CN111251187A - 一种叶片磨削烧伤信息融合与特征提取方法及装置 - Google Patents
一种叶片磨削烧伤信息融合与特征提取方法及装置 Download PDFInfo
- Publication number
- CN111251187A CN111251187A CN202010044861.5A CN202010044861A CN111251187A CN 111251187 A CN111251187 A CN 111251187A CN 202010044861 A CN202010044861 A CN 202010044861A CN 111251187 A CN111251187 A CN 111251187A
- Authority
- CN
- China
- Prior art keywords
- grinding
- information
- grinding burn
- burn
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/005—Manipulators for mechanical processing tasks
- B25J11/0065—Polishing or grinding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Robotics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开了一种叶片磨削烧伤信息融合与特征提取方法,具体包括:利用多传感器建立磨削监控***;根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;对所述磨削烧伤多传感信息进行信息融合与特征提取;通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。通过上述方案,能够实现对于复杂曲面机器人加工的全面监控,从而有效保证叶片机器人加工的质量。并且能够有效的提取叶片机器人砂带磨削烧伤不变性特征,避免了因加工参数改变而引起的磨削烧伤误判,进一步保证了叶片加工效率和质量。
Description
技术领域
本发明属于机械加工过程的监测与控制技术领域,更具体地,涉及一种叶片磨削烧伤信息融合与特征提取方法及装置。
背景技术
叶片作为航空发动机的关键部件之一,其加工质量的好坏直接关系到航空发动机整体的机械性能。由于叶片型面的复杂性,使得机器人加工过程的控制异常困难,进而导致叶片的表面质量无法得到很好的保证,尤其是磨削烧伤现象,一直是叶片机器人加工领域的难点,极大地限制了机器人加工技术在“两机”领域的推广应用。
磨削烧伤是磨削过程中工件表层组织在瞬态高温作用下发生变化,部分加工表面层出现氧化变色的现象,其可导致工件表面材料的再硬化,使工件表面产生残余应力,严重降低工件的疲劳寿命和应力腐蚀性能。目前,已有的磨削烧伤特征提取方法大多是基于单传感器信息的提取,如:力传感器、温度传感器或加速度计等,该类方法主要利用单一传感器采集加工过程中的信息,并从中提取与磨削烧伤相关的信息特征,以此来判断是否发生磨削烧伤。
然而,上述单传感器信息的提取有很多缺点:首先,由于所提取的磨削烧伤特征(如:信号幅值、有效值等)对于磨削加工参数的变化极其敏感,容易引起磨削烧伤的误判;其次,单一传感器检测的信息很难全面的反映机器人加工过程,不能作为判断是否发生磨削烧伤的可靠特征。
因此,业内亟需一种基于多传感器的叶片磨削烧伤信息融合与特征提取方法以克服现有技术的缺陷。
发明内容
本发明的目的是提供一种叶片磨削烧伤信息融合与特征提取方法,能够实现对于复杂机器人加工的全面监控,从而有效保证叶片机器人加工的质量。
为解决上述技术问题,本发明提供如下技术方案,包括:
利用多传感器建立磨削监控***;
根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
对所述磨削烧伤多传感信息进行信息融合与特征提取;
通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
优选地,所述利用多传感器建立磨削监控***包括:
将第一传感器安装于工业机器人末端法兰上,并对其进行标定;
将叶片夹具安装在所述第一传感器末端;
标定第二传感器,并将所述第二传感器安装于第一预设位置;
标定热成像仪,将所述热成像仪安装第二预设位置。
优选地,所述第一传感器为六维力传感器;
相应地,标定第二传感器,并将所述第二传感器安装于第一预设位置包括:
标定声发射传感器,并在所述叶片夹具末端涂抹耦合剂,将所述声发射传感器安装于所述叶片夹具末端;
标定加速度传感器,并将所述加速度传感器安装在砂带磨抛机接触轮安装横梁上;
标定电流传感器和电压传感器,将所述电流传感器和电压传感器安装在所述砂带磨抛机电机输入端。
优选地,所述根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工包括:
预设不同的磨削加工参数;
相应地,所述预设不同的磨削加工参数包括:
选取加工参数;
固定所述加工参数中的任意两个,逐渐改变剩余参数;
利用所述加工参数进行叶片机器人磨抛加工,并检测叶片是否烧伤;
其中所述检测叶片是否烧伤的步骤如下:
重复试验3次,若3次试验中烧伤与未烧伤均出现,则记录这组加工参数,反之则继续改变所述剩余参数,直至叶片烧伤出现。
优选地,所述对所述磨削烧伤多传感信息进行信息融合与特征提取包括:
基于特定分析方法对采集到的多传感信息进行融合;
根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
根据所述重构小波系数重构信号,得到去噪后的融合信息;
对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
对所述本征模态分量进行希尔伯特变换和傅里叶变换;
提取每一个所述本征模态分量的统计特征包括但不限于:均方根值、平均能量、峰度、平均振幅、功率谱特征值。
优选地,所述根据预选小波基函数对融合后的信息实施小波变换包括:
根据所述预选小波基函数和分解层数对融合后的信息实施小波变换;
所述基于特定分析方法对采集到的多传感信息进行融合包括;
基于核主元分析方法,对采集到的多传感信息进行融合。
优选地,所述通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值包括:
通过对比所述不同加工参数下的磨削烧伤多传感信息确定与磨削烧伤关联度大且随加工参数变换小的特征值作为磨削烧伤不变性特征值。
此外,为实现上述目的,本发明还提出一种叶片磨削烧伤信息融合与特征提取装置,所述叶片磨削烧伤信息融合与特征提取装置包括:
监控单元,用于利用多传感器建立磨削监控***;
磨抛加工单元,用于根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
信息采集单元,用于通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
信息处理单元,用于对所述磨削烧伤多传感信息进行信息融合与特征提取;
特征确定单元,用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
优选地,所述信息采集单元包括:
信息融合单元,用于基于特定分析方法对采集到的多传感信息进行融合;
小波变换单元,根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
去噪单元;用于利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
重构信号单元;用于根据所述重构小波系数重构信号,得到去噪后的融合信息;
第一信息变换单元,用于对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
第二信息变换单元,用于对所述本征模态分量进行希尔伯特变换和傅里叶变换;
特征提取单元,用于提取每一个所述本征模态分量的统计特征包括但不限于:均方根值、平均能量、峰度、平均振幅、功率谱特征值。
优选地,所述特征确定单元包括:
用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与磨削烧伤关联度大且随加工参数变换小的特征值作为磨削烧伤不变性特征值。
本发明提出一种叶片磨削烧伤信息融合与特征提取方法,包括:利用多传感器建立磨削监控***;根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;对所述磨削烧伤多传感信息进行信息融合与特征提取;通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。通过上述方案,能够实现对于复杂曲面机器人加工的全面监控,从而有效保证叶片机器人加工的质量。并且能够有效的提取叶片机器人砂带磨削烧伤不变性特征,避免了因加工参数改变而引起的磨削烧伤误判,进一步保证了叶片加工效率和质量。
附图说明
图1为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法流程图;
图2为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中多传感器监控***架构图;
图3为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中多传感器监控***示意图;
图4为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中磨削烧伤加工参数的获取办法的流程示意图;
图5为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中基于小波变换与希尔伯特-黄变换的联合特征提取方法的流程示意图;
图6为本发明实施例一种叶片磨削烧伤信息融合与特征提取装置示意图;
在所有附图中,同样的附图标记表示相同的技术特征,具体为:1-六维力传感器、2-声发射传感器、3-加速度传感器、4-电流电压传感器、5-红外线热成像仪、6-低速采集卡、7-高速数据采集卡、8-前置放大器、9-前放供电分离信号、10-电荷放大器、11-砂带磨抛机接触轮安装横梁、12-机器人控制柜、13-PC端、14-机器人。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
参见图1所示,为本发明提供了一种叶片磨削烧伤信息融合与特征提取方法流程图,具体包括:
S100:利用多传感器建立磨削监控***;
S200:根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
S300:通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
S400:对所述磨削烧伤多传感信息进行信息融合与特征提取;
S500:通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
本发明实施例提供了一种叶片磨削烧伤信息融合与特征提取方法,下面将以为航空发动机叶片机器人砂带磨削为例进行说明,但本发明适用场景并不仅限于航空发动机叶片机器人砂带磨削。
S100:利用多传感器建立磨削监控***;
利用多传感器建立磨削监控***,这是叶片磨削烧伤信息融合与特征提取的前提,通过此***在线采集不同磨削加工参数下的磨削烧伤多传感信息。具体***架构图参见图2,为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中多传感器监控***架构图,具体***示意图参见图3,为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中多传感器监控***示意图。具体地,在图3中,同样的附图标记表示相同的技术特征,具体为:1-六维力传感器、2-声发射传感器、3-加速度传感器、4-电流电压传感器、5-红外线热成像仪、6-低速采集卡、7-高速数据采集卡、8-前置放大器、9-前放供电分离信号、10-电荷放大器、11-砂带磨抛机接触轮安装横梁、12-机器人控制柜、13-PC端、14-机器人。
其中,六维力传感器1安装在机器人14法兰盘末端与机器人控制柜12相连。声发射传感器2通过耦合剂粘接在夹具端,并依次通过前置放大器8、前放供电分离信号器9与高速数据采集卡7相连。加速度传感器3安装在砂带磨抛机接触轮安装横梁11上,通过电荷放大器10与高速数据采集卡7相连。电压电流传感器4安装在砂带磨抛机电机输入端,并与低速采集卡6相连。红外热成像仪5安装的位置,并不限于如图3所示安装位置。低速采集卡6、高速采集卡7、机器人控制柜12和红外热成像仪5均与PC端13相连。
进一步地,利用多传感器建立磨削监控***主要包括:
S101:将第一传感器安装于工业机器人14末端法兰上,并对其进行标定,所述第一传感器通过数据线与机器人控制柜12相连;
S102:将叶片夹具安装在所述第一传感器末端;
S103:标定第二传感器,并将所述第二传感器安装于第一预设位置;
S104:标定热成像仪5,将所述热成像仪5安装于第二预设位置。
其中,S101:将第一传感器安装于工业机器人14末端法兰上,并对其进行标定。
具体地,将第一传感器安装于工业机器人末端法兰上,并对其进行标定,其中第一传感器通过数据线与机器人控制柜12相连。第一传感器优选为六维力传感器1。六维力传感器1为多维力传感器中的一种,多维力传感器指的是一种能够同时测量两个方向以上力及力矩分量的力传感器,在笛卡尔坐标系中力和力矩可以各自分解为三个分量,因此,多维力最完整的形式是六维力/力矩传感器,即能够同时测量三个力分量和三个力矩分量的传感器,广泛使用的多维力传感器就是这种传感器。而,六维力传感器1是智能机器人重要的传感器,它能同时检测三维空间(笛卡尔坐标系)的全力信息,即三个力分量和三个力矩分量。因此本发明实施例优选六维力传感器1作为第一传感器安装于工业机器人14末端法兰上,并对其进行标定。
S102:将叶片夹具安装在所述第一传感器末端;
具体地,将气动叶片夹具安装在所述六维力传感器1末端,主要起到固定作用。
S103:标定第二传感器,并将所述第二传感器安装于第一预设位置。
具体地,标定第二传感器,并将所述第二传感器安装于第一预设位置。此处的第二传感器优选包含4种传感器,具体为:声发射传感器2、加速度传感器3、电流传感器和电压传感器4。
示例性地,标定第二传感器,并将所述第二传感器安装于第一预设位置包括:
S103A:标定声发射传感器2,并在所述叶片夹具末端涂抹耦合剂,将所述声发射传感器2安装于所述叶片夹具末端;
S103B:标定加速度传感器3,并将所述加速度传感器3安装在砂带磨抛机接触轮安装横梁11上;
S103C:标定电流传感器和电压传感器4,将所述电流传感器和电压传感器4安装在所述砂带磨抛机电机输入端;
其中,S103A:标定声发射传感器2,并在所述叶片夹具末端涂抹耦合剂,将所述声发射传感器2安装于所述叶片夹具末端。此外,两端之间充分填充所述耦合剂,以保证信号质量,所述声发射传感器2依次通过前置放大器8、前放供电分离信号器9与高速数据采集卡7相连。
其中,S103B:标定加速度传感器3,并将所述加速度传感器3安装在砂带磨抛机接触轮安装横梁11上。加速度传感器3通过电荷放大器10与高速数据采集7卡相连;
其中,S103C:标定电流传感器和电压传感器4,将所述电流传感器和电压传感器4安装在所述砂带磨抛机电机输入端。电流传感器和电压传感器4与低速采集卡6相连
其中,S104:标定热成像仪5,将所述热成像仪5安装在于第二预设位置,所述第二预设位置为便于测量磨削温度的位置,并不限于图3的位置。机器人控制柜12、所述低速采集卡6/高速采集卡7和所述热成像仪5均与PC端13相连。本发明实施例所述的热成像仪5优选为红外热成像仪。
进一步地,S200:根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
在实际应用中,根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工,主要设置不同磨削烧伤加工参数,对航空发动机叶片进行机器人磨抛加工,在线采集磨削烧伤发生时加工过程中的力、温度、振动、功率和声发射信号。
在S200:根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工包括:
S200’:预设不同的磨削加工参数;
具体地,参见图4,为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中磨削烧伤加工参数的获取办法的流程示意图,预设不同的磨削加工参数包括:
S201:选取加工参数;
S202:固定所述加工参数中的任意两个,逐渐改变剩余参数;
S203:利用所述加工参数进行叶片机器人磨抛加工;
S204:并检测叶片是否烧伤;
S205:若是,则烧伤次数i=i+1;
S206:试验次数n=n+1;
S207:若否,试验次数n=n+1;
S208:判断试验次数n是否大于3;
若否,则返回步骤S203;
若是,则进行步骤S209:判断i是否等于0;
若是,则返回步骤S202;
若否,则记录这组参数,重新选取参数。
示例性地,首先选取加工参数,再次固定所述加工参数中的任意两个,逐渐改变剩余参数,其中,任意两个参数可以为砂带转速、机器人进给速度、磨削力中的两个,剩余参数即为另一个参数。记试验结果:试验次数n=0,烧伤次数i=0。使用所述加工参数进行叶片机器人磨抛加工,并检测叶片是否烧伤;若烧伤i=i+1,进一步,n=n+1,若没有烧伤,则n=n+1。判断n是否大于3次,若否,则返回步骤S203,若是,则进一步判断i是否等于0,若是,则返回步骤S202,若否,则记录这组参数,重新选取参数进行试验。
进一步地,S300:通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
这里,S300:通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息。即通过上述建立的多传感器监控***采集磨削烧伤多传感信息,以供后续进行信息的融合与特征提取。
进一步地,S400:对所述磨削烧伤多传感信息进行信息融合与特征提取;
在本实施例中,S400:对所述磨削烧伤多传感信息进行信息融合与特征提取,即对上述S300步骤采集的信息进行处理。
主要包括如下步骤:
S401:基于特定分析方法对采集到的多传感信息进行融合;
S402:根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
S403:利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
S404:根据所述重构小波系数重构信号,得到去噪后的融合信息;
S405:对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
S406:对所述本征模态分量进行希尔伯特变换和傅里叶变换;
S407:提取每一个所述本征模态分量的统计特征包括但不限于:均方根值、平均能量、峰度、平均振幅、功率谱特征值。
其中,S401:基于特定分析方法对采集到的多传感信息进行融合;
本步骤中,基于特定分析方法对采集到的多传感信息进行融合,即通过分析方法对采集到的多传感信息进行融合。此处所用的特定分析方法优选为核主元分析方法。核主元分析方法具体为:在连续生产过程中,生产***在长期运行和生产负荷中会不可避免地发生各种故障,影响生产质量,甚至引起重大的经济损失,而化工生产***一般都具有过程精确、建模困难、过程变量众多且相互间具有强耦合,并且在实际中存在各种随机因素影响等特点。这就使得基于机理模型的诊断方法的应用极为不便。核主元分析方法(KPCA)是一种不依赖于过程机理的建模方法,它只需通过过程数据的信息来进行统计建模,然后基于该模型实现对过程的监测。所以主元分析是一种较为成熟的多元统计监测方法。
其中,S402:根据预选的小波基函数和分解层数对融合后的信息实施小波变换,得到原始小波系数;
在本步骤中,根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数。
其中,S403:利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
在本步骤中,利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数。本发明实施例优选小波阈值去噪算法。小波阈值去噪算法具有算法简单、计算效率高等优点,并且能够保证将融合信息中的有用信息和噪声信息在小波变换域上最大程度地分开,使得有用信息被最大程度地保留和恢复。
但并不限定具体的阈值去噪函数方法,只要能够有效地去除噪声即可。
其中,S404:根据所述重构小波系数重构信号,得到去噪后的融合信息;
在本步骤中,根据所述重构小波系数重构信号,得到去噪后的融合信息。
其中,S405:对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
在本步骤中,对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量。希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT),HHT主要内容包含两部分,第一部分为经验模态分解(Empirical Mode Decomposition,简称EMD),它是由Huang提出的;第二部分为Hilbert谱分析(Hilbert Spectrum Analysis,简称HSA)。简单说来,HHT处理非平稳信号的基本过程是:首先利用EMD方法将给定的信号分解为若干固有模态函数(以Intrinsic Mode Function或IMF表示,也称作本征模态函数),这些IMF是满足一定条件的分量;然后,对每一个IMF进行Hilbert变换,得到相应的Hilbert谱,即将每个IMF表示在联合的时频域中;最后,汇总所有IMF的Hilbert谱就会得到原始信号的Hilbert谱。
具体参加图5,为本发明实施例一种叶片磨削烧伤信息融合与特征提取方法中基于小波变换与希尔伯特-黄变换的联合特征提取方法的流程示意图。
主要包括:
S601:选取小波基函数;
S602:确定小波分解层数N;
S603:传感器融合信息小波分解;
S604:确定小波阈值函数;
S605:判断当前小波层数I是否大于N;
S605A:若否,则确定当前层小波系数阈值;
S605B:更新当前层的小波系数;
S605C:更新I=I+1;
S615A:若是,则用更新后的小波系数重构多传感融合信息;
S615B:多传感融合信息经验模态分解得到多层IMF分量;
S615C:计算每层IMF分量的时域统计量;
S615D:对每层IMF进行HHT变换和FFT变换;
S615E:计算每层IMF的频域统计量,如:均方根值、峰度等;
S615F:记录和保存所有计算结果,作为特征值;
S615G:对所有特征值进行判断,选出磨削烧伤不变性特征值。
具体地,主要包括两部分:首先,选取合适的小波基函数和分解层数,结合合适的小波阈值函数,对融合后的多传感信息进行去噪处理;然后,对去噪后的融合信息进行希尔伯特-黄变换,该过程主要分为两步:首先,对去噪后的融合信息进行经验模态分解得到本征模态分量;然后对每一个本征模态分量希尔伯特变换和傅里叶变换,并计算其时域统计量,提取每一个所述本征模态分量的(包括但不限于)均方根值、平均能量、峰度、平均振幅、功率谱特征值等特征。最后,对得到的所有特征值进行分析判断,选出磨削烧伤不变性特征,作为辨识磨削烧伤发生的依据。
其中,S406:对所述本征模态分量进行希尔伯特变换和傅里叶变换;
在本步骤中,对所述本征模态分量进行希尔伯特变换和傅里叶变换,已经步骤S405步骤中有所提及,在此不做详细描述。
其中,S407:提取每一个所述本征模态分量的统计特征包括不限于均方根值、平均能量、峰度、平均振幅、功率谱特征值;
在本步骤中,提取每一个所述本征模态分量的统计特征包括不限于均方根值、平均能量、峰度、平均振幅、功率谱特征值,已经步骤S405步骤中有所提及,在此不做详细描述。
通过上述技术方案,采用了经验模态分解对叶片机器人加工过程中的非线性、非平稳信号进行线性化和平稳化处理,并在分解的过程中保留数据本身的特性,克服了传统信号处理方法(如:Fourier(傅里叶变换)变换、功率谱估计等)无法有效提取非线性/非平稳信号特征的问题。
并且,通过上述磨削烧伤多传感信息进行信息融合与特征提取方法,具有应用成本低、自动化程度高和操作简单等优点。
进一步地,S500:通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
具体地,通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。此处的预设标准为磨削烧伤关联度大且随加工参数变换小的特征值,通过上述预设标准选出磨削烧伤不变性特征,作为辨识磨削烧伤发生的依据。
应用本发明实施例提出叶片磨削烧伤信息融合与特征提取方法,包括:利用多传感器建立磨削监控***;根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;对所述磨削烧伤多传感信息进行信息融合与特征提取;通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。通过上述方案,形成了一种叶片磨削烧伤信息融合与特征提取方法,以声发射传感器2为主,六维力传感器、加速度传感器3、电流传感器和电压传感器4以及热成像仪5为辅,开发一套叶片机器人砂带磨削加工过程监控***,能够在线实时采集声发射、力、振动和温度等信号,能够实现对于复杂曲面机器人加工的全面监控,从而有效保证叶片机器人加工的质量。并且能够有效的提取叶片机器人砂带磨削烧伤不变性特征,避免了因加工参数改变而引起的磨削烧伤误判,进一步保证了叶片加工效率和质量。
进一步地,参见图6,本发明还提出了一种叶片磨削烧伤信息融合与特征提取装置,具体包括:
监控单元10,用于利用多传感器建立磨削监控***;
磨抛加工单元20,用于根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
信息采集单元30,用于通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
信息处理单元40,用于对所述磨削烧伤多传感信息进行信息融合与特征提取;
特征确定单元50,用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
进一步地,信息采集单元30还包括:
信息融合单元31,用于基于特定分析方法对采集到的多传感信息进行融合;
小波变换单元32,根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
去噪单元33;用于利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数
重构信号单元34;用于根据所述重构小波系数重构信号,得到去噪后的融合信息;
第一信息变换单元35,用于对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
第二信息变换单元36,用于对所述本征模态分量进行希尔伯特变换和傅里叶变换;
特征提取单元37,用于提取每一个所述本征模态分量的统计特征包括不限于均方根值、平均能量、峰度、平均振幅、功率谱特征值;
进一步地,所述特征确定单元包括:
用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与磨削烧伤关联度大且随加工参数变换小的特征值作为磨削烧伤不变性特征值。
应用本发明提供的叶片磨削烧伤信息融合与特征提取装置,包括:监控单元10,用于利用多传感器建立磨削监控***;磨抛加工单元20,用于根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;信息采集单元30,用于通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;信息处理单元40,用于对所述磨削烧伤多传感信息进行信息融合与特征提取;特征确定单元50用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。通过上述方案,能够实现对于复杂曲面机器人加工的全面监控,从而有效保证叶片机器人加工的质量。并且能够有效的提取叶片机器人砂带磨削烧伤不变性特征,避免了因加工参数改变而引起的磨削烧伤误判,进一步保证了叶片加工效率和质量。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,包括:
利用多传感器建立磨削监控***;
根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
对所述磨削烧伤多传感信息进行信息融合与特征提取;
通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
2.根据权利要求1所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,所述利用多传感器建立磨削监控***包括:
将第一传感器安装于工业机器人末端法兰上,并对其进行标定;
将叶片夹具安装在所述第一传感器末端;
标定第二传感器,并将所述第二传感器安装于第一预设位置;
标定热成像仪,将所述热成像仪安装第二预设位置。
3.根据权利要求2所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,
所述第一传感器为六维力传感器;
相应地,标定第二传感器,并将所述第二传感器安装于第一预设位置包括:
标定声发射传感器,并在所述叶片夹具末端涂抹耦合剂,将所述声发射传感器安装于所述叶片夹具末端;
标定加速度传感器,并将所述加速度传感器安装在砂带磨抛机接触轮安装横梁上;
标定电流传感器和电压传感器,将所述电流传感器和电压传感器安装在所述砂带磨抛机电机输入端。
4.根据权利要求1所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,所述根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工包括:
预设不同的磨削加工参数;
相应地,所述预设不同的磨削加工参数包括:
选取加工参数;
固定所述加工参数中的任意两个,逐渐改变剩余参数;
利用所述加工参数进行叶片机器人磨抛加工;
检测叶片是否烧伤;
其中所述检测叶片是否烧伤的步骤如下:
重复试验3次,若3次试验中烧伤与未烧伤均出现,则记录这组加工参数,反之则继续改变所述剩余参数,直至叶片烧伤出现。
5.根据权利要求1所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,所述对所述磨削烧伤多传感信息进行信息融合与特征提取包括:
基于特定分析方法对采集到的多传感信息进行融合;
根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
根据所述重构小波系数重构信号,得到去噪后的融合信息;
对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
对所述本征模态分量进行希尔伯特变换和傅里叶变换;
提取每一个所述本征模态分量的统计特征包括但不限于:均方根值、平均能量、峰度、平均振幅、功率谱特征值。
6.根据权利要求5所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,所述根据预选小波基函数对融合后的信息实施小波变换包括:
根据所述预选小波基函数和分解层数对融合后的信息实施小波变换;
所述基于特定分析方法对采集到的多传感信息进行融合包括;
基于核主元分析方法,对采集到的多传感信息进行融合。
7.根据权利要求1至6中任一项所述的一种叶片磨削烧伤信息融合与特征提取方法,其特征在于,所述通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值包括:
通过对比所述不同加工参数下的磨削烧伤多传感信息确定与磨削烧伤关联度大且随加工参数变换小的特征值作为磨削烧伤不变性特征值。
8.一种叶片磨削烧伤信息融合与特征提取装置,其特征在于,包括:
监控单元,用于利用多传感器建立磨削监控***;
磨抛加工单元,用于根据预设的不同磨削加工参数对所述叶片进行机器人磨抛加工;
信息采集单元,用于通过所述监控***采集磨削烧伤多传感信息,以获得不同加工参数下的磨削烧伤多传感信息;
信息处理单元,用于对所述磨削烧伤多传感信息进行信息融合与特征提取;
特征确定单元,用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与预设标准相符合的特征值作为磨削烧伤不变性特征值。
9.根据权利要求8所述的一种叶片磨削烧伤信息融合与特征提取装置,其特征在于,所述信息采集单元包括:
信息融合单元,用于基于特定分析方法对采集到的多传感信息进行融合;
小波变换单元,根据预选小波基函数对融合后的信息实施小波变换,得到原始小波系数;
去噪单元;用于利用预选的阈值去噪函数,对所述原始小波系数进行降噪处理得到重构小波系数;
重构信号单元;用于根据所述重构小波系数重构信号,得到去噪后的融合信息;
第一信息变换单元,用于对所述去噪后的融合信息进行希尔伯特-黄变换,所述希尔伯特-黄变换包括经验模态分解和希尔伯特变换两个部分,经过所述经验模态分解后得到所述去噪后的融合信息的本征模态分量;
第二信息变换单元,用于对所述本征模态分量进行希尔伯特变换和傅里叶变换;
特征提取单元,用于提取每一个所述本征模态分量的统计特征包括但不限于:均方根值、平均能量、峰度、平均振幅、功率谱特征值。
10.根据权利要求8所述的一种叶片磨削烧伤信息融合与特征提取装置,其特征在于,所述特征确定单元包括:
用于通过对比所述不同加工参数下的磨削烧伤多传感信息确定与磨削烧伤关联度大且随加工参数变换小的特征值作为磨削烧伤不变性特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044861.5A CN111251187A (zh) | 2020-01-16 | 2020-01-16 | 一种叶片磨削烧伤信息融合与特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010044861.5A CN111251187A (zh) | 2020-01-16 | 2020-01-16 | 一种叶片磨削烧伤信息融合与特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111251187A true CN111251187A (zh) | 2020-06-09 |
Family
ID=70945235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010044861.5A Pending CN111251187A (zh) | 2020-01-16 | 2020-01-16 | 一种叶片磨削烧伤信息融合与特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111251187A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115383514A (zh) * | 2022-09-06 | 2022-11-25 | 陕西法士特齿轮有限责任公司 | 一种基于振动信号时域分析的磨削烧伤监测方法 |
CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101879690A (zh) * | 2010-01-21 | 2010-11-10 | 湘潭大学 | 一种基于多传感器信号的批量钻削工序质量监测方法 |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
CN106826565A (zh) * | 2017-03-16 | 2017-06-13 | 中国人民解放军装甲兵工程学院 | 一种利用磨削力监控砂轮磨损与磨削烧伤的方法 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
-
2020
- 2020-01-16 CN CN202010044861.5A patent/CN111251187A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101879690A (zh) * | 2010-01-21 | 2010-11-10 | 湘潭大学 | 一种基于多传感器信号的批量钻削工序质量监测方法 |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
CN106826565A (zh) * | 2017-03-16 | 2017-06-13 | 中国人民解放军装甲兵工程学院 | 一种利用磨削力监控砂轮磨损与磨削烧伤的方法 |
CN110059639A (zh) * | 2019-04-22 | 2019-07-26 | 桂林电子科技大学 | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 |
Non-Patent Citations (4)
Title |
---|
李娟莉等: "基于三层信息融合的提升机制动***故障诊断", 《振动、测试与诊断》 * |
李怀俊: "《基于核主元模糊聚类的旋转机机械故障诊断技术研究》", 31 July 2016 * |
杨振生: "面向磨削烧伤问题的间接监测技术研究", 《中国博士学位论文全文数据库 工程科技I籍》 * |
魏海增等: "基于CMT-HHT结合的永磁同步电机失磁故障诊断方法及其可行性分析", 《电机与控制应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115383514A (zh) * | 2022-09-06 | 2022-11-25 | 陕西法士特齿轮有限责任公司 | 一种基于振动信号时域分析的磨削烧伤监测方法 |
CN115647819A (zh) * | 2022-09-20 | 2023-01-31 | 玉环仪表机床制造厂 | 车磨一体复合机及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN111251187A (zh) | 一种叶片磨削烧伤信息融合与特征提取方法及装置 | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、*** | |
CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN115563553A (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
CN108037034A (zh) | 砂轮磨削性能的多传感器在线检测及数据处理*** | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动*** | |
CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN111352365B (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN109062051A (zh) | 一种提高机器人动力学参数辨识精度的方法 | |
CN113326774A (zh) | 一种基于AlexNet网络的机床能耗状态识别方法及*** | |
CN110994802A (zh) | 一种输电导线运行状态监测方法和装置 | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN113984392B (zh) | 一种电驱动总成***振动品质在线测试评估方法 | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN113962318A (zh) | 基于内外数据融合和机器学习的变压器状态异常检测方法 | |
Li et al. | A fault diagnosis equipment of motor bearing based on sound signal and CNN | |
CN115213735B (zh) | 一种铣削加工过程刀具状态监测***及方法 | |
CN112485018B (zh) | 基于机理数据融合的机械设备能耗异常检测方法 | |
CN117929418B (zh) | 一种集成电路缺陷检测方法及*** | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN116183010B (zh) | 动态称重传感器的故障诊断方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |