深孔钻削状态监测与分析

深孔钻削是在封闭状态下进行的，不能直接观察到刀具的切削情况。目前，只能凭经验，以听声音、看切屑、观察压力表和触摸钻杆振动等外观现象来判断钻削过程是否正常。深孔钻头除正常磨损外，由于所钻孔的长径比大，工艺系统刚性差，钻头易产生振动，切屑容易造成堵塞，因而常常会使深孔钻发生随机破损。由于深孔钻削过程很不稳定，十分需要一种深孔钻削监测系统，实时监测钻削过程中的状态和有关信息，并实时进行信号处理，识别出加工过程中的异常状态，及时采取改变钻削用量或更换刀具等措施来排除异常状态，必要时予以显示报警，以避免发生事故，造成巨大经济损失，从而可大大提高刀具耐用度，保证深孔钻削的正常进行。

由于深孔加工工况复杂，对引起这些状态变化的物理来源还缺乏深入的了解，目前尚无较完善的监测深孔钻削过程的方法和系统。传统的单因素监控和单因素模型分析方法存在很大的局限性，随机因素的影响太大，很难正确反映系统的真实状况。

本文主要研究深孔钻削过程监测方案和信号分析。设计了一种多传感器的深孔钻削力和钻削振动信号采集装置，采用多信息融合技术对深孔钻削过程中采集到的多种信号进行分析和处理，得出准确的判断样本，为钻削过程的监测和控制提供判据。

监测方案及装置

切削力中包含了切削过程中的大量信息，几乎所有的切削故障发生时，切削力信号均有相应的变化。但是，不同的切削加工方式所表现出的特征信号也不尽相同，仅仅依靠这种单一判据就判断刀具磨损或破损，会造成一定的误报。因此，本研究根据深孔钻削系统的特点设计了一种用于深孔钻削的多传感器测力和测振装置，具有通用性强、动态响应快和安装使用方便等优点。

图1 多传感器测力和测振装置示意图

多传感器测力和测振装置的原理示意如图1所示：传感装置里装有应变式传感器和加速度计，连接在深孔钻床尾座上；传感装置是通用的，适用于所有不同直径的钻杆(即适用于所有不同直径的孔)；包箍是紧固在钻杆上的卡箍，其作用是将钻杆上承受的轴向力和扭矩传递到传感装置，包箍不通用，要与钻杆配套。传感装置所采集到的深孔钻削力和振动信号，通过数据采集器传送到计算机中分析处理，得到正确的监测结果，并可用于钻削过程的实时控制。

实验研究

本实验研究采集了深孔加工过程中正常与失效2种工况信号。采用各种磨损程度不同的钻头以及改变切削用量，从而获得不同实验状态的信号以及对信号的影响程度。数据采集器使用4个通道，分别采集力、扭矩、垂直和水平方向的振动信号。

正常钻削状态下的数据采集

刀具初期磨损和正常磨损时刀具状态信号的变化规律；
改变转速对刀具状态信号的变化规律；
改变进给量对刀具状态信号的变化规律。

模拟故障状态下的数据采集

刀具急剧磨损和破损时刀具状态信号的变化规律；
切屑堵塞时刀具状态信号的变化规律；
导向块破裂时刀具状态信号的变化规律。

信号分析

由于测量信号不仅包含了反映对象工作状态的有用信息，同时也包含了大量无用的背景噪声，反映工作状态的有用信息往往淹没在无用的背景噪声中，一般很难直接发现并提取。在对力、扭矩、垂直方向振动和水平方向振动4种信号进行时域波形分析发现，原始信号在时域内区别很不明显，不能用于钻头的在线监测，为此，应该对原始信号进行处理。

对4种信号进行频域信号分析时发现，力和扭矩信号在频域中没有明显的谱峰，也无明显的变化规律，只有刀具破损时才有特征频率，所以对力和扭矩信号应用时间序列分析。采用AR模型对其进行参数估计，得到力的时序模型的残差方程。

振动信号在频域信号中的变化明显，经对水平方向和垂直方向的振动信号的频谱分析，见图2。

图2 低频段振动信号功率谱分析

由上述分析可得出以下结论：

振动信号功率谱密度在低频段频谱变化的特点是随着刀具磨损的增加，主峰幅值增加较快，然后趋向平缓，而主峰频率位置则由高频向低频方向移动。当刀具急剧磨损近破损时，水平方向主峰频率集中在400Hz左右，且出现许多新的谱峰；垂直方向主峰频率集中在210Hz左右，也出现许多新谱峰。这种变化，反映了刀具磨损的产生和发展，通过切削力激发起刀具－工件－机床加工系统的谐波成分，导致系统振动模态参数发生变化。多谱峰的出现，使信号能量分散，因此，谱峰幅值增加缓慢，而刀具与工件接触区条件恶化引起的切削阻尼增加，则使垂直振动主峰频率位置降低。

高频段功率谱图的变化规律与低频段基本一致，但规律没有低频段突出，主峰幅值出现在高频区的频率很小，谱峰少，这是由于切削加工系统的强迫振源一般都在1,000Hz以内。因此，高频谱可以有效地隔离或者削弱加工系统的谐波成分。

模式识别

状态分类能否成功，在很大程度上取决于特征分析和特征量的选取。深孔加工动态系统是随机过程，很难用某一确定性时间函数来分析。特征分析的目的就是将原始信号变换为特征量，并找出它与工况的关系。这种特征量很多，但要反映工况状态规律、敏感性和在模式空间中的聚类型，可分性并不相同，需要在特征分析的基础上选择规律性好、敏感性强的特征量作为模式向量，使其具有较好的可分性。

本实验研究在分析了振动、轴向力和扭矩信号分别在时域、频域的特点，在采用时序模型、功率谱及自相关谱等的基础上，选择水平振动的特征谱峰和力的时序模型的残差方差作为模式向量，采用感知器算法获得加权向量w=(-4,540，131,090，300)T。因此，得到分类函数：