專利名稱：用于冷沖模具的質(zhì)量監(jiān)測(cè)和故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于聲發(fā)射技術(shù)的狀態(tài)監(jiān)測(cè)及故障診斷技術(shù)，特別涉及用于冷沖模具的質(zhì)量監(jiān)測(cè)與故障診斷方法。
背景技術(shù)：
冷沖模具是工業(yè)生產(chǎn)的主要工藝裝備，用模具生產(chǎn)制件所表現(xiàn)出來(lái)的高精度、高復(fù)雜程度、高一直性、高生產(chǎn)率和低消耗，是其它加工制造方法所不能比的。模具的質(zhì)量好壞直接影響制件的質(zhì)量，影響企業(yè)的工作的安全、效率和成本。由于模具的工作環(huán)境極其惡劣，在工作中存在多種激勵(lì)振源，如模具往復(fù)運(yùn)動(dòng)振源、模具對(duì)制件的撞擊以及各種環(huán)境的干擾等，表現(xiàn)在承受高接觸壓力和劇烈的摩擦，循環(huán)加載引起的應(yīng)力、應(yīng)變和溫度的周期性變化而使模具產(chǎn)生疲勞失效，因此對(duì)其進(jìn)行故障診斷具有較大的難度。
目前，模具工作狀態(tài)的好壞全靠現(xiàn)場(chǎng)工人和技術(shù)人員的經(jīng)驗(yàn)來(lái)判斷。由于模具的結(jié)構(gòu)復(fù)雜，只能采取故障維修和定期維修的方法對(duì)設(shè)備進(jìn)行維修。這兩種維修方法的缺陷是故障維修是在設(shè)備出現(xiàn)故障后進(jìn)行的，這時(shí)設(shè)備往往已經(jīng)損壞到相當(dāng)?shù)某潭龋嬖诰薮蟮陌踩[患，既不安全，也給維修帶來(lái)了很大難度，給企業(yè)造成了巨大的經(jīng)濟(jì)損失。定期維修比故障維修可以有效地預(yù)防設(shè)備的潛在故障，但它具有很大的盲目性，首先，對(duì)于早期故障損失缺乏科學(xué)的預(yù)見(jiàn)環(huán)節(jié)，不能從根本上防止突發(fā)事故；其次，定期維修實(shí)際上只是為了維修已損壞的部件，對(duì)于沒(méi)有故障的部件和設(shè)備這種維修卻是一種浪費(fèi)；再次，定期維修需要對(duì)設(shè)備的每一個(gè)部件都要進(jìn)行監(jiān)查，這種在離線情況下的監(jiān)査很難發(fā)現(xiàn)設(shè)備在實(shí)際工況下的故障；維修中的裝配不當(dāng)和頻繁裝拆也會(huì)對(duì)整個(gè)設(shè)備的精度和性能帶來(lái)不利影響，從而導(dǎo)致潛在故障依然存在。

發(fā)明內(nèi)容
本發(fā)明的目的是為克服現(xiàn)有技術(shù)的缺陷，提供一種新的用于冷沖模具的質(zhì)量監(jiān)測(cè)和故障診斷方法，該方法較方便地對(duì)模具進(jìn)行質(zhì)量監(jiān)測(cè)和故障診斷，準(zhǔn)確率高，適合現(xiàn)場(chǎng)使用。
本發(fā)明采用的技術(shù)方案是在冷沖模具的上下模板處各放兩個(gè)聲發(fā)射傳感器，模具的振動(dòng)信號(hào)通過(guò)該聲發(fā)射傳感器輸入與該聲發(fā)射傳感器連接的前置放大器，再輸入與所述前置放大器連接的數(shù)據(jù)釆集卡進(jìn)行A/D轉(zhuǎn)換，最后輸入與所述采集卡連接的計(jì)算機(jī)進(jìn)行分析診斷。具體釆用如下步驟-
1) 將所述聲發(fā)射傳感器傳出的聲發(fā)射信號(hào)輸入前置放大器中的濾波器進(jìn)行A/D轉(zhuǎn)換；
2) 將采集卡采集的時(shí)域信號(hào)輸入計(jì)算機(jī)中進(jìn)行數(shù)據(jù)的歸一化處理，取其平均值=0，準(zhǔn)偏差=1;
3) 在計(jì)算機(jī)中的信號(hào)處理中采用貝分為3小波基將信號(hào)的采樣頻率分解到三層；
4) 在計(jì)計(jì)算機(jī)中的信號(hào)處理中以小波包分析技術(shù)對(duì)對(duì)預(yù)處理的信號(hào)進(jìn)行分解與重構(gòu)；
5) 在計(jì)算機(jī)中的信號(hào)處理中對(duì)重構(gòu)后的聲發(fā)射信號(hào)進(jìn)行特征成分的提取，提取聲發(fā)射信號(hào)的能量特征向量，把各頻帶內(nèi)的能量與總能量之比作為特征參數(shù)；
6) 在計(jì)算機(jī)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，生成初始遺傳因子，計(jì)算適應(yīng)度；
7) 在計(jì)算機(jī)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，在遺傳算法的優(yōu)化算法中實(shí)現(xiàn)淘汰、交叉和變異；
8) 在計(jì)算機(jī)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，在遺傳算法的優(yōu)化算法中生成遺傳算法特征參數(shù)從而對(duì)初始參數(shù)進(jìn)行優(yōu)化；
9) 在計(jì)算機(jī)中的信號(hào)處理中利用概率理論以及可能性理論決定狀態(tài)辨別用的概率密度函數(shù)以及可能性分布函數(shù)；
10) 在計(jì)算機(jī)的信號(hào)處理中，存儲(chǔ)或輸出找到優(yōu)良遺傳算法特征參數(shù)；
11) 在計(jì)算機(jī)中的信號(hào)處理中實(shí)現(xiàn)對(duì)模具狀態(tài)判定及故障診斷。本發(fā)明的有益效果是
1、 在冷沖模具的上下模板各放兩個(gè)聲發(fā)射傳感器對(duì)模具的故障進(jìn)行定位，可用于其他鍛造、粉末冶金模具等狀態(tài)監(jiān)測(cè)和故障辨別。
2、 監(jiān)測(cè)硬件的結(jié)構(gòu)簡(jiǎn)單、可靠，攜帶方便、適合于現(xiàn)場(chǎng)使用，具有較大的安全性和和經(jīng)濟(jì)性，適于批量生產(chǎn)。 ，
3、 采用基于模糊可能性理論的模糊診斷法，能顯著縮短故障診斷時(shí)間，提高故障診斷效率。


下面將結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。圖1是本發(fā)明的硬件部分整體結(jié)構(gòu)連接圖。圖2是本發(fā)明方法流程圖。圖1中l(wèi).凸模；2.凹模；3.液壓機(jī)床；4.采集卡；5.計(jì)算機(jī)；6.前置放大器；7.聲發(fā)射傳感器。
具體實(shí)施例方式
如圖1-2所示，在液壓機(jī)床3的凸模1和凹模2的上下模板上分別安裝聲發(fā)射傳感器7，將發(fā)射傳感器7通過(guò)前置放大器6和采集卡4連接計(jì)算機(jī)5。本發(fā)明針對(duì)冷沖模具的具體情況，結(jié)合所作的實(shí)驗(yàn)研究工作，在液壓機(jī)床3這一完整的振動(dòng)測(cè)試平臺(tái)上采用不同的信號(hào)處理方法，具體實(shí)施方式
是
(A) 由于冷沖模具的凸模l和凹模2在工作過(guò)程中往復(fù)運(yùn)動(dòng)和在一個(gè)周期內(nèi)受力振動(dòng)，以及模具內(nèi)部產(chǎn)生應(yīng)力波的影響，所以模具的振動(dòng)信號(hào)通過(guò)該聲發(fā)射傳感器7輸入與該聲發(fā)射傳感器7連接的前置放大器6。本發(fā)明采用靈敏度很高的聲發(fā)射傳感器7，產(chǎn)生裂紋時(shí)能對(duì)其相應(yīng)的信號(hào)進(jìn)行捕捉，以直接獲取模具的狀態(tài)信息。對(duì)于模具發(fā)生故障時(shí)的定位問(wèn)題，可以通過(guò)聲源傳播到聲發(fā)射傳感器7的時(shí)差來(lái)進(jìn)行故障的定位。
(B) 對(duì)步驟(A)中聲發(fā)射傳感器7獲取的模具的狀態(tài)信息輸入前置放大器6中的濾波器進(jìn)行A/D轉(zhuǎn)換以及信號(hào)放大，可獲取測(cè)試分析及進(jìn)行數(shù)據(jù)處理保存處理。
(C) 在對(duì)聲發(fā)射傳感器7收集到的信號(hào)測(cè)試分析后，由于無(wú)量綱參數(shù)不容易受測(cè)定條件以及工況變動(dòng)的影響，測(cè)定比較穩(wěn)定，故將采集卡4采集的時(shí)域信號(hào)輸入與采集卡4連接的計(jì)算機(jī)5中，在計(jì)算機(jī)5軟件系統(tǒng)中進(jìn)行數(shù)據(jù)的歸一化處理，取其平均值=0,標(biāo)準(zhǔn)偏差=1。
(D) 為盡量保留聲發(fā)射傳感器7收集到的聲發(fā)射信號(hào)信息，本發(fā)明對(duì)聲發(fā)射信號(hào)的采樣頻率為2MHz，則其奈奎斯特頻率為lMHz，小波包分解尺度過(guò)少，不能有效提取故障特征；分解尺度過(guò)多，特征向量的維數(shù)偏大，會(huì)影響診斷速度。故本發(fā)明采用db (貝分)3小波將信號(hào)的采樣頻率分解到三層，則每層每節(jié)點(diǎn)的所對(duì)應(yīng)的頻率帶寬為125KHz。小波包分解后的結(jié)果并不是正確按照頻率順序排列(即頻率由低到高排列)，而是按佩利(Paley)序號(hào)排列，要得到正確的結(jié)果，還需要對(duì)分解結(jié)果進(jìn)行重新排序，將佩利序號(hào)通過(guò)格雷(Gmy)編碼排序轉(zhuǎn)換為沃爾什(Walsh)序號(hào)，使頻率按照由低到高的順序排列，以便于進(jìn)行信號(hào)分析和信號(hào)特征成分的提取。由式(1)和(3)可以得到?jīng)_壓模具聲發(fā)射信號(hào)經(jīng)小波包分解后各個(gè)不同頻帶的能量和能量百分比。
<formula>formula see original document page 5</formula>(1)￡0 = S五M
"o (2)
五t
五o (3)
式中A,附(^-0J,2，…,y一i;附^，2，…，"，"為信號(hào)的理想采樣點(diǎn)數(shù))為重構(gòu)信號(hào)
S"的離散點(diǎn)的幅值。A為分析信號(hào)的總能量。
(E)為了對(duì)模具的狀態(tài)進(jìn)行準(zhǔn)確判定，本發(fā)明采用遺傳算法對(duì)小波包分解所獲得的特征參數(shù)(各頻帶的能量百分比)進(jìn)行重組優(yōu)化，以獲得最優(yōu)特征參數(shù)。先提取聲發(fā)射信號(hào)的特征成分，生成初始遺傳因子，計(jì)算適應(yīng)度，實(shí)現(xiàn)淘汰、交叉和變異后生成遺傳算法特征參數(shù)，再存儲(chǔ)或輸出找到的優(yōu)良的遺傳算法特征參數(shù)，利用概率理論以及可能性理論決定狀態(tài)辨別用的概率密度函數(shù)以及可能性分布函數(shù)，最后對(duì)模具狀態(tài)進(jìn)行判定及故障診斷。
由于特征參數(shù)用于識(shí)別兩種狀態(tài)時(shí)，[設(shè)^和^分別是根據(jù)測(cè)量狀態(tài)1和狀態(tài)2的信號(hào)計(jì)算得到的某一特征參數(shù)的值，并且^和X2分別服從正態(tài)分布W(/^，"^)和^G"2，"22)。]，分辨指數(shù)DI- l"-^！越大時(shí)，表示兩狀態(tài)的分布距離越大。此外，
當(dāng)分辨指數(shù)的值在1.65以上時(shí)，可以得到95%以上的識(shí)別率。鑒于此，本發(fā)明的遺傳算法操作步驟為-
1) 初始化基因型種群生成初始遺傳因子，計(jì)算適應(yīng)度為了開(kāi)始遺傳算法操作，需隨機(jī)產(chǎn)生初始化基因型種群。
2) 淘汰、交叉與變異
本發(fā)明的變異的概率為1 % 0. 5% 。
3) 終止條件
遺傳棘法操作滿足以下其中一個(gè)條件就會(huì)終止。
1) 最大的分辨指數(shù)(DI)經(jīng)過(guò)一定的代數(shù)沒(méi)有發(fā)生變化(如60代)。
2) 分辨指數(shù)如果大于一個(gè)給定的值(如1.65)，因?yàn)槿绻直嬷笖?shù)大于1.65，那么辨別率尸0>95%。
(F)在診斷識(shí)別時(shí)，特征參數(shù)的數(shù)值 可以由在未知狀態(tài)中所測(cè)得的信號(hào)計(jì)算出來(lái)。狀態(tài)的可能性級(jí)別『y由下式算出于是模糊診斷的結(jié)論如下
如果max(『", ，…,『,， ， }
則該狀態(tài)^是n (正常normal);如果^^-謹(jǐn),",『",…,『,，…，『/J則該狀態(tài)^是力(狀態(tài)k)。
權(quán)利要求
1. 一種用于冷沖模具的質(zhì)量監(jiān)測(cè)和故障診斷方法，其特征是在冷沖模具的上下模板處各設(shè)置兩個(gè)聲發(fā)射傳感器(7)，模具的振動(dòng)信號(hào)通過(guò)該聲發(fā)射傳感器(7)輸入與該聲發(fā)射傳感器(7)連接的前置放大器(6)，再輸入與所述前置放大器(6)連接的數(shù)據(jù)采集卡(4)進(jìn)行A/D轉(zhuǎn)換，最后輸入與所述采集卡(4)連接的計(jì)算機(jī)(5)進(jìn)行分析診斷。
2. 根據(jù)權(quán)利要求1所述的用于冷沖模具的質(zhì)量監(jiān)測(cè)和故障診斷方法，其特征是具體 采用如下步驟1) 將所述聲發(fā)射傳感器(7)傳出的聲發(fā)射信號(hào)輸入前置放大器(6)中的濾波器進(jìn) 行A/D轉(zhuǎn)換；2) 將釆集卡(4)采集的時(shí)域信號(hào)輸入計(jì)算機(jī)(5)中進(jìn)行數(shù)據(jù)的歸一化處理，取其 平均值=0，標(biāo)準(zhǔn)偏差=1;3) 在計(jì)算機(jī)(5)中的信號(hào)處理中采用貝分為3小波基將信號(hào)的采樣頻率分解到三層；4) 在計(jì)計(jì)算機(jī)(5)中的信號(hào)處理中以小波包分析技術(shù)對(duì)對(duì)預(yù)處理的信號(hào)進(jìn)行分解與 重構(gòu)；5) 在計(jì)算機(jī)(5)中的信號(hào)處理中對(duì)重構(gòu)后的聲發(fā)射信號(hào)進(jìn)行特征成分的提取，提取 聲發(fā)射信號(hào)的能量特征向量，把各頻帶內(nèi)的能量與總能量之比作為特征參數(shù)；6) 在計(jì)算機(jī)(5)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，生成初 始遺傳因子，計(jì)算適應(yīng)度；7) 在計(jì)算機(jī)(5)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，在遺傳 算法的優(yōu)化算法中實(shí)現(xiàn)淘汰、交叉和變異；8) 在計(jì)算機(jī)(5)中的信號(hào)處理中運(yùn)用遺傳算法對(duì)特征參數(shù)進(jìn)行參數(shù)的優(yōu)化，在遺傳 算法的優(yōu)化算法中生成遺傳算法特征參數(shù)從而對(duì)初始參數(shù)進(jìn)行優(yōu)化；9) ^SSl75)中的信號(hào)處理中利用概率理論以及可能性理論決定狀態(tài)辨別用的概 率密度函數(shù)以及可能性分布函數(shù)；10) 在計(jì)算機(jī)(5)的信號(hào)處理中，存儲(chǔ)或輸出找到優(yōu)良遺傳算法特征參數(shù)；11) 在計(jì)算機(jī)(5)中的信號(hào)處理中實(shí)現(xiàn)對(duì)模具狀態(tài)判定及故障診斷。
全文摘要
本發(fā)明公開(kāi)了一種用于冷沖模具的質(zhì)量監(jiān)測(cè)和故障診斷方法，在冷沖模具的上下模板處各放兩個(gè)聲發(fā)射傳感器，模具的振動(dòng)信號(hào)通過(guò)該聲發(fā)射傳感器輸入與該聲發(fā)射傳感器連接的前置放大器，再輸入與所述前置放大器連接的數(shù)據(jù)采集卡進(jìn)行A/D轉(zhuǎn)換，最后輸入與所述采集卡連接的計(jì)算機(jī)進(jìn)行分析診斷，本發(fā)明采用基于模糊可能性理論的模糊診斷法，能顯著縮短故障診斷時(shí)間，提高故障診斷效率。
文檔編號(hào)G01M7/00GK101532902SQ200910029479
公開(kāi)日2009年9月16日 申請(qǐng)日期2009年4月14日 優(yōu)先權(quán)日2009年4月14日
發(fā)明者舉 李, 祥 王, 駱志高 申請(qǐng)人:江蘇大學(xué)