论文部分内容阅读
切削刀具状态监控作为现代制造系统的组成部分,对产品质量、制造成本、生产效率都起着重要的作用。铣削作为最常用加工方法之一,是一种断续加工方式,刀具破损是铣削过程中刀具失效的主要形式之一。由于铣削过程复杂,刀具破损在线监控一直是切削状态监控研究方面的难点问题。在众多监控方法中,声发射(Acoustic Emission, AE)以其高灵敏度、安装方便及不影响加工等优点而成为切削状态监控领域最有研究价值的监控方法之一。但是,切削过程AE信号是一种非平稳信号,其频率特性随时间而变化,传统的信号处理技术在处理AE信号方面显得力不从心。而且铣削过程中切削参数经常改变,刀具切入切出工件时常发生,这些因素都会严重影响AE信号,降低刀具破损监控的稳定性。所以如何处理非平稳信号并提高稳定性是声发射刀具破损监控亟待解决的关键技术。本文建立了面向AE信号的数据采集与处理系统,设计系统的试验对铣削AE信号和铣削刀具断裂信号的特征进行了深入的分析和总结。在此基础上,提出了一种新的基于噪声辅助经验模态分解的刀具破损识别算法:首先对原信号低通滤波,滤除低频噪声;后对滤波信号进行噪声辅助经验模态分解得到多阶本征模函数,并计算Huang-Hilbert时频谱;再对各阶模函数求取能量值并计算各阶模函数的能量总和,进而求得模函数能量分布,通过信号能量分布曲线的变化实现信号的判定与识别。论文利用所提出的识别算法对刀具铣削破损AE信号进行了处理,并成功的提取信号的能量分布状态,识别刀具破损。最后本文利用该算法对切削参数变化及刀具切入切出工件等特殊情况下的AE信号进行了系统的验证,结果表明:该识别方法能够剔除切削参数和刀具切入切出的干扰,具有很高的稳定性。本文研究表明,噪声辅助经验模态技术可以对铣削声发射信号进行处理。这不仅为切削过程监控带来了新的解决方案,同时对非平稳信号处理技术的推广应用和发展具有重要的理论和现实意义。