[发明专利]一种基于卷积神经网络的颤振识别方法和系统

说明书

本发明提供一种基于卷积神经网络的颤振识别方法和系统，该方法包括如下步骤：在实验工况下获取不同工艺参数下的削切噪音，对其进行滤波处理，得到削切噪声耳蜗谱；根据得到削切噪声耳蜗谱图对卷积神经网络进行训练，得到训练后的卷积神经网络；采集实际削切过程中的削切噪音，对其进行滤波处理，并采用训练后的卷积神经网络判别削切过程中是否发生颤振。本发明所提供的技术方案，采用削切过程中产生的削切噪声判断是否发生颤振，由于检测削切噪声时不需要接触加工机床和加工工件，适用性较强，能够解决现有技术中检测颤振的方式适用性差的问题。

技术领域

本发明属于机械加工过程中颤振检测的技术领域，具体涉及一种基于卷积神经网络的颤振识别方法和系统。

背景技术

随着机械制造技术的不断革新，高速精密加工成为机械加工的主流，然而在削切速度提高的过程中，也出现了一些不可避免的问题，如削切过程中不但刀具会快速磨损，还会伴有轻微的振动，即颤振。随着技术的发展，很多领域的零件对加工的精度越来越高，而对于加工精度要求非常高的领域，在加工过程中必须避免出现颤振。

要消除机械加工过程中的颤振，首先需要检测机械加工过程中是否发生颤振。目前检测是否发生颤振的方法，是在机床或者被加工工件上设置加速度传感器检测其振动信号，然后通过根据检测到的振动信号判断是否发生颤振，如申请公布号为CN106021906A的专利申请文件公开的一种基于倒频谱分析的颤振在线监测方法所提供的技术方案采用的就是这种方式。

但是采用加速度传感器的方式需要将加速度传感器设置在机床或被加工工件上，在很多场合不适合使用。

发明内容

本发明提供一种基于卷积神经网络的颤振识别方法，以解决现有技术中采用现有技术中检测颤振的方式适用性差的问题；同时，为了解决上述技术问题，本发明还提供了一种基于卷积神经网络的颤振识别系统。

为实现上述目的，本发明的技术方案为：

一种基于卷积神经网络的颤振识别方法，该方法包括如下步骤：

(1)在实验工况下获取不同工艺参数下的削切噪音，对其进行滤波处理，得到削切噪声耳蜗谱；

(2)根据得到削切噪声耳蜗谱图对卷积神经网络进行训练，得到训练后的卷积神经网络；

(3)采集实际削切过程中的削切噪音，对其进行滤波处理，并采用训练后的卷积神经网络判别削切过程中是否发生颤振。

本发明所提供的技术方案，采用削切过程中产生的削切噪声判断是否发生颤振，由于检测削切噪声时不需要接触加工机床和加工工件，适用性较强，能够解决现有技术中检测颤振的方式适用性差的问题。

进一步的，为了滤除的噪声信号中的干扰信号，提高卷积神经网络的精确度和对颤振判断的准确性，采用时域脉冲信号公式对削切噪声进行拟合的方式对削切噪声进行滤波处理并得到削切噪声耳蜗谱，所述时域脉冲信号公式为：

其中f为中心频率，t为脉冲信号拟合时间位置，A为脉冲信号幅值，n为滤波器阶数，b为信号衰减系数决定滤波带宽，且

其中ERB(f)为等效矩形带宽。

进一步的，所述滤波器阶数为3，所述中心频率从1000～10000HZ，用20ms帧移。

进一步的，为了对噪声信号降维和特征提取，所述卷积神经网络包括三个卷积层和两个池化层，各卷积层的卷积核均为3x3的卷积核，各池化层均为最大池化层。

进一步的，为了保证所训练的卷积神经网络的精确度，还包括对所述训练后的卷积神经网络进行更新的步骤：

获取实际削切过程中的削切噪音后，将其存储到数据库中；