兵工学报 ›› 2023, Vol. 44 ›› Issue (7): 2147-2161.doi: 10.12382/bgxb.2022.0187
吕黎曙1,2,*(), 邓朝晖3, 刘涛4, 滕洪钊1, 卓荣锦1
收稿日期:
2022-03-25
上线日期:
2023-07-30
通讯作者:
基金资助:
LÜ Lishu1,2,*(), DENG Zhaohui3, LIU Tao4, TENG Hongzhao1, ZHUO Rongjin1
Received:
2022-03-25
Online:
2023-07-30
摘要:
磨削作为国防军工、航空航天、汽车等高附加值行业的关键工艺,实现磨削过程智能采集及监测对提升产品质量水平、确保安全生产具有重要意义。针对现有磨削过程数据采集监测方案目标单一、集成性不够、难以全面获取完整的磨削过程信息等难题,建立磨削过程多尺度目标集成监测体系框架,构建包含质量、效率、状态及绿色的多尺度目标关联监测模型,实现从监测变量到监测目标的表征。提出多传感器采集融合与磨削结果监测特征映射方法,开发磨削过程智能采集监测系统。应用该系统对某高速电主轴轴承磨削过程进行实时数据采集与监测,实测结果表明开发的监测系统可以有效实现零件磨削过程磨削时间、磨削能耗、磨削状态和表面粗糙度的准确预测。
吕黎曙, 邓朝晖, 刘涛, 滕洪钊, 卓荣锦. 数据驱动的磨削过程多尺度目标在线监测及其系统开发[J]. 兵工学报, 2023, 44(7): 2147-2161.
LÜ Lishu, DENG Zhaohui, LIU Tao, TENG Hongzhao, ZHUO Rongjin. Data-Driven Online Monitoring and System Development of Multi-scale Targets in the Grinding Process[J]. Acta Armamentarii, 2023, 44(7): 2147-2161.
序号 | 砂轮线速度/ (m·s-1) | 工件转速/ (r·min-1) | 磨削深度/ mm | 平均磨削功率/ W | 粗糙度/μm | 平均磨削温度/ ℃ | 磨削能耗 10-3/(kW·h) |
---|---|---|---|---|---|---|---|
1 | 100 | 90 | 0.01 | 2112 | 0.374 | 276 | 77.96 |
2 | 100 | 90 | 0.02 | 2655 | 0.512 | 412 | 63.10 |
3 | 100 | 90 | 0.03 | 5211 | 0.605 | 664.5 | 58.22 |
4 | 100 | 90 | 0.04 | 7556 | 0.698 | 848.5 | 55.58 |
5 | 100 | 90 | 0.05 | 8499 | 0.952 | 906.5 | 53.44 |
6 | 100 | 30 | 0.03 | 2434 | 0.346 | 654 | 81.88 |
7 | 100 | 60 | 0.03 | 2644 | 0.431 | 660 | 63.77 |
8 | 100 | 120 | 0.03 | 6756 | 0.461 | 676 | 54.79 |
9 | 100 | 150 | 0.03 | 7914 | 0.544 | 687 | 52.78 |
10 | 60 | 90 | 0.03 | 3643 | 0.776 | 603.3 | 52.33 |
…… |
表1 部分监测采集数据
Table 1 Part of the monitoring and collection data
序号 | 砂轮线速度/ (m·s-1) | 工件转速/ (r·min-1) | 磨削深度/ mm | 平均磨削功率/ W | 粗糙度/μm | 平均磨削温度/ ℃ | 磨削能耗 10-3/(kW·h) |
---|---|---|---|---|---|---|---|
1 | 100 | 90 | 0.01 | 2112 | 0.374 | 276 | 77.96 |
2 | 100 | 90 | 0.02 | 2655 | 0.512 | 412 | 63.10 |
3 | 100 | 90 | 0.03 | 5211 | 0.605 | 664.5 | 58.22 |
4 | 100 | 90 | 0.04 | 7556 | 0.698 | 848.5 | 55.58 |
5 | 100 | 90 | 0.05 | 8499 | 0.952 | 906.5 | 53.44 |
6 | 100 | 30 | 0.03 | 2434 | 0.346 | 654 | 81.88 |
7 | 100 | 60 | 0.03 | 2644 | 0.431 | 660 | 63.77 |
8 | 100 | 120 | 0.03 | 6756 | 0.461 | 676 | 54.79 |
9 | 100 | 150 | 0.03 | 7914 | 0.544 | 687 | 52.78 |
10 | 60 | 90 | 0.03 | 3643 | 0.776 | 603.3 | 52.33 |
…… |
图11 时频域分析及频域振动信号统计特征实时图
Fig.11 Time-frequency domain analysis and real-time graphs of statistical characteristics of frequency-domain vibration signals
变量 | 特征参数值 | |||||
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | … | |
VAR01 | 0.048 7 | 0.252 | 0.432 | 0.389 5 | 0.571 | |
VAR02 | 2.678 1 | 2.706 | 2.544 2 | 2.903 4 | 2.548 4 | |
VAR03 | 3.359 1 | 2.898 5 | 2.702 1 | 2.845 3 | 2.651 4 | |
VAR04 | 4.860 8 | 4.179 3 | 3.758 1 | 4.047 5 | 3.661 1 | |
VAR05 | 806.3 | 969.7 | 969 | 888.8 | 969 | |
VAR06 | 301 | 423 | 690 | 856 | 922 | |
VAR07 | 251 | 401 | 639 | 841 | 891 | |
VAR08 | 276 | 412 | 664.5 | 848.5 | 906.5 | … |
VAR09 | 2 212 | 2 755 | 5 311 | 7 656 | 8 599 | |
VAR10 | 2 012 | 2 555 | 5 111 | 7 456 | 8 399 | |
VAR11 | 2 112 | 2 655 | 5 211 | 7 556 | 8 499 | |
VAR12 | 77.96 | 63.10 | 58.22 | 55.58 | 53.44 | |
VAR13 | 100 | 100 | 100 | 100 | 100 | |
VAR14 | 90 | 90 | 90 | 90 | 90 | |
VAR15 | 0.01 | 0.02 | 0.03 | 0.04 | 0.05 |
表2 特征参数采集结果
Table 2 Feature parameter collection results
变量 | 特征参数值 | |||||
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | … | |
VAR01 | 0.048 7 | 0.252 | 0.432 | 0.389 5 | 0.571 | |
VAR02 | 2.678 1 | 2.706 | 2.544 2 | 2.903 4 | 2.548 4 | |
VAR03 | 3.359 1 | 2.898 5 | 2.702 1 | 2.845 3 | 2.651 4 | |
VAR04 | 4.860 8 | 4.179 3 | 3.758 1 | 4.047 5 | 3.661 1 | |
VAR05 | 806.3 | 969.7 | 969 | 888.8 | 969 | |
VAR06 | 301 | 423 | 690 | 856 | 922 | |
VAR07 | 251 | 401 | 639 | 841 | 891 | |
VAR08 | 276 | 412 | 664.5 | 848.5 | 906.5 | … |
VAR09 | 2 212 | 2 755 | 5 311 | 7 656 | 8 599 | |
VAR10 | 2 012 | 2 555 | 5 111 | 7 456 | 8 399 | |
VAR11 | 2 112 | 2 655 | 5 211 | 7 556 | 8 499 | |
VAR12 | 77.96 | 63.10 | 58.22 | 55.58 | 53.44 | |
VAR13 | 100 | 100 | 100 | 100 | 100 | |
VAR14 | 90 | 90 | 90 | 90 | 90 | |
VAR15 | 0.01 | 0.02 | 0.03 | 0.04 | 0.05 |
变量 | 主成分1 | 主成分2 | 主成分3 |
---|---|---|---|
VAR01 | 0.796 | 0.183 | -0.164 |
VAR02 | -0.336 | 0.645 | 0.422 |
VAR03 | -0.574 | 0.716 | 0.001 |
VAR04 | -0.586 | 0.713 | 0.006 |
VAR05 | 0.328 | -0.574 | 0.443 |
VAR06 | 0.893 | 0.152 | 0.392 |
VAR07 | 0.893 | 0.152 | 0.392 |
VAR08 | 0.893 | 0.152 | 0.392 |
VAR09 | 0.910 | 0.224 | -0.290 |
VAR10 | 0.910 | 0.224 | -0.290 |
VAR11 | 0.910 | 0.224 | -0.290 |
VAR12 | -0.778 | 0.095 | 0.168 |
VAR13 | 0.068 | 0.398 | -0.552 |
VAR14 | 0.448 | -0.200 | -0.671 |
VAR15 | 0.861 | 0.238 | 0.397 |
表3 主成分矩阵
Table 3 Principal component matrix
变量 | 主成分1 | 主成分2 | 主成分3 |
---|---|---|---|
VAR01 | 0.796 | 0.183 | -0.164 |
VAR02 | -0.336 | 0.645 | 0.422 |
VAR03 | -0.574 | 0.716 | 0.001 |
VAR04 | -0.586 | 0.713 | 0.006 |
VAR05 | 0.328 | -0.574 | 0.443 |
VAR06 | 0.893 | 0.152 | 0.392 |
VAR07 | 0.893 | 0.152 | 0.392 |
VAR08 | 0.893 | 0.152 | 0.392 |
VAR09 | 0.910 | 0.224 | -0.290 |
VAR10 | 0.910 | 0.224 | -0.290 |
VAR11 | 0.910 | 0.224 | -0.290 |
VAR12 | -0.778 | 0.095 | 0.168 |
VAR13 | 0.068 | 0.398 | -0.552 |
VAR14 | 0.448 | -0.200 | -0.671 |
VAR15 | 0.861 | 0.238 | 0.397 |
序号 | 主成分1 | 主成分2 | 主成分3 | 表面粗 糙度 |
---|---|---|---|---|
1 | 6750.468501 | 1119.119533 | -1257.007155 | 0.374 |
2 | 8663.180778 | 1450.070456 | -1499.612975 | 0.512 |
3 | 16321.64048 | 3282.270756 | -3427.619328 | 0.605 |
4 | 23191.77689 | 4988.333942 | -5287.193 | 0.698 |
5 | 25950.13685 | 5601.631229 | -6004.405625 | 0.952 |
6 | 8639.532192 | 1472.864529 | -1014.857779 | 0.346 |
7 | 9257.471497 | 1607.833918 | -1214.045506 | 0.431 |
8 | 20559.54117 | 4366.144181 | -4814.358232 | 0.461 |
9 | 23792.41894 | 5096.352218 | -5793.965651 | 0.544 |
10 | 11877.06097 | 2186.756786 | -2114.50838 | 0.776 |
…… |
表4 部分主成分与表面粗糙度对应结果
Table 4 Principal components and surface roughness values
序号 | 主成分1 | 主成分2 | 主成分3 | 表面粗 糙度 |
---|---|---|---|---|
1 | 6750.468501 | 1119.119533 | -1257.007155 | 0.374 |
2 | 8663.180778 | 1450.070456 | -1499.612975 | 0.512 |
3 | 16321.64048 | 3282.270756 | -3427.619328 | 0.605 |
4 | 23191.77689 | 4988.333942 | -5287.193 | 0.698 |
5 | 25950.13685 | 5601.631229 | -6004.405625 | 0.952 |
6 | 8639.532192 | 1472.864529 | -1014.857779 | 0.346 |
7 | 9257.471497 | 1607.833918 | -1214.045506 | 0.431 |
8 | 20559.54117 | 4366.144181 | -4814.358232 | 0.461 |
9 | 23792.41894 | 5096.352218 | -5793.965651 | 0.544 |
10 | 11877.06097 | 2186.756786 | -2114.50838 | 0.776 |
…… |
时间 节点 | 磨削参数 | 监测结果 | 实际结果 | ||||
---|---|---|---|---|---|---|---|
运行(磨削) 时间/s | 磨床能耗/ (10-3 kW·h) | 磨削状态 | 表面粗糙度/ μm | 磨削状态 | 表面粗糙度/ μm | ||
1 | 20 | 7.61 | 启动 | 启动 | |||
2 | 55 | 149.76 | 待机 | 待机 | |||
3 | vs=80m/s;nw=90r/min | 12 | 42.41 | 空载 | 空载 | ||
4 | vs=80m/s;nw=90r/min;ap=0.04mm | 8 | 31.54 | 磨削 | 0.690 | 磨削 | 0.732 |
5 | vs=120m/s;nw=120r/min | 12 | 45.98 | 空载 | 空载 | ||
6 | vs=120m/s;nw=120r/min;ap=0.01mm | 6 | 27.67 | 磨削 | 0.519 | 磨削 | 0.553 |
7 | vs=120m/s;nw=120r/min | 10 | 38.32 | 空载 | 空载 | ||
8 | 5 | 13.62 | 待机 | 待机 | |||
9 | 0 | 0 | 关机 | 关机 |
表5 监测结果
Table 5 Monitoring results
时间 节点 | 磨削参数 | 监测结果 | 实际结果 | ||||
---|---|---|---|---|---|---|---|
运行(磨削) 时间/s | 磨床能耗/ (10-3 kW·h) | 磨削状态 | 表面粗糙度/ μm | 磨削状态 | 表面粗糙度/ μm | ||
1 | 20 | 7.61 | 启动 | 启动 | |||
2 | 55 | 149.76 | 待机 | 待机 | |||
3 | vs=80m/s;nw=90r/min | 12 | 42.41 | 空载 | 空载 | ||
4 | vs=80m/s;nw=90r/min;ap=0.04mm | 8 | 31.54 | 磨削 | 0.690 | 磨削 | 0.732 |
5 | vs=120m/s;nw=120r/min | 12 | 45.98 | 空载 | 空载 | ||
6 | vs=120m/s;nw=120r/min;ap=0.01mm | 6 | 27.67 | 磨削 | 0.519 | 磨削 | 0.553 |
7 | vs=120m/s;nw=120r/min | 10 | 38.32 | 空载 | 空载 | ||
8 | 5 | 13.62 | 待机 | 待机 | |||
9 | 0 | 0 | 关机 | 关机 |
[1] |
doi: 10.1016/j.jmapro.2020.09.018 URL |
[2] |
周昊飞, 刘玉敏. 基于深度置信网络的大数据制造过程实时智能监控[J]. 中国机械工程, 2018, 29(10):1201-1207,1213.
|
|
|
[3] |
doi: 10.3103/S1068798X13010115 URL |
[4] |
林峰, 焦慧锋, 傅建中. 基于贝叶斯网络的平面磨削状态智能监测技术研究[J]. 中国机械工程, 2011, 22(11): 1269-1273.
|
|
|
[5] |
doi: 10.1016/j.measurement.2019.05.079 URL |
[6] |
姜晨, 李郝林. 基于声发射信号的精密外圆切入磨削时间评估算法及试验研究[J]. 机械工程学报, 2014, 50(5):194-200.
|
|
|
[7] |
doi: 10.1016/j.promfg.2018.07.080 URL |
[8] |
朱欢欢, 迟玉伦, 闻章, 等. 断续磨削表面烧伤机理与在线监测方法研究[J]. 表面技术, 2021, 50(9):1-16.
|
|
|
[9] |
doi: 10.1504/IJMTM.2007.014148 URL |
[10] |
doi: 10.1016/j.jmapro.2017.11.014 URL |
[11] |
doi: 10.1016/j.jmapro.2017.05.002 URL |
[12] |
赵飞, 梅雪松, 李光东, 等. 数控成型磨齿机加工误差在线监测及补偿[J]. 机械工程学报, 2013, 49(1):171-177.
|
|
|
[13] |
doi: 10.1016/j.precisioneng.2018.09.018 URL |
[14] |
doi: 10.1186/s10033-019-0420-0 |
[15] |
doi: 10.4028/www.scientific.net/AMR.1136 URL |
[16] |
doi: 10.1016/j.promfg.2018.01.014 URL |
[17] |
毕果, 汤期林, 王振忠, 等. 精密磨削机床智能监测系统开发与应用[J]. 航空制造技术, 2019, 62(6):32-40.
|
|
|
[18] |
doi: 10.1016/j.precisioneng.2021.01.009 URL |
[19] |
|
[20] |
郭维诚, 李蓓智, 杨建国, 等. 磨削过程信号监测与砂轮磨损预测模型构建[J]. 上海交通大学学报, 2019, 53(12):1475-1481.
|
|
|
[21] |
doi: 10.1016/j.jmapro.2019.12.034 URL |
[22] |
袁广超, 鲍劲松, 郑小虎, 等. 基于CNC实时监测数据驱动方法的钛合金高速铣削刀具寿命预测[J]. 中国机械工程, 2018, 29(4):457-462,470.
|
|
|
[23] |
|
[24] |
doi: 10.1016/j.procir.2018.03.085 URL |
[25] |
陈鹏, 刘飞, 宁俊锋. 机械加工自动生产线多目标监控集成模型及其应用[J] 计算机集成制造系统, 2017, 23(3):473-481.
|
|
|
[26] |
李恒, 叶祖坤, 查文彬, 等. 基于多传感器信息决策级融合的刀具磨损在线监测[J]. 兵工学报, 2021, 42(9):2024-2031.
doi: 10.3969/j.issn.1000-1093.2021.09.023 |
doi: 10.3969/j.issn.1000-1093.2021.09.023 |
|
[27] |
朱宏波. 基于多传感器信息融合的数控机床状态监测系统[D]. 北京: 北京邮电大学, 2019.
|
|
|
[28] |
|
[29] |
吕黎曙, 邓朝晖, 刘涛, 等. 面向清洁生产的磨削工艺方案多层多目标优化模型及应用[J]. 中国机械工程, 2022, 33(5):589-599.
|
|
[1] | 黄嘉, 常思江, 陈琦, 张海洋. 不依赖剩余飞行时间的数据驱动攻击时间控制导引律[J]. 兵工学报, 2023, 44(8): 2299-2309. |
[2] | 杨鑫, 闻强苗, 李思振, 程德, 舒文祥, 白晶莹. 基于数据驱动的航天器产品热处理技术[J]. 兵工学报, 2022, 43(S2): 170-177. |
[3] | 刘聪, 刘辉, 韩立金, 陈科. 分布式电驱动车辆极限越野环境下高速避障与稳定性控制[J]. 兵工学报, 2021, 42(10): 2102-2113. |
[4] | 李伊, 张发平, 阎艳, 张田会, 周建华, 郭飞燕. 基于工艺因素统计量化的多工序制造质量建模[J]. 兵工学报, 2020, 41(7): 1408-1416. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||