基于振动信号的铣刀磨损状态识别

王 明，高东方

WANG Ming1, GAO Dong-fang2

（1. 黑龙江八一农垦大学 工程学院，大庆 163319；2. 沈阳工业大学 机械工程学院，沈阳 110023）

0 引言

在金属切削加工中，刀具磨损会使工件加工精度降低，表面粗糙度增大，并导致切削力和切削温度增加，甚至产生振动，不能正常切削。因此，刀具磨损直接影响加工效率、质量和成本[1]。随着柔性制造系统和计算机集成制造系统等自动化加工系统的快速发展，机械加工的自动化程度得到大幅提高。为了保证机械制造自动化生产的顺利进行，需要对加工过程中刀具的磨损状态进行有效检测[2，3]。本文针对铣削加工中铣刀的磨损状态，以加工中的振动信号为分析对象，采用小波分析的方法，提取出能够充分表征刀具磨损的特征信号，实现铣削加工中刀具磨损状态的识别。

1 铣削加工过程中刀具状态信号的检测

在铣削过程中，切削系统所产生的过程状态信号中包含着大量的加工信息。根据特定的识别方法，通过对典型信号的选择、分析及检测，即可识别刀具的磨损情况。刀具状态信号的检测分为直接和间接方法，目前采用的主要方法是间接方法。铣削加工过程中，刀具对工件的冲击会产生振动，从振动信号中可以获取有关刀具磨损状态的信息，可以把振动信号的时域幅值、频域能量和模态阻尼等参数的变化作为判别刀具状态的指标，并且振动信号采集方便、快捷，不需对机床结构进行改动，测量装置成本较低。本文选择X5032A铣床， 立铣刀进行实验研究，振动信号检测系统见图1。

图1 振动信号检测系统

2 基于振动信号的刀具磨损状态识别

2.1 刀具磨损特征信号的提取与分析

近年来信号处理技术向时频分析和智能技术方向发展，尤其是时频分析成为信号分析的主流方向。小波技术是当前进行信号处理的主要方法，小波变换是突变信号和非平稳信号分析的数学工具，其主要特点为：线性变换，不产生畸变；能在时域和频域同时对信号进行局部分析；主要适用于宽带信号处理以及局部化分析[4，5]。这些特点对加工过程状态信号分析最为适合，同样也适用于反映刀具磨损状态信号的分析。本文采用Daubechies小波系中N＝7的小波函数对振动信号进行多分辨率分析。根据Mallat快速算法计算Daubechies小波的φ(χ)、ψ(χ)，选用a=20，21……27和b=KTs进行七尺度小波分解，得到不同频率随时间变化的振动信号。随着铣削过程的进行，刀具也在逐渐磨损，在加工过程中测得的振动信号必然包含刀具的磨损信息。利用小波变换对振动信号进行分解，通过分析某种或某几种频带内振动信号幅值的改变，可以确定刀具磨损的状态。

2.2 振动信号的小波变换

铣削工件时，沿工件长度在反映刀具磨损的各个阶段分别测量了振动信号，并对其进行分解，得到七个尺度上的低频信号和高频信号。本文实验中最高频率为1kHZ，小波分解的频率如表1所示。

表1 小波分解频率

振动信号的分解，如图2所示。

3 铣削加工实验分析

在小波变换尺度分解中，低频部分随着分解层次的增加，含有的高频部分信息随之减少。从图中可以看到低频第七层信号已经成为滤除高频信息的光滑曲线，具备了作为特征信号的条件，固选取该层信号进行分析，就可以得到刀具的磨损情况。下面就平面加工和斜面加工两种情况进行分析。

3.1 平面加工

平面铣削加工过程中，刀具不同磨损状态的小波信号如图3、图4和图5所示。

由图3、图4和图5的分析可知：

1）随着刀具磨损的加剧，在低频部分，信号幅值明显增大，而在高频部分受此影响相对较小。这表明在低频信号中含有大量的刀具磨损信息。因此可以从信号低频部分提取刀具磨损的特征信号。

2）刀具处于新锐状态时，加工初始阶段数据变化明显，随着切削加工的进行，振动信号变化比较平缓。振动信号小波的波形幅值变化范围比较小。

图2 振动信号分解

图3 刀具新锐状态

图4 刀具部分磨损状态

图5 刀具严重磨损状态

图6 斜面加工小波分解

3）平面加工时，刀具是逐渐磨损的，实验中，刀具在数据144左右，出现一个较大的破损。从图中数据150、170和190可以看出，波形变化反映剧烈，刀具处于磨损后的强迫加工中。经过一段时间后，刀具磨损处变的光滑，波形逐渐光滑。

3.2 斜面加工

进给速度75mm/min，切宽从5到12mm，分别为5、7、10、12，小波分解见图6。由图6可知，斜面铣削加工过程中，进给速度一定时，切深逐渐增加，刀具逐渐磨损。从图中数据95到110可知小波曲线幅值逐渐增加，数据105和110的幅值明显高于数据95和100。也可固定切宽，改变切削速度进行分析，可知切宽增加后，波形振动频率加快，幅值增大。

4 结论

本文对铣削过程中的振动信号，采用小波变换的方法，将振动信号划分成不同频带，利用Mallat算法的多分辨率性提取出刀具磨损特征信号，进而得到刀具磨损特征值，该特征值能够准确反映刀具磨损的变化规律，并以定量的形式体现。通过铣削平面和斜面的实验分析，该种方法能够实现铣削加工过程中刀具磨损状态的有效识别。

[1]陈日曜.金属切削原理[M].北京：机械工业出版社,2008.

[2]杨永,廖力清.刀具磨损在线监控系统研究[J].制造技术与机床,2008,(6)：34-36.

[3]邵建中.基于BP神经网络的刀具状态监控系统[J].机械制造与研究,2010,(2)：81-82.

[4]潜凌,齐明侠,吴苗法.小波技术在机械设备故障诊断中的研究现状[J].石油矿场机械,2006,(2)：13-17.

[5]林克正,李殿璞.基于小波变换的去噪方法[J].哈尔滨工程大学学报,2000,(8)：21-23.