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