薄壁件铣削颤振特征提取的GA-PE-VMD和MSE方法.pdf
《薄壁件铣削颤振特征提取的GA-PE-VMD和MSE方法.pdf》由会员分享,可在线阅读,更多相关《薄壁件铣削颤振特征提取的GA-PE-VMD和MSE方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 28 卷 第 2 期2023 年 4 月哈 尔 滨 理 工 大 学 学 报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGYVol.28No.2Apr.2023 薄壁件铣削颤振特征提取的GA-PE-VMD 和 MSE 方法王瀚彬,李茂月,刘献礼,王志学,孟博洋(哈尔滨理工大学 机械动力工程学院,哈尔滨 150080)摘 要:在高速铣削航空零件时,由于薄壁结构刚度较低,容易产生颤振,颤振导致表面质量差,尺寸误差,降低刀具和机器寿命,是性能的主要限制之一。因此,需要一种可靠的检测方法来识别颤振。针对薄壁结构铣削过程中的颤振检测问题,提出
2、一种基于优化变分模态分解和多尺度样本熵的薄壁件颤振特征提取方法。首先,为了解决变分模态分解参数选择问题,提出一种基于遗传算法优化和最小排列熵的参数自适应方法。其次,计算分解信号的能量比作为挑选 IMFs 的原则,从而进行信号重构。为了解决单尺度样本熵不能很好地反映颤振发生时铣削力信号特征,引入多尺度样本熵对铣削颤振进行检测,并进行了实验验证。结果表明,采用优化变分模态分解算法对信号进行处理,可以避免因模态混叠而造成的颤振信号难以分离的问题。多尺度样本熵比单尺度样本熵更加有利于颤振检测,随着尺度因子的增大,铣削信号的 MSE 有减小的趋势,且尺度因子为 10 时的 MSE 更有利于颤振检测。关键
3、词:变分模态分解;薄壁件;颤振;多尺度样本熵DOI:10.15938/j.jhust.2023.02.005中图分类号:TG506文献标志码:A文章编号:1007-2683(2023)02-0043-08 收稿日期:2021-11-05基金项目:国家自然科学基金国际合作与交流重点资助项目(51720105009).作者简介:王瀚彬(1998),男,硕士研究生;李茂月(1981),男,教授,博士研究生导师.通信作者:刘献礼(1961),男,教授,博士研究生导师,E-mail:Xianli.liu .GA-PE-VMD and MSE Methods for Milling ChatterFeat
4、ure Extraction of Thin-walled PartsWANG Hanbin,LI Maoyue,LIU Xianli,WANG Zhixue,MENG Boyang(School of Mechanical and Power Engineering,Harbin University of Science and Technology,Harbin 150080,China)Abstract:In the high-speed milling of aviation parts,due to the low stiffness of thin-walled structur
5、e,it is easy to producechatter.Chatter leads to poor surface quality,dimensional error and reducing the service life of tools and machines.Therefore,areliable detection method is needed to identify chatter.Aiming at the problem of chatter detection in the milling process of thin-walledstructures,a c
6、hatter feature extraction method of thin-walled parts based on optimal variational mode decomposition and multi-scalesample entropy is proposed.Firstly,in order to solve the problem of parameter selection in variational modal decomposition,aparameter adaptive method based on genetic algorithm optimi
7、zation and minimum permutation entropy is proposed.Then,the energyratio of the decomposed signal is calculated as the principle of selecting IMF,so as to reconstruct the signal.In order to solve theproblem that single-scale sample entropy can not well reflect the characteristics of milling force sig
8、nal when chatter occurs,multi-scalesample entropy is introduced to detect milling chatter.Finally,the experimental results show that the optimal variational modaldecomposition algorithm can avoid the problem of difficult separation of chatter signals caused by modal aliasing.Multi-scale sampleentrop
9、y is more conducive to chatter detection than single-scale sample entropy.MSE of milling signal tends to decrease with theincrease of scale factor,and MSE with scale factor of 10 is more conducive to chatter detection.Keywords:variational modal decomposition;thin wall parts;chatter;multiscale sample
10、 entropy0 引 言在高速铣削航空零件时,由于薄壁结构刚度较低,容易产生颤振。颤振是指在加工过程中刀具和工件之间强烈的自激振动,它会导致表面质量差,表现为颤振痕迹、刀具异常磨损或刀具破损1-2。为了避免生产过程中的颤振,操作人员会选择非常保守的切削参数,这大大降低了生产效率。虽然解析方法可以提前预测颤振并识别出最佳切削参数以避免颤振,但由于切削系统的复杂性,预测可能不准确3-4。因此,及时识别颤振对提高生产率至关重要。颤振检测包括信号预处理、特征提取和状态识别。近年来,国内外学者在信号处理方法方面进行了广泛的研究,并取得了重要进展。快速傅里叶变换(fast fourier transfo
11、rm,FFT)可以将信号转换到频域,分析信号中的周期性的成分,故广泛应用于颤振监测中。JING 等5从振动信号中提取 FFT 特征,对其频谱向量进行处理,用于颤振识别。KULJANIC等6从信号的时域和频域特征中获取了一组颤振指标,建立了可靠的颤振监测系统。然而,由于颤振信号的非稳定性和非线性,FFT 可能会产生不正确的结果。小波变换(wavelet transform,WT)是一种新的变换分析方法,继承和发展了短时傅里叶变换局部化的思想同时又克服了窗口大小不随频率变化等缺点。GAO 等7研究了基于 cmor 连续小波变换(cmor continuous wavelet transform,C
12、MWT)的薄壁工件铣削过程中的颤振检测和稳定区域采集。然而,当颤振频率较高时,由于小波变换分解后的高频系数分辨率较低,高频信号的应用受到了很大的限制。变 分 模 态 分 解(variational mode decomposition,VMD)是一种自适应、完全非递归的模态变分和信号处理的方法。MOU 等8针对薄壁结构铣削过程中的颤振检测问题,提出了一种变分模态分解-能量分布的方法,以提高识别精度。然而,VMD 算法中的分解层数和惩罚因子对分解结果有很大的影响,两个参数值的选取目前没有严格的理论推导。为了检测加工过程中颤振的发生,需要选择一个合适的颤振指标。熵作为一种无量纲指标,反映了序列的随
13、机性和复杂性,当颤振状态发生变化时,熵值会发生明显变化。ZHU 等9利用样本熵和能量熵对薄壁件周铣进行颤振识别。汪晓姗等10利用颤振时铣削力信号的能量分布会在频域发生变化,由此引入能量熵的定义。然而,由于切削系统的复杂性,系统的振动往往体现在多个尺度上,单尺度熵不足以检测到颤振的发生11。多尺度样本熵(multiscale sample entropy,MSE)是一种用于测量时间序列随机性和检测时间序列非线性动态变化的非线性动态方法。该方法具有鲁棒性强、运算速度快等优点。考虑到检测信号中可能存在的噪声,可能导致颤振检测的误判,所以有必要对检测信号进行滤波,分离出颤振信息丰富的子信号。CAO 等
14、12利用梳状滤波器对振动信号进行预处理,消除旋转频率、齿通过频率及其谐波的干扰。在文9中,通过自适应滤波器滤除主轴转速频率谐波和识别出的有色噪声分量。虽然这些滤波方法可以滤除主轴转速的周期分量以及固定的有色噪声分量,但不能滤除背景噪声等随机干扰分量。因此,有必要选择颤振信息丰富的频带13。针对薄壁结构铣削过程中的颤振状态难以检测的问题,本文提出了一种基于 OVMD 和 MSE 的铣削颤振特征提取方法。首先,采用最小排列熵(permu-tation entropy,PE)作为遗传算法(genetic algorithm,GA)的适应度函数,优化 VMD 参数。其次,利用最优参数对信号进行 VMD
15、 分解,并根据能量比重构信号。然后,提取重构信号的 MSE 进行分析,选取最优尺度的 MSE 作为颤振检测指标,MSE 可以减少随机信号的干扰,从而更准确地检测颤振。最后,通过薄壁件侧铣实验进行了验证。1 颤振检测模型原理1.1 变分模态分解原理VMD 是一种自适应、完全非递归的模态变分和信号处理的方法。VMD 具有更坚实的数学理论基础,适用于非平稳性的序列,VMD 的核心思想是构建和求解变分问题14。44哈 尔 滨 理 工 大 学 学 报 第 28 卷变分模型为minukkkt t()+jt()ukt()e-jwkt22s.t.kuk=f(1)式中:t为 Tikhonov 矩阵;ukt()为
16、第 k 阶模态分量;k为第 k 阶模态分量的中心频率;f 为原始信号;t()为脉冲函数;为卷积运算符。通过引入二次惩罚项 和拉格朗日乘子,将约束变分问题转化为无约束变分问题:Luk,k,()=kt t()+jt()ukt()e-jwkt22+f t()-kukt()22+t(),f t()-kukt()(2)使用乘子的交替方向法来解决式(2)中的变分问题,通过迭代更新 un+1k、n+1k和 n+1k得到扩展的拉格朗日“鞍点”,这就是式(1)的最终解。为了在迭代过程中方便计算 un+1k、n+1k,将这两项转换到频域,确定 un+1k、n+1k的更新表达式为un+1k()=f()-ikui()
17、+()21+2-k()2(3)n+1k=0 uk()2d0uk()2d(4)1.2 变分模态分解步骤变分模态分解算法的步骤如下:步骤 1 初始化 u1k,1k,1,设 n=0;步骤 2 根据式(3)、(4)更新un+1k、n+1k;步骤 3 对于所有的 0,根据式(5)进行更新得到n+1;n+1()n()+f()-kun+1k()()(5)步骤 4 重复步骤2 和3,直至收敛,即满足式(6):kun+1k-unk22/unk22(6)1.3 多尺度样本熵Richman 和 Moonrman 提出了样本熵法(sampleentropy,SE)15,SE 具有所需的数据短、抗噪和抗干扰能力强等特点
18、,被广泛用于机械信号分析与故障诊断领域。但是,SE 如果仅在单一尺度计算,容易造成随机信号的干扰。为了解决这个问题,Coast 提出了多尺度16的概念,提出了 MSE。当使用 MSE 检测颤振时,根据式(7)将铣削时间序列 x i(),i=1,2,3,.,N进行粗粒化,得到一系列粗粒度时间序列。y()j=1ji=j-1()+1xij=1,2,.,N/(7)式中:=1,2,3,.,N 为比例因子。然后,根据 SE15的计算方法,计算出 MSE。图 1 铣削颤振特征提取流程图Fig.1 Flow chart of milling chatter feature extraction2 基于 GA-
19、PE-VMD 和 MSE 的颤振特征提取方法 在实际加工过程中采集到的信号包含很多与加工状态无关的信号,很难根据原始数据准确、快速地确定当前加工状态,包括稳定状态、轻微颤振状态和严重颤振状态。因此,必须对采集到的信号进行处理,提取灵敏度、可靠性和鲁棒性高的加工状态特征来识别颤振。本文提出的颤振特征提取算法流程图如图 1 所示。主要包括两个过程。一是 VMD 参数的自适应,采用 GA 算法对 VMD 的分解层数 K 和惩罚因子 进行优化,将最小 PE 作为 GA 算法的适应度函数。二是颤振特征提取。根据最优参数对铣削力信号进行 VMD 分解,得到一系列 IMFs,选择能量比高的分量进行重构信号,
20、从重构信号中提取 MSE特征进行颤振识别。2.1 基于最小 PE 的 VMD 的参数自适应方法VMD 算法中的分解层数 K 和惩罚因子 为预设函数,其值的选取对信号分解效果会产生巨大影响。本文利用遗传算法对 VMD 算法中的惩罚因子 和分解层数 K 进行优化。GA 算法具有较快的全局搜索能力和广泛的适应性,已应用于各类参数的优化当中17。使用 GA 进行优化时,需要确定一个适应度函数,GA 根据适应度函数的大小来评判最优解。PE 是一种检测动力学突变和时间序列随机54第 2 期王瀚彬等:薄壁件铣削颤振特征提取的 GA-PE-VMD 和 MSE 方法性的方法,能够定量评估信号序列中含有的随机噪声
21、。熵值越小,说明时间序列越简单、规则,振动周期越明显;反之,熵值越大,则时间序列越复杂、随机,干扰噪声越多。所以本文以 PE 作为 GA 的适应度函数。K,=argmin1Kki=1PeEn(i)(8)此外,VMD 算法中的分解层数 K 和惩罚因子 范围的选取也是优化过程中必须考虑的关键问题。因此,本文提出了一种参数范围自适应搜索的GA-VMD优化方法,具体的优化步骤如下:步骤 1 编码与群体初始化。编码方法选用实数编码,由于二进制编码存在连续函数离散化后的映射误差,对结果有很大影响,而且染色体相对较短时精度不高,VMD 算法参数范围预先设置 K 3,10,1 000,10 000,设置种群规
22、模为 4,迭代次数为 15。步骤 2 计算适应度函数。根据公式(8)计算每条染色体所对应的适应度值,记录适应度值最小的染色体。步骤 3 交叉和变异。用父母的染色体进行交叉,生成子代,对子代染色体进行变异。本文选择单点交叉和单点变异方法,交叉概率设置为 0.8,变异概率设置为 0.1。步骤 4 返回步骤 2,直到最优解产生。图 2 实验场景Fig.2 Experimental scene2.2 基于 MSE 的重构信号颤振特征提取方法在铣削颤振检测中,通常提取反映铣削状态的一个或多个特征作为识别颤振发生的指标。考虑到信号中不同频率分量的分布状态可以通过熵来评估,因此本文提出了一种基于重构信号的
23、MSE 的颤振检测方法,并根据能量比来选择重构信号的分量。当发生颤振时,铣削系统的能量由铣削系统的旋转频率和谐波频率转移到颤振频率上。因此,可以选择能量比高的 IMFs 分量对信号进行重构,滤除杂波,提高颤振特征提取的准确性。将信号进行 VMD分解后,会产生一系列的 IMFs 分量,这些分量用ui(t)来表示,则各模态的能量由式(9)计算:Ei=+-|ui(t)|2dt i=1,2,3,.,N(9)选择前 3 个能量比高的分量重构信号18。因为当颤振发生时,频率分量逐渐聚集在颤振频率处,导致 SE 发生变化。由于切削系统的复杂性,多尺度熵往往包含更多的加工状态信息。因此,重构信号的 MSE 特
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 薄壁 铣削 特征 提取 GA PE VMD MSE 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。