小波包分析在刀具磨損狀態監測中的應用研究

高龍 袁從貴

摘要：在現代化刀具工藝體系中，要保證加工品質，就亟待解決切削過程中刀具的磨損狀態監測問題。采用聲發射傳感器SR12、測力儀Kistler9257B、振動傳感器B&K4370建立了銑刀加工信號監測系統，對加工過程中獲取的切削力信號和振動信號采用小波包頻帶能量監測法計算其頻帶能量，獲取了與刀具磨損敏感的頻段特征。結果表明，該方法對實際生產過程刀具磨損監控具有良好的應用價值。

關鍵詞：小波包;刀具磨損;特征提取;狀態監測

Application of wavelets package analysis in tool wear condition monitoring

Gao Long Yuan CongGui

DongGuan Polytechnic DongGuan 523808）

Abstract：In the modern tool technology system， in order to ensure the processing quality， it is urgent to solve the problem of monitoring the wear status of the tool during the processing. The acoustic emission sensor SR12， the force gauge Kistler9257B， and the vibration sensor B&K4370 are used to establish a milling cutter processing signal monitoring system. The cutting force signal and vibration signal obtained during the processing process are calculated using the wavelet packet frequency band energy monitoring method to calculate their frequency band energy. Frequency band characteristics sensitive to tool wear. The results show that this method has good application value for tool wear monitoring in the actual production process.

Keywords： wavelet packet; tool wear; feature extraction; condition monitoring

0引言

金屬切削加工中，刀具和工件以及刀具內部之間產生了巨大的磨擦，這勢必會導致刀具的損壞[1]。刀具磨損狀況會影響工件的加工精度和品質，嚴重時甚至會威脅機床和作業人員的生命安全，及時有效的監測刀具磨損狀況，是國內外專家學者一直努力探究的重要課題。

目前國內外學者對刀具磨損的間接監測方式主要是利用振動信號、聲發射信號器、切削力信號等進行監測，對刀具磨損監測信號的分析以及提取特征大多是基于其時域特征和頻域特征[2]。在刀具發生磨損情況時，刀具和工件之間的摩擦力隨二者接觸面積的增加而相應上升，從而使得動態切削分力也產生了改變，所以通過對動態切削分力的改變情況進行監測，能夠得到加工工序中的刀具不同損壞狀況[3-4];而聲發射則是指一種金屬材料中由于塑性變形、相變、裂紋擴展等而導致應力能迅速釋放所形成的應力波現象，刀具在機械加工過程中就會有聲發射現象出現;在銑削過程中，在切削力的影響下由銑刀及主軸等部分所構成的懸臂梁結構會產生變形，并由此形成了簡諧振動，在刀具狀況改變時，會導致激振力頻率和幅度的改變，所以，通過檢測振動信息也可以掌握刀具的磨損狀況[5]。

1刀具監測系統架構

基于上述刀具監測信號產生的原理及特點，建立圖1所示的刀具磨損信號監測系統。系統所涉及的實驗在Cineinnati Milaeron公司的 Sabre 500上完成，聲發射傳感器SR12和振動傳感器B&K4370分別吸附在工件的兩側，Kistler9257B測力傳感器放置在機床的工作臺上。實驗中，通過專用量具測量使傳感器在加工的過程中位姿保持恒定，確保不同加工條件下采集的刀具監測信號具有可對比性[6]。其中，切削力信號和振動信號采集均使用低速采集卡PCI-1711，采樣長度為10K，采樣頻率設定為16K;發射信號采集使用高速采集卡JV52O14，采樣長度為256K，采樣頻率設定為2MHz。

2小波包分解頻帶能量監測

傅立葉分析方法也可用于信號頻帶能量分析，所得到的頻譜結構特征矢量，已成功應用于部分故障診斷領域。嚴格來說，頻帶能量監測必須包含各個頻帶里所有信號的全部能量，包含非線形、非平穩的振動能量。而傅立葉分析方法只能統計信號中的正弦成份，但在監測刀具磨損的信號中又常常含有不穩定信息，所以以正弦信號為基礎來表述并不恰當，所獲得的信息頻帶能量也不夠全面。通過使用小波分析技術對刀具信號進行處理，則能夠描述其中的不穩定信息，特別是小波包析技術，能夠把包含正弦信號在內的任何信號根據實際需求分解到任意單獨的、精細的頻帶上，在分解得到的頻帶上作能量計算得到的特征向量[6]，更趨科學性與合理性。

小波包對信號分解采用正交分解方法，分解后分配到各個頻譜帶的信號都彼此獨立、不多余、不缺漏，所以小波包信號分解遵從能量守恒基本原理[7][8]。具體表示為如下關系：

這里En代表信號的能量。在水平分辨率為j的小波包信號分解中，表示位于子空間信號的離散信號。如果采集到的信號數據長度為N，則分解頻帶中離散信號的數據長度變為為，其能量可描述為：

其中，N代表原始數據的大小;k代表頻率的分解層數;代表分解后各個頻帶的序號。有時為便于使用，也可以采取歸一化相對能量監測方法，即用分解信號頻帶能量占信號總能量的比例來描述。第m個頻帶信號的相對能量可以表示為

在實際使用中，不論是直接使用能量監測或是使用歸一化的能量監測方法，要遵守如下過程：根據信號特性選擇最佳的小波包基;選定分解尺度后實現小波包分析，并實現小波包單子帶重構;按照小波包分析中存在的頻帶交叉規律，重新排列重構節點;按照式（2）信號各個頻帶能量，建立能量向量;若使用歸一化能量，則需按照式（3）計算相對能量之后再建立能量向量。

3刀具故障診斷分析

實驗中測試刀具材質選用YT15，銑削過程中使工件相對于銑刀回轉中心處于對稱位置。在主軸轉速依次是600r/min、900r/min、1200r/min、1500r/min，工件的進給量依次是0.5mm/r、0.8mm/r，背吃刀量依次為0.5mm、1mm、1.5mm、3mm的條件下，完成了不同磨損狀況的刀具在27種不同加工工藝下的測試實驗[8]，在加工中不使用冷卻液，來加速刀具的磨損速度以及降低冷卻液對傳感器所造成的負面影響。在工程計算中，為了便于統計和研究，常把切削力F劃分為三個互相垂直的切削分力Fx、Fy和Fz，下面以主軸轉速為600r/min，進給量為0.5mm/r，背吃刀量為0.5mm（工況一）不同磨損狀況下的切削力信號為例進行分析。

圖2-圖4中，VB表示刀具磨損量。在上面的三圖中可以發現：一方面，銑削工藝中存在著銑刀工作齒間斷性參與切削的特性，在銑削過程中切削厚度與銑刀工作齒數都保持著變動態勢，因此切削分力Fy與Fx在各個加工位置都是不一樣的，但伴隨銑刀工作刀齒對工件的切出與切入，Fx和Fy的變化呈現周期性;另一方面，隨著銑刀磨損量的提高，切削分力Fx、Fy的變動幅度范圍呈現上升態勢，而切削分力Fz的變化幅度不大，所以在監測過程中可以重點分析切削分力Fx、Fy的有關時域或者頻域特性來監測銑刀的損壞狀況。

對兩個切削分力Fx、Fy做功率譜分析可以得知，兩個切削分力對刀具磨損較為靈敏的頻段都在1kHz以下（圖5）。在小波基選擇方面，經過反復實驗，最終選擇db4小波。圖5-6是在工況一條件下對切削分力Fx、Fy進行小波包分解重構后結果，同時用小波包分解頻帶能量監測法提取的頻段能量見表1-表2。

對兩個切削分力Fx和Fy的分析表明，采用同樣的加工條件，從其功率譜上很難分辨出刀具的不同磨損狀況（圖5）;而經小波包分解提取的0-200Hz、200-400Hz、400-600Hz、600-800Hz四個頻段能量在不同的刀具磨損狀態下，具有相同的變化規律（表1-表2），即在相同的加工條件下，不同磨損量所對應的頻段能量值各不相同，對于Fx，除0-200Hz頻段能量外，其他200-400Hz、400-600Hz、600-800Hz三個頻段能量均隨著刀具磨損量的提高而降低，這是由于低頻帶能量向高頻段能量轉移形成的，而對于切削分力Fy，0-200Hz、200-400Hz、400-600Hz、600-800Hz四個頻段能量值均隨著刀具磨損量的提高而上升。在其他加工條件下，對刀具不同磨損狀況的切削分力Fx和Fy做同樣的分析處理，亦得到同樣的規律，這表明切削力在0-200Hz、200-400Hz、400-600Hz、600-800Hz四個頻段的能量值，可以做為切削力信號的特征值來監測刀具的磨損狀況。

4結論

利用小波包分析方法，對切削分力Fx、Fy在1000Hz以下的信號進行了頻帶能量提取。實踐證明，在0-200Hz、200-400Hz、400-600Hz、600-800Hz四個頻帶上提取的能量值對于刀具磨損較為敏感，可以作為刀具磨損狀態監測的有效特征。后續可采用人工智能技術如采用神經網絡對提取的特征進行模式識別處理，從而實現刀具磨損狀態的在線監測。

參考文獻：

[1]胡秋.CIMS下刀具狀態監測研究回顧與展望[J].機床與液壓.2003.6：17-18

[2]李圣怡，吳學忠，范大鵬.多傳感器融合理論及在智能制造系統中的用[M].長沙：國防科技大學出版社.1998

[3]高宏力.切削加工過程中刀具磨損的智能監測技術研究.西南交通大學博士論文[J].2005

[4]向文江，趙學智，陳文戈.基于小波變換的刀具磨損檢測方法，工具技術[J].2000，34（5）：34-36

[5]PanF，A.D.HopeandG.A.King.Aneurofuzzy pattern recognition algorithm and its application[J].美國，Proeeedings of ?IEEE Confereneeon systems Man and Cyberneties，1998：4234-4239

[6]何正嘉等.機械設備非平穩信號的故障診斷原理及應用[M].北京：高等教育出版社.2001

[7]溫新宇等.基于小波包能量和調制信號雙譜邊帶估計的齒輪磨損監測[J].機械傳動.2021：118-119

[8]高龍.基于小波分析和集成神經網絡的刀具磨損監測技術研究.西南交通大學碩士論文[J].2007

作者簡介：高龍（1982-），男，東莞職業技術學院電子信息學院，工程師。主要從事機器視覺、故障診斷及職業教育等方面的研究。

（基金項目：東莞職業技術學院課題，基于多參量信息融合的刀具磨損狀態模式識別研究2019C09）