论文部分内容阅读
【摘 要】因为刀具的切削时间和刀具的磨损状态存在着相等的增减关系，所以本文利用铣削声谱LPCC（linear predictive cep-strum coefficient，线性预测倒谱系数）和刀具磨损状态之间的关系求解铣削声谱线性预测倒谱系数LPCC与刀具切削时间之间的关系。本文首先分析了线性预测倒谱系数LPCC的基本原理，而后利用线性预测倒谱系数LPCC对可听阈内的切削声信号进行表征，刀具的磨损状态利用线性预测倒谱系数LPCC相关分量加权和进行反映，最终结果显示铣削声谱线性预测倒谱系数LPCC相关分量加权和能够对刀具的切削时间进行有效地反映。
【关键词】线性预测倒谱系数（LPCC）；刀具磨损；刀具切削时间；声音；监测
前言
刀具在切削的过程中不可避免地产生各种各样的切削声信号，而且刀具的磨损状况会在很大程度上影响这种切削声信号的某些特征参数，进而可以利用切削声信号的变化来掌握刀具的磨损状态。例如，在工作实践中，某些经验丰富的加工人员能够利用刀具切削声音的变化来比较精确地判断刀具当前的磨损状态。监测刀具的磨损状态在在机械加工中具有重要意义，它不仅是实现加工自动化的关键技术，更是提高零件加工质量、加工精度以及表面平整度的重要保证。因为刀具的切削时间和刀具的磨损状态存在着相等的增减关系，所以本文利用铣削声谱LPCC和刀具磨损状态之间的关系求解铣削声谱线性预测倒谱系数LPCC与刀具切削时间之间的关系。刀具的切削声信号里面包含着大量的磨损特征信息，利用铣削声谱LPCC与刀具切削磨损状态之间的关系，以此来监测刀具的磨损状态进而获得刀具的切削时间具有理论上的可行性。本文中笔者就铣削声谱LPCC与刀具切削时间的关系进行了分析和探讨。
1.线性预测倒谱系数（LPCC）的基本原理
声音信号的线性预测倒谱系数（LPCC）的基本原理是，我们能够用过去若干个相关的取样值的加权和来表示我们监测的声信号的每一个取样值。其中特别指出的是，让预测误差均方值最低是确定每一个加权系数的基本原则。借助于上述基本原理，我们知道，我们利用声信号监测时过去M个相关的样本的线形组合来表示当前声信号采样点n的输出S（n）。我们可以利用公式进行如下表达：
其中，上述公式当中的 便是LPC（linear predictive cep-strum，线性预测系数），且k=1，2，3，……，M；M表示线性预测系数（LPC）的阶数。
通常而言，我们如果想要对刀具切削信号特征进行清晰地描述，M的取值范围确定为10至16之间便完全能够满足要求。
通过上述论述我们了解，线性预测系数（LPC）在描述刀具切削声信号的谱包络方面还是比较准确的。然而需要注意的是，刀具切削声信号中的不少噪声细节包含于线性预测系数（LPC）当中，所以，零件加工过程中出现的随机因素特别容易干扰线性预测系数（LPC），影响数据的精确性。正是基于以上考虑，在实践过程中选择使用声信号特征参数时，通常由线性预测系数（LPC）推导出来的其它特征参数来而不直接利用线性预测系数（LPC）本身。
2.铣削声信号的采集
选择某型号的立式数控加工机床作为铣削声信号的采集来源。声信号采集过程中所采用的刀具是材质为高速钢的三刃直柄立铣刀，待加工零件为多曲面轮廓的凸轮槽板，其材质为GCr15。依照零件的加工要求，需要进行如下铣削加工：切削深度16.7mm，进程铣削量18.8mm，回程铣削量5.5mm，并且，加工速度随着加工工段的不同而进行相应的变化。
为了更好地采用声信号，选择使用了1台常规PC机以及一个采样频率为44.1kHz的声信号传感器，并且为了使其能够与刀具保持工具，将其安装在了刀具旁边。PC机利用声信号传感器来获得声信号，并进行实时存储，共日后分析。
在声信号采集开始，刀具为完好状态，经过284分钟的连续加工之后，刀具出现了磨损断裂的情况。声信号采集系统在加工期间进行了完整的铣削声信号采集工作。
3.铣削声信号的处理
第一，分割声信号样本。由上文可知，声信号采集系统采集的声信号样本具有非常庞大的数据量，如果不将声信号分割成为长度适当的样本，则进行数据分析的难度便十分巨大。分割声信号样本实质上利用长窗和短窗对声信号进行截取，前者可以平滑处理声信号样本进而获得信号包络，后者虽然无法平滑处理声信号样本，但是可以让我们更加微观地观察信号的变化规律。可听阈内的切削声信号包含丰富的刀具磨损状态信息，选取能反映刀具磨损状态的合适长度的声音样本对研究刀具的磨损至关重要。
第二，加窗分帧。声信号是一种非平稳的时变信号，但是在5至50ms内，它又可以认为是短时平稳的，每个短时的信号段称为一帧。目前常采用矩形窗和哈明窗进行分帧，帧既可以是连续的，也可以是相互交叠的，相互交叠的部分称为帧移。一般帧长取10至30ms。本文采用矩形窗对声音样本进行分帧，帧长为20ms，帧移为10ms。
4.铣削声信号的线性预测倒谱系数（LPCC）分析
在试件直线段的切削声信号里选取声音样本分帧并计算LPCC。首先，计算切削声信号特征参数LPCC，并找出LPCC分量与刀具磨损的关系；然后，利用切削时间与刀具磨损增减趋势相同的规律，分析了LPCC各阶分量的时间历程，找出LPCC分量与刀具磨損的关系。
通过分析LPCC各阶分量的时间历程，得到LPCC相关分量与刀具磨损之间的关系，并以LPCC相关分量加权和有效地反映了刀具的磨损变化规律，见图1；通过分析铣削声信号特征参数LPCC的时变特性，结果表明铣削声信号的LPCC能反映刀具磨损状态的变化，为实现声信号监测刀具磨损提供了新的特征参数。
参考文献
[1]冯成林，吴淑珍. 一种噪声环境下的语音识别方法(线性预测误差法)的研究[J].北京大学学报(自然科学版),2000,(05):125-126
[2]董全成,艾长胜,孙选,樊宁,赵洪华,林亮春.数控加工状态声谱特征的研究[J].振动、测试与诊断,2006,(03):142-144
【关键词】线性预测倒谱系数（LPCC）；刀具磨损；刀具切削时间；声音；监测
前言
刀具在切削的过程中不可避免地产生各种各样的切削声信号，而且刀具的磨损状况会在很大程度上影响这种切削声信号的某些特征参数，进而可以利用切削声信号的变化来掌握刀具的磨损状态。例如，在工作实践中，某些经验丰富的加工人员能够利用刀具切削声音的变化来比较精确地判断刀具当前的磨损状态。监测刀具的磨损状态在在机械加工中具有重要意义，它不仅是实现加工自动化的关键技术，更是提高零件加工质量、加工精度以及表面平整度的重要保证。因为刀具的切削时间和刀具的磨损状态存在着相等的增减关系，所以本文利用铣削声谱LPCC和刀具磨损状态之间的关系求解铣削声谱线性预测倒谱系数LPCC与刀具切削时间之间的关系。刀具的切削声信号里面包含着大量的磨损特征信息，利用铣削声谱LPCC与刀具切削磨损状态之间的关系，以此来监测刀具的磨损状态进而获得刀具的切削时间具有理论上的可行性。本文中笔者就铣削声谱LPCC与刀具切削时间的关系进行了分析和探讨。
1.线性预测倒谱系数（LPCC）的基本原理
声音信号的线性预测倒谱系数（LPCC）的基本原理是，我们能够用过去若干个相关的取样值的加权和来表示我们监测的声信号的每一个取样值。其中特别指出的是，让预测误差均方值最低是确定每一个加权系数的基本原则。借助于上述基本原理，我们知道，我们利用声信号监测时过去M个相关的样本的线形组合来表示当前声信号采样点n的输出S（n）。我们可以利用公式进行如下表达：
其中，上述公式当中的 便是LPC（linear predictive cep-strum，线性预测系数），且k=1，2，3，……，M；M表示线性预测系数（LPC）的阶数。
通常而言，我们如果想要对刀具切削信号特征进行清晰地描述，M的取值范围确定为10至16之间便完全能够满足要求。
通过上述论述我们了解，线性预测系数（LPC）在描述刀具切削声信号的谱包络方面还是比较准确的。然而需要注意的是，刀具切削声信号中的不少噪声细节包含于线性预测系数（LPC）当中，所以，零件加工过程中出现的随机因素特别容易干扰线性预测系数（LPC），影响数据的精确性。正是基于以上考虑，在实践过程中选择使用声信号特征参数时，通常由线性预测系数（LPC）推导出来的其它特征参数来而不直接利用线性预测系数（LPC）本身。
2.铣削声信号的采集
选择某型号的立式数控加工机床作为铣削声信号的采集来源。声信号采集过程中所采用的刀具是材质为高速钢的三刃直柄立铣刀，待加工零件为多曲面轮廓的凸轮槽板，其材质为GCr15。依照零件的加工要求，需要进行如下铣削加工：切削深度16.7mm，进程铣削量18.8mm，回程铣削量5.5mm，并且，加工速度随着加工工段的不同而进行相应的变化。
为了更好地采用声信号，选择使用了1台常规PC机以及一个采样频率为44.1kHz的声信号传感器，并且为了使其能够与刀具保持工具，将其安装在了刀具旁边。PC机利用声信号传感器来获得声信号，并进行实时存储，共日后分析。
在声信号采集开始，刀具为完好状态，经过284分钟的连续加工之后，刀具出现了磨损断裂的情况。声信号采集系统在加工期间进行了完整的铣削声信号采集工作。
3.铣削声信号的处理
第一，分割声信号样本。由上文可知，声信号采集系统采集的声信号样本具有非常庞大的数据量，如果不将声信号分割成为长度适当的样本，则进行数据分析的难度便十分巨大。分割声信号样本实质上利用长窗和短窗对声信号进行截取，前者可以平滑处理声信号样本进而获得信号包络，后者虽然无法平滑处理声信号样本，但是可以让我们更加微观地观察信号的变化规律。可听阈内的切削声信号包含丰富的刀具磨损状态信息，选取能反映刀具磨损状态的合适长度的声音样本对研究刀具的磨损至关重要。
第二，加窗分帧。声信号是一种非平稳的时变信号，但是在5至50ms内，它又可以认为是短时平稳的，每个短时的信号段称为一帧。目前常采用矩形窗和哈明窗进行分帧，帧既可以是连续的，也可以是相互交叠的，相互交叠的部分称为帧移。一般帧长取10至30ms。本文采用矩形窗对声音样本进行分帧，帧长为20ms，帧移为10ms。
4.铣削声信号的线性预测倒谱系数（LPCC）分析
在试件直线段的切削声信号里选取声音样本分帧并计算LPCC。首先，计算切削声信号特征参数LPCC，并找出LPCC分量与刀具磨损的关系；然后，利用切削时间与刀具磨损增减趋势相同的规律，分析了LPCC各阶分量的时间历程，找出LPCC分量与刀具磨損的关系。
通过分析LPCC各阶分量的时间历程，得到LPCC相关分量与刀具磨损之间的关系，并以LPCC相关分量加权和有效地反映了刀具的磨损变化规律，见图1；通过分析铣削声信号特征参数LPCC的时变特性，结果表明铣削声信号的LPCC能反映刀具磨损状态的变化，为实现声信号监测刀具磨损提供了新的特征参数。
参考文献
[1]冯成林，吴淑珍. 一种噪声环境下的语音识别方法(线性预测误差法)的研究[J].北京大学学报(自然科学版),2000,(05):125-126
[2]董全成,艾长胜,孙选,樊宁,赵洪华,林亮春.数控加工状态声谱特征的研究[J].振动、测试与诊断,2006,(03):142-144