基于工作电流信号的车床刀具故障分析

与刀具磨损相比，金属切削加工过程中刀具的非正常损坏如破损、崩刃、热塑变形等的在线检测更为重要，因为刀具的非正常损坏是突发性的，如不能及时排除，将会导致加工过程的中断或工件的报废及机床的损坏，严重的可能会引起加工事故，造成重大损失J 。

目前对机床刀具诊断的方法主要集中在切削力监测技术、电机负载监测技术、声发射检测技术和多传感器融合监测技术等，这些方法中传感器的安装普遍存在问题I .电流法具有信息获取方便、信息集成度高、测试系统简单等特点，可以有效地弥补其他检测技术存在的缺陷，提升机床运行状态的监测与故障诊断能力 .小波分析特别适合分析非平稳信号，能同时提供非平稳信号时域和频域中的局部化信息6J。

笔者选用电流信号为车床车刀故障检测的分析对象，并结合小波分析与傅里叶变换的信号处理方法，从包含各种噪声信号的工作电流中提取出车床车刀故障特征，对机床刀具的故障状态进行分析. 1 傅里叶变换与小波分析1.1 傅里叶变换基于傅里叶(Fourier)变换的信号频域揭示了时问函数和频谱函数问的内在联系，在传统的平稳信号分析和处理中发挥了极其重要的作用I7]。

设f(x)是以2兀为周期的函数，且f(x)L2(-兀，r 1 1兀)，那么 Ie 是 (-兀，兀)的标准正 42n J ：o，±l，±2，交化基，则f(x)可展开为：厂( )式中，∑fC(n)e ，f(n)÷I f(x)e dx7c- 称为f(x)的傅里叶级数，其中，z的取值为整数.傅里叶级数将函数分解成在-组归-化正交函数(也就是正弦波)上的叠加，刻画了在频域的每个离散点上信号的成分。

此外，傅里叶级数将信号分解为离散谱上函数的叠加，但是在对频率变化敏感的某些应用中，离散的频率信息线显得较为粗糙，而傅里叶变换就是傅里叶级数在连续情况下的推广。

函数f(x)∈ (R)的逆傅里叶变换定义为：F(m)I e-iCotf(t)dt. (2)F(co)的逆傅里叶变换定义为：1 mf(t)÷ I eiWtF(co)dco. (3)收稿日期：2012 09-18. 宁波大学学报 (理工版 )网址：htp：/nbdxlg.paperopen corn/基金项目：浙江省自然科学基金 (Y1080429)；宁波大学研究生优秀学位沦文培育基金 (PY20110014)第-作者：官 金 (1987-)，女，江西抚纠13.，在读硕士研究生，主要研究方向：机电测控.E-mail：litswee###163.corn通信作者：李圈富 (1966-)，男，浙江温岭人，教授，主要研究方 ：机电测控、制造系统工程 E-mail：liguofu###nbu edu.crl1l4 宁波大学学报 (理工版 )傅里叶变换是-种整体变换，对信号的表征或是完全在频域内，或是完全时域内.t与 是 2个相互排斥的变量.当采用傅里叶变换来分析信号的频域特性时，具有最好的频率分辨率。

1.2 小波包分析小波包是由Mickerhanser M V和 Coifman R R等人在小波变换理论的基础上进-步提出来的。

它是-种比多分辨分析更加精细的分析方法，能够对没有细分的高频部分进行进-步分解，从而提高时频分辨率。

笔者在此以-个三层分解为例对小波包分析进行说明，其小波包分解树如图 1所示。

图 1 小波 包三层分解树 结构从图 l可见，D和 分别代表高频和低频，数字则为小波包分解的层数，其分解关系可表述为如下结构：SAA 3D 3 D 3J[)D 3 D3D D3 4-AD，)3DDD3。

2 车刀故障特征信息的提取2.1傅里叶故障特征提取由于电流信号具有信息获取方便、信息集成度高 、测试简单等特点，因而选择电流信号作为车刀故障分析的基础.采用HFR.EKA开环霍尔电流传感器采集 l台 C261 6-1B型卧式车床工作的总电流信号，采样频率为 50 000 Hz，对对采集到的电流信号进行傅里叶变换，得到的傅里叶图谱如图2所刀 。

从 2中可以发现，在 50Hz倍频谐波分量的幅值较为明显.山于不同Ju工状态(转速、切削用量等)对各倍频谐波分量的影u向程度不同， 此当机床的车刀发生异常时，必然会对各谐波分量产生- 定程度的影响.但仅从幅值绝对值的变化来判断刀具是否发生故障是不科学的，因为电流大小会直接影响傅里叶变换的幅值.故提扔工状态电流信号傅里叶变换后倍频谐波 1 00 Hz，l 50 Hz，200 Hz，，850 Hz处傅里叶变换幅值，求各倍频谐波点处的幅值与 250Hz处的比值，己为 ， [X1，X2，，X1 7]，其中，X1，X2，， 7依次为 l)(Hz，t50Hz，200Hz，，850Hz处幅值与250 Hz幅值处的比值。

图2 加工电流信号傅里叶变换2.2 小波包故障特征提取特征信息提取是设备故障诊断的核心，决定了状态识别的准确性.在机械设备的故障诊断中，要求所提取特征信息能够准确反映设备的运行状态，且对设备的异常状态有较高的敏感性。

信号不同频段内的能量分布可以通过小波包分析，并以能量谱的形式表现出来；利用小波包分析以及结合对信号的经验沾汁，可以任意选择信号特定的频段和时段进行研究分析.当车床处 j：不同的加工状态，小波包分解的部分频段 1人J的能量就存在差异，则存在-个或系列小波熵对车床的状态变化规律反映敏感。

没定载波频率为电 频率 50 Hz，信号的采样频率为 50 000 Hz，则傅里叶变换的最高频率 ，为25 000 Hz；并没车床的转速为 则车床的转速频率特征为 厂，2/60.如果分析车床的最高转速为1 120 r·min～，则车床最高转速频率 /1120/6018.67 Hz.在车削的过程中，在信 号的转速频率段范围内必然包含了刀具加工状态的信息，所以在进行小波包分解的过程中，为了将工频频率 与年0 O O O O 0 0 O 0 O O Ⅲ 8 6 4 2第 1期 官 金，等：基于工作电流信号的车床刀具故障分析床转速特征分离开，选择对电流信号进行 l 0层分解，各节点的频率范围为 0～. /1024，，1023L/1024～ ，小波包分解的第-层重构信号的频率范围为0～ /2 Hz，即 0～24.4 Hz，此时即实现了对转速频率与载波频率的分离。

当刀具发生失效时，第-层重构信号的能量必然会发生变化，其与各层分解重构信号能量的比值也必将发生变化，通过大量的数据实验分析发现，节点[1 0，0]小波包系数的 4阶标准熵与节点[1O，0]，[10，5]，[10，7]，[10，10]的小波包系数的4阶标准熵的和中占有的比率对刀具失效比较敏感，所以选取其作为状态诊断的特征向量，记为：DO- ，其中，E 10'0) 1 0j5) 1U7) 1 0l0)。

3 刀具故障诊断图 3和图 4分别为车床在为主轴转速为 350r·min～，进给速度 1.0 mm-r-，切削深度 1.01TUTI，加工工件为 45钢，刀具的材质为钨钴钛类中的 YT1状态下加工时车刀处于正常和异常加工状态电流信号傅里叶变换后倍频谐波 1 00 Hz，1 50 Hz，200Hz，，850Hz处傅里叶变换幅值与250Hz处的比值图，从图中可以发现，正常加工和异常加工时，2个图形存在明显的差异，在350 Hz到800 Hz之间，正常加工状态 550 Hz处的比值明显高于异常加工状态.因此，各倍频谐波处的这种比值特征图可以作为刀具是否发生故障的初步依据。

在对 100组数据分析中发现，这种方法存在l00 200 300 400 500 600 700 800 900倍频谐波 /Hz图 3 350 r·min。时，正常加工电流信号下的各谐波点比值1 0%左右的误判率，为了提高分析的可靠性，在初步判断刀具是否处于故障状态后，可选择加工电流信号的小波包特征对刀具的状态进行进-步的诊断。

表 1为车床在不同加工状态及不同转速下能量的特征分布参量Dn。

表 1 车床 1不同转速时的D0值由表 1可知，当车床处于空转状态，在不同转速下的 值差距不大，维持在-个稳定的范围内，且不同车床的Dn值维持的范围不同，可以以此作为区分车床的 1个特征参量，当车床处于正常加工状态时， 值与其处于空转状态时总体差距不大，当刀具发生故障时，Dn的值会发生-个较大的突变，或者增大或者减小.经过大量的数据验证，同样存在上面的规律，所以Dn可作为车刀是否发生故障的依据.用这种小波包频带能量监测的方法通过相应频带里能量比例的变化可有效区分设备的各种工作状态。

4 结论利用车床工作电流信号作为其刀具故障分析的对象和基础，以及采用霍尔电流传感器的非入侵式安装方法采集车床加工的电流信号的方法，图 4 350 r·min。时，异常加工电流信号下的各谐波点比值116 宁波大学学报 (理工版 ) 2Ol3有利于简化信号的采集和分析过程.在车刀故障分析过程中，首先对机床工作电流进行傅里叶变换，并从对应的傅里叶变换频谱图中各倍频谐波点与 250 Hz处的比值图中发现正常加工状态与异常加工状态存在明显差异，并以此作为刀具发生故障的初步依据，然后利用提取的小波包分解特征对刀具的状态进行进-步的诊断，提高了诊断的可靠性。