基于多通道信号的数据融合分析与模式识别方法

发布时间：2020-04-05 04:06

【摘要】：在切削过程中,刀具会随着使用时间的延长和加工工件数的增加而逐渐出现磨损,这会影响工件的表面形貌和质量,甚至影响整个加工系统的生产效率,因此对刀具状态监测的研究具有重要意义。本文从刀具状态监控间接测量法入手,通过对多通道信号的融合分析,并提取特征进行模式识别,建立了一套有效的刀具磨损监控系统,可以有效判别刀具的多种磨损状态,并在实际案例中应用了本文所提出的方法,开发了软件应用于生产加工。具体如下:首先,本文以多通道信号为研究对象,提出了一种自适应噪声辅助多元经验模态分解方法,可以对多通道信号进行同步分解,实现数据层融合分析。在多通道信号的基础上添加两个噪声辅助通道,以原始信号多通道加权正交指数最小为目标,通过自适应权重粒子群算法搜索最优K(投影向量个数),α_1,α_2(两个辅助噪声通道的噪声强度)最优参数组合,实现多通道自适应同步分析。改进的方法提高了分解精度,信号分量的局域性更好,有效抑制了模态混叠现象。通过仿真实验数据和真实案例数据验证了该方法的有效性,自适应噪声辅助多元经验模态分解方法能更准确地提取故障频率。其次,因为从生产过程中采集的信号会包含大量的噪声,所以使用改进的噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NA-MEMD)方法将信号自适应分解出的本征模态函数(Intrinsic Mode Function,IMF)组数量较多,无法直接分辨有用信号和噪声信号,不利于从信号分量中的提取故障特征。本文将分解出的多通道IMF组分别进行单独筛选,然后进行多通道集成,选出有效IMF层,每个通道的筛选是基于原始信号和IMF分量信号的概率密度函数的相干性,综合考虑(1)IMF与原信号通道信号的相关性,(2)IMF与其它信号通道的信号的相关性,(3)IMF与辅助噪声通道的同层IMF的相关性,从而确定相关IMF的阶数。对筛选出的IMF进行间隔阈值去噪,去除分量信号IMF中的噪声成分,提高信噪比。然后通过分层贝叶斯模型结构建立多分类相关向量机(Multi-class Relevance Vector Machine,MRVM)模型,较好的解决了相关向量机(Relevance Vector Machine,RVM)多分类问题,并利用其概率输出,将其和最近邻(k-Nearest Neighbor,KNN)算法相结合,建立了一种新的多分类器。提高了MRVM的识别率,减少了核函数参数的影响。通过仿真数据和一些常用的分类数据集证明了该识别模型和方法的有效性。最后,在航天设备制造149厂的三轴机床上安装了振动,声音和温度传感器,通过采集卡和上位机收集信号,设计实验,采集三种不同磨损程度的刀对应的信号,使用本文提出刀具状态监测方法进行分析,具有较高的识别率,同时基于此算法开发了一套软件用于实际生产。
【图文】：

示意图,刀具磨损,形态,前刀面

程发生的正常磨损现象，是一种连是随机的突发性破坏，主要包括脆，如图 1-1 所示：形，主要因为前刀面会产生很多切洼和刀刃之间的棱边随磨损的不断会发生崩刃，前刀面磨损 KT 表示加工的过程中，刀具的后刀面与加 1-2（b）所示，将后刀面按照距离近，N 最远，分别用 VC、VB、V缓，所以磨损量用这一区域的平均损量。后刀面对工件表面质量具有的表面质量[15]。的边界处发生磨损，前刀面的月牙 KT 和 VB 表示[15]。

示意图,前刀面,后刀面,示意图

图 1- 2 前刀面、后刀面磨损示意图Fig.1- 2 Rake wear and flank wear具磨损的原因具磨损主要是由物理和化学作用共同决定的，通常包括以下方式[16]：硬质点磨损，因为金属材料内部不是完全均匀的，可能会存在一些硬质点更容易带走刀具材料，造成机械磨损。高速钢刀具或者低速切削时较这种磨损。粘结磨损，是刀具和切削面之间在高温高压发生原子相互运动，如果刀粘结点因为相互摩擦运动被接触面带走，就会致使刀具发生磨损。当刀属材料时，如果热量不能有效的传递出去，接触面局部区域的温度就会，产生熔着现象，切削温度对其有重要影响，温度越高越容易磨损。扩散磨损，切削加工时产生的能量会引起原子的运动，，刀具材料与工件原子相互向对方扩散的现象。由于切削时刀具处于高温、高压状态，刀表面存在浓度差，相互摩擦的过程中分子会相互扩散，这会刀具材料和[16]
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TG71

【参考文献】