精密数控机床铣刀故障监测方法的研究.pdf

第 l O期 2 0 1 1 年 1 0月 机 械 设 计 与 制 造 Ma c h i n e r y De s i g nMa n u f a c t ur e l 6 7 文章编号 1 0 0 1 3 9 9 7 2 0 1 1 1 0 0 1 6 7 0 3 精密数控机床铣刀故障监测方法的研究 米 周 峰黄 民 北京信息科技大学 机电工程学院， 北京 1 0 0 1 9 2 S t u d y o n me t h o d o f mi l l i n g t o o l mon i t o r i n g ZHOU F e n g， HUANG Mi n Me c h a n i c a l E l e c t r i c a l E n g i n e e r i n g s c h o o l ， B e i j i n g I n f o r ma t i o n S c i e n c e T e c h n o l o g y U n i v e r s i t y ， B e i j i n g 1 0 0 1 9 2 ， C h i n a 【 摘要】 刀具在h_r - 过程中不可避免的存在着磨损和破损现象，刀具的消耗直接导致工件精度 下降和生产成本增加。开展 了一系列实验 ， 深入研究刀具状态监测方法， 构建 了新型铣削过程刀具磨损 监测试验 系统。通过振动传感器和声发射传感器对铣削过程 中不 同磨损程度刀具的信号进行检测、 采 集、 分析。 选择对刀具磨损状态反映敏感的特征量。 采用 B P神经网络， 建立刀具磨损特征 向量与刀具磨 损状态之间的非线性映射关系。 关键词 铣刀监测 ； 振动 ； 声发射 ； 神经网络 【 A b s t r a c t 】 T h e b r e a k a g e a n d w e a r i n g o f c u t t i n g t o o l i s i n e v i t a b l e i n t o o l i n g m a c h i n i n g p r o c e s s ， w h i c h r e s u h i n d e c r e a s e d acc u r acy and i n c r e a s e d p r o d u c t i o n c o s t s ． I n t h i s c ase a s e r i e s of e x p e r i m e n t s are c o n - d u c t e d ． B y s t u d y i n g i n如印 t h e mo n i t o r i n g m e t h o d s f o r t o o l w e ari n g s t a t e s ， a n e w e x p e r i me n t a l s y s t e m i s f o u n d e d f o r m o n i t o r i n g t h e t o o l i n g mi l l i n g p r o c e s s ． S i g n al s f o r t o o l i n g w i t h d if f e r e n t w e ar i n mi l l i n g p r o c e s s is d e t e c t e d， ac q u i s i t e d an d an aly z e d t h r o u g h v i b r ati o n s e n s o r s an d AE s e n s o r s o n t h e mi l l i n g t o o l s ． T h e n t h e c h ara c t e r i s t i c q u a n t i t y f o r r e fle c t i n g s e n s i t i v e l y t h e w e ar of t h e t o o l i n g i s c h o s e n ． U s i n g B P n e u r al n e t w o r k ， t h e n o n l i n e a r m a p p i n g r e l ati o nsh i p b e t w e e n t h e w e a r i n g s t at e a n d t h e c h a r a c t e r i s t i c v e c t o r of t h e t o o l i n g we ar i s e s t ab l i s h e Ke y wo r d s M i l l i ng t o o l mon i t o r i n g； Vi br a t i o n； AE； Ne ur a l n e t wo r ks 中图分类号 T H1 6 文献标识码 A 1引言 “ 数控机床典型功能部件试验技术及平台构建” 这一课题的 具体工作为利用构建的数控机床整机动态性能检测和试验环境 ， 研究并提出影响机床整机动态特性和精度退化的典型功能部件 故障模拟试验方法， 利用该方法可对主轴、 刀具、 进给系统的典型 故障进行模拟试验和分析。 而这里所提及的刀具系统故障监测方 法是在数控机床功能部件实验分析方面的一些积极探索。 在铣削加工过程中， 如果对刀具寿命的评估过低 ， 则会因为 没有充分利用刀具的实际寿命而带来浪费， 增加制造成本； 另一 方面， 如果对刀具的寿命评估过高， 刀具已经磨钝或破损， 则会影 响工件的加工表面质量和尺寸精度， 严重时甚至会损坏机床。此 外， 在加工过程中， 还要求根据刀具的磨损和破损程度改变切削 参数， 以便优化生产率和加工质量。解决这些问题的关键在于对 刀具实际的磨损状态进行 自动和实时检测。 2系统介绍及相关理论 该铣刀状态监测系统采用多传感器对不同工况下的刀具 进行监测， 经信号分析处理融合得出刀具所处状态信息， 如图 1 所示 。 该系统主要包括以下几个方面 1 信号检测 信号检测是监测系统的首要步骤， 切削过程中 的许多状态信号从不同角度 振动信号、 声发射信号 A E 、 切削 功率／ 电流等 反映刀具状态的变化， 信号检测直接决定监测系统 的成败。 2 特征提取 特征提取是对检测信号的进一步加工处理， 它从大量信号中提取与刀具状态变化相关的特征参数。特征参 数的品质对监测系统的性能和可靠性具有重要的影响作用． 特 征提取可以提高信号的信噪比， 减少后期数据的处理量， 提高运 算 速度 。 3 状态识别 状态识别实质上是通过建立合理的模型， 根据 所获取的特征参数对刀具状态进行分类判断。 从数学角度来理解 就是建立特征参数与刀具状态的映射。 当前采用的主要建模方法 有统计方法 、 模式识别、 神经网络等， 我们这里采用神经网络。 际 ，T f目 、r‘ ’1} 1青 黾 翮 孺 晤 而写面 骊覆 亘 兰 模式识别 图 1铣刀状态监测系统框图 3实验 完善的实验方案设计是降低试验成本， 获得完整数据的可 ★ 来稿 日 期 2 0 1 0 1 2 2 5 ★基金项目 国家科技重大专项项 目 一高档数控机床与基础制造装备 2 0 0 9 3 2 0 0 9 z x 0 4 叭4 1 0 ， 北京市属高等学校人才强教深化计划“ 创新人才建设计划” 项 目 1 6 8 周 峰等 精密数控机床铣刀故障监测方法的研 究 第 l O期 靠保证。常用的试验方法有正交试验设计方法， 均匀试验方法及 回归试验设计方法。试验设计主要内容就是试验方案的选择， 其 中包括加工参数确定 ， 刀具和工件参数的确定 ， 传感器选择及安 装位置确定等。 3 ． 1实验装置 3 ． 1 ． 1试验 机床 C H D 一 2 0车铣复合中心机床为模块化设计的多功能机床， 通 过不同模块的组合， 从而构成多种配置型式。对于配置为五轴五 联动以上的车铣复合中心机床， 还可以配置强力铣削主轴和自动 换刀 库。 五轴 、 y、 Z 、 C 、 B 五联动控制的车铣复合中心机床主 要用于完成航天 、 航空、 军工等企业的高精度复杂型面零件及模 具 的加工。 3 ． 1 ． 2传感器选择 振动分析【 I是一种十分有效的刀具故障监测方法， 通过对振 动参量 振动位移、 速度、 加速度 进行处理和分析， 从而对机械设 备的运行状况的正常与否做出判断， 进而判明故障发生的部位 、 程度及原因， 振动信号对于低频信号尤其敏感。 但是， 信号的实时 处理技术以及特征提取方法尚有待进一步研究。 金属切削过程中产生的弹性波是以固体在产生塑性变形和 破裂时释放出的能量转换成声波的形式传播出来的。 声发射法监 测的是刀具磨损和破损时发出的高频弹性应力波信号， 受切削参 数和刀具几何参数的影响较小， 对刀具破损非常敏感。 声发射法 避开了加工过程中振动和音频信号污染严重的低频区， 在高频 区内灵敏度较高， 抗干扰能力相对较强 ， 但仍然无法避免复杂环 境 中的干扰问题f 2 j】 3 ． 1 ． 3实验对象确定 调研的过程中发现，传感器的选择和安装方法是根据加工 方式来确定的， 典型的加工方法是车削和铣削。车削加工的特点 是， 工件旋转， 刀具固定在刀体上沿导轨方向直线移动。 铣削加工 的特点是， 刀具安装在主轴上， 刀具只作旋转运动， 工件固定在机 床工作台的台钳或夹具上， 沿导轨方向运动， 以满足金属切削要 求。此外， 铣削则是多齿断续切削。 因此， 铣削加工较其它加工方法更为复杂， 刀具磨损监测也 更为困难。为了解决监测技术的一些通用性问题， 选择铣刀磨损 为研究对象。 3 ． 2实验方法研究 铣刀是一种应用很广泛的多齿多刃回转刀具[3 1 。高速铣削不 同于其它的加工方法， 其运动形式及对其监测的方法都具有一系 列特点 1 刀具处于高速旋转状态， 要求传感器灵敏度高， 而且监测 传感器安装方案不容易确定， 所以常规监测传感器不能达到要求。 2 切削过程不连续， 且有多个刀刃参与切削工件 ， 信号 比 较复杂， 不易于提取有用信息。 3 断续切削铣刀每旋转一周 ， 一个刀齿仅 参加一段时间的 工作， 其余大部分时间是在空气中冷却 ， 各刀齿断续的切削会引 起冲击振动， 同时铣削力的波动也较大， 故铣削均匀性也较差 。 综上 ， 刀具发 生磨损 和破损 时严重地影 响了刀具 的正常切 削秩序， 从而影响生产工件的质量和效率， 因此刀具监控系统在 现代化生产 中是不可或缺的。 3 ． 3 实验过程 实验切削条件如下 实验平台 C H D 一 2 0车铣复合 中心； 刀具 四齿铣 刀 ， 如图 2 所 。切 削 工件 2 0 3 * 4 9 * 1 0 2的 4 5 钢 主轴转速 2 0 0 0 r ／ mi n ， 2 5 0 0 r ／ rai n ， 3 0 0 0 r ／ m i n ；切 削深度 0 ． 1 m m， 0 ． 1 5 m m， 0 ． 2 mm； 进 给速度 5 0 0 mm ／ m i n ， 5 0 0 m m ／ r n i n ， 5 0 0 ram ／ rai n ； 无切削液 声发射传感器两个， 采集系统一套， 振动系统两个， 采集系统一套； 传感器安装， 如图3 所示。 图 2铣刀 图 3传感器安装 首先对新刀及人为磨损的刀具分别进行实验 ，所得数据 ， 如表 1 所示。我们得知 ， 对于声发射传感器与振动传感器 ， 能量 值对于刀具的磨损状态反映最敏感，可以作为我们所需要的特 征量。然后采用正交实验法对铣削加工条件进行组合 ， 分别提 取特征量。 表 1 AE和振动时频特征参量 3 ． 4基于 ma t l a b的神经网络建模 多层前馈神经网络又称为 B P仍 a c k P r o p a g a t i o n 神经网络， 它 由输入层 、 隐含层和输出层组成 ， 其 中隐含层可以是多层。 三层 B P网络的拓扑结构， 如图4所示， 我们以能量值作为 B P神经网 络的输入 ， B P网络的输入层和输 出层的节点数 由实 际情况而定 ， 构成学习样本集的特征向量的个数即为输入层的节点数， 学习样 本需要划分的类别数为输出层的节点数。 No ． 1 O O c t ． 2 O 1 l 机 械 设计 与 制造 1 6 9 根据实际情况， 7 丁 具的磨损状态划分成初期磨损、 正常磨损 及剧烈磨损三种待识别状态， 为了简化网络结构， 用 0 ， 1 表示初 期磨损 ， 1 ， 0 表示正常磨损 ， 1 ， 1 表示剧烈磨损。这样一来， 就 可以在网络中只设计两个输出神经元表示这三个刀具磨损状态 类别 。 一 般通过增加隐层神经元个数的方法来实现训练精度的提 高。 隐含层节点数的选择， 往往是根据实际计算过程， 经过反复比 较以后， 确定一个合适的隐层神经元数。 一般来说， 如隐含层的神 经元数太少， 则网络可能训练不出来， 这是因为隐层神经元过少， 局部极小点就多， 即不能识别有较小差异的模式， 容错性差。 若隐 含层神经元数取得过 大， 则使学习时间过长， 误差也不一定最佳。 根据 K o l m o g o r o v 定理 ， 隐层神经元采用 2 N 1 个， 其中N是网络 的输入节点数 ， 即由刚才实验获得的特征量。 这里的 N 6 ， 所以最 终确定隐层神经元个数为 1 3 。 综上所述， 刀具磨损状态模式识别 的 B P网络结构为 6 x l 3 x 2 。 1 2 X3 y 3 图4 B P 神经网络拓扑图 采用 t r a i n g d x 函数 该函数的学习算法是梯度下降动量法， 而且学习速度是自 适应的。 采用函数 t r a i n l m对网络进行动 1 1 练， 该函数的学习算 法为 L e v e n b e r g Ma r q u a d t 反传算法，该训练函数的优点在于收 敛速度快。 部分数据， 如表 2所示。 从中可以得出刀具磨损状态 的结论 。 表 2 仿真值与所对应的实测值 4结论 经过上述实验方法及及相应数据分析得出结论 ，振动信号 和声发射信号能组合起来， 能够在低频和高频优势互补， 能够扩 展表更大的测量范围， 较大程度地反映出铣削过程 中刀具状态 的 变化 。 另外我们在发现， 随着磨损的加剧， 声发射信号的能量逐渐 由低频向高频转移。 综合以上分析， 我们可以得知， 这里提到的实 验方法用来监测刀具磨损状态的有效性，并具有在线，准确， 直 观， 定量等优点。 参考文献 [ 1 ] 黄民， 肖 兴明肌械故障诊断技术及应用[ M] ．徐州， 中国矿业大学出版 社 ， 2 0 0 2 ． [ 2 ] 沈功田． 声发射检测系列教材[ M] ． 北京 全国特种设备无损检测委员 会 ， 2 0 0 4 ． [ 3 ] 王震霞， 王维， 唐宗军， 等基 于人工神经网络的铣刀破损监测[ J ] I 组合 机床与自 动化加工术， 2 0 0 5 2 7 9 8 0 ． [ 4 ] 高宏力， 许明恒， 傅攀． 一种在线监测铣刀磨损量的新方法[ J ] _ 中国机 械工程， 2 0 0 5 ， 1 6 1 2 1 0 6 9 1 0 7 2 ． [ 5 ] 邓三鹏．现代数控机床故障诊断与维修[ J ] E 京 国防工业出版社， 2 0 0 9 ． [ 6 ]M．R u Z Z e n e ． N a t u r a l 1 F r e q u e n c i e s A n d Da m P i n g s I d e n t i fi c a t i o n U s i n g Wa v e l e t T r a n s f o r m A P P l i c a t i o n T o R e a l D a t a [ M] ． M e c h a n i c al S y s t e n a n d S i g n a l P r o c e s s i n g ， 1 9 9 2 2 0 7 2 0 8 ． 下 期 要 目 2 0 1 1 年 第 1 1 期 ★动力总成悬置系统动态特性仿真分析 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 江苏大学 ★航空企业动态联盟管理系统设计与实现 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 西北工业大学 ★M E s环境下作业车间多级动态调度方法研究 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯． ． ⋯⋯⋯⋯⋯⋯⋯⋯⋯．浙江工业大学 ★齿轮轴参数化有限元分析系统的开发 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 四川大学 ★基于激光测距传感器的机器人末端定位扫描装置设计 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 清华大学 ★摩擦系数对四对轮 C R E C A大应变技术的影响 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 江苏大学 ★大型船用齿轮箱的模态分析及结构优化 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 浙江大学 ★微细铣削圆弧槽微结构时的微毛刺分析及预测 ⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯ 哈尔滨工业大学 王鑫峰 沈 文婷 黄振刚 刘峰 张传清 朱新董 林 雪妹 白清顺