关于刀具磨损监测的分析

1.信号的相关性

2.刀具监测信号的处理：时频，频域，以及小波变换

1)小波分析用于信号与图象压缩是小波分析应用的一个重要方面。它的特点是压缩比高，压缩速度快，压缩后能保持信号与图象的特征不变，且在传递中可以抗干扰。基于小波分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，小波变换零树压缩，小波变换向量压缩等。

2)小波在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺

度边缘检测等。

3)在工程技术等方面的应用。包括计算机视觉、计算机图形学、曲线设计、湍流、远程宇宙的研究与生物医学方面。

刀具磨损过程可以大致分为三个阶段：初期磨损阶段，正常磨损阶段，剧烈磨损阶段。1，初期磨损阶段：该阶段刀具磨损较快，主要是因为新刀刃的表面粗糙不平，接触应力较大，以及新刀刃表面可能出现的脱碳层，氧化层等表面缺陷。

2，正常磨损阶段：经初期磨损阶段后，切削刃仍比较锋利，刀具的切削刃和刀面已比较平整，所以这一阶段中，磨损速度相对减慢，切削过程比较平稳。

3，剧烈磨损阶段：在刀具正常磨损达到一定程度，刀具与工件的接触情况显著恶化，刀刃钝化，摩擦力急剧增大，刀具磨损发生质的变化，同时刀具的切削性能迅速下降，刀具与工件之间由于摩擦应力增大而产生高温将可能烧损刀刃或者失刀刃破损，此时刀具完全丧失切削能力。

刀具磨损的在线监控是柔性制造系统研究工程的一个重要课题，其工作状态直接影响着机械加工效率，效益及精度。刀具磨损检测方法：直接检测方法和间接检测方法。

1）直接检测方法中常用的主要有接触法，放射线法，光学检测方法。其中光学检测方法只能在停车时进行检测，不能用于实时监测；放射线检测方法虽有一定的检测精度，但不能进行实时监控，又具有实时性污染所以未能推广使用；光学检测法通过光学传感器获得刀具磨损区域的图形，并利用图像处理技术全面了解刀具的磨损状态，但其致命的缺点是：容易受加工方式及工况条件的影响，是许多加工过程无法无法采用光学法检测刀具磨损状态。

2）间接检测方法：切削力监测技术，基于声发射监测技术，基于振动加速度的监测技术，基于电流和功率的监测技术，表面光洁度监测法，超声波监测法，基于温度的监测法等。

切削力监测方法在刀具磨损监测研究领域应用最为广泛，是最具优势的一种方法。声发射信号反映的是金属材料内部晶格的变化，因此包含于刀具密切相关的信息，对刀具磨损与破损有较好的预报特性，声发射监测技术也成为目前应用最为广泛的方法之一。与其他检测方法相比，声发射信号的频率很高，一般在50KHZ以上，能够避开加工过程中振动和噪声污染严重的低频段，并能抵御一定范围内由于切削用量变化而引起的信号干扰，因此具有灵敏度高，信息量丰富等优点。切削过程中的振动信号包含丰富的与刀具状态密切相关的信息，它主要有切削力中的动态分量引起，且与刀具—工件—机床构成的切削系统本身的动态系统相关。通常采用加速度传感器测量振动信号，传感器通过磁座吸附于工件表面，安装简便，但安装方位不同将会对刀具状态监测的效果产生较大影响。刀具磨损时由于切削力增大，使得机床电流增大，负载功率也随之增大，因此因此可采用监测电流或功率的方法识别刀具磨损状态的变化。电流检测方法和功率监测方法具有安装测量简便，成本低，不受加工条件限

制，不干扰加工过程等优点，因此成为广泛采用的一种简易的检测方法。但限制该技术发展的关键问题在于识别精度低和响应速度慢。此外，导轨的误差和传动系统的精度也会造成电机电流和功率的改变。

傅立叶变换的缺点：

a.用傅立叶变换提取信号的频谱需要利用信号的全部时域信息。

b. 傅立叶变换没有反映出随着时间的变化信号频率成分的变化情况。

c.傅立叶变换的积分作用平滑了非平稳信号的突变成分。

（1）时频，频域以及小波变换

国内外学者对刀具磨损的研究采用传感器主要是振动传感器，声发射传感器，力传感器以及功率传感器，而对刀具监测信号的处理可以应用时域分析，频域分析或者小波分析理论，而对刀具进行磨损分类时应用较多的是人工智能技术，神经网络，模糊神经网络，模糊诊断等等。

1 基于小波分析的切削力信号奇异性检测摘要：利用小波变换模的极大值和信号奇异点的关系，分析了用Lip指数来描述的切削力信号局部奇异性。通过观察奇异点的位置等信息得到切削刀具的磨损情况。

原理：在切削过程中，随着刀具磨损量的增加，切削力的增大，引起切削力信号的变化。而切削力信号的变化将有效的判别刀具磨损所处的不同阶段。一旦切削力信号突然发生急剧变化，刀具有可能发生崩刃或折断等后果。刀具磨损时切削力信号存在奇异性。

正常的机械信号一般为低频，突变信号有很宽的频率信号，尤其在高频段频率丰富。利用小波分析滤除低频信息，突出故障信息达到检测故障的目的。采用小波变换的方法对信号进行奇异性检测的算法大致分为几个步骤：小波基的选取然后对信号进行多尺度分析得到小波变换后的系数矩阵wf（s，x）；在不同尺度上找到信号突变点相应的小波变换系数模极大值，从而得到模极大值线；求出奇异点的Lip指数。

注意：小波基的选择：在小波分析中，选择合适的小波基是非常重要的。采用不同的小波基函数对信号进行分析，会得到不同效果。如何选择小波基函数，才能更好地刻画信号的特征，目前还没有一个统一的标准。实际运用中，采用定性分析与实验比较的相结合的方法，采用多种小波进行多次模仿实验进行比较。dbN小波系是工程上应用较多的小波函数，这一小波系的特点是随着序号N的增加，时域支撑长度变长，时间局域性变差，滤波器长度变长，消失矩系数增加，正则性增加，频域局部性变好。因此，在选择小波函数时需要综合以上各种因素，并通过采用多种小波进行多次仿真实验进行比较。

2 基于小波分析的声发射刀具状态判析

摘要：提出了基于小波分析的声发射刀具状态判析方法，改方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数2—范数表征信号的奇异性，在统计量与刀具状态间建立物理联系。

奇异性信号是指信号本身或它的某阶导数在某一时刻存在突变的信号，而奇异性检测就是要将信号的奇异点识别出来，并判断其奇异性程度。

通过小波分解，可以提取目标分解层的分解系数模极大值，但由于声发射信号容易受到外界