传感器|智能主轴技术发展综述( 三 )


开发了多传感信息融合的轴承状态监测系统(图1b) , 通过判断轴承的退化寿命预测主轴寿命 。 目前 , 能够直接应用的主轴监测系统大多是对基础的传感信号进行简单的时域分析 , 根据获得的峰值等参数直接判别当前状态 , 没有集成先进的主轴状态监测算法 , 智能化程度及识别准确率均较低 。 研究人员对主轴状态监测算法进行了较深入的研究:文献[12
基于多源信息融合及粗糙集理论 , 使用滑动SVDD模型建立了主轴健康指标计算方法;文献[14
在包络谱分析基础上开发了基于OSACBM及轴承故障判断的自动主轴状态监测系统;文献[15
提出了基于声发射信号的轴承判断指标 , 能够判断轴承剩余寿命并对其进行预防性维护;文献[16
对主轴振动信号进行小波包分解并以其能量熵值为指标判断铣削加工的状态 , 根据颤振的发生判别主轴状态;文献[17
开发了能够主动抑制铣削颤振的主动式主轴系统(图2);文献[18
根据长短期记忆(LSTM)网络的优点 , 提出了具有深度学习能力态势感知的智能主轴自主感知方法 。

(a) 电主轴状态评估模块

(b) 轴承状态监测系统
图1 智能主轴状态监测系统案例
Fig.1 Case of condition monitoring system for intelligent spindles

图2 基于压电作动器的主动颤振抑制系统
Fig.2 Active flutter suppression system based on piezoelectric actuator
3.1.1 主轴状态感知
主轴状态包括主轴的加工状态、刀具状态、主轴碰撞、热变形、主轴平衡、颤振等 , 主轴的加工状态由各部件的状态共同决定 。 刀具是主轴的重要部件 , 直接与工件接触并影响加工性能和精度 。 一般采用力传感器[19
、振动传感器和声发射传感器等进行状态监测以判断刀具的磨损和破损情况 , 刀具磨损会导致切削力分量增加 , 刀具断裂会导致切削力不连续或产生脉冲信号 , 切削力则会引发机床结构的振动 , 由于切削力的测量具有局限性 , 在工程中往往使用振动信号代替切削力:文献[20
通过主轴支架上的振动传感器获取振动信号并通过在线监测诊断主轴故障;文献[21
安装2个传感器测量主轴位移信号 , 用于端面铣削时的刀具破损检测 。 刀具的耐用性很强 , 其出现问题的原因大部分是加工时的碰撞 , 包括编程错误和操作失误引起的碰撞 。 目前 , 对于主轴碰撞的研究类似于刀具磨损监测 , 主要通过力传感器或振动传感器的信号判断 , 也可使用多普勒雷达进行运动物体感知从而检测碰撞[22
。 主轴碰撞是一种强烈故障 , 可归类为比较容易监测识别的故障 。 在主轴运转过程中 , 热变形引起的加工误差也会影响加工精度和可靠性 。 热变形是由不正常的主轴部件温升所导致 , 当主轴承受较大载荷或润滑不良时 , 轴承和电动机的温升会出现异常 , 这也在一定程度上预示着故障的发生 。 目前 , 普遍使用热电偶或热电阻传感器监测温升 , 使用时域阈值分析完成异常判别 。 另外 , 对于主轴内部没有集成温度传感器 , 无法直接获取温升的工况 , 可通过间接测量判断热变形 , 如利用基于猫眼反射镜的光学传感器测量高速电主轴的热伸长[14
。 高速主轴的发展对主轴的平衡提出了更高要求 , 主轴轻微不平衡就会引起工件和工具的不对称安装 , 从而导致振动 。 主轴平衡往往通过振动信号监测 , 加速度计的体积小、重量轻、灵敏度好、频带范围宽 , 在不平衡监测中广泛应用[23-24
。 颤振是对主轴影响最大 , 发生最频繁的一种故障 , 颤振监测则是一个二分类或三分类的问题 , 核心算法与轴承故障诊断研究类似 。 在颤振识别方面 , 除了广泛使用的卷积神经网络(CNN)外 , 传统的支持向量机和人工神经网络仍占有一席之地 , 其识别准确率达到90%以上 。 文献[25