[发明专利]不同磨损刀具的车削热与多元影响因子的相关性分析方法

说明书

不同磨损刀具的车削热与多元影响因子的相关性分析方法，主要是基于灰色关联度理论及粒子群优化算法对不同磨损刀具的车削热与多元影响因子之间相关性进行分析，包括：制定车削试验方案；搭建试验系统；对不同磨损状态的刀具进行车削试验，得到相应车削参数下刀尖附近的车削温度和三向车削振动加速度数据，提取车削热特征值及车削振动特征值，即车削热功率密度均值及三向车削振动加速度自功率谱密度最大值。基于灰色相关系数，分析不同磨损状态刀具的车削参数及车削振动对刀具车削热的影响，找出对车削热影响显著的因子。基于最小二乘法建模和粒子群算法优化，从能量视角建立车削热关于车削振动及车削参数的粒子群算法预测模型。

技术领域

本发明属于车削加工领域，涉及一种对不同刀具磨损状态下刀具车削热与多元因子的相关性分析方法。

背景技术

在车削加工过程中，因为工件和刀具之间会产生大量的热和强烈的振动，较大的热量和强烈的振动会加剧刀具的磨损，缩短刀具的使用寿命及工件表面性能，而且不同磨损的刀具受到车削热和车削振动影响也各不相同。因此，研究不同磨损状态刀具的车削振动及相关车削参数对车削热的影响显得尤为重要。近年来，有较少的文献从能量的角度分析不同磨损刀具的车削参数及车削振动对车削热影响以及关于车削热的多元预测模型。因此，需要从能量的视角设计出一种融合多因素的车削热预测模型，为不同磨损刀具的车削加工状态的监测提供合理的经验公式指导。

发明内容

本发明的目的在于提供一种对不同磨损状态刀具车削热与多元影响因子的关联分析方法，对不同磨损状态的刀具进行车削试验，得到相应车削参数下刀尖附近的车削温度和三向车削振动加速度数据，将车削温度、振动数据经过处理提取出车削热特征值——车削热功率密度均值、车削振动特征值——三向车削振动加速度自功率谱密度最大值。基于灰色相关系数，建立(1)车削热功率与车削参数的关联度，(2)车削热功率与车削振动加速度功率谱的关联度。(3)基于最小二乘法建模、通过粒子群算法优化模型参数，得到车削热关于车削振动及车削参数的粒子群算法预测模型。

为了达到以上目的，本发明的技术方案如下：

不同磨损刀具的车削热与多元影响因子的相关性分析方法，其特征在于：包括以下步骤：

S1：基于正交试验方法，设计车削参数，拟定车削试验方案，搭建试验系统，完成不同刀具磨损状态下相同车削参数下的车削试验，在车削试验过程中，同步采集刀尖处温度时域和三向振动加速度时域信号；

S2：通过史蒂芬-波尔兹曼定律，将温度时域信号转化为热功率密度时域信号，公式为：

I＝εσ(T⁴-T_a⁴) (1)

式子中，I为车削热功率密度(W/m²)，ε为发射率，σ为史蒂芬-波尔兹曼常数，σ＝5.6696×10^-8W·m^-2·K^-4，T为物体辐射单元的表面温度(K)，T_a为周围环境温度(K)。

取车削热功率密度均值为车削热特征值，取三向车削振动加速度自功率谱密度最大值为车削振动加速度特征值；

S3：根据车削热特征值、车削振动特征值以及车削参数建立单向车削振动特征值关于预测车削热功率密度均值拟合公式，计算不同磨损状态刀具的车削热功率密度均值与实际车削热功率密度均值的相关性。

作为优选，所述步骤S2具体包括：把各时刻实际测量热功率密度均值作为热信号分析的特征值，选择轴向、径向、切向车削振动加速度自功率谱密度最大值P_max-1、P_max-2、P_max-3作为车削振动的特征值。

作为优选，所述步骤S3包括：