CN103345200B - 一种基于广义区间的切削加工颤振辨识方法 - Google Patents
一种基于广义区间的切削加工颤振辨识方法 Download PDFInfo
- Publication number
- CN103345200B CN103345200B CN201310269524.6A CN201310269524A CN103345200B CN 103345200 B CN103345200 B CN 103345200B CN 201310269524 A CN201310269524 A CN 201310269524A CN 103345200 B CN103345200 B CN 103345200B
- Authority
- CN
- China
- Prior art keywords
- cut
- interval
- neural network
- generalized
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种基于广义区间的切削加工颤振辨识方法,包括:获取切削加工中的切削数据形成切削加工信号数据集;对切削加工信号数据集进行区间化处理获得广义区间化的数据集,并提取其广义区间特征量集;建立初始的广义神经网络模型,并对切削加工状态进行编码,形成广义神经网络输出的理想目标,训练广义神经网络,获取优化的广义神经网络模型;将待识别的切削加工数据集的广义区间特征量集代入优化的广义神经网络模型中,计算模型输出结果,并对输出结果中的区间最大值对应状态即为辨识的切削加工状态。本发明的方法可以对切削加工颤振进行实时监测与辨识,从而对切削参数及切削工具进行必要的控制,从而满足制造加工要求。
Description
技术领域
本发明涉及机械加工中的工程状态辨识领域,特别涉及一种对切削加工颤振的实时辨识方法。
背景技术
颤振问题是切削加工过程中不可避免的问题。切削颤振是由于切削过程中所产生的动态周期性力激发而引起,并能维持其振动不衰减。颤振问题是影响机械产品加工质量和机床切削效率的关键技术问题之一。颤振的存在降低了产品的表面质量,也降低了生产效率和刀具、设备寿命,增加了材料和能源消耗。同时颤振产生的噪声会诱发长期在这种环境下工作的人们的心血管等系统疾病,严重危害人们的身心健康。为了减小颤振的危害,首先必须对切削加工状态进行实时辨识,然后依据辨识结果对切削加工状态采取措施进行有效控制,因此颤振的实时辨识变得尤为重要。
传统的切削颤振辨识方法主要分成两类,一类是利用时频域特征分析方法来监测及识别;一类是在获取的特征基础上,利用模型分类方法来监测并识别,常见的模型分类方法如:神经网络、隐马尔科夫、主成分分析、模糊聚类及支持向量机等。这两类方法的一个共同特点是从数据采集到特征提取及最后的建模过程中,把所有参数都当作精确值,没有充分考虑不确定的存在,识别的准确率不高,而且没有鲁棒性。如:黄建军等在《基于改进BP神经网络的数控机床振动趋势预测》(制造技术与机床,2009.4) 中提到标准BP神经网络最大误差达到13.6%。这是因为把参数当作精确值处理的方法,没有充分考虑切削加工存在的不确定性问题,如:加工过程的环境复杂性、材质不一性和测量仪器的不稳定性,测量人员的不定性引起的偶然性不确定性,以及对科学疏忽、不可观测性和人类先验知识匮乏而引起的知识不确定性问题。为了提高预测准确性,这两类不确定性不可疏忽,必须加以考虑。
广义区间理论的数学模型Kaucher在《Interval analysis in the extended interval space IR》(Computing Supplement,1980.2)中提出,广义区间的上界与下界值大小不受限制。相比于传统的区间,广义区间具有更好的代数特性和语义理解性,而且,广义区间还能对不规范区间进行代数运算,其运算法则是Kaucher算法。广义区间理论能够同时很好地处理偶然不确定性与知识不确定性问题,基于广义区间的区间形式模型具有较好的鲁棒性。但关于广义区间的理论文献多见于数学推理,鲜见于与工程实际问题结合解决问题。
发明内容
本发明的目的是针对现有切削加工中存在的不确定性问题,提供一种基于广义区间理论的切削加工颤振辨识的方法,其利用广义区间理论处理工程中不确定性问题,结合神经网络模型的分类辨识能力,对切削加工颤振进行实时监测与辨识,从而提高辨识的准确性及鲁棒性。
实现本发明的目的所采用的具体技术方案如下:
一种基于广义区间的切削加工颤振辨识方法,具体包括如下步骤:
(1)数据采集
通过测量工具获取工程中切削加工中的测量数据。测量数据可以为切削工具的切削力、切削时的加速度、切削时的声发射、切削时的扭矩、切削时的电流和功率中的一类或者几类,其中的测量工具相应可以为测力仪、加速度传感器、声级计、扭矩传感器、电流传感器和功率传感器等。
(2)数据预处理
把测量数据通过整形、滤波、去噪及放大等方法对测量数据的进行预处理,形成无噪的切削加工信号数据集{X}={X1,X2,…,Xk},其中k为数据种类数,每类测量数据的测量值为{x1,x2,…,xm},m为此类测量数据的测量个数。
(3)划分切削加工状态
分别绘出每类数据集{x1,x2,…,xm}的时域图,及对其进行快速傅里叶变换并绘出其频域图,依据数据集时域及频域图幅值,划分切削加工状态。
(4)采集数据广义区间化
考虑加工、测量及数据预处理过程中的偶然不确定性及知识不确定性,依据广义区间理论及误差理论,把预处理了的每类数据集中的每个元素转换成广义区间形式以增加采集数据的可靠性,则每类数据集从而可以获得广义区间化的数据集{X'},
其中,广义区间的数学表达式为:
即把x定义为区间 为下界,为上界,KR表示广义区间集合,式中的x不受的任何约束,即区间的上下界大小不受限制,如经典区间只能为[1,2],不能为[2,1],但广义区间不受限制,两个区间都是许可的。广义区间概率的理论基础是广义区间中的Kaucher算法。
(5)基于广义区间理论的特征提取
依据广义区间理论,提取数据集{X'}的广义区间特征量集。
其中广义区间特征量集可以为以下一种或者几种区间形式的特征量:峰值、均值、均方根值、方差、峭度、波形因子、功率谱密度、均方频率、均方根频率、重心频率、频率标准差、频率方差及小波系数均方根等。
把提取到的广义区间特征集,作为后续模型的输入。
(6)建立广义神经网络
依据广义区间特征量及划分的切削加工状态的个数,建立初始的广义神经网络模型,并对切削加工状态进行编码,组成广义神经网络输出的理想目标。
(7)训练广义神经网络
根据建立初始的广义神经网络模型及广义神经网络输出的理想目标,由广义神经网络的训练流程,获取优化的广义神经网络。
设定输出误差允许范围,把提取到的各个状态对应广义区间特征信息,分别独立的输入初始设计的广义神经网络中,计算广义神经网络输出结果,如果输出结果在设定的误差范围内,此时的对应网络模型即为优化的广义神经网络模型,否则,修改权值,继续计算,直到达到允许的误差范围为止。这样即可以获得各个状态对应优化的广义神经网络模型库。
(8)切削加工状态辨识
把待识别的切削加工信号经过相应的预处理及广义区间化的特征提取,把广义区间特征集代入优化了的广义神经网络模型库中,计算模型输出结果,所得的结果利用区间大小比较法则进行比较,区间最大值对应状态即为辨识的切削加工状态。
且若辨识得到的切削设备的颤振状态为稳定加工状态,则继续切削加工;若为颤振加工状态,则立即停止加工,改变加工参数直到辨识结果为稳定加工状态;若辨识为过渡加工状态,则立即改变加工参数直到辨识结果为稳定加工状态为止。
本发明与现有的技术相比,提出了通过利用广义区间理论方法获取特征信息,利用广义区间理论处理偶然不确定性和知识不确定性,区间的宽度是不确定的延伸,能很好的解决工程中的不确定性问题,结合神经网络模型的分类辨识能力,使识别的准确率显著提高,而且输出结果为区间形式,使辨识结果具有很强的预测鲁棒性,具体来说具有以下优势:
1)广义区间理论方法既考虑了不确定性事件中的随机性,又考虑了 观测信息的不完整性和先验知识的匮乏性,提供了一种有效的量化工程中不确定性信息方法。
2)广义区间理论,其算法基础是Kaucher算法,使其运算具有好的代数特性及语义理解特性。
3)把广义区间的处理不确定性功能与神经网络模型的分类辨识能力结合,应用于切削加工颤振辨识,输出的结果为广义区间向量值,区间值比精确值包含了更多的信息,使做决策时将具有更好的鲁棒性,为工程抉择提供了更可靠的依据,能更加准确的对切削加工进行监视,在此基础上对切削参数及切削工具进行必要的控制,从而满足制造加工要求。
附图说明
图1是本发明实施例的基于广义区间的切削加工颤振辨识方法的流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。此处说明若涉及到具体实例时仅仅用以解释本发明,并不限定本发明。
本发明将通过对切削加工颤振状态辨识为例对本发明的方法作进一步的说明。
本实施例的一种基于广义区间的切削加工颤振辨识方法,具体包括如下步骤:
(1)数据采集
数据采集的测量数据可以为切削工具的切削力、切削时的加速度、切削时的声发射、切削时的扭矩、切削时的电流和功率中的一类或者几类,其中的测量工具可以为测力仪、加速度传感器、声级计、扭矩传感器、电流传感器和功率传感器等。
其中,切削力、切削时的加速度、切削时的声发射、切削时的扭矩、切削时的电流和功率,为安装在工件或者切削刀具附近的主轴或者夹具上的测量工具所测量的数据。
在本实例中,切削加工和切削加速度密切相关,本实施例优选采用的测量工具为加速度传感器,通过加速度获取工程中切削加工中的测量数据。
(2)数据预处理
把测量数据通过整形、滤波、去噪及放大方法对测量数据的进行预处理,形成无噪的切削加工信号数据集{X}={X1,X2,…,Xk},其中k为数据种类数,每类测量数据的测量值为{x1,x2,…,xm},m为测量数据的个数。
本实施例中,选取种类数k=1,则形成的切削加工加速度信号数据集为{X}={X1},其中{X1}={x1,x2,…,xm},m为测量工具测得的加速度个数,可根据实际需求具体确定。
(3)划分切削加工状态
绘出加速度数据集{X1}={x1,x2,…,xm}的时域图,及对其进行快速傅里叶变换并绘出其频域图,依据数据集时域及频域图幅值大小,划分切削加工状态。
其中,加工状态分为三种,即稳定加工状态、过渡加工状态及颤振加工状态。稳定加工状态对应的时域图中,幅值较小,而且幅值波动范围平稳;稳定加工状态对应的频率图中,在颤振频率处的幅值较小。而颤振加工状态对应的时域图中,幅值明显变大,而且幅值剧烈波动;颤振加工状态对应的频率图中,在颤振频率处的幅值很大。介于这两种加工状态间的状态为过渡加工状态。
(4)采集数据广义区间化
考虑加工、加速度传感器及数据预处理过程中的偶然不确定性及知识不确定性,本实施例中优选采集数据值的总体误差±5%,把预处理了的数据集中的每个元素转换成广义区间形式其中x m=xm×95%, 则得到加速度数据集 本实施例中选取的总体误差为±5%,但本发明中并不限定于此,总体误差也可以为其他值,例如±3%、±6%、±10%等等,具体可根据实际情况确定。
其中,广义区间的数学表达式为:
即把x定义为区间 x为下界,为上界,KR表示广义区间集合,式中的x不受的任何约束,即区间的上下界大小不受限制,如经典区间只能为[1,2],不能为[2,1],但广义区间不受限制,两个区间都是许可的。广义区间概率的理论基础是广义区间中的Kaucher算法。
(5)基于广义区间理论的特征提取
依据广义区间理论,本实施例优选采用广义区间化的均方根值、功率谱密度、均方频率、频率方差及八个小波系数的均方根作为本实施例的特征量,获取数据集 作为广义区间特征量集。
把提取到的广义区间特征集,作为后续广义神经网络模型的输入。
(6)建立广义神经网络
依据广义区间特征量及划分的切削加工状态的个数,建立初始神经网络模型即初始广义神经网络模型。在本实施例中,依据特征量的个数优选为12个,切削状态的个数为3个,建立的初始广义神经网络模型为12×3的矩阵。对三种加工状态进行编码组成广义神经网络的理想输出目标,其中稳定加工状态编码为([1,1][0,0][0,0])、过渡加工状态编码为([0,0][1,1][0,0])及颤振加工状态编码为([0,0][0,0][1,1])。
本实施例中的广义神经网络是神经网络的推广,其内容是把神经网络的参数依据广义区间理论,转换为了广义区间形式。
(7)训练广义神经网络
根据建立初始的广义神经网络模型及广义神经网络输出的理想目标,由广义神经网络的训练流程,获取优化的广义神经网络。
设定输出误差允许范围,把提取到的3个切削加工状态对应广义区间特征信息,分别独立地输入初始设计的广义神经网络中,计算广义神经网络输出结果,如果输出结果在设定的误差范围内,此时的对应网络模型即为优化的广义神经网络模型,否则,修改权值,继续计算,直到达到允许的误差范围为止。即可以获得各个状态对应优化的广义神经网络模型库。
(8)切削加工状态辨识
把待识别的切削加工信号经过相应的预处理及广义区间化的特征提取,把广义区间特征集代入优化了的广义神经网络模型库中,计算模型输出结果,所得的结果利用区间大小比较法则进行比较,区间最大值对应状态即为辨识的切削加工状态。
如辨识的结果为稳定加工状态,则继续切削加工;如辨识的结果为颤振加工状态,则必须立即停止加工,通过改变加工参数如切削力、切深及切宽等;如辨识结果为过渡加工状态,则立即改变加工参数如切削力、切深及切宽等,直到辨识结果为稳定加工状态为止。从而确保加工状态始终处于稳定加工的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。例如本发明的方法不局限于切削颤振辨识,其它如轴承状态及齿轮磨损状态的辨识都可适用等。
Claims (6)
1.一种基于广义区间的切削加工颤振辨识方法,通过对切削加工中切削设备的颤振状态进行实时监测与辨识,以消除颤振从而实现稳定的切削加工,其特征在于,该方法包括:
获取切削加工中的切削数据形成切削加工信号数据集;
对所述切削加工信号数据集进行区间化处理,获得广义区间化数据集,并提取所述广义区间化数据集的广义区间特征量集;
依据所述广义区间特征量集及切削加工状态的数量,建立广义神经网络模型,并通过对切削加工状态进行编码,形成广义神经网络输出的理想目标,其具体过程为:设定输出误差允许范围,将提取到的切削加工状态对应的广义区间特征量分别独立地输入所述广义神经网络模型中,计算该广义神经网络模型输出结果,如果输出结果在设定的误差范围内,此时对应的广义网络模型即为优化的广义神经网络模型,否则,修改权值,继续计算,直至达到误差允许范围,即可获得切削加工状态对应的优化的广义神经网络模型;
根据所述广义神经网络模型及其理想目标,进行广义神经网络训练,获得优化的广义神经网络模型;
将待识别的切削加工数据集的广义区间特征量集代入所述优化的广义神经网络模型中,计算模型输出结果,其中区间最大值所对应的状态即为辨识的切削加工状态,所述加工状态包括三种,即稳定加工状态、过渡加工状态及颤振加工状态;
且若辨识得到的切削设备的颤振状态为稳定加工状态,则继续切削加工;若为颤振加工状态,则立即停止加工,改变加工参数直到辨识结果为稳定加工状态;若辨识为过渡加工状态,则立即改变加工参数直到辨识结果为稳定加工状态为止。
2.根据权利要求1所述的一种基于广义区间的切削加工颤振辨识方法,其特征在于,所述对切削加工信号数据集进行区间化处理即将数据集中的每个元素转换成广义区间形式,具体为:
其中x为数据集中的任一元素,x为区间下界,为区间上界。
3.根据权利要求1或2所述的一种基于广义区间的切削加工颤振辨识方法,其特征在于,广义区间特征量集为以下一种或者几种区间形式的特征量:峰值、均值、均方根值、方差、峭度、波形因子、功率谱密度、均方频率、均方根频率、重心频率、频率标准差、频率方差及小波系数均方根。
4.根据权利要求1所述的一种基于广义区间的切削加工颤振辨识方法,其特征在于,所述加工状态的确定通过切削加工信号数据集的时域图及其频域图的幅值大小得到。
5.根据权利要求1或2或4所述的一种基于广义区间的切削加工颤振辨识方法,其特征在于,所述区间最大值通过区间大小比较法则获得。
6.根据权利要求1所述的一种基于广义区间的切削加工颤振辨识方法,其特征在于,所述加工参数包括切削力、切深或切宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310269524.6A CN103345200B (zh) | 2013-06-28 | 2013-06-28 | 一种基于广义区间的切削加工颤振辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310269524.6A CN103345200B (zh) | 2013-06-28 | 2013-06-28 | 一种基于广义区间的切削加工颤振辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345200A CN103345200A (zh) | 2013-10-09 |
CN103345200B true CN103345200B (zh) | 2015-11-04 |
Family
ID=49280004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310269524.6A Active CN103345200B (zh) | 2013-06-28 | 2013-06-28 | 一种基于广义区间的切削加工颤振辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345200B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984865A (zh) * | 2014-05-19 | 2014-08-13 | 华东交通大学 | 一种基于区间时间序列的轴承温升预测方法 |
CN105930602A (zh) * | 2016-04-28 | 2016-09-07 | 上海交通大学 | 一种基于最优加权小波包熵的颤振检测方法 |
CN106228116A (zh) * | 2016-07-13 | 2016-12-14 | 华东理工大学 | 一种基于电流瞬时非线性指标的磨削颤振识别方法 |
CN106568500A (zh) * | 2016-10-12 | 2017-04-19 | 上海大学 | 基于加工噪音的加工异常报警系统 |
CN109249546A (zh) * | 2017-07-13 | 2019-01-22 | 长春工业大学 | 一种振动旋转切削装置及其在位颤振辨识方法 |
WO2019043742A1 (ja) * | 2017-08-28 | 2019-03-07 | 三菱電機株式会社 | 数値制御装置 |
JP6959278B2 (ja) * | 2019-02-27 | 2021-11-02 | ファナック株式会社 | びびり振動判定装置、機械学習装置及びシステム |
CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
CN110010155A (zh) * | 2019-04-11 | 2019-07-12 | 中国一拖集团有限公司 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
EP3742244A1 (en) * | 2019-05-21 | 2020-11-25 | GF Machining Solutions AG | A method for predicting chatter of a machine tool |
DE112019007355T5 (de) * | 2019-05-23 | 2022-02-17 | Mitsubishi Electric Corporation | Numerische steuervorrichtung |
CN110470451A (zh) * | 2019-08-27 | 2019-11-19 | 中国空气动力研究与发展中心高速空气动力研究所 | 风洞试验数据处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4321581B2 (ja) * | 2006-11-30 | 2009-08-26 | パナソニック電工株式会社 | 工作機械総合監視装置 |
-
2013
- 2013-06-28 CN CN201310269524.6A patent/CN103345200B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105820A (zh) * | 2012-05-22 | 2013-05-15 | 华中科技大学 | 一种数控机床切削加工的刀具磨损状态识别方法 |
Non-Patent Citations (2)
Title |
---|
应用人工神经网络监测切削颤振;柳庆等;《制造技术与机床》;19951230(第12期);第17-19页 * |
神经网络与隐马尔可夫混合模型在机械切削加工中的颤振预报;汪凤麟;《中国优秀硕士学位论文全文数据库》;20061130;第31-33,43-46,51,57页,图5.1, 5.3, 6.1 * |
Also Published As
Publication number | Publication date |
---|---|
CN103345200A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345200B (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN103105820B (zh) | 一种数控机床切削加工的刀具磨损状态识别方法 | |
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
CN108356606B (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
US11761930B2 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN103324139B (zh) | 一种数控机床铣削加工刀具破损监测方法 | |
CN104808587B (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
CN105196114A (zh) | 基于小波分析和神经网络的刀具磨损实时在线监测方法 | |
Liu et al. | Feature extraction of milling chatter based on optimized variational mode decomposition and multi-scale permutation entropy | |
CN106842922A (zh) | 一种数控加工误差优化方法 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN103971001A (zh) | 一种基于emd分解的刀具运行状态可靠性评估方法 | |
CN108596158A (zh) | 一种基于能耗的车削表面粗糙度预测方法 | |
CN107505850A (zh) | 一种刀具换刀判断方法 | |
CN115577020B (zh) | 一种修磨周期能耗状态识别系统及识别方法 | |
Zhang et al. | Rotating machinery fault diagnosis for imbalanced data based on decision tree and fast clustering algorithm | |
Zhou et al. | Tool condition monitoring in milling using a force singularity analysis approach | |
CN106002490A (zh) | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 | |
CN111958321B (zh) | 基于深度神经网络的数控机床刀具磨损程度识别方法 | |
WO2024000720A1 (zh) | 基于切削力成分解耦的变工况刀具磨损监测方法及系统 | |
CN114611745A (zh) | 机床评估方法、机床评估系统及介质 | |
CN103439919B (zh) | 一种在cad/cam环境下基于动态特征模型的cnc闭环控制方法 | |
CN101780488B (zh) | 内螺纹冷挤压加工质量在线预测方法 | |
CN103984865A (zh) | 一种基于区间时间序列的轴承温升预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |