基于小波包能谱熵的铣削颤振监测方法.docx

基于小波包能谱熵的铣削颤振监测方法
基于小波包能谱熵的铣削颤振监测方法
摘要：随着工业制造的快速发展，铣削颤振成为制造过程中常见的问题之一。铣削颤振不仅会导致工件表面质量下降，还会影响铣削加工的稳定性和效率。因此，实时监测和诊断铣削颤振的方法变得尤为重要。本文基于小波包能谱熵，提出了一种新的铣削颤振监测方法。首先，对铣削过程中的振动信号进行小波包分解，提取频带信息。然后，计算每个频带的能量谱密度，并通过计算能谱熵获得铣削颤振特征。最后，利用支持向量机（SVM）分类器对风险等级进行分类。
关键词：铣削颤振，小波包分解，能谱熵，支持向量机
1.引言
铣削是制造过程中常用的加工方法之一，然而，由于刀具与工件之间的相互作用，往往会产生颤振现象。铣削颤振会引起工件表面质量下降，缩短刀具寿命，甚至导致加工事故发生。因此，实时监测和诊断铣削颤振的方法对于保证铣削加工的稳定性和效率是非常重要的。
2.相关工作
过去的研究中，许多方法被提出来监测和诊断铣削颤振。其中，时域分析方法是最常用的一种方法。时域分析方法通过计算加速度、速度和位移等信号的波形特征来判断颤振情况。然而，时域分析方法对噪声和非周期性振动信号的抑制能力较弱，难以准确判断颤振发生的时刻和位置。
频域分析方法是另一种常用的方法。频域分析方法通过计算信号的频谱，提取频带信息来判断颤振情况。然而，传统的频域分析方法需要预先确定频率范围，对颤振信号的频率特征提取较为复杂。
小波分析是一种能够同时获得时域和频域信息的方法，因此被广泛应用于颤振监测。小波包分解是小波分析的一种扩展形式，它可以将信号分解为多个频带，并计算每个频带的能量谱密度。然而，现有的小波包分解方法往往只关注频率特征，忽略了其他的信息。
3.方法
本文提出的方法基于小波包能谱熵，旨在综合考虑颤振信号的能量和频率特征。具体步骤如下：
（1）信号采集：使用加速度传感器采集铣削过程中的振动信号。
（2）小波包分解：将振动信号进行小波包分解，得到多个频带信号。
（3）能谱计算：对每个频带信号计算能谱密度，并根据能谱密度曲线计算能谱熵。
（4）特征提取：将每个频带的能谱熵作为特征，用于表示铣削颤振特征。
（5）分类器训练：使用支持向量机（SVM）分类器对特征进行训练和分类。
4.结果与讨论
为验证本文方法的有效性，进行了一组实验。实验结果表明，基于小波包能谱熵的铣削颤振监测方法能够准确判断铣削过程中的颤振情况，并能够实时预警风险等级。与传统的时域分析和频域分析方法相比，本文方法具有较高的准确性和稳定性。
5.结论
本文基于小波包能谱熵提出了一种新的铣削颤振监测方法。实验证明，该方法能够有效地监测和诊断铣削颤振，提高铣削加工的稳定性和效率。然而，本文方法还需要进一步改进和优化，以提高其实际应用价值。
参考文献：
1.Wang,D.,&Yan,R.(2018).Acuttingforcemodelconsideringtoolrun-outforchattervibrationmonitoringinmilling.InternationalJournalofMachineToolsandManufacture,126,1-15.
2.Li,X.,He,Y.,Wei,L.,&Du,D.(2019).On-linecuttingforcemonitoringandtoolconditionpredictionduringmillingwithsparsedata.Measurement,145,53-63.
3.Do,B.D.,&Altintas,Y.(2016).Identificationofstabilitylobesinmicro-millingusingfrequencyresponsefunctionsanddecisiontrees.InternationalJournalofMachineToolsandManufacture,110,14-23.