[发明专利]一种基于包含铣削角度理论模型的铣削颤振智能识别方法

说明书

本发明提供了一种基于包含铣削角度理论模型的铣削颤振智能识别方法，在工业化的铣削加工生产过程中，根据实际的铣床结构和刀具参数建立包含铣削角度在内的动力学方程，通过铣削力实验测得各项参数。之后利用工业化大数据训练神经网络，拟合出判断是否发生颤振的阈值函数。在实时的工业生产过程中，利用麦克风测量声音信号，将其短截取后进行奇异谱分解，根据KL散度和皮尔逊系数关系选择特征分量，并通过加权排列熵构建判断指标。根据指标与阈值函数的大小关系，实现对于颤振现象的智能预防。

技术领域

本发明涉及工业化铣削加工领域，具体地，涉及一种基于包含铣削角度理论模型的铣削颤振智能识别方法。

背景技术

颤振现象是工业化高速铣削加工中需要避免的问题。颤振是由于自激振动的不断加剧造成的恶劣后果，如果不加以控制，会引起一系列影响工件、刀具、铣床的严重问题。颤振会影响到工业化生产的效率和质量，使工厂产生巨大的经济损失。因此，在生产效率不断增加，产品质量需求持续提高的当下，对颤振问题进行研究具有十分重要的意义。目前，有许多工程人员投身于加工颤振方面的科学研究，提出了一些相关的方法。

现在机器学习方法发展迅速，在工业界中的应用方案被不断提出。从智能角度考虑，颤振的研究主要分为三个方面：第一种是无机器学习的颤振识别，这类研究主要是从铣削过程的控制方程出发，建立铣削的理论模型，预测颤振边界，对实际生产过程中的颤振识别提供参考；第二种是有浅层机器学习参与的颤振识别，这类方法基本上不考虑铣削过程中的物理模型，仅通过传感器获取加工过程中各物理量的变化，通过信号处理的方法建立数据指标，训练一些浅层的机器学习模型，如支撑向量机、反馈神经网络、故障树等，实现颤振的识别；第三种是深度学习驱动的颤振识别方法研究，这类研究主要采用如深度卷积神经网络、堆栈自动编码器等深度学习模型，利用海量的数据训练模型，实现颤振的识别。

在现有的技术层面，上述的三种方案均存在着一定程度的不足。第一类方案缺少颤振识别的自适应性，不能根据变化的加工条件作出调整，并且现有的理论模型没有考虑到铣削角度对颤振的影响，与实际工况存在出入；第二类研究偏向于仅从信号触发，缺少对铣削加工过程自身的原理性研究；第三类研究依托深度学习模型，但这类模型训练所需的数据量过于庞大，目前状况下在实际工业化生产中的应用存在局限性。

此外，加工信号的选择目前主要分为三种类型：一类是表征工件振动情况的位移、速度、加速度信号；第二类是反映加工过程中工件与铣刀之间相互作用的铣削力信号；第三类则是反映加工状态的声信号。考虑到信号采集的难易程度以及对原始加工系统的影响，采用声信号进行分析处理是一种可行的方案。

公开号为CN107457609A的专利文献“基于刚度变化的铣削颤振抑制方法及铣削颤振优化系统”，公开了一种基于刚度变化的铣削颤振抑制方法及铣削颤振优化系统，但和本发明解决的技术问题并不相同。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于包含铣削角度理论模型的铣削颤振智能识别方法。

根据本发明提供的一种基于包含铣削角度理论模型的铣削颤振智能识别方法，包括如下步骤：

步骤1：通过布置的传感器，获取铣削过程中的信号以便于后续进行分析；

步骤2：对获取的信号进行加工周期倍数的短截取，并对截取后的信号进行奇异谱分解；

步骤3：对奇异谱分解产生的奇异谱分量进行筛选，选取出特征分量，求取特征分量的加权排列熵值；

步骤4：将加权排列熵值与神经网络拟合的阈值函数作比较，判断颤振情况。

所述步骤1中采用的是非接触式测量的麦克风采集声信号。

优选地，所述步骤2中采用主轴旋转周期的两倍作为截取的长度。