一种能够实现易变形结构钻削过程中状态监测的方法与流程

本发明属于机械加工(钻削)状态监测技术领域，具体涉及一种能够实现易变形结构钻削过程中状态监测的方法。

背景技术：

钻削加工在航天、汽车、模具制造等现代工业中应用广泛，铝合金等刚度较低的易变形结构在钻削过程中，会因为受力产生形变，因此刚体钻削过程中使用的监测手段，不适用于易变形结构的钻削状态监测。

中国专利cn108723895a提供了一种用于钻削加工状态实时监测的信号分割方法，其通过对实时监测的信号进行小波包分解，重构香农包络作为监测信号包络。利用双阈值自适应信号检测结合钻削加工参数，从而完成对钻削过程中实际切削信号和空切削信号的分离。该方法只解决了钻削加工监测信号数据量过大的问题，而没有涉及钻削过程中信号特征的分析。

中国专利cn208476301u提供了一种多参数深孔钻削加工状态监测装置，其通过声发射传感器、扭矩传感器、加速度计传感器、温度传感器和电流传感器，对声发射信号、主轴扭矩、钻杆振动、冷却液温度和电机功率进行分析，监测深孔加工过程中刀具的磨损状态。该装置实现了对深孔钻削过程中，刀具磨损以及钻杆状态的监测，但无法完成对易变性结构钻削状态的监测。

技术实现要素：

本发明目的是解决易变性结构钻削过程中钻削状态监测的问题，提供一种能够准确监测钻削状态的方法。

本发明的技术方案

一种能够实现易变形结构钻削过程中状态监测的方法，该方法通过易变形结构钻削状态监测装置实现，所述装置包括，钻削动力工具(1)，钻削动力工具主轴前端夹持的钻削刀具(2)，以及固定在钻削动力工具上靠近钻削刀具部位的单轴加速度传感器(3)。所述方法的步骤如下：

第1、通过易变形结构钻削状态监测装置中的单轴加速度传感器采集易变形结构钻削过程中钻削动力工具主轴的振动信号；

第2、将采集的振动信号经均值滤波后进行快速傅里叶变换，本发明利用均值滤波算法，能够减少振动信号中随机干扰的影响；对滤波后的振动信号进行快速傅里叶变换，计算振动信号中钻削动力工具主轴振动基频整数次谐波分量的幅值，钻削状态分为钻削开始状态和钻削突破状态，钻削开始状态为钻削刀具刚接触易变形结构，钻削刀具开始钻削易变形结构的状态，钻削突破状态为钻削刀具即将钻透易变形结构的状态，在不同的钻削状态中钻削动力工具主轴振动基频整数次谐波分量的幅值有较大差别，本发明选取二次、四次、五次和六次谐波分量的幅值作为易变形结构钻削状态的振动特性，通过计算钻削过程中钻削开始状态以及钻削突破状态中整数次谐波分量的幅值，建立整数次谐波分量的幅值与钻削状态的对应关系，即建立振动特性与钻削状态映射关系模型。

第3、利用单轴加速度传感器采集待检测易变形结构钻削过程中钻削动力工具主轴的振动信号，对振动信号进行实时分析，利用第2步所述方法提取当前时间段钻削动力工具亦即易变形结构钻削状态的振动特性。

第4、将第3步易变形结构钻削过程中提取的振动特性输入到第2步建立的振动特性与钻削状态映射关系模型，利用bp神经网络构建映射关系模型，模型的输入为二次、四次、五次和六次谐波分量的幅值，模型的输出为易变形结构钻削过程中当前对应的钻削状态；训练数据包括四个谐波分量的幅值和对应的钻削状态，bp神经网络在训练的过程中，不断调整内部节点之间的连接权值，使得输出的钻削状态与训练数据中的钻削状态相匹配，从而达到建立输入特征向量与输出钻削状态的映射关系模型的目的。

本发明的优点和有益效果：

本发明具有结构简单，成本低的优点，利用bp神经网络构建振动特性与钻削状态映射关系模型，实现对易变形结构钻削状态的监测，在钻削开始状态模型的准确率为92.52％，在钻削突破状态模型的准确率为93.67％，通过本发明能够提高钻削精度。

附图说明

图1用于易变形结构钻削过程中状态监测使用的装置。

图2易变形结构钻削过程中不同钻削状态下主轴振动的特性。

图3易变形结构钻削过程中状态监测方法的流程框图。

图中，1钻削动力工具、2钻削刀具、3单轴加速度传感器。

具体实施方式

实施例1：

下面结合附图和实施例对本发明做进一步说明。

图1所示为易变形结构钻削状态监测装置，它由钻削动力工具(1)，钻削动力工具主轴前端夹持的钻削刀具(2)，以及固定在钻削动力工具上靠近钻削刀具部位的单轴加速度传感器(3)组成。单轴加速度传感器通过不锈钢卡箍，固定在钻削动力工具靠近钻削刀具的部分。由于钻削过程中钻削动力工具的振动，在每个方向均存在分量，因而传感器安装过程中，传感器测量不需要严格校准。

3mm木板由于刚度低，在钻削过程中易发生形变，是一种典型的易变形结构。利用搭建的钻削状态监测装置，采集3mm木板钻削过程中钻削动力工具的振动信息。设定采样频率设定为10khz，钻削动力工具主轴转速为30000rpm，主轴振动基频为500hz。在3mm木板钻削过程中，将连续512个采样数据为一组进行均值滤波，减少振动信号中随机干扰的影响。对滤波后的512个采样数据进行快速傅里叶分析，计算信号中钻削动力工具主轴振动基频整数次谐波分量的幅值。在3mm木板钻削过程中，主轴振动基频整数次谐波分量的幅值在钻削开始状态和钻削突破状态中有明显差别。图2所示为二次、四次、五次和六次谐波分量在不同的钻削状态下的幅值，从图2中可以看出，钻削突破状态中二次谐波分量的幅值为钻削开始状态中的4倍，四次谐波分量在钻削突破状态中的幅值略大于钻削开始状态中的幅值，五次和六次谐波分量在钻削开始状态中的幅值为钻削突破状态中幅值的2倍以上。因此，选择二次、四次、五次和六次谐波分量的幅值作为3mm木板钻削状态的振动特征。重复进行10组3mm木板钻削实验，选取10组钻削实验中钻削开始状态和钻削突破状态下的二次、四次、五次和六次谐波分量的幅值作为训练数据，对bp神经网络进行训练，建立钻削振动特性与钻削状态的对应关系，即钻削振动特性与钻削状态的映射关系。

图3所示为钻削过程状态监测方法的流程框图，其中映射关系模型为bp神经网络。bp神经网络的输入为二次、四次、五次和六次谐波分量的幅值，输出为钻削状态。训练数据包括四个谐波分量的幅值和对应的钻削状态，bp神经网络在训练的过程中，不断调整内部节点之间的连接权值，使得输出的钻削状态与训练数据中的钻削状态相匹配，从而达到建立输入特征向量与输出钻削状态的映射关系模型的目的。

在相同实验条件，继续进行3mm木板钻削实验。利用单轴加速度传感器持续采集钻削过程中的振动信号，对信号进行实时分析提取当前时间段钻削动力工具的振动特性。将提取的振动特性输入到建立的振动特性与钻削状态映射关系模型，通过模型的输出结果与实际钻削状态进行对比，验证模型的准确性。在钻削开始状态下和钻削突破状态下的振动特性输入映射模型，模型输出的准确率分别为92.52％和93.67％。

技术特征：

技术总结
一种能够实现易变形结构钻削过程中状态监测的方法。利用钻削动力工具，钻削刀具以及单轴加速度传感器搭建易变形结构钻削状态监测装置。对易变形结构钻削过程中单轴加速度传感器采集的振动信号进行处理，提取不同钻削状态下钻削动力工具振动信号的特性，建立钻削振动特性与钻削状态的对应关系。利用单轴加速度传感器持续采集易变形结构钻削过程中的振动信号，对信号进行实时分析，提取当前时间段钻削动力工具的振动特性。将易变形结构钻削过程中提取的振动特性输入到建立的振动特性与钻削状态映射关系模型，输出即为当前的钻削状态。本发明可辨识易变形结构钻削过程中钻削开始状态和钻削突破状态，实现对易变形结构钻削过程的监测。

技术研发人员：代煜;曹广威;张建勋;贾宾
受保护的技术使用者：南开大学
技术研发日：2019.03.15
技术公布日：2019.06.11