本發(fā)明涉及機加工在線檢測技術領域，特別是涉及一種機床顫振狀態(tài)監(jiān)測與辨識技術領域。

背景技術：

切削顫振是切削過程中工件和刀具之間自發(fā)產生的振蕩，會嚴重影響機床加工性能，是現代精密加工中必須解決的重要問題之一。切削顫振的成因十分復雜，概括來講就是在切削加工過程中，由于加工系統(tǒng)本身特性而在無周期性性外力作用下所激起的一種劇烈振動。目前離線顫振穩(wěn)定性預測分析方面的研究已經形成了較為成熟的理論方法和應用研究。但是實際加工中穩(wěn)定域的加工參數也可能引起顫振，這就需要對銑削加工進行實時在線監(jiān)測并進行反饋分析，所以在線的顫振識別和監(jiān)測顯得尤為重要。在準確界定加工狀態(tài)的基礎上，需要建立合適的監(jiān)測算法以準確及時的對顫振狀態(tài)進行監(jiān)測。國內外針對顫振監(jiān)測的研究大多局限于在定參數下進行顫振辨識，即通過模式識別的方法來監(jiān)測顫振的發(fā)生。然而實際加工過程中，由于工件的尺寸、形狀等因素的影響，諸如軸向切深，徑向切深等切削參數并不是時刻保持不變的。當切削參數發(fā)生變化時可能使系統(tǒng)的穩(wěn)定性發(fā)生改變，因此提供針對變參數切削加工的顫振監(jiān)測系統(tǒng)是解決此類問題性質有效的方法。

技術實現要素：

針對變參數切削加工系統(tǒng)的穩(wěn)定性問題，本發(fā)明提出一種基于經驗模態(tài)分解和樣本熵特征的機床顫振狀態(tài)監(jiān)測方法，以經驗模態(tài)分解結合樣本熵特征實現切削穩(wěn)定性狀態(tài)的在線監(jiān)測。

本發(fā)明提出了一種基于經驗模態(tài)分解和樣本熵特征的機床顫振在線監(jiān)測方法，該方法包括以下步驟：

步驟一、獲得在線監(jiān)測時間內，刀具加工的原始信號數據，原始信號主要包括通過測力儀測量切削過程中刀具與工件之間在三維空間三個方向x,y,z的切削力信號；

步驟二、對上述采集的原始信號數據等分成隨時間變化的信號樣本集；

步驟三、分別對各樣本集進行經驗模態(tài)分解，得到不同尺度的本征模分量；

步驟四、根據切削顫振的特點，提取分解后的本征模分量中富含顫振信息尺度表征信號復雜性的樣本熵特征，并繪制隨時間變換的信號樣本熵特征曲線。

計算以x(i)為基準小于容限值r的個數占的比例公式如下：

其中，num{dij≤r}表示對于任意一個x(i)，根據預先設定的容限值r計算dij小于r的個數；m表示相空間嵌入維數，r表示容限，n表示時間序列數，dij為x(i)與x(j)之間的距離；x(i)與x(j)表示時間序列，i與j均表示離散時間點；

進一步地，將所有的i取平均值b^m(r)定義為：

于是得到樣本熵的表達式為：

sampen(m,r,n)＝-ln[b^m+1(r)/b^m(r)]

步驟五、通過樣本熵特征曲線辨識系統(tǒng)的顫振情況，即根據樣本熵特征曲線值是否在某一時刻突然減小來監(jiān)測系統(tǒng)是否發(fā)生顫振，辨識不同加工時刻下系統(tǒng)的穩(wěn)定性；

步驟六、如果在某一時刻突然減小，則判斷系統(tǒng)此時未發(fā)生顫振；

步驟七、如果在某一時刻未突然減小，則判斷當前系統(tǒng)此時穩(wěn)定性改變，發(fā)生顫振。

所述步驟三的對原始樣本集中的信號進行經驗模態(tài)分解的過程，具體包括以下處理：

(a)確定原始信號x(t)的所有局部所有局部極值點，然后用三次樣條插值分別將所有的局部極大值點和局部極小值點連接起來，形成上包絡線和下包絡線，包絡線包絡了所有的信號數據。

(b)計算上、下包絡線的平均值，記為m1，求出：

h1＝x(t)-m1

如果h1是一個本征模分量，那么它就是信號x(t)的第一個本征模分量c1；跳至步驟(d)；

(c)如果h1不是一個本征模分量，則將h1作為原始數據，重復(31)～(32)得到上、下包絡線的平均值，記為m11，計算h11＝h1-m11，并判斷是否滿足本征模分量的條件，如果不滿足，則重復循環(huán)，計算h1k＝h1(k-1)-m1k，其中k為正實數，直到h1k是一個本征模分量，記c1＝h1k，則c1為信號x(t)的第一個本征模分量；

(d)將第一個本征模分量c1從x(t)中分離出來，得到：

r1＝x(t)-c1

其中r1為殘余分量，然后將r1作為原始數據，重復步驟(1)～(3)，得到第二個本征模分量c2，重復循環(huán)n次，得到信號x(t)的n個本征模向量，于是有：

r2＝r1-c2...rn＝rn-1-cn

當rn成為一個單調函數不能再從中提取滿足本征模分量條件的分量時，循環(huán)結束，這樣經驗模態(tài)分解將信號表示為：

其中x(t)為原始信號；ci為本征模分量；i，n為正實數；rn為殘余函數，代表信號的平均趨勢。

與現有技術相比，本發(fā)明充分考慮到切削加工過程中由于工件形狀大小不同引起的切削參數變化導致的系統(tǒng)穩(wěn)定性的改變；減少了信號頻域范圍內非顫振信息對樣本熵特征結果的干擾，使得到的樣本熵特征對切削系統(tǒng)穩(wěn)定性具有很好的敏感性和魯棒性；由于樣本熵特征表征系統(tǒng)的復雜性，因此樣本熵特征曲線能夠很好地實現切削顫振的在線辨識與監(jiān)測，對實現變參數切削下的機床顫振監(jiān)測具有重要意義。

附圖說明

圖1為本發(fā)明的一種基于經驗模態(tài)分解和樣本熵特征的切削顫振在線監(jiān)測方法流程圖；

圖2為樣本熵特征曲線示例圖；

圖3為本發(fā)明的一種基于經驗模態(tài)分解和樣本熵特征的切削顫振在線監(jiān)測方法的經驗模態(tài)分解過程示意圖。

具體實施方式

由于樣本熵特征是反應系統(tǒng)復雜度的特征，因此只要系統(tǒng)穩(wěn)定性發(fā)生改變，都可以在樣本熵特征曲線中反映出來。它克服了傳統(tǒng)監(jiān)測方法中需要對切削參數嚴格限制等缺陷，優(yōu)化了模型的適用范圍，對于切削顫振狀態(tài)在線監(jiān)測具有重要意義。

以下結合附圖具體說明本發(fā)明的實施方式。

如圖1所示，本發(fā)明的一種基于經驗模態(tài)分解和樣本熵特征的切削顫振在線監(jiān)測方法流程，包括以下步驟：

步驟1、在一定時間內獲取切削加工的原始信號，原始信號主要包括通過測力儀測量切削過程中刀具與工件之間在三維空間三個方向x,y,z的切削力信號，由于系統(tǒng)穩(wěn)定性發(fā)生改變時，這種作用力會發(fā)生改變，通過采集的力信號數據，做數據分析可以得到切削系統(tǒng)的穩(wěn)定狀態(tài)；

步驟2、選取每1000個力信號數據為一個樣本集，對上述采集的數據信息等分成隨時間變化的信號樣本集；

步驟3、分別對各信號樣本集進行經驗模態(tài)分解，得到不同尺度的本征模分量；

步驟4、提取富含顫振信息尺度信號的樣本熵特征。樣本熵特征可以反映時間序列維數發(fā)生變化時產生新模式的概率，以及時間序列在模式上的自我相似度，能夠很好反映信號的復雜度情況，其具體含義：

給定一個時間序列，{x(i),i＝1,2,3…n}，預先設定嵌入維數m和容限r的值，m通常設置為2，r取為0.1～0.25倍時間序列的標準差，則樣本熵的計算按照以下步驟進行：

(1)、重構m維相空間：

x(i)＝[x(i),x(i+1),…x(i+m-1)](1)其中：

1≤i≤n-m+1；

(2)、通過公式(1)計算x(i)與x(j)之間的距離：

其中：

1≤i,j≤n-m+1；

(3)、對于任意一個x(i)，根據預先設定的容限值r計算dij(dij為x(i)與x(j)之

間的距離)；計算以x(i)為基準小于容限值r的個數占的比例公式如下：

(4)、進一步地，將所有的i取平均值b^m(r)定義為：

(5)、將嵌入維數取為m+1，并重復上述步驟得到b^m+1(r)；

(6)、最終得到樣本熵的表達式為：

sampen(m,r,n)＝-ln[b^m+1(r)/b^m(r)](6)

步驟5、通過樣本熵特征曲線，辨識系統(tǒng)的顫振情況：當隨時間變化的樣本熵特征曲線在某一時刻的樣本熵的值突然減小時，預示著此時的系統(tǒng)發(fā)生失穩(wěn)，出現切削顫振情況，如圖2所示為結合具體信號的樣本熵特征曲線圖，其中曲線22代表機床加工過程中的信號，曲線21代表該信號的樣本熵特征，可以觀察到樣本熵曲線在接近50mm處同樣出現明顯的下降趨勢，表征系統(tǒng)的此時發(fā)生顫振現象。

如圖3所示，為所述步驟3的經驗模態(tài)分解操作過程示意圖，經驗模態(tài)分解是通過篩選過程來獲得本征模分量的。

該方法是將各信號樣本集分解為不同的本征模分量，其中本征模分量必須滿足下面兩個條件：

條件一、在整個數據段內，極值點的個數和過零點的個數必須相等或者最多相差一個；

條件二、在任意時刻，由局部最大值點形成的上包絡線和由局部最小值形成的下包絡線的平均值為零。

具體包括以下處理：

(a)確定原始信號x(t)的所有局部極值點，然后用三次樣條插值分別將所有的局部極大值點和局部極小值點連接起來，形成上包絡線和下包絡線，包絡線包絡了所有的信號數據；

(b)計算上、下包絡線的平均值，記為m1，求出：

h1＝x(t)-m1(7)

如果h1是一個本征模分量，那么它就是信號x(t)的第一個本征模分量。

(c)如果h1不是一個本征模分量，則將h1作為原始數據，重復上述的步驟(a)～(b)，得到上、下包絡線的平均值，記為m11；計算h11＝h1-m11，并判斷是否滿足本征模分量的條件，如果不滿足，則重復循環(huán)，計算h1k＝h1(k-1)-m1k，其中k為正實數，直到h1k是一個本征模分量，記c1＝h1k，則c1為信號x(t)的第一個本征模分量。

(d)將c1(從x(t)中分離出來，得到：

r1＝x(t)-c1(8)

其中r1為殘余分量，然后將r1作為原始數據，重復步驟(a)～(c)，得到第二個本征模分量c2，重復循環(huán)n次，得到信號x(t)的n個本征模向量，于是有：

r2＝r1-c2...rn＝rn-1-cn(9)

當rn成為一個單調函數不能再從中提取滿足本征模分量條件的分量時，循環(huán)結束，這樣經驗模態(tài)分解將信號表示為：

其中x(t)為原始信號；ci為本征模分量；i，n為正實數；rn稱為殘余函數，代表信號的平均趨勢。