[发明专利]基于迁移学习的不同数控机床刀尖模态参数预测方法及系统

说明书

本发明提供了一种基于迁移学习的不同数控机床刀尖模态参数预测方法及系统，包括：选择多台同型号的铣削加工中心，分别在每一台铣削加工中心的机床上的同一位置进行模态锤击实验，测量机床刀尖FRFs，比较同类型不同数控机床同一刀具的刀尖FRFs差异；选择任一机床为源机床，在机床主轴转速和运行空间范围内进行主轴转速逐步提升实验，直到颤振发生，记录颤振频率和对应的极限轴向切深，辨识不同位置‑速度下的刀尖模态参数；采用Kriging方法建立源机床与位置‑速度相关的刀尖模态参数回归预测模型，准确预测机床不同位置和转速下的刀尖模态参数；辨识其对应的刀尖模态参数，得到最优的目标机床刀尖模态参数预测模型进行刀尖模态参数预测。

技术领域

本发明涉及数控机床模态参数领域，特别涉及一种基于迁移学习的不同数控机床刀尖模态参数预测方法及系统。

背景技术

自激振动，也称为颤振，是数控机床金属切削中最严重的影响因素之一。它不仅降低了加工性能，而且缩短了刀具的使用寿命。为了防止颤振，最常用的方法是通过稳定lobe图(SLD)来选择无颤振切削参数。通常，SLD方法需要刀尖FRF，一般来说可以通过试验模态分析(EMA)轻松获得，但是众多学者已经证明了刀尖FRF也与数控机床运动部件的位置以及主轴转速密切相关，而运行状态下的刀尖模态参数无法通过EMA得到。

另外，对于企业的大批量加工，必然涉及到同类型不同个体机床的使用，不同个体机床由于制造、装配过程中的随机偏差，服役过程中的不确定劣化程度，机床结合部的复杂界面效应、以及不同的现场工况等因素，即使同型号不同机床个体之间也存在较大差异，这些差异就导致了即使是同样的刀具-刀柄组件在相同条件下，其刀尖模态参数也会不同从而最终影响其铣削过程稳定性的预测。

经过多年发展，在与位置、速度相关的数控机床刀尖模态参数预测方法深度及广度上取得了显著进步，但目前的数控机床运行状态下的刀尖模态参数预测仅仅单独考虑运行部件位置和主轴转速的影响，而数控机床实际加工中位置和速度具有时变性，这两种因素对刀尖模态参数的影响具有耦合性，特别是对于批量化加工中同类型不同个体机床的使用，目前尚未发现有方法针对该问题进行过研究与讨论，现有的其它数控机床刀尖模态参数预测方法其适用范围、在预测精度和效率上都有限，在实际应用方面仍具有一定局限性。

发明内容

本发明提供了一种基于迁移学习的不同数控机床刀尖模态参数预测方法及系统，其目的是为了解决现有的其它数控机床刀尖模态参数预测方法其适用范围、在预测精度和效率上都有限的问题。

为了达到上述目的，本发明提供了一种基于迁移学习的不同数控机床刀尖模态参数预测方法，包括：

步骤1，选择多台同型号的铣削加工中心，分别在每一台铣削加工中心的机床上的同一位置进行模态锤击实验，测量机床刀尖FRFs，比较同类型不同数控机床同一刀具的刀尖FRFs差异；

步骤2，选择任一机床为源机床，在机床主轴转速和运行空间范围内进行主轴转速逐步提升实验，直到颤振发生，记录颤振频率和对应的极限轴向切深，辨识不同位置-速度下的刀尖模态参数；

步骤3，采用Kriging方法建立源机床与位置-速度相关的刀尖模态参数回归预测模型，准确预测机床不同位置和转速下的刀尖模态参数；

步骤4，所述多台同型号的铣削加工中心，除源机床外，其余为目标机床，针对目标机床在预设位置和预设主轴转速下进行铣削实验，辨识其对应的刀尖模态参数，将源机床数据与目标机床数据融合，通过权重自适应联合分布适配迁移学习方法减小源机床和目标机床模态参数数据的边缘概率分布和条件概率分布的差异，当迁移学习损失曲线稳定后，结束对迁移学习模型的迭代训练，得到最优的目标机床刀尖模态参数预测模型进行刀尖模态参数预测。

其中，所述步骤1具体包括：

在每一台同类型的数控机床刀尖安装了一个低质量、宽频带的单向加速度计，用于监测刀尖X、Y方向上的振动；