瞬态动力学分析金属板材冲压过程中的应变信号Word文件下载.docx
《瞬态动力学分析金属板材冲压过程中的应变信号Word文件下载.docx》由会员分享，可在线阅读，更多相关《瞬态动力学分析金属板材冲压过程中的应变信号Word文件下载.docx（10页珍藏版）》请在冰豆网上搜索。
故障诊断
1.简介
金属板材冲压是一种最常见的制造流程。
最近，应用各行业的钣金件无论在规模和复杂都发生巨大变化如汽车，航空航天，电子，和电脑。
这些部分通常主要用机械压力机大量生产。
在这些作业中用压力机将板材夹紧成模具和形成一个腔。
一般来说，在薄板冲压金属过程中要经历三种基本操作过程;
剪切（下料，冲压，开槽，修边），弯曲，伸展（图）[1]。
这些操作如图1所示。
在剪切行动仅限于一维运作。
在弯曲过程中形状的产生基本上是二维的，因为他的特点是工件的任何平面的横截面垂直于弯曲的纵向维度。
然而这种力只出现在薄板平面的一个方向。
在拉拔和上浆工艺中急剧获得的基本上是三维的。
该应变产生于板的两个维度上。
在实践中，冲压工艺的实际运作大多是这三个基本过程和他们用复合模，组合冲模，级进模进行了几个阶段后的组合。
冲压工艺过程已超过40个变量
[2]，可分为四大类：
空白材料特性，模具条件和设置参数，按性能和工作参数，
交互变量。
冲压过程是一个复杂的物理过程，其中表现在它是一个非常
短的时间弹性和塑性变形，材料硬化，微裂纹，宏观裂纹，摩擦，热生成和排放等
随着对质量和生产力的需求不断增加，冲压过程监控变得必须了。
在一般情况下，如力，应变，加速度一些传感器，接近，声发射传感器应用于获得重要的过程变量。
力信号可以直接反映了冲压过程，所以它是最好的监测方法，但是，力传感器难以安装，其应用受到限制。
以前的作品，例如[3]表明，因为它的有效性和成本应变传感器是最最喜欢的之一。
应变信号的分析可以提供冲压过程变量的变化的丰富的信息，就像力传感器，具有预测的零件质量潜力。
如果检测到的应变信号是变化的，它通常反映了过程变量条件发生了变化，而零件的质量也可能受到影响。
图
（2）显示了一个总应变测量信号的周期。
这个过程开始，直到与弹性变形点A。
其次是与塑性变形点A和C。
围绕AB的应变信号的部分增加，因为那里的材料硬化力冲床它在B点达到最大值。
塑性流动继续从B到C，微裂纹可能产生。
除了C点的应变信号急剧下降，小裂缝合并，而其后蔓延宏观裂纹形成和生长。
从B到D是从微裂纹到宏观裂纹一个过程;
C点只是表示这两个不同的过程。
E点后，摩擦产生的影响的应变信号的变化。
因此，应变信号包含一个冲压工艺丰富的信息。
为了使用的应变信号监测冲压过程遇到的关键问题是如何从应变信息中提取一些信息和在不同的条件的过程下识别这些信息。
传统的方法包括主成分分析[2]，支持向量机[3]，双谱分析[4]，人工神经网络[5]，小波变换[6]和潜在的过程模型[7]。
但是，低信号与噪声比（SNR）在这个过程中捕获的应变信号在许多的案件中的限制了它的能力。
因此，必须引入新的信号处理技术来分析这些信号。
本文件涉及三个方法通过目标信号分解分析瞬态应变信号从而了解冲压工艺的动态和为故障诊断提取故障信号。
小波变换因为它在时间和频域局部特性成为一种潜在的方法来提取应变信号的功能。
潜模型是另一种方法，能分解应变信号和复杂的分离使可能相关的组件将在此基础上的信号他们的时间，频率特性，每一个可能有行为上的频率连续变化。
这种做法是为了更深入开发他们的数学结构隔离潜过程的基本应变冲压操作过程中的信号。
一种新的方法，致力于非线性和非平稳信号分析，命名为希尔伯特黄变换（HHT），由美国宇航局[8,9]黄锷提出了。
这种方法可以分解成其基本随时变信号固有振动模式与所谓的经验模式分解（EMD）或黄的筛选过程。
应用希尔伯特变换在其中任何解体固有模态函数（IMF）随后提供重要的Hilbert谱（协）瞬时频率和瞬时幅值。
EMD的方法已成功地应用于该领域监测和故障检测，例如：
[10,11]。
本文的其余部分组织如下。
第2条对这一理论进行简要的介绍后面的三方法。
在第三节，实验装置和对这些方法的应用给出了讨论。
本文的结论体现在第4节。
2.方法概述
2.1.潜模型
一种时变自回归（TVAR）模型被提出来处理时变信号;
一个TVAR模型参数随时间变化。
带有p阶的时变自回归（TVAR）模型可以这样写出来：
yt=a1;
tyt_1ta2;
tyt_2t...tap;
tyt_ptet
=atYt_1tet;
i=1;
2;
...;
p.
（1）
显然，模型系数ai在时变自回归（TVAR）模型中是随时间变换的。
在理想的情况下，et是一个纯粹的随机过程。
TVAR模型参数估计可以使用自适应多种算法，如预测最小二乘卡尔曼滤波算法和最小二乘[12]。
TVAR模型可以灵活地描述时间和所观察系列的不同模式，和控制局部特性的平稳。
有时观察考虑标量时间序列ytt=1.2……n可以用动态线性模型
模型器（DLM）[13]：
yt=xt+vt,
xt=F0ht,
ht=Gtht_1txt,e2T
（2）
其中XT是基本过程，VT是一个观察错误，ht是D1的状态向量，F是一个D向量常数，GT是加状态演化矩阵，XT是国家创新载体。
国家演化矩阵GT可能取决于不确定时变参数。
往往是由几个组件混合的信号，如周期性，趋势和准周期进程。
分解XT的识别和描述这些潜在的组成部分，是在许多应用中的关键问题。
XT的分解的基础上，找到一个线性转变观念状态参数向量ht。
假设在每个时间t的系统演化矩阵GT有d不同特征值λt1……λtd包括复杂的特征值和实际特征值。
鉴于特征值是不同的，在GT的特征向量是惟一的一个常数，GtBtAtB_1，其中AT是固定在任意的对角矩阵的特征值和dxd特征矩阵转Bt是添加。
定义矩阵Ht=diageB0tFTB_，1并重新通过新的参数化模型的状态向量ct=Htht，新的状态创新dt=Htxt这是一个零均值一个新的正常状态协方差矩阵的创新，重写模型作为：
yt=xt+vt,
xt=10ct,
ct=AtKtct_1tdt,（3）
其中1=（1，……1）和kt=HtH-1t-1。
该模式意味着这XT的可写为d的潜在进程有关的总和d的不同特征值的GT。
最初2C型的元素在复杂的rt成对出现。
总和
zt;
j=gt;
2j_1tgt;
2j,每个进程ztj在时间t涉及到一对复杂的特证值rtjexp（+-wtj），最后一个rt的元素r是真的，这些实际值过程ytj是相关到真正的特证值rtj的，因此分解可以表示为：
众所周知，估计值F，Gt和ht在每个时间t在ztj和ytj的过程中随着时间的推移可以通过评估计算矩阵的特证结构的演变Gt和变换描述。
该TVAR（p）模型有一个DLM的表示方法d=p；
vt=0ht=（xt，xt-1……xt-p+1）`,
Wt=（et,0,……0）,Ft=（0，0……0）和状态演化矩阵：
如果对于所有的tKt=1,每一个ytj遵循一个TVAR
（1）
时间t在TVAR的参数rtj。
参数ztj符合TVARMA（2.1）
其幅值和相位变化随机将随着时间推移，在静态情况下，但现在的频率wtj，模量rtj，对每个j也是随时间变化。
该系列XT是再分解为一对TVAR的总和
（1）
准周期性TVARMA（2,1）的过程。
2.2.小波变换
连续小波变换（CWT）可以分解转换成一个有限的基础函数信号。
衰变小波函数使得连续小波变换能够发现隐藏在时间序列短暂特征。
小波系数w（s，t）通过父小波函数的Ψ（t）与分析信号y（t）的卷积
其中，S和T表示的规模和转换，*表示共轭复数。
通过调整规模s，可以提取一系列不同频率成分的信号。
该因子s是整个能源正常化不同的尺度。
通过小波变换时间系列y（t）的信息预计在二维空间（规模s和转换t）。
在实践中，通常采用Morlet小波：
其中w0是小波圆心角频率，通常w0≥6,这是一个调整的时间频率分辨率的最佳值[15]。
Morlet小波是高斯-窗口复杂的正弦，高斯的二阶指数衰减的Morle小波函数给出了一个在时域定位好时机[16]。
给定一个时间序列，Y=｛yn｝,n=0,……N-1，用同样的时间间隔dt，对离散序列连续小波变换的卷积定义为xn的规模和转换文本Ψ0（t）：
他被赋予：
其中*表示复共轭。
更改小波尺度S和转换以及本地化的时间指数t，可以构造一个图形显示在很短的时间内的任何特征与规模的振幅。
图形（小波系数）大值反映了时间系列和系列之间的一个小波函数的形状和良好的匹配的大波动联合作用。
基于的MWT，在时间尺度空间的时间系列Y小波功率称为尺度图，它是定义为：
尺度图描述了这一系列平面的时间尺度变化。
另一方面，一个离散小波变换（DWT）[17]也可以用来分解的时间尺度域中应变的数据，即所谓的关系不同尺度的细节和逼近。
值得注意的是，规模意味着一个频带。
因此，小波变换后细节是通过一个带通过滤器应变数据的组件。
在本论文中，我们只讨论一个最大重叠离散小波变换（MODWT），不像传统DWT，MODWT是时间不变，这意味着MODWT分析涉及到所有时间的应变系列，而不是倍数2J。
这种MODWT所需的属性是非常有用的，代表多个瞬时动态数据
时间尺度。
MODWT表现为能量（方差）维护变换[18]，这样，方差应变时间序列可以通过从MODWT的系数的变异被完美地捕捉到。
在这项研究中，小波函数Daubechies小被选中MODWT，其中8订单，数量为5级，这些参数可能是固定的实验。
作为操作的结果以上的MODWT，小波系数的N集针对不同规模（水平）时，cs（n），n=1,……N；
s=1,……S。
其中N是时间的样本数，
s是尺度上的。
不同规模意味着不同频段，不同尺度内的小波系数是在这个频段的信号变化。
第一个规模意味着最高频段，然后下一步规模次要的。
2.3.经验模式分解和希尔伯特变换
原则组成的EMD的分解一成有限和少量的yt总和初始信号组件。
这些组件被称为货币基金组织，并从信号得到了一个算法的手段，所谓的梳理。
在筛选过程是基于两个制约因素，即（i）每一个IMF具有过零点和极值相同数目;
及（ii）尊重每一个IMF是对称的当地平均[8]。
最高频率成分的提取当地兴建高和低包络面（功能[ht，低温]，这插值局部最大值和yt极小。
通过获取这些包络线
我们可以构造一个被视为信号平均yt。
yt产量减去这意味着mt与当地零均值cjt，第一个国际货币基金组织的信号。
该剩余
被视为同样取得第二种模式功能c2t。
重复此过程产生分解：
EMD的算法包括以下步骤：
步骤1：
初始化：
r0=y（剩余）和j=1（基金组织指数）
步骤2：
提取第j国际货币基金组织：
a.初始化
b.提取局部极小/极大值
c.计算包络线上，下包络函数
和
从局部极小和极大的地方
d.计算
（平均包络线）。
e.更新
f.重复步骤b-E的
升级会员 