第5期 2017年5月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)05010803
DOI: 10. 13462/j. cenki. mmtamt. 2017. 05. 028
No.5 May2017
基于EMID和ADS的刀具磨损在线监控系统开发
钱桃林，高宏力，李辅翼，王勇
610031）
（西南交通大学机械工程学院，成部
摘要：为实现刀具磨损状态准确快速的识别，开发了一套基于自动化设备规范（ADS)通信技术和经验模态分解（EMD)的刀具状态在线监控系统。运用EMD将振动信号分解成多个固有模态函数分量（IMF），综合使用相关系数法以及能量值法筛选了前6阶IMF分量的均方根值作为监测特征，然后将监测特征作为支持向量机的输入，建立监测特征与刀具磨损状态的关系模型。加工中的一定长度的振动数据经ADS技术传输到建立好的支持向量机（SVM)模型中，完成刀具状态的识别。使用 TwinCAT和Matlab实现了整套系统的功能。经试验验证，刀具监控系统运行稳定，能对刀具状态进行准确快速的判断。
关键词：自动化设备规范；刀具磨损状态；经验模态分解；支持向量机
中图分类号：TH166;TG506
文献标识码：A
Development of Tool Wear Online Monitoring System Based on EMD and ADS
QIAN Tao-lin, GAO Hong-li, LI Fu-yi, WANG Yong
( School of Mechanical Engineering, Southwest Jiaotong University , Chengdu 610031 , China )
Abstract : In order to recognize tool wear state accurately and quickly, a system based on Empirical Mode Decomposition( EMD) and Automation Device Specification( ADS) is developed. Development process in clude model building and online recognition. Firstly, vibration signal is decomposed into several intrinsic mode functions( IMF) by EMD method, using a combination of correlation coefficient method and energy method to figure out eigenvalues, the eigenvalues are the first six orders of IMF' s root mean square. Eigen-values are selected as inputs of support vector machine ( SVM), then the relation model between eigenvalues and wear condition is build. Vibration data with a specified length are transported into SVM model, Finally, the tool wear condition is identified. Using Matlab and TwinCAT to implement the system' s functions Proved by test, the system works well and judge the tool wear state quickly and accurately.
Key words: automation device specification; tool wear condition; empirical mode decomposition; support vector machine
0引言
由于刀具直接参与切削，其磨损状态的变化会直
接导致切削力增加、切削温度增加、工件表面粗糙度上升、切削颤振，甚至导致工件或者刀具的损坏1)。所以能够准确且快速的监控刀具的状态就显得尤为重要
刀具状态监测分为直接监测和间接监测两类(2) 直接监测是借助显微镜、摄像机等工具直接测量刀具磨损带宽度。间接监测则是采集加工中的切削力、振动、声发射、电流、温度等监测信号，建立信号和刀具磨损量之间的数学模型。在切削过程中，刀具和工件直接接触，无法直接通过仪器测量磨损带宽度，需在停止切削的状态下进行，这就严重影响加工效率，面间接测量就不存在这个问题，所以采用间接测量的方法进行刀具状态在线监测。
收稿日期：20160726；修回日期：20160829
间接监测可供选择的信号众多，其中振动信号易于检测、灵敏度高，且包含了丰富的与刀具磨损相关的信息[2)。并且随着刀具的磨损量的增大，刀具和工件之间摩擦产生的振动信号能量分布不尽相同。基于此，对振动信号进行特征提取和模式识别建立了力具状态识别模型。
要实现力具磨损状态准确快速的识别需要不断优化模式识别算法和数据传输速度，采用振铃计数的方法[3]，虽然能提高识别速度，但是未能完全利用振动数据，结论有一定片面性，采用Labview和Matlab混合编程的方法进行刀具在线状态评估}，需要将采集到的数据由.bat类型转换为.txt类型再进行处理，在一定程度上降低了处理速度。提出的基于EMD和ADS通信技术的刀具状态在线监控的方法能做到准确且快速的识别刀具磨损状态。EMD方法能自适应的提取出
作者简介：线桃林(1991一），男，图川递宁人，西制交通大学硕士研究生，研究方向为开放式数控系统，刀具磨损监测，（E-mail)peter1625@fos
mail.com；高宏力（1971一)，男，河南洛阳人，西南交通大学教授，博士生导师，博士，研究方向为复杂机电系统可掌性分析、机器人，（E mail) swghl@ 163. com
万方数据