基于控制图和ARIMA模型的磨床磨削颤振预测方法

发布时间：2020-08-24 07:01

【摘要】：磨削加工能实现零件的高精度加工,是现代机械制造业中零件表面加工不可或缺的一种加工方法。但在加工过程中存在磨削颤振,磨削颤振会对零件加工质量产生一系列负面影响。由于磨削加工过程中振动信号的非平稳性、多维性和非线性的特点,传统的信号分析方法如短时傅里叶变换、奇异值分解和S变换等,在处理此类信号时具有很大的局限性。而二维经验模态分解(Bivariate Empirical Mode Decomposition,BEMD)具有完备性、正交性和自适应性,能够有效地提取磨床颤振特征信息以进行磨削颤振的识别和预测。识别和预测磨颤振对保障磨床正常运行、提高被加工零件的精度具有重要的工程意义。因此,本文以KD4020X16型数控龙门导轨磨床为研究对象,搭建振动加速度信号采集平台,采集磨床在不同磨削参数下的振动加速度信号。在此基础上,进行了振动信号处理方法、颤振状态识别和颤振预测等几个方面的研究。具体研究内容如下:(1)阐述了磨床振动信号分析方法、磨削颤振识别技术和磨削颤振预测技术的发展现状,总结了当前研究仍存在的问题。(2)提取磨床振动信号的颤振特征量。对测得的砂轮主轴X和Z轴方向的振动信号进行重构,得到二维复值信号。利用BEMD对其进行处理,得到多阶固有模态函数分量。基于个分量之间的正交特性,提出基于相关系数的固有模态函数筛选准则,并提取有效的固有模态函数。对比分析各常用特征量,提出将实时方差作为颤振特征量,并提取试验信号实时方差。(3)针对颤振阈值难以确定问题,建立控制图模型对磨床工作状态进行识别。选取稳定阶段的实时方差序列,在验证了正态性和相关性的基础上,结合?3?法则求得控制图的上、下控制限并建立控制图模型。将后续实时方差按时间顺序输入控制图模型中,根据控制图判异准则对实时方差序列进行监测,进而实现了对磨床磨削颤振状态的识别。(4)为实现对颤振时刻的预测,提出基于控制图和ARIMA模型的磨床颤振预测方法。对稳定阶段的实时方差序列进行平稳化处理,得到平稳时间序列。求解平稳时间序列的自相关和偏自相关函数以进行模型阶次识别,建立最优的ARIMA模型。利用建立的ARIMA模型对实时方差进行预测,即预测磨床工作状态的趋势。提出基于控制图和ARIMA模型的磨床颤振预测方法,对颤振发生时刻进行预测。
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TG596
【图文】：

技术路线图,颤振,图理论,状态识别

7图 1.1 技术路线图1.4 本章小结本章分别对磨削颤振机理、常用的信号处理方法、颤振状态识别方法和颤振预测方法的国内外现状进行概述，针对磨床振动信号非线性、非平稳和多维度的特性，将 BEMD 方法引入到信号处理中以获得含有振动信息的固有模态函数，然后提出了基于控制图理论的颤振状态识别方法，随后利用控制图理论和 ARIMA 结合模型对磨床颤振进行预测，确定了研究的主要思路，最后对论文接下来的工作内容安排进行了叙述，并给出技术路线图。

示意图,短时傅里叶变换,示意图

图 2.1 短时傅里叶变换示意图短时傅里叶变换虽然在一定程度上，解决了傅里叶变换在处理非平稳信号上的不足和时域无分辨率的问题，如西安交大的胡振邦[45]就将短时傅里叶变换运用到主轴振动的非平稳信号的处理中，但是短时傅里叶变换窗函数的选择仍存在不足且缺乏自适应性，当窗选择越宽时，时间分辨率越差，当窗选择越窄时，频率分辨率越差，总之短时傅里叶变换无法兼顾时域和频域的分辨率。2.1.2 奇异值分解奇异值分解简称 SVD，最早是由 Beltrami 和 Jordan 两位学者提出，是现代线性代数中的一种正交变换，原理是通过将行或者列线性相关矩阵的左右分别乘上正交矩阵，转化成一个对角矩阵，并将原矩阵中独立行（列）矢量的个数转化为奇异值个数表现出来。SVD不仅在矩阵变换领域有着重要作用，而且被广泛地运用于工程实践中，如华南理工大学的赵学智[46]等人利用奇异值分解的方法成功地提取了一些复杂信号中的弱故障特征信息。上[47]

流程图,颤振,流程图

实现对颤振的预测，减少颤振的发生，降低颤特征量的提取流程产中磨床振动信号具有非线性、多维性和非平稳性等特点分析中[52]，得到含有不同特征尺度的 BIMF 分量，再利用方差的求解。提取的整个过程主要有以下 3 步，另附流程图 2.2 进行说号的预处理。首先要将实验采集系统中采集到的 X 和 Z 方复值信号，然后对重构的信号进行小波去噪，尽量减少噪EMD 处理。对经过预处理的数据进行 BEMD 分解，得到所提到的筛选准则对 BIMF 分量进行筛选，得到真实的 BIM征量的提取。通过实时方差计算方法求得每一阶真实 BIM将各阶真实 BIMF 的特征值进行叠加，得到颤振特征向量。

【参考文献】