一种智能刀具故障诊断方法

摘要

本发明涉及一种智能刀具故障诊断方法，其步骤：在机床的CNC端与机床端之间设置PLC；由PLC获取机床加工过程中产生的若干刀具振动信号x(t)，并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征；根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别：对每个刀具振动信号进行训练得到隐马尔可夫模型λ；利用训练好的隐马尔可夫模型λ进行似然率的计算，将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中，得到各刀具振动信号在相应隐马尔可夫模型下的似然率，进而实现刀具状态识别。本发明结合机床本身特性和刀具加工过程振动信号特征，实现刀具磨损故障的自动检测，并能自动识别刀具磨损状态。

主权项

一种智能刀具故障诊断方法，其特征在于，该方法包括以下步骤：1)在机床的CNC端与机床端之间设置PLC，由PLC实现对机床侧和CNC侧的输入输出信号处理；2)由PLC获取机床加工过程中产生的若干刀具振动信号x(t)，并对采集到的各刀具振动信号x(t)进行处理并提取刀具特征：2.1)对采集到的刀具振动信号x(t)进行经验模态分解，将刀具振动信号x(t)中不同尺度的波动或趋势逐级分解出来，产生具有不同特征尺度的数据序列，并将这些序列定义为本征模态函数IMF；2.2)设置IMF分量的两个判定条件为：(1)IMF的极值点和过零点的个数差值不能大于一；(2)IMF的上包络线和下包络相对于时间轴是局部对称的；若同时满足上述两个条件，则为IMF分量；2.3)对IMF分量进行希尔伯特‑黄变换，利用IMF分量c_i(t)构造时间复信号z_i(t)：$z_i\left(t\right)=c_i\left(t\right)+j{\bar{c}}_l\left(t\right)=a_i\left(t\right)e^{{\mathrm{j\phi }}_i\left(t\right)}$式中，φ_i(t)为相角；a_i(t)为幅值；i＝1、2、…、n；使时间复信号z_i(t)的实部c_i(t)和虚部c_l(t)存在如下关系：${\bar{c}}_l\left(t\right)=\frac{1}{\pi }{\int }_{-\infty }^{+\infty }\frac{c_i\left(t\right)}{t-\tau }d\tau ;$2.4)对时间复信号的幅值进行积分运算求取希尔伯特谱H(ω,t)：$H(\omega ,t)=\mathrm{Re}\underset{i=1}{\overset{n}{\Sigma }}{a}_i\left(t\right)e^{j\int {\phi }_i\left(t\right)};$2.5)通过上述步骤，提取得到刀具振动信号x(t)的有效特征量；3)根据获得的刀具特征信息建立刀具振动信号和刀具磨损故障的对应关系，以完成刀具磨损故障的智能识别：3.1)对每个刀具振动信号进行训练得到隐马尔可夫模型λ，λ＝(π,A,B)，π为初始状态概率分布的矢量值；A为状态转移概率矩阵，各元素为a_ij；B为观察值概率矩阵，各元素为b_ij：3.2)利用训练好的隐马尔可夫模型λ进行似然率的计算，将刀具振动信号的序列O输入到以训练好的各个隐马尔可夫模型中，得到各刀具振动信号在相应隐马尔可夫模型下的似然率，进而实现刀具状态识别。