[发明专利]一种基于广义区间的切削加工颤振辨识方法

说明书

技术领域

本发明涉及机械加工中的工程状态辨识领域，特别涉及一种对切削加工颤振的实时辨识方法。

背景技术

颤振问题是切削加工过程中不可避免的问题。切削颤振是由于切削过程中所产生的动态周期性力激发而引起，并能维持其振动不衰减。颤振问题是影响机械产品加工质量和机床切削效率的关键技术问题之一。颤振的存在降低了产品的表面质量，也降低了生产效率和刀具、设备寿命，增加了材料和能源消耗。同时颤振产生的噪声会诱发长期在这种环境下工作的人们的心血管等系统疾病，严重危害人们的身心健康。为了减小颤振的危害，首先必须对切削加工状态进行实时辨识，然后依据辨识结果对切削加工状态采取措施进行有效控制，因此颤振的实时辨识变得尤为重要。

传统的切削颤振辨识方法主要分成两类，一类是利用时频域特征分析方法来监测及识别；一类是在获取的特征基础上，利用模型分类方法来监测并识别，常见的模型分类方法如：神经网络、隐马尔科夫、主成分分析、模糊聚类及支持向量机等。这两类方法的一个共同特点是从数据采集到特征提取及最后的建模过程中，把所有参数都当作精确值，没有充分考虑不确定的存在，识别的准确率不高，而且没有鲁棒性。如：黄建军等在《基于改进BP神经网络的数控机床振动趋势预测》（制造技术与机床，2009.4）中提到标准BP神经网络最大误差达到13.6%。这是因为把参数当作精确值处理的方法，没有充分考虑切削加工存在的不确定性问题，如：加工过程的环境复杂性、材质不一性和测量仪器的不稳定性，测量人员的不定性引起的偶然性不确定性，以及对科学疏忽、不可观测性和人类先验知识匮乏而引起的知识不确定性问题。为了提高预测准确性，这两类不确定性不可疏忽，必须加以考虑。

广义区间理论的数学模型Kaucher在《Interval analysis in the extended interval space IR》(Computing Supplement,1980.2)中提出，广义区间的上界与下界值大小不受限制。相比于传统的区间，广义区间具有更好的代数特性和语义理解性，而且，广义区间还能对不规范区间进行代数运算，其运算法则是Kaucher算法。广义区间理论能够同时很好地处理偶然不确定性与知识不确定性问题，基于广义区间的区间形式模型具有较好的鲁棒性。但关于广义区间的理论文献多见于数学推理，鲜见于与工程实际问题结合解决问题。

发明内容

本发明的目的是针对现有切削加工中存在的不确定性问题，提供一种基于广义区间理论的切削加工颤振辨识的方法，其利用广义区间理论处理工程中不确定性问题，结合神经网络模型的分类辨识能力，对切削加工颤振进行实时监测与辨识，从而提高辨识的准确性及鲁棒性。

实现本发明的目的所采用的具体技术方案如下：

一种基于广义区间的切削加工颤振辨识方法，具体包括如下步骤：

（1）数据采集

通过测量工具获取工程中切削加工中的测量数据。测量数据可以为切削工具的切削力、切削时的加速度、切削时的声发射、切削时的扭矩、切削时的电流和功率中的一类或者几类，其中的测量工具相应可以为测力仪、加速度传感器、声级计、扭矩传感器、电流传感器和功率传感器等。

（2）数据预处理

把测量数据通过整形、滤波、去噪及放大等方法对测量数据的进行预处理，形成无噪的切削加工信号数据集{X}＝{X₁,X₂,…,X_k}，其中k为数据种类数，每类测量数据的测量值为{x₁,x₂,…,x_m}，m为此类测量数据的测量个数。

（3）划分切削加工状态

分别绘出每类数据集{x₁,x₂,…,x_m}的时域图，及对其进行快速傅里叶变换并绘出其频域图，依据数据集时域及频域图幅值，划分切削加工状态。

（4）采集数据广义区间化

考虑加工、测量及数据预处理过程中的偶然不确定性及知识不确定性，依据广义区间理论及误差理论，把预处理了的每类数据集中的每个元素转换成广义区间形式以增加采集数据的可靠性，则每类数据集从而可以获得广义区间化的数据集{X'}，{X'}＝{X₁',X₂',…,X_k'}。

其中，广义区间的数学表达式为：