《声发射在刀具检测中的应用》由会员分享，可在线阅读，更多相关《声发射在刀具检测中的应用（32页珍藏版）》请在金锄头文库上搜索。
1、声发射在刀具检测中的应用,目录,声发射机理及其信号的特点 刀具的切削状态分析 声发射信号特征提取方法 机器学习模式识别方法 多传感器融合技术,声发射机理及其信号的特点,声发射（Acoustic emission，AE）是材料中声源快速释放能量产 生的弹性波。材料在外因（机械载荷、温度变化等）作用下，由于内部 晶格的位错、晶界滑移，或者内部裂纹的发生和发展，均要产生声发射。 声发射信号是宽频带的、快速衰减的信号，可以避免环境噪声、设备振 动的干扰，声发射传感器便于安装，不影响设备正常运行。所以自从德 国人Kaiser上世纪五十年代发现声发射现象以后，受到人们极大关注， 理论已经很完善，并广泛应用
2、于石油工业、材料试验、航空航天、金属 加工等领域的检测诊断当中。声发射技术的研究主要集中在声发射信号的处理技术和声发射仪器 的发展上。声发射信号从次声频到超声频整个频率范围，信息量大，具 有很高的应用价值，它是材料缺陷正在扩展的指示器，是检测材料损伤 ，特别是早期损伤的有力工具。今天声发射仪器已由单通道发展到多通,声发射机理及其信号的特点,道，由简单信号处理发展到计算机进行声发射源定位和波形分析、源特 性分析、模式识别等。 声发射检测与振动等传统力学检测方法相比，避免噪声的干扰，对 安装环境要求不高；与传统无损检测相比，是一种动态检测，能量来自 于测量物体自身。声发射信号的缺点：从产生到衰减时
3、间很短暂，只有几个毫秒，不 容易被察觉；不同的AE源机制可以产生不同的AE信号，人们对AE源不 能完全认识；AE信号受传播途径、被检测对象性质、耦合剂特征以及传 感器位置影响，不是信号源发出的信号，需要适当的方法快速的捕捉声 发射信号的脉冲，去除噪声干扰，找出信号中所含的有用信息。,。,刀具的切削状态分析,刀具在机械制造系统过程中，主要具有以下动态特性： 1、离散性和断续性，在一次走刀中，切削加工可以是连续的（如车、钻、磨等），也可以是断续的（如铣）。 2、缓变性与突变性，刀具在切削过程中磨损是缓变的，而刀具的破损往往在瞬间出现，属于突变性故障。 3、随机性与趋向性，刀具在切削过程中切削力、切
4、削温度刀具磨损与刀具寿命和切削条件的关系往往是含有趋势性的随机过程。 4、模糊性，刀具的切削正常与否不能凭直观判断，呈现模糊性，属于灰色系统。刀具的常见切削状态： 1、刀具正常切削，刀具切削初期正常加工零件必须的切削状态。 2、刀具磨损。刀具长时间切削过程后，所出现的切削状态，影响刀具的加工质量，需及时更换刀具。 3、刀具破损。刀具遇到故障断裂，是一种突发事件，不仅影响零件的加工质量，还可导致整个加工系统故障。,刀具的切削状态分析,由于机床运转过程中状态的复杂性、故障发生的随机性和不确定性 ，加上声发射源的突发性，传输过程的不稳定性，都给刀具故障检测诊 断带来很大困难。 目前机床故障诊断研究主
5、要集中在对特征信号及信号 特征量的选取、信号处理方法的改善、故障推理机制的完善等方面如下 图所示：,信号采集,信号预处理,特征提取、机器学习,决策、判断,声发射信号的特征提取方法,声发射信号含有刀具的状态信息，选取最能反映刀具状态的特征量 是准确诊断的关键。声发射信号处理方法：特征参数分析方法和波形分析方法特征参数分析：事件计数、振铃计数、幅度分析特征量的提取方法：时域统计量、小波变换、分形理论、EMD分解 一、时域统计量常用的时域统计量：峰值、峰峰值、均值、绝对均值、有效值、均 方值、标准值、方差、方根幅值、歪度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标等其中，峰值、峰峰值、均
6、值、有效值等与采集信号的能量大小有关的有量纲统计量，受切削条件、工况影响很大，一般不作为特征提取方法，无量纲参数指标常作为设备检测诊断参数。,声发射信号的特征提取方法,无量纲参数指标：波形指标：W=峰值指标：C=裕度指标：L=峭度指标：K=,声发射信号的特征提取方法,无量纲指标不像有量纲指标那样与设备的状态运动参数有关，具有 对信号幅值和频率变化不敏感的特点，从理论上它们与设备的运动条件 无关，值依赖于概率密度函数的形状，是一种较好的设备状态检测诊断 参数。其中，峭度指标对信号中的瞬时冲击非常敏感，当设备无故障运 转是，由于各种不确定因素的影响，信号的幅值分布接近正态分布，峭 度指标比较稳定，
7、随着故障的出现和发展噪声信号中大幅值概率密度增 加，信号幅值的分布偏离正态分布，峭度值随之变化，峭度指标越大， 说明设备故障越严重。陈军堂、廖世勇等结合连续小波变换的优越性和 峭度对噪声信号瞬时特性的敏感性，对信号小波变换系数进行了峭度分 析，提取了信号的故障特征。,声发射信号的特征提取方法,黄惟公、罗中先用包络分析法求取刀具磨损中声发射信号的包络线 ，用其时序模型参数作为特征值，采用神经网络对刀具磨损状态进行分 析。 二、小波分析小波分析包括小波变换和小波包变换。小波分析的思想来源于伸缩 和平移方法，克服了了傅里叶变换在频域中实现完全局部化，但在时域 却没有任何分辨能力的缺点。小波变换能够把
8、任何信号映射到由一个母小波伸缩、平移而成的一 组基函数上去，实现信号在不同频带、不同时刻的合理分离，这相当于 使用低通滤波器和若干带通滤波器而不丢失信息。小波变换具有正交性 和多分辨性。小波函数的正交性保证信息无冗余、无疏漏的分解到独立 的频带中 。小波包变换为信号提供了一种更加精细的分析方法，在全频带对信,声发射信号的特征提取方法,继续对小波变换没有再分解的高频频带作进一步分解，从而提高频率分 辨率。小波分析在刀具声发射的特征提取中应用最广泛。李小俚、姚英学等将小波变换提取各频段能量作为特征值输入 模糊神经网络进行学习。对信号进行小波变换后频谱能量分析，通过频 谱能量变化，发现状态故障。信号
9、按某一函数族展开，即信号表示为不同尺度时移的小波函数的 线性组合，其中系数称小波系数。陈晓智、李蓓智等用小波系数的2-范 数表征信号的奇异性，将小波系数2-范数的的方差作为刀具状态的判据。 试验数据表明此方法受切削状态的影响较小并具有很好的区分度。通过奇异性指数建立与刀具磨损的对应关系。刀具磨损时相应的信 号存在奇异性，用Lip指数描述奇异程度。向文江、赵学智等利用奇异性 指数作为衡量刀具磨损的参量，小波变换的模极大值反映了刀具磨损或 破损的时刻，奇异性指数大小反映了刀具的磨损状况。,声发射信号的特征提取方法,经典频谱分析存在频谱分辨率低。频谱能量泄露、需要较长的原始 数据，上世纪70年代出现
10、现代谱分析方法，参数模型频谱估计是现代谱 分析中的主要内容。，模型是一个预测器，不仅适用于有限长度的观测 数据，还具有外延特性，可利用其对系统状态的发展趋势进行预测，对 隐患进行早期诊断,常用的有自回归模型（AR)、滑动平均模型（MA）、 自回归滑动平均模型（ARMA)。,声发射信号的特征提取方法,三、分形理论分形是一门以不规则事物为研究对象，探索复杂寻根的科学，描述 事物的粗糙、不规则程度。分形的基本特性：1、自相似性，局部与整体 在形态、功能、信息等方面具有某种意义下的相似性。2、标度不变性， 分形集固有的属性，无论测量的尺度如何改变，所测对象的特性（如形 态特性、复杂程度、不规则性、统计
11、特性等）均不发生变化。分形维数是分形理论的基本量，常见的方法有相似维数、信息维数、 计盒维数、关联维数。分形维数反映信号的不规则程度，不受信号能量 大小的影响，与普通统计特征相比，不许考虑加工条件、切削参数的 化。分形维数刻画了曲线的“粗糙”程度，分形维数越大，曲线越曲折， 越不规则；分形维数越小，曲线越光滑，也就是分维能定量的表征曲线 的不规则度。,从图中可以看出，随着刀具磨损量 的增加，分形维数不断增大。刀具磨 损初期，由于刀具磨损快，声发射信 号的分形维数增加也快。声发射 信号分形维数反映了声发射信号的几 何特征，受切削参数变化的影响较 小，随着刀具磨损量的增加，刀具与 工件之间的磨损量
12、加剧，声发射信号 的波形变得越来越不规则，声发射信 号的分形维数逐渐变大。,声发射信号的特征提取方法,声发射信号的特征提取方法,分形理论与其他方法的结合使用紧靠分形理论来进行分析，可以确定信号的复杂程度，但难以找出 更深层次的规律和特征，如果需要找信号中的奇异信号，或者需要对信号进行频域细化分析，紧靠分形分析难以实现。小波变换可以对复杂的 机械振动信号进行分解和对任意频段信号进行细化分析，而且能对对奇 异信号进行检测。小波分析和分形理论在自相似性的本质上和认识事物由粗到细的过程上是一致的。小波分形理论通过比较小波分解后不同频带内信号盒维 数的大小及其变化，来反映信号的不规则度和复杂度，刻画信号
13、的非平 稳性。我校紫艳阳、何正嘉教授提出用小波变换将信号分解到独立频带，然后分别计算每个频带信号的维数，信号越复杂维数越大。,声发射信号的特征提取方法,陈岳良、郭红阳根据波形的分形维数与波形的关系，提出了一种利 用分形维数来自动调整模糊控制参数，从而改善噪声滤波效果的方法。 多数噪声为白噪声或有色噪声，具有宽频带或全频带，大多数噪声振幅 与真实信号相比频率高振幅低，噪声信号可以看做具有维数大于1的分形 结构，根据分形维数自适应调整滤波参数，从而使信号维数降低，变得 平滑，限制和滤除噪声信号。,声发射信号的特征提取方法,四、EMD分解经验模式分解（Empirical Mode Decomposi
14、tion，EMD）由美籍 华人Norden E.Hhuang1998年提出，与传统的傅里叶变换、小波变换 相比,EMD方法具有直观性、直接性、后验性、及自适应性，其分解所 用的基是基于原始信号，尤其适用于非线性和非平稳性的信号。EMD认 为每组数据可以分解为有限个本征模态函数（IMF）之和，每个IMF分量 描述数据的局部特征，对其分析可以更准确地把握原数据的特征信息。 对各个IMF分量进行Hilbert变换，得到对应的Hilbert频谱图，然后进行 分析。 EMD分解需要满足的条件： 1、在整个数据序列中，极值点数量与过零点数量必须相等或至多相差一个。 2、上下包络线均值为零，即分量关于时间轴
15、对称。,声发射信号的特征提取方法,经EMD分解后原始信号可表示为：EMD的优点： 1、截止频率和带宽都随信号的变化而变化，可看作是一个自适应滤波器。 2、不像小波分解需要预先选择基函数，依据信号本身的信息进行分解，在整个“筛分过程中是直接的、自适应的。 3、EMD方法可实现自适应的多分辨率分析，IMF分量包含不同的特征时间尺度，可以使信号特征在不同的分辨率下显示。同时，EMD方法也存在一定缺陷，使用中存在异常干扰和断点效应。 EMD在声发射检测中的应用： 1、基于EMD去噪，赵华武等发现所有IMF服从正态分布，各个傅里叶谱一致，提出将含噪声的信号进行EMD分解得IMFs，确定置信级，根据扩展函
16、数画出能量密度扩展限，最后将其与含噪声的信号IMFs的能量密度比较，超过或低于扩展限的IMFs将被认为在此置信级下含有信号。可以判定从哪一个含噪声的信号得到的IMF含有用信息，哪一个为纯噪声不含信息。,声发射信号的特征提取方法,2、基于EMD的故障特征信息提取，原信号进行EMD分解，得到的IMF分量再进行Hilbert变换，Hilbert谱能精确描述信号的幅值在整个频率段上随频率和时间变化的规律，对Hilbert谱分析可以提出信号所含的故障特征信息。综上，目前故障特征提取方法很多，各有优势和不足，所以人们一 般结合使用两种或两种以上的方法，如小波变换和峭度分析相结合是借 用了小波变换对信号的无
17、冗余无疏漏正交划分和峭度对信号瞬时特性的 敏感度。分形理论和小波变换结合，对小波变换的分解到各频带量进行 分形，计算其维数，判断不同频带下的粗糙程度。对于不同的问题要采 用不同的方法，找出最能反映故障状态的特征提取方法和特征量。同时 要考虑到方法的一般性，在不同的工况下都能适用，或者具有自适应性 ，会随着状态变化作出调整。,机器学习模式识别方法,机器学习根据给定训练样本求对某系统输入输出之间依赖关系的估 计，使对未知输出尽可能准确预测。机器学习还没有人们共同接受的里 理论框架，实现方法大致分为三种：经典的参数统计估计方法（即传统统计模式识别中的参数法） 机器学习 经验非线性方法，如人工神经网络统计学习理论（statistical learning theory，slt），如支持向量机,
