Page 85 - 《应用声学》2023年第4期
P. 85

第 42 卷 第 4 期              桑汉德等: 超声辅助加工系统的刀具状态自感知算法                                          747


                                                               滤除低频噪声和剩余的高频白噪声,提高了 EMD
             0 引言
                                                               算法的去噪性能。文献 [20] 提出了一种基于软阈
                 在机械制造行业中,刀具状态检测是保证产品                          值和粗糙度惩罚的 EMD 去噪算法 (EMD with soft
             质量、提高加工效率和降低成本的关键技术                      [1−4] 。  thresholding and roughness penalty, EMD-STRP),
             文献 [5] 指出刀具振动信号包含刀具工作状态的有                         通过计算各个 IMF 分量与原信号的相关系数,设
             效信息,提取振动信号的时频特征可以实现刀具状                            置阈值将相关系数大的作为有用信号。对有用信
             态的有效检测。现有刀具状态监测主要有基于声发                            号应用粗糙度惩罚,对无用信号应用软阈值去噪技
             射信号特征     [6] 、切削力信号特征       [7]  以及多源信号融         术,提高了所选信号的信噪比 (Signal-to-noise ra-
             合特征   [8−9]  等监测刀具工作状态的方法,均需要附                    tio, SNR)。文献 [21]提出了一种结合相关系数准则
             加传感器才可以实现刀具监测信号的有效提取。                             和均方根误差 (Root mean squared error, RMSE)
                 超声辅助加工技术得到广泛关注并已应用于                           的EMD自适应阈值重构方法 (EMD with adaptive
             玻璃、陶瓷等精密零件的实际生产中,可以起到提                            reconstruction, AR-EMD),通过对得到的 IMF 分
             高加工效率、降低刀具磨损、改善加工质量等优异                            量进行自适应阈值筛选,达到了信号降噪的目的。
             效果  [10] 。超声辅助切削系统的核心部件是压电陶                       但是上述方法仅考虑了原始信号与 IMF 分量的时
             瓷组成的换能器。传统超声辅助加工的原理是采                             域相关性,忽视了频域相关性对提高重构信号 SNR
             用换能器的逆压电效应产生高频振动并激励刀具                             的作用。
             振动  [11] 。压电换能器在完成辅助切削的同时,可                           本文提出了一种基于经验模态分解的时频域
             以利用自身的正压电效应实现刀具振动信号的感                             重构算法(Time and frequency domain reconstruc-
             知  [12−13] 。受此启示,本文提出具有刀具振动信号                     tion algorithm based on empirical mode decompo-
             自感知功能的超声辅助加工系统,在不附加传感器                            sition, TF-EMD) 提取微弱振动信号,提高了重构
             的条件下实现刀具状态在线监测。但是,由于超声                            信号的SNR。通过计算各分量与原始信号的时频域
             驱动电源和环境噪声的影响,采集到的刀具振动信                            互相关系数,设计权重系数重构 IMF 分量和残差,
             号通常淹没在噪声中。目前鲜有文献提及强噪声背                            实现了信号自适应降噪和特征提取。在重构信号的
             景下,超声辅助切削系统刀具微弱振动信号的提取                            过程中,避免了人为因素的影响,达到了信号自适应
             方法。                                               提取的目的。
                 常用的提取振动信号的方法有:数字滤波、傅里
                                                               1 TF-EMD算法
             叶变换、小波变换和经验模态分解(Empirical mode
             decomposition, EMD) 等  [14−15] 。数字滤波和傅里
                                                                   EMD 是一种依据数据自身的时间尺度特征来
             叶变换作为工程中广泛应用的方法,并不能去除非
                                                               进行信号分解的时频域分析方法,不需要输入信号
             平稳信号中的无效成分           [16] 。小波变换与傅里叶变
                                                               的先验信息。该方法可以将非平稳信号分解为一系
             换相比,虽然改善了处理非平稳信号时不适用的现
                                                               列不同时间尺度的 IMF 分量。IMF 分量需要满足
             状,但是存在小波基选取困难和噪声较大或能量有
                                                               两个条件     [22] :(1) 极值点数和过零点的个数相差不
             限时,小波滤波效果不理想的问题                [17] ,因此具有一
                                                               大于 1;(2) 在任意点处,上下包络的均值为 0。经过
             定的局限性。EMD 是依据数据自身的时间尺度特
                                                               EMD方法,原始信号x(t)被分解为
             征,自适应地分解成若干个本征模态函数 (Intrinsic
                                                                                   n
             mode function, IMF)以及残差,不需要输入信号的                              x (t) =  ∑ c i (t) + r n (t),  (1)
             先验信息    [18] 。然而EMD算法并不能实现强噪声背                                       i=1
             景下微弱振动信号的提取。                                      其中,n是 IMF 分量的个数,c i (t) 和r n (t) 分别是第
                 文献 [19] 提出了一种结合小波阈值和经验模                       i个IMF和残差分量。
             态分解的去噪方法 (Wavelet threshold and EMD,                  通过 EMD 方法将原始信号分解为一系列频率
             WT-EMD),通过对振动信号进行小波分解,部分                          从高到低的 IMF 和一个残差。在信号去噪的过程
             滤除白噪声。随后对小波重构信号进行 EMD 得到                          中,高频分量和低频分量往往对应着噪声分量,残差
             多个 IMF 分量,通过分析每个 IMF 分量的频谱图,                      反映信号的趋势。因此,通过降低这些分量重构的
   80   81   82   83   84   85   86   87   88   89   90