分另0取0．008—0．018s，0．0244—0．0264s，0．035—0．045s三个时间片段进行分析。图4表示的是稳定切削信号，刀具破损信号以及破损刀具切削信号的功率谱。从功率谱中可以看出，稳定切削和破损刀具切削AE信号的主要能量都集中在30～
50kHz区域，而且相对于稳定切削，破损刀具切削信号的能量大，高频成分含量高。刀具破损信号的主要能量集中在100～400kHz区域内，能量远高于铣削信号。但是，仅仅从能量大小上来识别刀具破损信号是不准确的，因为切削参数的改变会剧烈的影响AE信号的能量，所以需要对图4所示的特征进行数学建模描述。图5为对三段信号分别进行EEMD分解得到的IMFs分量信号，从图中可以看出，刀具破损信号的主要能量集中在第1、2、3阶IMF上，而稳定切削信号主要能量集中在第3、4阶IMF。对于破损刀具切削，第1、2阶IMF主要分离出的是随机的突发型信号，但是主要能量仍然集中在第4阶IMF上。应用上一节提出的IMF能量分布算法，计算各IMF能量，得到三段信号的IMF能量百分比，数值见表3。在此基础上绘制出IMF能量分布曲线，如图6。
如图6所示，对于稳定切削和破损刀具切削信号，IMF能量分布曲线峰值在第4阶IMF处，信号的主要能量都集中在第四阶IMF上面，而刀具破损信号的曲线峰值出现在第3阶IMF处。主要能量集中在第三阶IMF上。从识别的角度，当刀具发生破损时，IMF分布曲线的峰值从第4阶移动到第3阶。通过提取IMF能量分布曲线的峰值位置，可以准确地从铣削信号中识别出刀具破损信号，实现刀具破损的监控。
2．3变切削参数的影响
在铣削过程中切削参数经常发生变化，而切削参数的变化会对AE信号产生明显的影响，所以识别方法必须对切削参数的变化不敏感，才能在实际应用中得到推广。针对切削速度，切削深度和进给率三个参数，分别进行单因素试验，对每一种切削参数下采集的信号提取IMF能量分布，绘制曲线，如图7、8、9。从图7中可以得到结论，切削速度不会改变IMF能量分布状态，也不会改变分布曲线的峰值位置，从图8、9中，也可以得到相同的结论，综上所述，切削参数的变化不会使IMF能量分布曲线峰值位置产生移动，只有刀具破损才能使其从第4阶移动到第3阶。可以通过监测曲线峰值位置来识别刀具破损信号，大量实验表明，识别方法能够剔除切削参数的干扰，准确的识别刀具破损。
3 结论
根据铣削过程切削参数改变以及铣削AE信号非平稳的特点，本文提出一种新的基于EEMD和IMF能量分布的刀具破损识别方法，该方法能够自适应的把原信号分解成本征模函数，并通过计算]MF的能量，刻画原信号的频率-能量状态。对提取的IMF能量进行归一化处理，绘制分布曲线，通过判断峰值位置来识别刀具破损的发生。进一步地，通过大量的实验，验证了该识别方法对变切削参数切削过程的有效性。综上所述，本文的主要结论为：(1)铣削信号的主要能量集中在30～50kHz范围内，刀具破损信号主要能量集中在100～400kHz范围内。
(2)稳定切削信号幅值低，突发型信号少，高频成分比重低；破损刀具切削信号幅值较高，并伴随有低幅值突发型信号，信号稳定性差，且高频成分比重较稳定切削信号有所升高；刀具破损信号能量最大，高频成分比重远高于铣削信号。
(3)铣削信号IMF分布曲线峰值位于第4阶，刀具破损信号曲线峰值位于第3阶段。
(4)切削速度，切削深度和进给率不会使分布曲线峰值移动，只有刀具破损能够对IMF能量分布状态产生影响。
(5)在铣削过程中，通过监测AE信号IMF能量分布曲线峰值的移动，可以有效地识别刀具破损。
鹏翔新闻
