[发明专利]一种面向加工变形控制的变工况铣削加工夹紧力预测方法

权利要求书

1.一种面向加工变形控制的变工况铣削加工夹紧力预测方法，其特征在于，包括：

依据性质将铣削加工过程中影响夹紧力状态的工况因素划分为六大类子工况，并对这些子工况进行向量化表示：

C＝(C_jg,C_jc,C_zj,C_dj,C_qxy,C_gj) (1)

式中：

C——工况向量；

C_jg——加工子工况；

C_jc——机床子工况；

C_zj——装夹子工况；

C_dj——刀具子工况；

C_qxy——切削液子工况；

C_gj——工件子工况；

进一步，将各子工况内工况因素用向量形式表示如下：

加工子工况，加工参数包括铣削宽度、铣削深度、铣削速度、进给量、走刀方式、走刀路径、切削力；利用进给速度来描述进给量；利用数字1、2、3、4分别代指内环走刀、外环走刀、之字走刀、并行走刀四种走刀方式；利用加工坐标系下刀位点在X、Y、Z方向的绝对坐标来描述刀具走刀路径；将这七种加工参数进行向量形式表达后如式2所示：

C_jg＝(n,a_e,a_p,f_z,w,x_dwd,y_dwd,z_dwd,F_cut) (2)

式中：

n——铣削速度；

a_e——铣削宽度；

a_p——铣削深度；

f_z——进给量；

w——走刀方式；

x_dwd——刀位点在X方向绝对坐标；

y_dwd——刀位点在Y方向绝对坐标；

z_dwd——刀位点在Z方向绝对坐标；

F_cut——切削力信号

刀具子工况，刀具参数包括：洛氏硬度、冲击韧度、熔点、热导率、螺旋角、刃数、直径、磨损量、悬伸长度、变形量；将这七种刀具参数进行向量形式表达后如式3所示：

C_dj＝(HRC_dj,Ak_dj,RD_dj,λ_dj,Z,β,D,L,T_ms,T_bx) (3)

式中：

HRC_dj——刀具洛氏硬度；

Ak_dj——刀具冲击韧度；

RD_dj——刀具熔点；

λ_dj——刀具导热系数；

Z——刀具刃数；

β——刀具螺旋角；

D——刀具直径；

L——刀具悬伸长度；

T_ms——刀具磨损量；

T_bx——刀具变形量；

机床子工况，机床参数包括：机床主轴电流、机床振动、机床内环境温度、机床内环境湿度；将这四种参数进行向量形式表达后如式4所示：

C_jc＝(I,V_jc,T_jc,S_jc) (4)

式中：

I——机床主轴电流；

V_jc——机床振动；

t_jc——机床内环境温度；

S_jc——机床内环境湿度；

工件子工况，工件参数包括：初始残余应力、摩擦系数、洛氏硬度、冲击韧度、热导率、熔点、剪切强度、屈服强度、弹性模量；将这八种参数进行向量形式表达后如式5所示：

C_gj＝(F_res,μ,HRC_gj,E,RD_gj,λ_gj,τ,ρ) (5)

式中：

F_res——工件夹紧点初始残余应力；

HRC_gj——工件洛氏硬度；

RD_gj——工件熔点；

λ_gj——工件导热系数；

E——杨氏模量；

μ——摩擦系数；

τ——泊松比；

ρ——密度；

装夹子工况，装夹参数；包括：非预测夹紧点的夹紧力、非预测夹紧点以及待预测夹紧点的位置；其中夹紧点位置与支撑点位置利用加工坐标系下夹紧点与支撑点在X、Y、Z方向的绝对坐标进行描述；将这三种参数进行向量形式表达后如式6所示：

C_zj＝(F_clam,x_jjdm,y_jjdm,z_jjdm) (6)

式中：

F_clam——非预测夹紧点m处的夹紧力；

x_jjdm——夹紧点m的x方向绝对坐标；

y_jjdm——夹紧点m的y方向绝对坐标；

z_jjdm——夹紧点m的z方向绝对坐标；

z_zcdn——支撑点n的z方向绝对坐标；

切削液子工况，切削液参数；包括：喷射角度、喷射速度、喷射流量、切削液温度、切削液浓度；将这五种参数进行向量形式表达后如式7所示：

C_qxy＝(θ,v,q,t_qxy,c) (7)

式中：

θ——喷射角度；

v——喷射速度；

q——喷射流量；

t_qxy——切削液温度；

c——切削液浓度；

构造动态时间窗口对不均匀的加工过程时变数据进行动态关联，以及对任意时变工况数据进行预处理，包括：

针对不同的时变工况数据设定相应的取样间隔(s_v)_i，i为时变工况数据种类数，i≥1，i∈N⁺，以此保证不同时变工况数据在数量上的同步性，并以取样后数据量最少的时变工况数据为基准以保证不同时变工况数据在时间上的同步性；

依据预测时间t的长度及计算机硬件条件确定预测样本T_u的长度，并基于预测样本T_u的长度合理确定时间窗w_t的长度；

对任一预测样本T_u(u≥1，u∈N⁺)内的任一时变工况数据(SB_k)_Tu(k∈i)都进行数据预处理，预处理过程包括数据缺失值处理、小波阈值降噪、数据标准化三个步骤；数据预处理过程映射为式8：

(Sb_k)_Tu＝φ((SB_k)_Tu) (8)

式中：

φ(·)——时变工况数据预处理过程；

(Sb_k)_Tu——时变工况数据(SB_k)_Tu预处理后的数据；

将时间窗内的多种时变工况数据看作单通道像素矩阵所构成的图像，而后利用CNN网络对其进行工况特征自适应提取，使其所提取的工况特征信息更具有针对性和全面性；包括：

对于预测样本T_u内任一时间窗(w_t)_m(m≥1，m∈N⁺)内预处理后的所有时变工况数据((Sb)_Tu)_m，其特征提取过程映射为式9：

((L_Sb)_Tu)_m＝ψ(((Sb)_Tu)_m) (9)

式中：

ψ(·)——时变工况数据特征提取过程；

((L_Sb)_Tu)_m——时变工况数据((Sb)_Tu)_m中的工况特征；

输入向量的构建：在对时变工况数据进行数据预处理及特征提取后，铣削加工过程中的时变工况特征、非时变工况特征都已获取；为了提高后续预测模型的信息感知能力和学习效率，利用Concat算法将每一预测样本T_u内的两种工况特征以及待预测夹紧点的三向夹紧力值融合，进而构建夹紧力预测模型的输入向量；对于预测样本T_u内任一时间窗(w_t)_m(m≥1，m∈N⁺)所对应的时变工况特征向量、非时变工况特征向量、待预测夹紧点三方向夹紧力值向量，其融合过程映射为式10：

((Seq)_Tu)_m＝fusion(((L_fSb)_Tu)_m,((L_Sb)_Tu)_m,((f)_Tu)_m) (10)

式中：

fusion(·)——特征融合过程；

((Seq)_Tu)_m——输入向量；

((L_fSb)_Tu)_m——非时变工况特征向量；

((L_Sb)_Tu)_m——时变工况特征向量；

((f)_Tu)_m——待预测夹紧点三方向夹紧力值向量；

变工况铣削加工夹紧力预测：以每一预测样本T_u内的融合后得到的输入向量作为输入，以待预测夹紧点在T+t时刻三个方向的夹紧力预测值为输出，T+t时刻三个方向的夹紧力真实值为标签，对夹紧力预测模型GRU网络进行训练；该预测模型GRU网络的训练过程映射为式11：

式中：

(Seq)_T——输入向量序列；

ω——预测模型所需训练的参数集；

T_step——时间步；

f_T+t——T+t时刻的夹紧点三向受力值；

——预测模型训练过程；

进而，通过训练得到的受力状态预测模型y_pre则体现了当前时间段T内的加工工况和夹紧力变化情况与未来T+t时刻的夹紧力情况之间的关联映射关系，这种映射关系如式12所示：

F_T+t＝y_pre(X_T) (12)

式中：

X_T——时间段T内的加工工况数据、夹紧力数据；

F_T+t——T+t时刻夹紧力变化情况。