[发明专利]微铣削颤振的在线预测方法

摘要

本发明提供了一种微铣削颤振的在线预测方法，通过传感器获取微铣削加工过程中的监测信号，所述监测信号包括切削力信号、声音信号和加速度信号，这种微铣削颤振的在线预测方法综合利用微铣削加工过程的铣削力、加速度及声音信号来表征加工状态，通过多通道奇异谱分析算法和GHMM模型，实现微铣削加工过程的在线监测及切削颤振的早期预报，为颤振抑制研究提供必要的技术手段，大大简化监测系统模块，显著提高加工状态监测系统的实时性。

主权项

一种微铣削颤振的在线预测方法，通过传感器获取微铣削加工过程中的监测信号，所述监测信号包括切削力信号、声音信号和加速度信号，它们的时间序列分别为X＝(x₁,x₂,x₃,…,x_p)'，Y＝(y₁,y₂,y₃,…,y_p)'，Z＝(z₁,z₂,z₃,…,z_p)'，其特征在于，包括以下步骤：S1、嵌套：将切削力信号、声音信号和加速度信号的时间序列进行变换，建立轨迹矩阵D如下所示：$D={\left[\begin{array}{cccc}{x}_1& x_2& \mathrm{...}& x_{p-q+1}\\ x_2& x_3& \mathrm{...}& x_{p-q+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_q& x_{q+1}& \mathrm{...}& x_p\\ y_1& y_2& \mathrm{...}& y_{p-q+1}\\ y_2& y_3& \mathrm{...}& y_{p-q+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ y_q& y_{q+1}& \mathrm{...}& y_p\\ z_1& z_2& \mathrm{...}& z_{p-q+1}\\ z_2& z_3& \mathrm{...}& z_{p-q+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_q& z_{q+1}& \mathrm{...}& z_p\end{array}\right]}_{(3\×q)\×(p-q+1)}$其中，p为时间序列长度，q为嵌入维数。S2、奇异值分解：对轨迹矩阵D进行奇异值分解，分解得到：D＝USV其中，U＝[u₁,u₂,…,u_3q]∈R^3q×3q，V＝[v₁,v₂,…,v_(p‐q+1)]∈R^{(p‐q+1)×(p‐q+1)}，S∈R^{3q×(p‐q+1)}；所述S为对角矩阵，其对角元素s₁，s₂，…，s_m分别为轨迹矩阵D的奇异值，并且s₁≥s₂≥…≥s_m；m＝min(3q,(p‐q+1))；所述U和V分别为轨迹矩阵D的左、右奇异矩阵；S3、特征提取：对奇异值s＝{s₁,s₂,...,s_m}进行奇异谱分析得到所述监测信号的奇异谱如下所示p＝{p₁,p₂,...,p_m}其中，是第i个频段的信号能量在所述监测信号的总能量中的能量贡献率。根据信号能量贡献率计算其奇异谱熵，计算方法如下所示，$H_s=\underset{i=1}{\overset{m}{\Σ}}{p}_i{\mathrm{logp}}_i;$S4、建立预测模型：利用广义隐马尔科夫模型如下所示：λ＝(N,M,π,A,B)其中，N表示隐状态数目并且N＝3，隐状态表示为G＝{g₁,g₂,g₃}，g₁表示稳定状态，g₂表示过渡状态，g₃表示颤振状态；M表示每个状态的可能观测数目，A代表转换概率矩阵，B代表输出概率矩阵；选取多组分别代表稳定状态、过渡状态和颤振状态的所述监测信号，将每一组监测信号的切削力信号、声音信号和加速度信号的时间序列作为广义隐马尔科夫模型的观测序列，并且将其奇异谱熵H_s作为观测结果进行训练，从而建立模型库：{λ₁,λ₂,λ₃...}；S5、预测颤振：将待测的所述监测信号的切削力信号、声音信号和加速度信号的时间序列作为观测序列输入到所述广义隐马尔科夫模型中，并将结果λ'与所述模型库进行概率匹配，从而得到预测结果。