法律状态公告日
法律状态信息
法律状态
2022-12-30
专利权的转移 IPC(主分类):G01B21/20 专利号:ZL2014102295093 登记生效日:20221216 变更事项:专利权人 变更前权利人:嘉兴诸塍新材料有限公司 变更后权利人:浙江知多多网络科技有限公司 变更事项:地址 变更前权利人:314500 浙江省嘉兴市桐乡市梧桐街道振兴东路(东)55号桐乡市商会大厦1单元1702、1703室-A-222 变更后权利人:311100 浙江省杭州市余杭区仓前街道海创科技中心2号楼4层407-10室
专利申请权、专利权的转移
2016-08-17
授权
授权
2014-10-15
实质审查的生效 IPC(主分类):G01B21/20 申请日:20140527
实质审查的生效
2014-09-10
公开
公开
技术领域
本发明属于精密仪器制造及测量技术领域,具体是一种基于经验模态分解 方法的圆度误差评定方法。
背景技术
圆度误差是回转类零件的一项重要形位精度指标,是评定许多其它形位误 差的基础。圆度误差的存在直接影响到零部件的配合、旋转精度,会引起摩擦、 振动、噪声等,将降低零部件的使用寿命,增加能耗,因此准确评定圆度误差 不仅为零件的验收提供依据,而且为零件加工精度和装配精度的提高提供可靠 的保证。
圆度误差检测信号成份复杂,除了包含圆度误差信号外,还包含有测量噪 声,被测工件表面的中、高频误差信号,如波纹度和表面光洁度等,以及由于 工件中心与主轴中心不一致所引起的主轴回转误差信号,这些信号的存在严重 影响圆度误差的准确估计。因此,为了保证误差评价精度,必须将圆度误差信 号从检测信号中有效分离出去。国内外学者对圆度误差分离进行了一些研究, 起初利用数字滤波技术对测试信号干扰成分进行直接滤除,常规数字滤波器以 平稳信号为分析对象,而圆度误差测试中信号往往具有非平稳性,难以获得满 意效果;后来小波分析被应用圆度误差测量信号降噪中,取得了不错效果,但 由于小波分析对人的主观经验有很强依赖,参数选择不同所得分析结果迥异, 难以被大众掌握。
经验模态分解方法(Empirical Mode Decomposition,EMD)是诺顿·黄等人提 出了一种适合于分析非平稳与非线性信号的自适应分解方法。该方法与传统信 号分析方法的主要不同之处在于它不需要事先选择基函数,而是根据信号本身 的特性自适应地产生合适的表示函数,能很好地反映信号在任何时间局部的频 率特征,已在滤波、故障诊断等领域得到成功应用,是一种其非常符合圆度误 差分离要求的信号处理方法。
发明内容
本发明针对现有技术的不足,提供一种基于经验模态分解的圆度误差评定 方法,目的在于精确快速简便地获得待测零件的圆度误差。
该方法的具体步骤是:
步骤1:对工件绕旋转中心从0到360°进行等角度数据采集,得到工件半径 数据x(θ)。
步骤2:采用EMD对半径数据x(θ)进行分解,将x(θ)从高频到低频分解为若 干内蕴模态函数(IMF)和1个残余分量(res),即将各类信号成分进行分离。具 体过程如下:
(1)确定信号x(θ)所有局部极值点,用三次样条将所有局部极大值点进行连 接形成上包络线,再用三次样条线将所有的局部极小值点连接形成下包络线, 上、下包络线包络所有的数据点。
(2)将上、下包络线的平均值记为m1,求出
x(θ)-m1=h1 (1)
如果h1是一个IMF,那么h1就是x(θ)的第1个IMF分量。
(3)如果h1不满足IMF条件,把h1作为原始数据,重复步骤(1)、(2),得到上、 下包络线的平均值m11,再判断h11=h1-m11是否满足IMF的条件,如不满足,则 继续循环,直到得到的h1k满足IMF的条件为止。记imf1=h1k,则imf1为信号x(t) 的第1个满足IMF条件的分量,k为循环次数。
(4)将imf1从x(θ)中分离出来,得到
r1=x(θ)-imf1 (2)
将r1作为原始数据重复步骤(1)~(3),得到x(t)的第2个满足IMF条件的分量 imf2,重复循环n次,得到信号x(t)的n个满足IMF条件的分量imfi(i=1,...,n)。记:
当rn成为一个单调函数时,循环结束,rn称为残余分量,代表信号的平均趋 势。
其中低阶IMF分量突出了数据的局部特征,代表了信号高频成分,即表面 粗糙度误差信号和测量噪声信号;中部若干阶IMF代表了信号中频成分,即表 面波纹度误差信号;形状误差信号分布于高阶IMF中,主轴回转误差信号分布 于残余分量中或接近于残余分量的若干阶高阶IMF中。
步骤3:计算各个IMF以及res的波数。
对于第i阶IMF(imfi)可以计算其直流分量如下:
其中N表示信号采样点数。计算imfi与直流分量Di的交点个数NI,则可得imfi的波数Wn为[NI/2],[*]表示取整数,j表示N个信号采样点数中的第j个信号采样 点数。
步骤4:按照每个IMF以及res的波数剔除干扰信号成分。
表面粗糙度误差信号和波纹度误差信号属于测量信号的中高频成分,其中 表面粗糙度误差信号频率大于波纹度误差信号频率,只要在分解结果中找出波 纹度误差IMF,就可同时找出表面粗糙度误差IMF(阶数低于波纹度误差信号的 IMF)。设定波纹度的波数截止值WB(取值范围:5~45波/周),即认为波数大于 WB的IMF为干扰信号(波纹度、粗糙度或测量噪声信号),将它们予以剔除。 对于主轴回转误差,其在一圆周内变化一个周期,因此,波数小于或等于1波/ 周的IMF为主轴回转误差IMF,予以剔除。
步骤5:计算圆度误差。在剔除完测量信号中的各种干扰IMF后,便可以利 用剩余的IMF进行重构得到的表面形状误差信号xi,并利用其按公式(5)估计 圆度误差e。
e=max(xi)-min(xi) (5)
本发明的有益效果是:
1.本方法具有很强抗干扰能力,可以有效剔除测量信号中的各类干扰信号 成分,所得分析精度比传统方法要高。
2.分析过程不需要选择基函数,而是根据信号本身的特性自适应地产生合 适的表示函数对测量信号进行分解,使得本方法具有很强自适应性。
3.整个分析过程快速方便,容易被使用者掌握,同时易于编程实现。
附图说明
图1为基于经验模态分解的圆度误差估计方法流程图。
具体实施方式
以下结合附图对本发明的方法作进一步描述。
图1为基于经验模态分解的圆度误差估计方法流程图,具体实施步骤如下:
步骤1:对工件绕旋转中心从0到360°进行等角度数据采集,将圆周分成 N等分,得到边缘到旋转中心的距离数据,即半径x(θj),其中j为0~N的整数, θj=j*360/N。
步骤2:对测量半径数据进行EMD分解,将信号中的各类成分分解到若干 个IMF分量和1个残余分量。具体的分解过程如下:
(1)确定信号x(θj)所有局部极值点,用三次样条将所有局部极大值点进行连 接形成上包络线,再用三次样条线将所有的局部极小值点连接形成下包络线, 上、下包络线应该包络所有的数据点。
(2)将上、下包络线的平均值记为m1,求出
x(θk)-m1=h1 (6)
如果h1是一个IMF,那么h1就是x(θj)的第1个IMF分量。
(3)如果h1不满足IMF条件,把h1作为原始数据,重复步骤(1)、(2),得到上、 下包络线的平均值m11,再判断h11=h1-m11是否满足IMF的条件,如不满足,则 继续循环,直到得到的h1k满足IMF的条件为止。记imf1=h1k,则imf1为信号x(t) 的第1个满足IMF条件的分量。
(4)将imf1从x(θj)中分离出来,得到
r1=x(θ)-imf1 (7)
将r1作为原始数据重复步骤(1)~(3),得到x(t)的第2个满足IMF条件的分量imf2, 重复循环n次,得到信号x(t)的n个满足IMF条件的分量imfi(i=1,...,n)。记:
当rn成为一个单调函数时,循环结束,rn称为残余分量,代表信号的平均趋势。
步骤3:计算各个IMF以及res的波数。对于第i阶IMF(imfi),根据式(9) 计算其直流分量如下:
其中N表示信号采样点数。以幅值Di作一条直线与imfi相交,并计算交点个数NI, 则可得imfi的波数Wn为[NI/2],[*]表示取整数。
由于采集到的数据是由离散数据组成,所有难以准确求取直流量Di与imfi的交点,这里采用以下方法求取交点数:
(1)对于imfi,对每个数据点去直流量,即令
Aimfi(θk)=imfi(θj)-Di (j=1,2,...,N) (10)
(2)将Aimfi(θk)连续点相乘得
AX(θj)=Aimfi(θj)*Aimfi(θj+1) (j=1,2,...,N-1) (11)
(3)统计所有AX(θj)中数值小于或等于0的点数即为交点数。
步骤4:按照每个IMF以及res的波数剔除干扰信号成分。具体过程如下
(1)表面粗糙度误差信号和波纹度误差信号属于测量信号的中高频成分,其 中表面粗糙度误差信号频率大于波纹度误差信号频率,只要在分解结果中找出 波纹度误差IMF,就可同时找出表面粗糙度误差IMF(阶数低于波纹度误差信号 的IMF)。根据JB/T9924-1999可知,对于不同的切削表面,波纹度的常用波 数截止值有5,15,45波/周三种,为了避免对圆度误差信号的误剔除,这里将 波纹度的波数截止值设为45波/周,即认为波数大于45波/周的IMF为干扰信号 (波纹度、粗糙度或测量噪声信号),将它们予以剔除。
(2)对于主轴回转误差,其在一圆周内变化一个周期,因此,波数小于或等 于1波/周的IMF为主轴回转误差IMF,予以剔除。
步骤5:计算圆度误差。在剔除完测量信号中的各种干扰IMF后,便可以利 用剩余的IMF进行重构得到高信噪比的表面形状误差信号xi,并利用其按公式 (12)估计圆度误差e。
e=max(xi)-min(xi) (12)。
机译: 基于经验模态分解和粒子群优化算法的泵噪声消除方法
机译: 基于包络经验模态分解和卷积神经网络的结构损伤识别方法
机译: 基于经验模态分解和小波消噪方案的抗干扰方法和系统