[发明专利]一种基于变分模态分解和能量熵的铣削颤振识别方法

说明书

本发明公开了一种基于变分模态分解和能量熵的铣削颤振识别方法，属于机床加工颤振识别技术领域。其包括以下步骤：S1、建立VMD数学模型；S2、建立能量熵的数学模型；S3、进行分别代表稳定切削、微弱颤振及严重颤振三种切削状态的三组铣槽加工实验，通过测力仪来获取三组铣削力信号；S4、对三组铣削力信号进行FFT分析，证明三组铣削力信号分别代表加工处于稳定切削、微弱颤振及严重颤振状态；S5、通过基于峭度值的VMD参数自动选取方法确定VMD分解的最佳模态个数K和惩罚因子α；S6、求多个IMF的瞬时频率，确定铣削颤振特征频带；S7、采用锤击实验获取刀具模态；S8、基于能量熵对每个IMF提取颤振特征向量。本发明提高了VMD分解效果，实现了自动识别颤振。

技术领域

本发明属于机床加工颤振识别技术领域，涉及一种基于变分模态分解和能量熵的铣削颤振识别方法。

背景技术

为了提高材料切除率和减小切削力，高速铣削加工被广泛地应用在航空航天工业中。机床颤振源于切屑形成中的自激机理，刀具-工件系统的某个模态最初被切削力激励，在接近但不等于加工系统主结构频率处产生颤振。颤振会降低表面质量、生产效率，也会造成刀具的磨损。对于加工工艺系统的颤振问题，很多学者已经提出颤振稳定性预测、识别、抑制等方法，但对于机床操作者来说，颤振预测的方法很难得到有效实施，因此，为了实现零件的高效、高精加工，研究颤振识别技术变得重要。

智能加工和智能机床是智能制造的重要内容，研究铣削过程中的在线颤振识别技术也对实现智能制造具有重要意义。颤振特征提取是在线颤振识别的关键技术，而实现颤振的特征提取前提是准确确定颤振频带。早期颤振识别允许操作者干预加工过程和避免颤振对工艺系统的破坏。近年来，针对颤振识别的研究已经广泛的展开。

变分模态分解(VMD)是2014年由Dragomiretskiy等提出一种新的非递归式信号处理方法。VMD一经提出，便在不同的领域得到了应用。有文献指出，VMD方法更能准确提取特征。Wang利用VMD、经验小波变换(EWT)、集合平均模态分解(EEMD)、经验模态分解(EMD)等四种方法对频谱信号进行提取，结果表明VMD在信号分析的优势。VMD方法在特征提取中得到了广泛的应用，但是很少文献将VMD方法用于铣削过程中颤振特征的提取上。尽管VMD的理论基础扎实，分解效果较好，但VMD对信号进行分解时，模态个数K和惩罚因子的选择通常依据经验进行选择，VMD分解的效果不佳。

铣削过程中，伴随着能量的转移。稳定切削阶段，能量被消耗在主频及其谐频上，当切削状况发生恶化时，随着颤振频率幅值的增大，能量被消耗在颤振频带上。熵指的是体系的混乱的程度，能量熵是熵在能量域的延伸。当铣削过程发生颤振时，能量熵会增大。所以，基于能量熵随频率的变化来表明切削阶段是否发生颤振是可行和有效的方法。但目前通常选取整个信号的能量熵作为颤振特征，没有真正意义上提取到颤振频带和颤振特征向量。

综上所述，亟需一种自动选取VMD参数，基于能量熵来提取颤振特征向量的铣削颤振识别方法。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种自动选取VMD参数，基于能量熵来提取颤振特征向量的铣削颤振识别方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于变分模态分解和能量熵的铣削颤振识别方法，包括以下步骤：

S1、建立VMD数学模型；

S2、建立能量熵的数学模型；

S3、进行分别代表稳定切削、微弱颤振及严重颤振三种切削状态的三组铣槽加工实验，通过测力仪来获取三组铣削力信号；

S4、对三组铣削力信号进行FFT分析，证明三组铣削力信号分别代表加工处于稳定切削、微弱颤振及严重颤振状态；