本发明涉及一种用于钻削加工状态监测的信号处理方法，特别是需要长时间持续进行在线实时状态监测领域。
背景技术
随着“中国制造2025”制造强国战略的提出，政府、企业和高校等紧密围绕重点制造领域关键环节，正积极开展新一代信息技术与制造装备融合的集成创新和工程应用。而机械加工状态监测作为预测性维护的重要组成部分，在保证产品加工质量和减少企业损失方面发挥着重要作用，同时状态监测的实时性是衡量状态监测系统性能的重要评价指标。
考虑到成本等原因，在实际生产中对设备状态的检测大都是利用手持式数据采集分析仪，分析所采集数据来评估设备的当前运行状况。但在一些极具安全隐患或故障停机会造成巨大损失的生产中，则需要进行长时间持续不断监测而不是依靠定期的手持式检测分析。
随着计算机和传感器技术的飞速发展，在航空航天等高精密加工领域通常利用传感器来对整个加工系统进行监测来保证零部件质量，为了使监测信号充分切合实际的加工状态来满足检测精度，通常会采用提高采样频率的方式。但是随着采样频率的不断增大，监测信号的数据量也会非常庞大，这对于计算的内存和运行速度提出了更高的要求，也就制约了状态监测的实时性和高效性。
所以，解决上述问题的一个有效途径是在保证监测信号样本能充分表征系统状态前提下，使计算机实现自动去除加工状态无关的信号数据(如换刀阶段信号、走刀阶段信号和空转信号等)，避免这些无关信号被监测系统执行分析，从而极大的减少了监测系统信号处理阶段的负荷，一定程度上缩短了状态监测系统的分析处理时间，为实现更加快捷的在线实时监测提供了可能，同样减少了企业生产成本。此外，状态监测过程是对代表设备运行阶段的相关信号进行特征提取等处理，而不是对整个信号进行分析处理，故状态检测的第一步就是如何选择监测信号的代表性部分。
以钻削加工状态监测为例，如果实际生产中要求监测系统进行长时间持续不断的监测，同时为了保证监测信号精度而增大了采样频率。那么，在状态监测过程中采集到的信号数据将是海量的，若对其全部进行处理无疑会对监测的实时性产生影响，甚至检测失效。假想钻削加工状态监测系统能自动选择代表切削加工时信号进行分析处理，而自动去除与实际切削无关的信号，如钻床换刀和加工完成一个孔到下一个孔之间走刀期间的信号。这样会使钻削加工状态处理的信号数据大大减少，同时只处理切削状态有关信号会使状态监测系统更加可靠。
技术实现要素：
为了能够实现提高钻削加工状态监测的实时性和可靠性，本发明的目的在于提供一种全自动检测钻削中对应实际切削信号而消除无关信号的方法，对其他状态监测实时性同样提供借鉴和参考。
本发明解决其技术问题所采用的技术方案是：首先，对钻削加工监测信号采用小波包分解，分别计算每层信号的归一化香农能量；然后，重构香农能量最大层信号的香农包络后作为钻削监测信号包络；接着，利用滑动平均算法平滑信号包络，通过不断实时更新噪声信号估计来实现双阈值自适应信号检测分割；最后根据钻削加工参数计算切削信号理论长度，将该长度引入检测中作为判决额外约束条件来对结果进行修正，从而完成对钻削过程中实际切削信号和空切削信号的准确分离。
所述小波包分解是将钻削监测信号x(t)采用db5小波3层分解，将信号分解到8个不同的频段：s130,s131,…,s137，小波基函数和分解层数通过实验对比信号分割效果确定。
所述计算分解后每层信号的归一化香农能量，其计算过程为：首先，对s130,s131,…,s137进行归一化x(i)＝s13inorm＝s13i/max(|s13i|)；然后，对归一化信号计算其香农能量e(i)＝-x2(i)log[x2(i)]；最后，求得信号的香农包络p(i)＝[e(i)-m(e(i))]/s(e(i))，m(e(i))为香农能量均值，s(e(i))香农能量方差。所述重构香农能量最大层信号的香农包络后作为钻削监测信号包络，是在分别求出小波包分解后信号s130,s131,…,s137的香农能量e(0)，e(1)，...，e(7)后，求得其中香农能量最大层信号的包络，最终重构该包络后获得钻削监测信号包络。
利用滑动平均算法平滑信号包络，在求得钻削信号的香农包络p(i)后发现其存在较多的毛刺会影响后续处理，因此采用滑动平均算法进行平滑处理，即对香农包络p(i)的n个数据不断取m个相邻数据作加权平均来进行平滑，
所述通过不断实时更新噪声信号估计来实现双阈值自适应信号检测分割，具体实现方法是：首先，初始化双阈值赋值th1、th2，大阈值th2用于滤除噪声，小阈值th1用于准确分段；然后，设置一固定长度l＝a×f、窗移为w＝b×f，滑动窗口从信号起始点开始检测，其中，a,b为自然数，f为信号采样频率；检测过程中对th1,th2进行更新，更新规则是：th1＝c×mean(x(i:i+l))，th2＝nois+d×|th1-nois|，nois为实时噪声估计nois＝m×mean(x(i:i+l))，mean(x)为对信号x(t)取均值运算，且满足0＜m＜c＜d＜1；最后，满足x＞th1区间内的信号即为钻削过程中的实际切削信号，其余的则为非切削信号。
根据钻削加工参数计算切削信号段理论长度，将该长度引入检测中作为判决的额外约束条件来对结果进行修正，信号段理论长度的计算依据是在进行钻削加工和信号采集过程中，数控加工程序中一般能得到有关进给量f、钻削长度q、采样频率f等信息，因此能确定切削信号的理论长度l＝qf/f，在进行信号检测时，将l作为阈值外的额外判决条件，即在判决过程中，当阈值分割后信号段长度
本发明有益效果是：一种用于钻削加工状态实时监测的信号分割方法，其目的在于能自动选择加工中的实际切削监测信号而消除非切削信号。在当前的一些商用刀具监测系统或实验室中，对分析信号的选择大都是用户手动选取，由于受到切削系统变化或人为误差这种选择是困难的。同时在监测系统中都是对加工阶段监测信号进行分析，而不是将所有采集得到的信号作为处理对象，这样的自动选择有用段信号能提高监测系统的可靠性。另一方面，自动选择切削阶段信号而消除非切削信号进行处理会极大的缩短监测系统的分析处理时间，从而提高其在线监测实时性。所以，本发明的直接效益在于提高在线监测系统的实时性和可靠性。
附图说明
图1本发明的原理流程图。
图2钻削加工过程振动信号。
图3钻削振动信号小波包分解结果。
图4小波包分解后每层信号的香农能量值。
图5香农能量最大层信号重构后的振动信号包络。
图6滑动平均算法平滑后的钻削振动信号包络。
图7钻削实际切削阶段振动信号检测。
图8增加长度控制后的信号检测修正结果。
具体实施方式
为了阐明本发明的技术方案和技术目的，下面结合附图和实施例对本发明做进一步详细说明。
实施例1，它主要实现全自动检测实际切削(消除空切削)来选择代表加工状态稳定信号段和解决信号处理过程中数据过多问题。其技术方案要点是：首先，对钻削加工监测信号采用小波包分解，分别计算每层信号的归一化香农能量；然后，重构香农能量最大层信号的香农包络后作为钻削监测信号包络；接着，利用滑动平均算法平滑信号包络，通过不断实时更新噪声信号估计来实现双阈值自适应信号检测分割；最后根据钻削加工参数计算切削信号理论长度，将该长度引入检测中作为判决的额外约束条件来对结果进行修正，从而完成对钻削过程中实际切削信号和空切削信号的准确分离。参阅图1至图8。
实施例2，所述小波包分解是将钻削监测信号x(t)采用db5小波3层分解，将信号分解到8个不同的频段：s130,s131,…,s137，小波基函数和分解层数通过实验对比信号分割效果确定。参阅图1至图8，其余同实施例1。
实施例3，所述计算分解后每层信号的归一化香农能量，重构香农能量最大层信号的香农包络后作为钻削监测信号包络，其计算过程为：首先，对s130,s131,…,s137进行归一化x(i)＝s13inorm＝s13i/max(|s13i|)；然后，对归一化信号计算其香农能量e(i)＝-x2(i)log[x2(i)]；最后，求得信号的香农包络p(i)＝[e(i)-m(e(i))]/s(e(i))，m(e(i))为香农能量均值，s(e(i))香农能量方差。参阅图1至图8，其余同上述实施例。
实施例4，所述利用滑动平均算法平滑信号包络，在求得钻削信号的包络p(i)后发现其存在较多的毛刺会影响后续处理，因此采用滑动平均算法进行平滑处理，即对包络p(i)的n个数据不断取m个相邻数据作加权平均来进行平滑，
实施例5，所述通过不断实时更新噪声信号估计来实现双阈值自适应信号检测分割，具体实现方法是：首先，初始化双阈值赋值th1、th2，大阈值th2用于滤除噪声，小阈值th1用于准确分段。然后，设置一固定长度l＝a×f、窗移为w＝b×f(a,b为自然数，f为信号采样频率)滑动窗口从信号起始点开始检测。检测过程中对th1,th2进行更新，更新规则是：th1＝c×mean(x(i:i+l))，th2＝nois+d×|th1-nois|，nois为实时噪声估计nois＝m×mean(x(i:i+l))，mean(x)为对信号x(t)取均值运算，且满足0＜m＜c＜d＜1。最后，满足x＞th1区间内的信号即为钻削过程中的实际切削信号，其余的则为非切削信号。参阅图1至图8，其余同上述实施例。
实施例6，所述根据钻削加工参数计算切削信号段理论长度，将该长度引入检测中作为判决的额外约束条件来对结果进行修正。信号段理论长度的计算依据是在进行钻削加工和信号采集过程中，数控加工程序中一般能得到有关进给量f、钻削长度q、采样频率f等信息，因此能确定切削信号的理论长度l＝qf/f。在进行信号检测时，将l作为阈值外的额外判决条件，即在判决过程中，当阈值分割后信号段长度
实施例7，具体过程如下：
如附图1所示，一般状态监测系统主要包括数据采集系统、信号处理系统和状态诊断，但实际上在数据采集完成送入信号处理系统前，往往需要对信号进行预处理。比如，在钻削过程刀具监测系统中，信号处理的对象应该是刀具稳定切削时的信号，而不是整个信号都适用于刀具监测。但实际上采集到的信号包含了机床换刀、走刀和空转等信号，如附图2所示，对实际切削信号的检测分割会大大减少信号处理系统处理的工作量。因此，本发明提出一种自动检测实际切削的算法，其主要实现步骤包括包络提取和自适应双阈值检测。
首先，对采集到的钻削振动信号采用db5小波3层分解，其主要目的是对信号进行去噪处理，钻削振动信号分解后的结果如附图3所示。而关于信号包络提取，一般的包络提取方法包括希尔伯特黄变换、数学形态学、相移小波和归一化香农能量法，前三种方法的主要缺陷在于对噪声敏感，抗干扰能力差导致信号波动大，不利于后续分析。因此采用了小波与归一化香浓能量相结合的方法对钻削振动信号包络进行提取。
如附图4所示，将小波包分解后的8层信号分别求其归一化香农能量值，求得结果为e＝[26.32,47.85,26.22,46.11,14.78,30.67,15.79,30.78]，选择其中能量最大的层即第2层信号，求取其包络后进行重构生成钻削振动信号包络，如附图5所示。但实际上受到钻削加工环境的强噪声影响，提取的钻削振动信号含有很多毛刺，如图中的圆圈内所示，这些噪声产生的毛刺直接影响着后文对切削振动信号进行检测。因此，采用滑动平均算法对重构后的振动信号包络进行平滑处理，具体的是对包络数据点不断取m＝5个相邻数据作加权平均来进行平滑振动信号包络，平滑后的效果如附图6所示。
在振动信号包络提取完成后的步骤应该是利用阈值对包络进行检测，这也是本发明的核心。借鉴于传统突发信号检测，一般采用单阈值分段方法。单阈值方法是一种传统的、简单的信号分段方法，其基于选定的阈值进行分段，将高于阈值的部分认为是有用信号，低于阈值的部分认为是噪声信号，但是其最大的缺点在于抗干扰能力差，分段精度依赖于阈值选择，当干扰信号的幅值大于所选阈值时，单阈值分段方法将把干扰噪声作为有用信号处理，造成分段错误。
对单阈值分段算法的不断改进，从而出现了双阈值分段方法。其很好的解决了噪声较强的情况，其分别设置两个阈值，一个阈值较小，一个阈值较大，大阈值用于滤除干扰噪声，小阈值用于信号的准确分割。但是阈值是预先固定设置的，阈值确定困难，对突发强噪声情况同样具有一定的局限性，而且分段精度很难保证。因此，就双阈值的缺陷，本发明对其进行进一步改进，主要改进体现到两点：1、根据对噪声的实时估计，实现双阈值的自适应更新；2、增加长度控制对检测结果的修正，来进一步避免强突发噪声造成的检测失败。
关于双阈值自适应更新的具体过程为：设置窗长l＝512，窗移w＝128的滑动窗口对信号进行检测，对噪声的实时估计为nois＝mean(x(i:i+512))，阈值的实时更新规则为：th1＝0.2×mean(x(i:i+512))，th2＝nois+0.5×|th1-nois|，且th1＜th2。阈值th2用于滤除噪声，th1用于准确分段。
如附图7所示，若环境中出现突发强噪声，双阈值自适应算法对信号的检测分段比较准确，但是仍然造成了分割失败。所以，引入了长度控制对分段结果的进一步修正。所谓的长度修正是指在实际的钻削过程中，数控加工程序中一般都会给出相关的加工参数，如进给量f、钻削长度q、采样频率f等信息，根据不同参数信息能得到不同钻削长度下切削信号的理论长度，即l＝qf/f。
在信号检测过程中，如出现检测到的钻削信号长度len远远小于计算得到的理论长度l，如图7中的情况，那么认为这是由强噪声引起的抖动，程序拒绝执行分段，这样就能避免该情况的发生，结合长度控制后双阈值自适应更新算法的最终分段结果如附图8所示。