為在銑切加工過程中預測銑刀的磨損狀態(tài)以及時發(fā)現(xiàn)并更換將要磨鈍的銑刀,以保障產(chǎn)品質量,運用傳感器采集CNC銑床在加工過程中銑床及銑刀的振動信號數(shù)據(jù),應用大數(shù)據(jù)方法研究CNC銑刀磨損狀態(tài)的分析和預測方法。為保證銑刀磨損狀態(tài)的識別精度、識別穩(wěn)定性和分析模型的魯棒性,采用小波包分解理論對銑床x、y、z三向振動信號數(shù)據(jù)進行降噪處理,提取時域特征和能量特征,篩選出與磨損狀態(tài)相關性較大的34個特征。應用XGBoost算法建立銑刀磨損狀態(tài)的數(shù)據(jù)分析模型,使用宏平均值評估模型性能,結合SMOTE技術對特征向量進行過采樣,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)集對所提方法進行驗證,實驗結果表明:利用XGBoost算法能正確分析銑刀磨損狀態(tài)的數(shù)據(jù),能識別出銑刀磨損預警階段。XGBoost算法的預測精度高、穩(wěn)定性好、泛化能力強,易應用于工業(yè)大數(shù)據(jù)領域。 

【文章來源】：機床與液壓. 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)測實驗系統(tǒng)

對于離線監(jiān)測獲得的銑削振動信號原始數(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個磨損階段,采用小波包分析理論對機床x、y、z三向振動信號降噪,提取時域、能量特征,引入混合特征選擇方法篩選出與磨損狀態(tài)相關性較大的34個特征作為特征向量;然后,基于合成少類過采樣技術(SMOTE)對訓練集特征向量進行過采樣處理,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)預測模型,用處理后的數(shù)據(jù)進行模型訓練;將訓練完成的XGBoost模型部署到銑刀磨損在線監(jiān)測實驗系統(tǒng)中。系統(tǒng)實時對振動信號降噪、提取時域和能量特征,XGBoost模型依據(jù)特征向量對銑刀的磨損狀態(tài)進行預測,當XGBoost識別出新樣本刀具處于預警階段時,可以提前報警,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個階段。本文作者將銑刀磨損分為4個階段,如圖3所示,分別為初期磨損階段A、正常磨損階段B、預警階段C、急劇磨損階段D,增加了一個預警階段。球頭銑刀有3個切削刃:主切削刃、副切削刃、橫刃,取3個切削刃磨損量平均值作為銑刀磨損量。當銑刀處于初期磨損階段時,新刀具切削刃較為鋒利,它與加工表面接觸的面積很小,應力較大,這一階段銑刀磨損較快,持續(xù)的時間較短;隨后,銑刀的刀鋒被磨平,使承壓的面積增大,應力降低,磨損增加的趨勢緩和,銑刀進入正常磨損階段,這是銑刀工作的有效階段;當銑刀的磨損量到達一定程度時,銑刀變鈍,銑削加工的振動開始增強、切削溫度上升,這是銑刀進入急劇磨損前的預警階段;進入急劇磨損階段后,磨損速率急劇升高,導致工件表面粗糙度增大,可能造成銑刀和產(chǎn)品報廢[6]。因此,及時識別銑刀的預警階段,是非常重要的。

【參考文獻】：
期刊論文
[1]XGBoost算法在風機主軸承故障預測中的應用[J]. 王桂蘭,趙洪山,米增強.  電力自動化設備. 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,尹宏鵬.  控制與決策. 2019(04)
[3]Xgboost在滾動軸承故障診斷中的應用[J]. 張鈺,陳珺,王曉峰,劉飛.  噪聲與振動控制. 2017(04)
[4]小波和能量特征提取的旋轉機械故障診斷方法[J]. 石明江,羅仁澤,付元華.  電子測量與儀器學報. 2015(08)
[5]數(shù)控機床刀具磨損狀態(tài)特征參數(shù)提取[J]. 高鵬磊,庫祥臣.  組合機床與自動化加工技術. 2013(06)
[6]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權文.  控制與決策. 2012(02)
[7]數(shù)控機床刀具磨損監(jiān)測方法研究[J]. 馬旭,陳捷.  機械. 2009(06)
[8]小波基函數(shù)在故障診斷中的最佳選擇[J]. 陳澤鑫.  機械科學與技術. 2005(02)



本文編號：3102861