為在銑切加工過程中預(yù)測(cè)銑刀的磨損狀態(tài)以及時(shí)發(fā)現(xiàn)并更換將要磨鈍的銑刀,以保障產(chǎn)品質(zhì)量,運(yùn)用傳感器采集CNC銑床在加工過程中銑床及銑刀的振動(dòng)信號(hào)數(shù)據(jù),應(yīng)用大數(shù)據(jù)方法研究CNC銑刀磨損狀態(tài)的分析和預(yù)測(cè)方法。為保證銑刀磨損狀態(tài)的識(shí)別精度、識(shí)別穩(wěn)定性和分析模型的魯棒性,采用小波包分解理論對(duì)銑床x、y、z三向振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行降噪處理,提取時(shí)域特征和能量特征,篩選出與磨損狀態(tài)相關(guān)性較大的34個(gè)特征。應(yīng)用XGBoost算法建立銑刀磨損狀態(tài)的數(shù)據(jù)分析模型,使用宏平均值評(píng)估模型性能,結(jié)合SMOTE技術(shù)對(duì)特征向量進(jìn)行過采樣,使各磨損狀態(tài)類別樣本均衡。借助公開的球頭銑刀加工數(shù)據(jù)集對(duì)所提方法進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明:利用XGBoost算法能正確分析銑刀磨損狀態(tài)的數(shù)據(jù),能識(shí)別出銑刀磨損預(yù)警階段。XGBoost算法的預(yù)測(cè)精度高、穩(wěn)定性好、泛化能力強(qiáng),易應(yīng)用于工業(yè)大數(shù)據(jù)領(lǐng)域。 

【文章來源】：機(jī)床與液壓. 2020,48(21)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

銑刀磨損狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)系統(tǒng)

對(duì)于離線監(jiān)測(cè)獲得的銑削振動(dòng)信號(hào)原始數(shù)據(jù),其處理與分析流程如圖2所示。首先將銑刀劃分為4個(gè)磨損階段,采用小波包分析理論對(duì)機(jī)床x、y、z三向振動(dòng)信號(hào)降噪,提取時(shí)域、能量特征,引入混合特征選擇方法篩選出與磨損狀態(tài)相關(guān)性較大的34個(gè)特征作為特征向量;然后,基于合成少類過采樣技術(shù)(SMOTE)對(duì)訓(xùn)練集特征向量進(jìn)行過采樣處理,使各磨損狀態(tài)類別的樣本均衡;建立基于XGBoost算法的銑刀磨損狀態(tài)預(yù)測(cè)模型,用處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練;將訓(xùn)練完成的XGBoost模型部署到銑刀磨損在線監(jiān)測(cè)實(shí)驗(yàn)系統(tǒng)中。系統(tǒng)實(shí)時(shí)對(duì)振動(dòng)信號(hào)降噪、提取時(shí)域和能量特征,XGBoost模型依據(jù)特征向量對(duì)銑刀的磨損狀態(tài)進(jìn)行預(yù)測(cè),當(dāng)XGBoost識(shí)別出新樣本刀具處于預(yù)警階段時(shí),可以提前報(bào)警,提醒更換刀具或者研磨刀具,有效防止劇烈磨損階段影響加工產(chǎn)品精度。1.3 銑刀磨損狀態(tài)的預(yù)警階段

傳統(tǒng)的銑刀磨損狀態(tài)一般可以分為初期磨損、正常磨損和急劇磨損3個(gè)階段。本文作者將銑刀磨損分為4個(gè)階段,如圖3所示,分別為初期磨損階段A、正常磨損階段B、預(yù)警階段C、急劇磨損階段D,增加了一個(gè)預(yù)警階段。球頭銑刀有3個(gè)切削刃:主切削刃、副切削刃、橫刃,取3個(gè)切削刃磨損量平均值作為銑刀磨損量。當(dāng)銑刀處于初期磨損階段時(shí),新刀具切削刃較為鋒利,它與加工表面接觸的面積很小,應(yīng)力較大,這一階段銑刀磨損較快,持續(xù)的時(shí)間較短;隨后,銑刀的刀鋒被磨平,使承壓的面積增大,應(yīng)力降低,磨損增加的趨勢(shì)緩和,銑刀進(jìn)入正常磨損階段,這是銑刀工作的有效階段;當(dāng)銑刀的磨損量到達(dá)一定程度時(shí),銑刀變鈍,銑削加工的振動(dòng)開始增強(qiáng)、切削溫度上升,這是銑刀進(jìn)入急劇磨損前的預(yù)警階段;進(jìn)入急劇磨損階段后,磨損速率急劇升高,導(dǎo)致工件表面粗糙度增大,可能造成銑刀和產(chǎn)品報(bào)廢[6]。因此,及時(shí)識(shí)別銑刀的預(yù)警階段,是非常重要的。

【參考文獻(xiàn)】：
期刊論文
[1]XGBoost算法在風(fēng)機(jī)主軸承故障預(yù)測(cè)中的應(yīng)用[J]. 王桂蘭,趙洪山,米增強(qiáng).  電力自動(dòng)化設(shè)備. 2019(01)
[2]不平衡數(shù)據(jù)分類方法綜述[J]. 李艷霞,柴毅,胡友強(qiáng),尹宏鵬.  控制與決策. 2019(04)
[3]Xgboost在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 張鈺,陳珺,王曉峰,劉飛.  噪聲與振動(dòng)控制. 2017(04)
[4]小波和能量特征提取的旋轉(zhuǎn)機(jī)械故障診斷方法[J]. 石明江,羅仁澤,付元華.  電子測(cè)量與儀器學(xué)報(bào). 2015(08)
[5]數(shù)控機(jī)床刀具磨損狀態(tài)特征參數(shù)提取[J]. 高鵬磊,庫祥臣.  組合機(jī)床與自動(dòng)化加工技術(shù). 2013(06)
[6]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權(quán)文.  控制與決策. 2012(02)
[7]數(shù)控機(jī)床刀具磨損監(jiān)測(cè)方法研究[J]. 馬旭,陳捷.  機(jī)械. 2009(06)
[8]小波基函數(shù)在故障診斷中的最佳選擇[J]. 陳澤鑫.  機(jī)械科學(xué)與技術(shù). 2005(02)



本文編號(hào)：3102861