[发明专利]多能域信号智能化融合的刀具实时状态监测指标构造方法

权利要求书

1.一种多能域信号智能化融合的刀具实时状态监测指标构造方法，其特征在于，步骤为：

步骤1：对于磨损状态进行信号标定：对于刀架外表面中间和机床主轴平行的位置检测振动加速度，并且采集若干组磨损样本，检测磨损样本在不同磨损状态下的刀具加工工件的振动、电流信号；

在步骤1中：

步骤11：将第一振动加速传感器设置于刀架外表面中间与机床主轴平行的位置，设为通道a₁；

步骤12：将第二振动加速传感器设置于旋转刀台外表面中间与机床主轴平行的位置，且与第一振动加速传感器同侧，设为通道a₂；

步骤13：在主轴电机处安装一个电流传感器1，命名为通道a₃；

步骤14：通过第一振动加速传感器、第二振动加速传感器和电流传感器进行采样，设定采样频率Fs，采样点数N；

步骤15：由振动加速度传感器1、振动加速度传感器2和电流传感器1，同时采集若干组正常A₁、轻微磨损A₂、严重磨损A₃、崩刃A₄、断刀A₅（按故障严重程度排列）等状态下的刀具加工工件的振动、电流信号；

步骤2：信号分解：对采集的每个信号进行分解，由以下公式计算，可得到主要频段从高到低排列的各阶分量（IMF）：

式中：a为采集的一个信号；E_m(·)为经验模式分解的第m个模态算子，m∈[1,M]；l为加入噪声次数；ε_mω_i(t)为高斯白噪声；

以上述公式对通道a1采集到的信号进行分解，获得主要频段从高到低排列的各阶IMF，记作imf_1,1,1，imf_v,n,m，…，imf_5,5,M；v∈[1,10]，为信号组的序列；n∈[1,5]，为刀具状态序列，m∈[1,M]，为IMF序列；

绘制各IMF的时、频图，以时间t为横坐标，imf_v,n,m幅值为纵坐标绘制时域图，以频率f为横坐标，该频率信号幅值为纵坐标绘制频域图；由以下公式计算各阶IMF与原信号的相关系数corr_v,n,m：

式中：cov是二者协方差；D(imf_v,n,m)、D(a₁,_v,n)分别是二者的方差，以同样的方法，对通道a₂和通道a₃作相应的处理；

步骤3：频段分析：每个信号分解后得到m个IMF；结合绘制的IMF的时、频图，将各阶IMF按照分解的先后顺序排列，依次提取IMF频谱图中主要谱线所处的频段，其中，主要谱线为频谱图中谱线集中、大幅值；

对比相同通道不同状态同阶次的IMF，若符合corr_v,i,mcorr_v,j,m，ij≤n，则判定该IMF的主要谱线所在频段为有效频段；若不符合corr_v,i,mcorr_v,j,m，则判定该IMF的主要谱线所在频段为无效频段；信号a₃中存在电源工频干扰，判定工频为无效频段；

步骤4：特征筛选：提取滤波后的a₁通道和a₂通道信号时域特征和频域特征；提取滤波后的a₃通道信号的时域特征和频域特征；

对比相同通道下不同状态下的特征大小关系，若符合tf_v,i,ktf_v,j,k，ij≤n，k∈[1,t]，t为特征总数，则判断其为有效特征；若不符合tf_v,i,ktf_v,j,k，则判断其为无效特征，电流信号的特征中有个别值不符合tf_v,i,ktf_v,j,k，依旧判定其为有效特征；构建特征向量TF_v,n=[tf_v,n,1,tf_v,n,2,…tf_v,n,l]，l为有效特征个数；

步骤5：指标构建：采用神经网络聚类方法建立预警模型，将a₁、a₂、a₃通道正常状态下信号的TF_v,1统一输入到建立的预警模型中，训练预警模型；将故障状态信号的TF_v,2~TF_v,5统一输入到训练好的预警模型中得到对应的健康指标（HI），指标计算公式如下：

式中：W_BMU为最佳匹配的权向量；X为输入信号；

HI与设备健康状态成反比，根据得到的指标设定阈值；将不同故障状态下的得到HI_v,2~HI_v,5的最小值作为该故障出现的阈值，将刀具指标划分为不同的阶段；为了进一步区分严重磨损与崩刃故障，增加HI的斜率作为参考指标，出现崩刃故障下的HI斜率远大于出现磨损故障；

步骤6：使用监测系统对刀具进行实时监测。