CN105700477A - 一种基于颤振频率的加工颤振智能抑制方法 - Google Patents

Abstract

本发明公开了一种基于颤振频率的加工颤振智能抑制方法。在加工过程中，通过检测算法，在颤振孕育阶段，就将颤振实时地识别出来。在颤振识别出来的同时，利用频率估计算法将颤振的主频率准确快速估计出来，根据颤振的主频率，得到变主轴转速颤振抑制算法的幅值和频率的最优值，根据最优幅值和最优频率，向机床发出变主轴转速颤振抑制的指令，使转速周期性变化，从而在颤振孕育阶段即将颤振抑制住。这种在不降低加工效率的情况下，实现无颤振加工的方法，可以大大减少了颤振对机床零部件和被加工工件的损害。

Description

一种基于颤振频率的加工颤振智能抑制方法

技术领域

本发明涉及机械加工领域，尤其涉及一种基于颤振频率的加工颤振智能抑制方法。

背景技术

加工颤振是一种不稳定现象，它几乎发生在所有切削过程中，表现为刀具与工件之间的剧烈振动。颤振的发生会影响生产效率以及加工质量，同时还可引起过度噪音，刀具损坏等，对产品质量、刀具及机床设备等的危害已毋庸质疑。

日益发展的制造业对加工效率、加工质量、加工成本提出了更高的要求，为了更大限度的降低颤振造成的不利影响，必须在颤振孕育阶段就将颤振及早地检测出来，随后选择稳定的切削参数，或者采取行的控制策略，避免颤振对工件和机床部件的损害。

很多学者做过颤振检测方面的研究，有基于加速度、切削力和声信号的，主要可分为以下三类：第一类是信号频率域的分析，如小波变换，S函数变换，希尔伯特黄变换，自适应滤波和相干函数等。根据Heisenberg-Gabor不等式，小波变换不可能在时频域同时获得高分辨率。S函数变换和希尔伯特黄变换的计算量很大，无法应用于在线颤振检测。第二类是模式识别方法，主要有人工神经网络、支持向量机、案例推理、模糊逻辑表等，但是在前期需要做大量的实验来训练模型。第三类是熵值方法，如排列熵，粗粒度熵率，近似熵，这类方法通过提取过程的随机特征来检测颤振，并广泛运用于铣削、车削和镗削。

在检测出颤振之后，如果通过停机修改机床参数，而且稳定切削参数的获得是需要加工实验来获取的，这样时间成本和经济成本就会增加。变主轴转速是一种在工程上和理论上被证明为一种行之有效的颤振抑制方法。跟其他的主动颤振抑制方法相比，变主轴转速方法不需要外部驱动器，可实施性、经济性更好。但是变主轴转速的频率和幅值确定方法往往很难确定，选的不合适则达不到颤振抑制的效果。Al-Regib提出一种可编程正弦扰动变主轴转速方法，在颤振发生时，它能够是在线计算出正弦扰动的最优幅值和频率。即使这几种变主轴转速有不同的表达式，但是它们都需要知道颤振频率作为输入。

现代制造业对加工效率、加工质量、加工成本提出了更高的要求，为了更大限度的降低颤振造成的不利影响，必须在颤振孕育阶段就将颤振及早地检测出来，检测出来的同时采用颤振抑制方法，实现在不降低加工效率的情况，实现加工无颤振。

因此，本领域的技术人员致力于开发一种基于颤振频率的加工颤振智能抑制方法，用于在一面使刀具或工件旋转一面进行加工的机床中抑制加工中产生的颤振。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在一面使刀具或工件旋转一面进行加工的机床中抑制加工中产生的颤振。

为实现上述目的，如图1所示，本发明提供了一种基于颤振频率的加工颤振智能抑制方法，其特征在于，包括以下步骤：

步骤1、通过检测算法识别所述颤振是否处于孕育阶段；

步骤2、如果所述颤振没有开始孕育，则按既定切削参数继续加工；如果所述颤振已经开始孕育，立即通过频率估计算法估计所述颤振的主频率；

步骤3、根据所述主频率推导变主轴转速颤振抑制算法的幅值和频率的最优值；

步骤4、根据最优的所述幅值和最优的所述频率，向机床发出变主轴转速颤振抑制的指令，以原主轴转速为转速均值，以设定幅值和频率，周期性改变；与此同时，进给率和切削深度保持不变；

步骤5、发出所述变主轴转速颤振抑制的指令后，仍无法实现颤振抑制的，则停止加工。

进一步地，步骤1中，所述检测算法是基于加工过程中的信号实现的。

进一步地，所述信号为声音信号。

进一步地，在步骤1中，所述检测算法包括提取所述信号的特征指数，与预定的阈值比较，来判定颤振是否进入孕育阶段。

进一步地，在步骤1中，所述检测算法包括提取所述信号的特征，通过分类方法判定颤振是否进入孕育阶段。

进一步地，在步骤2中，所述频率估计算法是基于采集到的加工过程中的所述信号，利用傅里叶变换或者基于子空间的方法进行的。

进一步地，在步骤3中，所述推导方法为能量法，计算方法如下：最优幅值为

$R_1\≈\frac{{\mathrm{\ϵ}}_m}{2{\mathrm{\πN}}_m}$

其中

ε_m＝60ω_c/zS_m-2πN_m

S_m为平均转速，ω_c为颤振频率，z为齿数，N_m＝2,3,...,8；

最优频率为：

$R_2\≈\frac{{\mathrm{zS}}_m}{120\mathrm{\π}}{\sin }^{-1}\left(\frac{60{\mathrm{\ω}}_c}{(\mathrm{\π}+2{\mathrm{\πN}}_m)z}\right).$

进一步地，在步骤4中，所述周期性改变的方法为以最优频率和最优幅值，外部计算出每一时刻主轴转速值，然后实时传输给数控系统去执行。

进一步地，在步骤4中，所述周期性改变的方法为将最优频率和最优幅值输入数控系统，数控系统读出最优频率和最优幅值，以同步动作的方式动态改变主轴转速。

进一步地，所述特征指数为加权小波包熵，周期性计算加权小波包熵与预先设定的颤振进入孕育阶段的阈值比较，如果加权小波熵小于阈值，则颤振已进入孕育阶段，否则，颤振未进入孕育阶段；采用滑动平均的方法对熵值进行平滑处理，并且记第一次越过阈值的时刻为颤振进入孕育阶段的时刻。

因此在孕育阶段识别出颤振之后，本发明所述的方法可以用高精度高速度的频率估算方法快速估计出主颤振频率，这样就可以通过结构奇异值SSV将颤振抑制在孕育阶段，从而在不降低加工效率的前提下，避免颤振对工件和机床系统产生的损害。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的原理流程图；

图2是本发明的一个较佳实施例的步骤流程图。

具体实施方式

如图2所示，以车削为例，

(1)加工之前，在840D数控系统中利用高级编程中的同步动作，编写好变主轴转速数控程序，变主轴转速方式为以主程序的主轴转速为转速均值，以正弦的形式周期性变化，幅值和频率受外部控制，因此在同步动作程序中有R参数代表：

n(t)＝n₀+R₁n₁(t)

其中n₁(t)是周期函数

$n_1\left(t\right)=n_1(t-\frac{1}{R_2})$

R₁和R₂是数控系统R参数，可以通过外部控制R₁和R₂的值。

(2)采集加工中的声音信号，采样频率设为50kHz，将信号输入DSPACE中。在DSPACE中编写S函数实现提取颤振特征指数，这里以加权小波包熵为例，滑动窗口为1000个点，无重叠，即每20ms计算一次加权小波包熵与预先设定的颤振进入孕育阶段的阈值比较，如果加权小波熵小于阈值，则颤振已进入孕育阶段，否则，颤振未进入孕育阶段。采用滑动平均的方法，对熵值进行平滑处理，以降低误报率，并且记第一次越过阈值的时刻为颤振进入孕育阶段的时刻。

(3)当检测算法识别出颤振已进入孕育阶段时，利用插值傅里叶变换的方法，实时估计出颤振主频率。具体地，第一步，对当前滑动窗口内信号做傅里叶变换，第二步，搜索频谱峰值，第三步，利用峰值左右相邻的傅里叶频谱值，可以通过基于尺度因子的插值算法估计颤振主频率。

(4)当颤振已进入孕育阶段，通过能量法计算出最优幅值最优频率。计算方法如下。最优幅值为

$R_1\≈\frac{{\mathrm{\ϵ}}_m}{2{\mathrm{\πN}}_m}$

其中

ε_m＝60ω_c/zS_m-2πN_m

S_m为平均转速，ω_c为颤振频率，z为齿数(对于车削，z＝1)，N_m＝2,3,...,8。最优频率为：

$R_2\≈\frac{{\mathrm{zS}}_m}{120\mathrm{\π}}{\sin }^{-1}\left(\frac{60{\mathrm{\ω}}_c}{(\mathrm{\π}+2{\mathrm{\πN}}_m)z}\right)$

(5)将最优权值和最优频率，通过西门子数控系统的二次开发，写到数控程序的R参数中，同时通过PLC开启同步动作，使得主轴转速按照最优幅值和最优转速周期性变化。具体地，开启通过动作的方法为：DSPACE给PLC发送5V开关电压，利用5V转24V电压转换器，将5V开关电压转换为PLC所需的24V开关电压，从而利用PLC开启同步动作。类似地，将最优幅值和最优频率写入R参数中。从而主轴转速按照步骤(1)中预先设定的频率和幅值周期性变化，进行颤振抑制。与此同时，进给率和切削深度保持不变。

(6)当颤振已进入孕育阶段时，用变主轴转速颤振抑制方法后，仍无法实现颤振抑制，则停止加工。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于颤振频率的加工颤振智能抑制方法，其特征在于，包括以下步骤：

步骤1、通过检测算法识别所述颤振是否处于孕育阶段；

步骤2、如果所述颤振没有开始孕育，则按既定切削参数继续加工；如果所述颤振已经开始孕育，立即通过频率估计算法估计所述颤振的主频率；

步骤3、根据所述主频率推导变主轴转速颤振抑制算法的幅值和频率的最优值；

步骤4、根据最优的所述幅值和最优的所述频率，向机床发出变主轴转速颤振抑制的指令，以原主轴转速为转速均值，以设定幅值和频率，周期性改变；与此同时，进给率和切削深度保持不变；

步骤5、发出所述变主轴转速颤振抑制的指令后，仍无法实现颤振抑制的，则停止加工。

2.如权利要求1所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，步骤1中，所述检测算法是基于加工过程中的信号实现的。

3.如权利要求2所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，所述信号为声音信号。

4.如权利要求2所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤1中，所述检测算法包括提取所述信号的特征指数，与预定的阈值比较，来判定颤振是否进入孕育阶段。

5.如权利要求2所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤1中，所述检测算法包括提取所述信号的特征，通过分类方法判定颤振是否进入孕育阶段。

6.如权利要求2所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤2中，所述频率估计算法是基于采集到的加工过程中的所述信号，利用傅里叶变换或者基于子空间的方法进行的。

7.如权利要求1所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤3中，所述推导方法为能量法，计算方法如下：最优幅值为

$R_1\≈\frac{{\mathrm{\ϵ}}_m}{2{\mathrm{\πN}}_m}$

其中

ε_m＝60ω_c/zS_m-2πN_m

S_m为平均转速，ω_c为颤振频率，z为齿数，N_m＝2,3,...,8；

最优频率为：

$R_2\≈\frac{{\mathrm{zS}}_m}{120\mathrm{\π}}{\sin }^{-1}\left(\frac{60{\mathrm{\ω}}_c}{(\mathrm{\π}+2{\mathrm{\πN}}_m)z}\right).$

8.如权利要求1所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤4中，所述周期性改变的方法为以最优频率和最优幅值，外部计算出每一时刻主轴转速值，然后实时传输给数控系统去执行。

9.如权利要求1所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，在步骤4中，所述周期性改变的方法为将最优频率和最优幅值输入数控系统，数控系统读出最优频率和最优幅值，以同步动作的方式动态改变主轴转速。

10.如权利要求4所述的基于颤振频率的加工颤振智能抑制方法，其特征在于，所述特征指数为加权小波包熵，周期性计算加权小波包熵与预先设定的颤振进入孕育阶段的阈值比较，如果加权小波熵小于阈值，则颤振已进入孕育阶段，否则，颤振未进入孕育阶段；采用滑动平均的方法对熵值进行平滑处理，并且记第一次越过阈值的时刻为颤振进入孕育阶段的时刻。