Page 92 - 《应用声学》2023年第4期
P. 92

754                                                                                  2023 年 7 月

                             ॆʷӑࣨए  -1 1 0


                                      0.1
                                 0
                                                        0.4
                                                              0.5
                                            0.2
                                                  0.3
                                                             ௑ᫎ/s   0.6   0.7  0.8   0.9    1.0
                                                         (a) WT-EMDካข
                             ॆʷӑࣨए  -1 0
                               1
                                                  0.3
                                 0
                                                        0.4
                                            0.2
                                                              0.5
                                      0.1
                                                             ௑ᫎ/s   0.6   0.7  0.8   0.9    1.0
                                                        (b) EMD-STRPካข
                             ॆʷӑࣨए  -1 0
                               1
                                      0.1
                                 0
                                            0.2
                                                        0.4
                                                              0.5
                                                  0.3
                                                             ௑ᫎ/s   0.6   0.7  0.8   0.9    1.0
                                                         (c) AR-EMDካข
                             ॆʷӑࣨए  -1 1 0
                                            0.2
                                                  0.3
                                 0
                                      0.1
                                                        0.4
                                                              0.5
                                                             ௑ᫎ/s   0.6   0.7  0.8   0.9    1.0
                                                         (d) TF-EMDካข
                                                 图 12  不同算法去噪结果对比
                                   Fig. 12 Comparison of denoising results of different algorithms
                    表 4   重构信号 SNR 与 RMSE 对比                       ing, 2019, 30(3): 1423–1436.
                Table 4 The SNR and RMSE comparisons             [2] Liu R, Kothuru A, Zhang S H. Calibration-based tool con-
                                                                   dition monitoring for repetitive machining operations[J].
                of reconstructed signals
                                                                   Journal of Manufacturing Systems, 2020, 54(C): 285–293.
                                                                 [3] Xie Z Y, Li J G, Lu Y. An integrated wireless vibra-
                                    SNR/dB      RMSE
                                                                   tion sensing tool holder for milling tool condition mon-
                   WT-EMD 算法          10.23      0.09
                                                                   itoring[J]. The International Journal of Advanced Manu-
                  EMD-STRP 算法         1.27       0.35
                                                                   facturing Technology, 2018, 95(5–8): 2885–2896.
                   AR-EMD 算法          4.76       0.17            [4] Zhou C A, Yang B, Guo K, et al. Vibration singular-
                   TF-EMD 算法          11.06      0.08              ity analysis for milling tool condition monitoring[J]. In-
                                                                   ternational Journal of Mechanical Sciences, 2020, 166(C):
             4 结论                                                  105254
                                                                 [5] 韩凤华, 谢峰. 基于多参数指标的刀具磨损状态在线监测 [J].
                 本文提出了一种TF-EMD算法,实现了对多频                            制造技术与机床, 2018(2): 141–146.
                                                                   Han Fenghua, Xie Feng. On-line monitoring for cutting
             混合信号中有效成分的提取。TF-EMD 算法利用
                                                                   tool wear condition based on parameters[J] Manufactur-
             EMD 对信号进行分解,随后计算信号与分解结果                               ing Technology & Machine Tool, 2018(2): 141–146.
             的互相关系数,根据互相关系数区分分解结果中的                              [6] 吴昊. 基于声发射的刀具磨损状态识别与预测 [D]. 成都: 电
                                                                   子科技大学, 2017.
             有效成分和干扰成分。最后,依据互相关系数设计
                                                                 [7] 肖才伟. 基于切削力感知的智能切削刀具设计及其关键技术
             计算权重值,通过赋予有效成分更大的权重进行信                                研究 [D]. 哈尔滨: 哈尔滨工业大学, 2014.
             号重构,提高了重构信号的 SNR。选择 RMSE 和                          [8] 刘红岩. 多传感器融合振动钻削磨损状态监测研究 [D]. 长春:
             SNR作为去噪性能评价标准,通过数值模拟和超声                               长春理工大学, 2020.
                                                                 [9] Zhu K P, Lin X. Tool condition monitoring with multi-
             辅助加工实验验证了 TF-EMD 算法的性能。结果
                                                                   scale discriminant sparse decomposition[J]. IEEE Trans-
             表明,TF-EMD 算法在多频混合信号去噪方面优于                             actions on Industrial Informatics, 2019, 15(5): 2819–2827.
             其他比较算法,实现了 SNR 为 5.03 dB 的刀具振动                     [10] Babitsky V I, Kalashnikov A N, Molodtsov F V. Autores-
             信号自感知。                                                onant control of ultrasonically assisted cutting[J]. Mecha-
                                                                   tronics, 2004, 14(1): 91–114.
                            参 考     文   献                       [11] Farahnakian M, Keshavarz M E, Elhami S, et al. Effect of
                                                                   cutting edge modification on the tool flank wear in ultra-
              [1] Jain A K, Lad B K. A novel integrated tool condition  sonically assisted turning of hardened steel[J]. Proceedings
                 monitoring system[J]. Journal of Intelligent Manufactur-  of the Institution of Mechanical Engineers Part B-Journal
   87   88   89   90   91   92   93   94   95   96   97