎn)業(yè)之一,是提升我國(guó)綜合國(guó)力及科技競(jìng)爭(zhēng)力的重要基礎(chǔ),尤其是大型關(guān)鍵設(shè)備的生產(chǎn)制造技術(shù),對(duì)國(guó)家整體裝備制造水平的提升有重要影響。近年來,隨著全球工業(yè)技術(shù)的快速發(fā)展,國(guó)內(nèi)外制造業(yè)競(jìng)爭(zhēng)激烈,對(duì)機(jī)械加工精度、效率、成本,以及設(shè)備可靠性等各方面提出了較高的要求,能否掌握先進(jìn)制造技術(shù)已經(jīng)成為我國(guó)制造企業(yè)發(fā)展的挑戰(zhàn)[1]。對(duì)生產(chǎn)線設(shè)備加工工藝過程進(jìn)行狀態(tài)監(jiān)測(cè),能夠保證加工系統(tǒng)的正常運(yùn)行,對(duì)提高機(jī)床加工效率與精度,保證加工穩(wěn)定性,實(shí)現(xiàn)企業(yè)向智能化、柔性化發(fā)展有重要實(shí)際意義。

目前國(guó)內(nèi)外學(xué)者的研究主要集中于機(jī)床系統(tǒng)的單個(gè)部件。李國(guó)發(fā)等[2]基于小波降噪與經(jīng)驗(yàn)?zāi)B(tài)分解-支持向量機(jī)算法,實(shí)現(xiàn)了主軸系統(tǒng)的狀態(tài)監(jiān)測(cè)。宋偉杰等[3]提出一種基于希爾伯特-黃變換與等距特征映射的刀具磨損狀態(tài)監(jiān)測(cè)方法。吳遠(yuǎn)昊等[4]基于小波包分析與決策樹分類算法,實(shí)現(xiàn)了滾珠絲杠副的狀態(tài)監(jiān)測(cè)。在機(jī)械制造企業(yè)的實(shí)際生產(chǎn)中,對(duì)加工工藝過程的狀態(tài)監(jiān)測(cè)更多依靠對(duì)關(guān)鍵零部件進(jìn)行定期檢測(cè)維護(hù),由有經(jīng)驗(yàn)工程的人員通過加工噪聲、振動(dòng)來判斷加工狀態(tài)是否良好,實(shí)際效率與精度都不高。對(duì)于嚴(yán)重影響工件表面質(zhì)量的顫振現(xiàn)象,通常是事后對(duì)加工表面觀察和測(cè)量才能發(fā)現(xiàn)。筆者針對(duì)以上情況,提出一種切削過程健康狀態(tài)監(jiān)測(cè)與評(píng)估方法,通過采集主軸當(dāng)前工作狀態(tài)的振動(dòng)信號(hào),對(duì)加工過程狀態(tài)進(jìn)行監(jiān)控,有效提高了生產(chǎn)線設(shè)備的加工效率,節(jié)省了設(shè)備的維護(hù)時(shí)間與成本,實(shí)現(xiàn)企業(yè)制造向智能化、可視化發(fā)展。

2 研究方法

筆者提出基于S變換的奇異值熵特征提取方法,通過對(duì)大量主軸正常工作狀態(tài)數(shù)據(jù)進(jìn)行特征提取,人工設(shè)定加工穩(wěn)定的上下閾值。在實(shí)際加工過程中,通過判斷特征值是否處于加工穩(wěn)定域來實(shí)現(xiàn)加工工藝過程健康狀態(tài)的智能監(jiān)控,具體算法原理及步驟如下:

(1) 通過安裝在臥式銑床主軸上的加速度傳感器采集銑削過程中的振動(dòng)信號(hào)X(t),t為時(shí)間;

(2) 對(duì)采集的原始振動(dòng)信號(hào)進(jìn)行分段,每段采樣點(diǎn)數(shù)為1 000,分段間距為100;

(3) 對(duì)采集的每段振動(dòng)信號(hào)進(jìn)行S變換,得到一個(gè)列對(duì)應(yīng)時(shí)間,行對(duì)應(yīng)頻率,元素對(duì)應(yīng)幅值信息的時(shí)頻譜矩陣;

(4) 對(duì)S變換后得到的時(shí)頻譜矩陣進(jìn)行奇異值分解,提取表征信號(hào)復(fù)雜性的奇異值熵特征,并繪制隨時(shí)間變化的特征曲線。

(5) 根據(jù)加工工藝的實(shí)際情況,設(shè)定特征曲線的上下閾值作為加工穩(wěn)定域,實(shí)現(xiàn)加工工藝過程穩(wěn)定性的可視化。

上述步驟中,S變換的算法公式為[5]:

(1)

奇異值分解能夠?qū)崿F(xiàn)非線性濾波消噪,目前被廣泛用于振動(dòng)信號(hào)處理領(lǐng)域[6-7]。一個(gè)m×n實(shí)數(shù)二維矩陣M為:

M=UDVT

(2)

式中:D為對(duì)角矩陣;di為奇異值,d1≥d2≥ … ≥dr≥0;U、V為正交矩陣;uab和vcd分別為左、右正交矩陣元素,均為常數(shù),a,b∈(1,m),c,d∈(1,n),m,n為常數(shù)。

提取的奇異值熵特征T為[8]:

(3)

式中:pi為第i個(gè)奇異值在所有奇異值總和中的比重,1≤i≤r。

3 試驗(yàn)

筆者設(shè)計(jì)了切削顫振試驗(yàn)[9],切削力采集系統(tǒng)由奇石樂9272測(cè)力計(jì)、5697數(shù)據(jù)采集卡、奇石樂5070A電荷放大器及計(jì)算機(jī)組成。工件材料為400 mm×100 mm×100 mm鋁合金板,刀具選用四齒硬質(zhì)合金球頭銑刀,采樣頻率為20 000 Hz,顫振加工中有穩(wěn)定、過渡、顫振三個(gè)狀態(tài),因此試驗(yàn)中狀態(tài)設(shè)置為穩(wěn)定、顫振兩種,具體參數(shù)見表1。在每組參數(shù)下,重復(fù)進(jìn)行七次試驗(yàn)。

表1 切削顫振試驗(yàn)參數(shù)

選取試驗(yàn)集中一組信號(hào),包含穩(wěn)定切削、過渡、顫振三種狀態(tài),分別對(duì)這組信號(hào)中的三種狀態(tài)進(jìn)行快速傅里葉變換[10],得到二維頻譜圖,如圖1所示。

由圖1可見,穩(wěn)定狀態(tài)頻譜整體上振動(dòng)幅值較小,主要集中在低頻段,在200 Hz左右達(dá)到振動(dòng)幅值峰值。在過渡狀態(tài),振動(dòng)幅值信號(hào)逐漸轉(zhuǎn)移,在800 Hz左右振動(dòng)幅值有所增大。在完全顫振狀態(tài),振動(dòng)幅值急劇增大,此時(shí)振動(dòng)幅值信號(hào)主要集中在800 Hz、1 500 Hz附近。當(dāng)系統(tǒng)加工穩(wěn)定性遭受破壞時(shí),對(duì)振動(dòng)信號(hào)進(jìn)行頻域分析,在過渡狀態(tài)就能夠反映出振動(dòng)信號(hào)的敏感變化,為后續(xù)提出進(jìn)一步的特征提取算法奠定基礎(chǔ)。

4 加工過程健康狀態(tài)評(píng)估

基于上述分析,機(jī)床加工過程中穩(wěn)定性出現(xiàn)異常時(shí),加工振動(dòng)信號(hào)在頻域具有轉(zhuǎn)移特性,振動(dòng)信號(hào)的復(fù)雜性也產(chǎn)生變化。筆者綜合以上兩方面,提出基于S變換和奇異值熵的監(jiān)測(cè)算法,對(duì)加工工藝過程健康狀態(tài)進(jìn)行智能評(píng)估。

4.1 基于切削顫振數(shù)據(jù)驗(yàn)證算法

在切削顫振數(shù)據(jù)集中,選取多組平穩(wěn)加工信號(hào),通過特征提取算法得到多組隨加工實(shí)時(shí)變化的特征值,統(tǒng)計(jì)計(jì)算平均值約為0.5,并取平均值增減10%作為加工過程健康狀態(tài)的上下閾值,即上下閾值分別為0.55、0.45。隨機(jī)選取一組顫振加工的數(shù)據(jù)進(jìn)行驗(yàn)證,如圖2所示 。

由圖2可以看出,當(dāng)加工信號(hào)的特征曲線始終位于所設(shè)定的上下閾值內(nèi)時(shí),加工過程可認(rèn)定處于健康狀態(tài)。當(dāng)加工的穩(wěn)定性出現(xiàn)異常或遭到破壞時(shí),特征曲線瞬間超出穩(wěn)定域,并在時(shí)間上具有一定的預(yù)報(bào)特性,進(jìn)而能夠?qū)崟r(shí)、精準(zhǔn)地對(duì)加工過程狀態(tài)進(jìn)行監(jiān)測(cè)跟蹤。

▲圖1 切削顫振試驗(yàn)振動(dòng)信號(hào)二維頻譜圖

4.2 基于實(shí)際切削數(shù)據(jù)驗(yàn)證算法

筆者從某公司發(fā)動(dòng)機(jī)缸蓋生產(chǎn)線中采集兩種不同加工工藝的數(shù)據(jù),分別為缸蓋平臺(tái)與挺柱孔切削加工。加工機(jī)床為PT50A臥式加工中心,機(jī)床主軸帶有加速度傳感器。試驗(yàn)中采用DHDAS動(dòng)態(tài)振動(dòng)信號(hào)采集分析系統(tǒng),采集機(jī)床主軸軸向的振動(dòng)信號(hào)。

分別采集缸蓋平臺(tái)和挺柱孔切削加工的八組數(shù)據(jù),統(tǒng)計(jì)得到前七組的特征平均值分別為1.2、1.395。考慮到企業(yè)實(shí)際加工工藝已經(jīng)較為成熟,對(duì)于穩(wěn)定性要求更高,因此分別取兩種工藝特征平均值增減5%作為加工過程健康狀態(tài)的上下閾值,即缸蓋平臺(tái)加工過程健康狀態(tài)的上下閾值為1.26、1.14,缸蓋挺柱孔加工過程健康狀態(tài)的上下閾值為1.46、1.33。選取剩余一組加工數(shù)據(jù)進(jìn)行驗(yàn)證,如圖3所示。

▲圖2 切削顫振數(shù)據(jù)算法驗(yàn)證

▲圖3 實(shí)際切削數(shù)據(jù)算法驗(yàn)證

由圖3可以看出,根據(jù)特征提取算法設(shè)定的加工過程穩(wěn)定域能夠很好地對(duì)加工健康狀態(tài)進(jìn)行監(jiān)測(cè)跟蹤。為了更好地說明算法的有效性,在完成兩種加工工藝后,采用三坐標(biāo)測(cè)量?jī)x對(duì)缸蓋平臺(tái)切削表面進(jìn)行輪廓度測(cè)量,對(duì)缸蓋挺柱孔加工形狀進(jìn)行圓柱度測(cè)量,測(cè)量結(jié)果見表2和表3。

表2 缸蓋平臺(tái)輪廓度

表3 缸蓋挺柱孔圓柱度

由表2、表3可以看出,缸蓋平臺(tái)的輪廓度和缸蓋挺柱孔的形狀精度誤差都小于允許誤差,這兩種加工工藝過程均處于健康狀態(tài),進(jìn)一步證明了筆者所提出的算法能夠有效監(jiān)測(cè)和評(píng)估設(shè)備加工過程的健康狀態(tài)。

5 結(jié)束語(yǔ)

筆者基于S變換與奇異值分解,提出一種切削過程健康狀態(tài)監(jiān)測(cè)與評(píng)估方法。這一方法通過實(shí)時(shí)采集加工信號(hào),提取奇異值熵作為反映當(dāng)前加工狀態(tài)的特征值。

研究結(jié)果表明,所提取的特征值能很好地反映加工過程的健康狀態(tài),并且通用性好,算法簡(jiǎn)單有效。結(jié)合所設(shè)定的穩(wěn)定域,能夠?qū)崿F(xiàn)對(duì)加工過程健康狀態(tài)的實(shí)時(shí)評(píng)估,推動(dòng)了機(jī)械切削加工監(jiān)測(cè)向智能化、可視化發(fā)展。