CN111144193A - 一种基于超精密飞切加工面形的相对振动辨识方法 - Google Patents

一种基于超精密飞切加工面形的相对振动辨识方法 Download PDF

Info

Publication number
CN111144193A
CN111144193A CN201911053211.0A CN201911053211A CN111144193A CN 111144193 A CN111144193 A CN 111144193A CN 201911053211 A CN201911053211 A CN 201911053211A CN 111144193 A CN111144193 A CN 111144193A
Authority
CN
China
Prior art keywords
surface shape
workpiece
fly
data
shape data
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.)
Granted
Application number
CN201911053211.0A
Other languages
English (en)
Other versions
CN111144193B (zh
Inventor
李星占
李加胜
魏巍
冯艳冰
陈刚利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Mechanical Manufacturing Technology of CAEP
Original Assignee
Institute of Mechanical Manufacturing Technology of CAEP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Mechanical Manufacturing Technology of CAEP filed Critical Institute of Mechanical Manufacturing Technology of CAEP
Priority to CN201911053211.0A priority Critical patent/CN111144193B/zh
Publication of CN111144193A publication Critical patent/CN111144193A/zh
Application granted granted Critical
Publication of CN111144193B publication Critical patent/CN111144193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于超精密飞切加工面形的相对振动辨识方法，确定针对不同形状的工件所需的改进的边界效应抑制算法；采用改进的二维经验模态分解方法对飞切加工后的工件面形数据进行多尺度自适应模态分解；对工件表面二维截面轮廓沿液体静压导轨的进给方向进行轮廓曲线提取；结合最优匹配跟踪算法生成伪信源的单通道信源分离方法，对沿进给方向提取的轮廓曲线进行去伪信源分离。本发明提供了一种基于超精密飞切加工不同形状工件的刀尖与工件相对振动辨识方法，解决了现有振动辨识方法存在的模态混叠、边界效应突出的问题。

Description

一种基于超精密飞切加工面形的相对振动辨识方法
技术领域
本发明涉及超精密加工领域，具体涉及一种基于超精密飞切加工面形的相对振动辨识方 法。
背景技术
传统的振动辨识方法主要是根据比对频谱图中幅值较大的频率，辨识出较大幅值相对应 的频率，而往往无法辨识出微小幅值对应的频率，在普通的数控加工中，由于加工面形精度 较低，微小扰动振源的辨识并不能被重视。在超精密飞切加工中，工件面形加工精度特别高， 微小的扰动都会对面形轮廓产生较大的影响。
超精密单点金刚石飞切是实现磷酸二氢钾(KDP)晶体加工的主要工艺手段，但飞切加 工形成的波纹度误差降低了KDP晶体的激光损伤阈值，成为惯性约束核聚变激光能量输出的 限制瓶颈。在单点金刚石飞切过程中，刀具与工件的相对振动是KDP晶体加工过程中出现波 纹度的主要原因。通常超精密飞切加工表面粗糙度只有几纳米，微弱的振动通过刀尖复印到 工件表面，都会对加工面形的精度产生较大的影响，准确的辨识出影响工件形貌轮廓的相对 振动空间频率，对超精密加工机床的结构优化与扰动抑制有着重要的指导意义。
发明内容
本发明所要解决的技术问题是：现有的振动辨识方法无法对微弱振动进行准确辨识，在 振动辨识中出现严重的边界的效应问题，对表面粗糙度仅有几纳米的超精密飞切加工面形评 定造成很大的误差，本发明提供了解决上述问题的一种基于超精密飞切加工面形的相对振动 辨识方法，有效解决了现有方法无法辨识微弱幅值振源、边界效应问题严重导致的面形评价 不准确等问题。
本发明通过下述技术方案实现：
一种基于超精密飞切加工面形的相对振动辨识方法，包括以下步骤：
针对不同形状的工件，确定其所需的改进的边界效应抑制算法；采用改进的二维经验模 态分解方法对飞切加工后的工件面形数据进行多尺度自适应模态分解，提取面形数据的局部 细节信息，基于Riesz技术变换构造单演面形信号，计算面形整体频率，获得二维经验模态 分解循环终止条件；对工件表面二维截面轮廓沿液体静压导轨的进给方向进行轮廓曲线提取； 结合最优匹配跟踪算法生成伪信源的单通道信源分离方法，对沿进给方向提取的轮廓曲线进 行去伪信源分离；在最优匹配跟踪算法的每一步计算时，利用遗传算法选定最佳原子，然后 采用空间功率谱密度技术对分离后的特征轮廓曲线进一步做功率谱密度分析，实现飞切加工 刀尖与工件间的振动辨识。
进一步地，所述改进的二维经验模态分解方法，包括以下步骤：
步骤a，将飞切加工后的工件面形数据记为f(x,y)，其中，x、y分别为飞切加工后的工 件面形数据的行和列的采样点；
步骤b，基于面形数据确定待分解的工件形状；基于相似理论，从工件自身面形边界数 据延拓后作为延拓边界数据；
步骤c，对于不同形状的工件，经过面形边界数据延拓后的整体面形数据记为F(x,y)，其 中，x、y分别为相应面形数据的行和列的采样点；
步骤d，对余量外部初始化ri(x,y)＝f(x,y)，i＝1；对余量内部初始化hij(x,y)＝ri(x,y),j＝1；
步骤e，对余量计算hij(x,y)的局部极大值，并形成极大值谱，记为Jij；对极大值谱Jij中 的极大值点进行插值处理，得到hij(x,y)的上包络面，记为Bmax(x,y)；
计算hij(x,y)的局部极小值，并形成极小值谱，记为Sij；对极小值谱Sij中的极小值点进行插值处理，得到hij(x,y)的下包络面，记为Bmin(x,y)；
步骤f，计算hij(x,y)的平均包络面
Figure BDA0002255862590000026
步骤g，提取面形数据F(x,y)的局部细节信息hi(j+1)(x,y)，hi(j+1)(x,y)＝hij(x,y)-Pij(x,y)；
步骤h，对所述局部细节信息hi(j+1)(x,y)进行Riesz变换，Riesz变换的空间域表达式为
Figure BDA0002255862590000022
步骤i，对于所述局部细节信息hi(j+1)(x,y)，其单演信号为hM(x,y)＝(h,Rx*,Ry*h)，*为 卷积运算，则面形数据频谱信息的局部振幅lA，
Figure BDA0002255862590000023
其中下 角标A表示振幅，M表示单演信号；面形数据频谱信息的局部相位lp：
Figure BDA0002255862590000024
a表示此时对应信号的幅值；
步骤j，对局部相位lp进一步计算，得到面形数据频谱信息的局部频率lf：
Figure BDA0002255862590000025
步骤k，由局部频率lf，得到整体频率
Figure BDA0002255862590000031
步骤l，计算循环终止条件：
Figure BDA0002255862590000032
若
Figure BDA0002255862590000033
小于给定的截止波长，则返回步骤f重新循环计算；若
Figure BDA0002255862590000034
大于给定的截止波长，则有 第i个固有模态函数BIMFi＝hi(j+1)，并更新分解得余量ri(x,y)＝ri1(x,y)-BIMFi(x,y)；
步骤m，基于以上对面形数据分解得到的结果，飞切加工后工件原始的面形数据由若干 组BIMF分量和一组余量数据所构成，满足
Figure BDA0002255862590000035
进一步地，若飞切加工后的工件为方形工件，则方形工件的面形数据由内向外依次包括 原始面形数据、原始面形边界数据A部分和C部分、以及通过A部分和C部分拓展后得到 的延拓边界数据B部分和D部分；若飞切加工后的工件为圆形工件，则圆形工件的面形数据 由内向外依次包括原始面形数据、原始面形边界数据A部分、以及通过A部分拓展获取的延 拓边界数据B部分。
进一步地，对沿进给方向提取的轮廓曲线进行去伪信源分离的方法，包括以下步骤：
步骤a，由改进的二维经验模态分解方法对工件面形分解后，沿进给方向提取轮廓曲线， 记为LBIMFi(x,y),LBIMFi(x,y)∈N,N为有限维希尔伯特空间，从过完备原子库E(E∈N)筛选出 满足
Figure BDA0002255862590000036
Γ为索引指标集；
步骤b，将所提取的轮廓曲线LBIMFi(x,y)分解为在最佳原子gv0上的残余部分以及分量部 分，即为
Figure BDA0002255862590000039
R1LBIMFi为第一次对所提取的轮廓曲线分解后的残 余部分；
步骤c，不断对所提取轮廓曲线重复上述分解过程，即
Figure BDA0002255862590000037
步骤d，轮廓曲线经过上述i次分解后，
所得分解结果为
Figure RE-GDA0002419974600000039
RiLBIMFi为第i次对所提取的轮廓曲 线分解后的逼近误差；
步骤e，最优匹配跟踪算法获得较强的原子稀疏性，不断分解直到残余分量的能量小于 既定的最小阈值或达到所预设的迭代次数时，算法停止。
进一步地，在采用二维经验模态方法分解之前，还依次包括工件表面形貌测量、以及依 据测量结果对工件形状进行识别的步骤。
进一步地，利用动态激光干涉仪在飞切加工机床上对加工后的工件进行表面形貌测量； 针对测量获得的面形信号，采用图像识别算法识别待分析工件的形状。
本发明具有如下的优点和有益效果：
本发明提供了一种基于超精密飞切加工面形的相对振动辨识方法，能够辨识多微弱幅值 振源，解决了现有振动辨识方法存在的模态混叠、边界效应突出的问题，利于有效解决不同 的磷酸二氢钾晶体的形状(方形或圆形工件)的边界效应问题。
本发明针对不同形状的工件，分别提出不同的抑制边界效应问题的方法，有效地消除了 由现有自适应模态分解引起的边界效应问题，从而提高了分解后对面形评价的准确性。采用 改进后的二维经验模态分解(BEMD)方法对其进行多尺度自适应模态分解，将具有不同频率特 征的表面信息从确定形状的超精密加工表面形貌中分离提取出来，对超精密切削表面二维截 面轮廓沿液体静压导轨的进给方向进行轮廓提取。由于BEMD分解后还是存在一定的嘈杂噪 声，结合最优匹配跟踪(MP)算法生成伪信源的单通道信源分离方法，对沿进给方向提取的轮 廓曲线进行去伪信源分离。在最优匹配跟踪(MP)算法的每一步计算时，利用遗传算法快速选 定最佳原子，采用空间功率谱密度技术对分离后的特征轮廓曲线进一步做功率谱密度分析， 实现对作用于超精密飞切加工刀尖—工件间的微弱振动辨识，从而指导超精密飞切机床的结 构优化与振动抑制。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不 构成对本发明实施例的限定。在附图中：
图1为本发明超精密飞切加工刀具与工件振动辨识流程图；
图2为本发明改进的二维经验模态分解流程图；
图3为本发明方形工件边界数据延拓示意图，图中O表示原始面形数据；
图4为本发明圆形工件边界数据延拓示意图，图中O表示原始面形数据；
图5为本发明方形工件超精密飞切加工的实验表面形貌图；
图6为本发明圆形工件超精密飞切加工的实验表面形貌图；
图7为本发明对方形工件表面进行BEMD分解图；
图8为本发明对圆形工件表面进行BEMD分解图；
图9为采用传统方法对方形仿真表面沿进给方向提取的轮廓曲线图；
图10为采用传统方法对方形仿真表面沿进给方向提取轮廓曲线的空间频谱图；
图11为采用传统方法对方形仿真表面进行BEMD分解图；
图12为本发明对方形仿真表面改进BEMD分解的残差图；
图13为本发明对方形仿真表面第2阶BIMF沿进给方向提取的轮廓曲线；
图14为本发明对方形仿真表面第3阶BIMF沿进给方向提取的轮廓曲线；
图15为本发明对方形仿真表面第2阶BIMF沿进给方向提取轮廓曲线的空间频谱图；
图16为本发明对方形仿真表面第3阶BIMF沿进给方向提取轮廓曲线的空间频谱图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明 作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本 发明的限定。
实施例1
本实施例提供了一种基于超精密飞切加工面形的相对振动辨识方法，具体步骤如下所示：
步骤1，利用动态激光干涉仪在飞切加工机床上对加工后的工件进行表面形貌测量；针 对测量获得的面形信号，采用图像识别算法识别待分析工件的形状。如图5所示为方形工件， 如图6所示为圆形工件。
步骤2，基于步骤1确定待分解的工件形状后，基于相似理论，从工件自身面形边界数 据提取一部分数据作为延拓部分的数据：
(1)若加工工件为方形工件，如图3所示，O部分表示原始面形数据，则A部分和C 部分分别为原始边界数据，用于获取扩展边界数据；B部分和D部分分别是对A部分和C部 分进行扩展后得到的延拓边界数据；
(2)若加工工件为圆形工件，如图4所示，O部分表示原始面形数据，则A部分为原始边界数据，用于获取拓展边界数据；B部分是对A部分进行边界数据拓展后得到的延拓边界数据。
步骤3，采用改进的二维经验模态分解方法(BEMD)对飞切加工后工件的面形数据进行 多尺度自适应模态分解，如图2所示：
步骤31，将飞切加工后的工件面形数据，即通过动态激光干涉仪测量得到的面形数据记 为f(x,y)，x,y分别为行和列的采样点；
步骤32，对于上述不同形状的工件面形，经过边界数据延拓后的整体面形数据记为 F(x,y)，x,y分别为相应面形数据的行和列的采样点；
步骤33，对余量外部初始化ri(x,y)＝f(x,y),i＝1；对余量初始化hij(x,y)＝ri(x,y),j＝1；
步骤34，计算hij(x,y)的局部极大值，并形成极大值谱，记为Jij；对极大值谱Jij中的极 大值点进行插值处理，得到hij(x,y)的上包络面，记为Bmax(x,y)；
步骤35，计算hij(x,y)的局部极小值，并形成极小值谱，记为Sij；对极小值谱Sij中的极 小值点进行插值处理，得到hij(x,y)的下包络面，记为Bmin(x,y)；
步骤36，计算hij(x,y)的平均包络面
Figure BDA0002255862590000061
步骤37，提取面形数据F(x,y)的局部细节信息hi(j+1)(x,y)，hi(j+1)(x,y)＝hij(x,y)-Pij(x,y)；
步骤38，对hi(j+1)(x,y)进行Riesz变换，Riesz变换的空间域表达式为：
Figure BDA0002255862590000062
步骤39，对于面形数据的局部细节信息hi(j+1)(x,y)，其单演信号为：
hM(x,y)＝(h,Rx*,Ry*h)，*为卷积运算，故二维面形数据频谱信息的局部振幅lA：
Figure BDA0002255862590000063
二维面形数据频谱信息的局部相位lp，
Figure BDA0002255862590000064
步骤310，对局部相位进一步计算，可以得到二维面形数据频谱信息的局部频率lf：
Figure BDA0002255862590000065
由局部频率lf，可以得到整体频率：
Figure BDA0002255862590000066
步骤311，计算循环终止条件，
Figure BDA0002255862590000067
若
Figure BDA0002255862590000068
小于给定的截止波长，则返回步骤36重新 循环计算；若
Figure BDA0002255862590000069
大于给定的截止波长，则有第i个固有模态函数BIMFi＝hi(j+1)，并更新分解的 余量ri(x,y)＝ri1(x,y)-BIMFi(x,y)；
步骤312，基于以上对面形数据分解得到的结果，飞切加工后的工件的原始面形数据就 可以由若干组BIMF分量和一组余量数据所构成，且满足
Figure BDA00022558625900000610
如图7和图8所示，为将BEMD应用于动态激光干涉仪测量获得的面形进行自适应分解， 根据轮廓空间远大于液体静压导轨的进给速度，第2阶BIMF所示的表面形貌为中频误差， 第3阶BIMF显示的地表形貌为低频误差。这符合超精密飞切加工的刀具与工件相对振动对 表面形貌影响的特点。因此，第2、3阶BIMF所示的表面形貌是切削表面的特征表面形貌。
步骤4，基于上述改进的二维经验模态分解方法，对不同相对振动条件下的飞切工件表 面形貌进行仿真分析，将具有不同振动频率特征的表面信息从确定形状的超精密加工表面形 貌中准确地分离提取出来，并对超精密切削表面二维截面轮廓沿液体静压导轨的进给方向进 行轮廓提取，结合最优匹配跟踪算法生成伪信源的单通道信源分离方法，对沿进给方向提取 的轮廓曲线进行去伪信源分离。
其中，对沿进给方向提取的轮廓曲线进行去伪信源分离的方法，具体步骤如下：
步骤41，由改进的二维经验模态方法对工件面形分解后，沿进给方向提取轮廓曲线，记 为LBIMFi(x,y),LBIMFi(x,y)∈N,N为有限维希尔伯特空间，从过完备原子库E(E∈N)筛选出满 足
Figure BDA0002255862590000071
Γ为索引指标集；
步骤42，将所提取的轮廓曲线LBIMFi(x,y)分解为在最佳原子gv0上的残余部分以及分量部 分，即为
Figure BDA0002255862590000072
R1LBIMFi为第一次对所提取的轮廓曲线分解后的残 余部分；
步骤43，不断对所提取轮廓曲线重复上述分解过程，即
Figure BDA0002255862590000073
步骤44，轮廓曲线经过上述i次分解后，所得分解结果为
Figure BDA0002255862590000074
RiLBIMFi为第i次对所提取的轮廓曲线分解后的逼近误差。
最优匹配跟踪(MP)算法获得较强的原子稀疏性，不断分解直到残余分量的能量小于既定 的最小阈值或达到所预设的迭代次数时，算法停止。在最优匹配跟踪(MP)算法的每一步计算 时，利用遗传算法快速选定最佳原子，采用空间功率谱密度技术对分离后的特征轮廓曲线进 一步做功率谱密度分析，实现对作用于超精密飞切加工刀尖与工件间的微弱振动辨识，从而 指导超精密飞切机床的结构优化与振动抑制。
实施例2
基于实施例1提供的方法，进行验证：将两个振动频率为29.4Hz、振幅为10nm和振动 频率为37.8Hz、振幅为2nm的振源分别添加到工件的仿真表面，获得仿真面形，切削参数为： 主轴转速280rpm，进给速度6mm/min，金刚石刀具切深5μm。通过以下步骤计算可以得到D 的值分别为0.3和0.1：
记fv为刀具与工件之间的振动频率，fs为主轴的频率，fr为两者的频率比，即
Figure BDA0002255862590000081
其中，I是频率比的整数部分，I值的大小对面形轮廓不产生影响，D 是频率比的小数部分，D值的不同影响着面形轮廓。根据给定的主轴转速ω和进给速度f， 可以得到空间频率fn为：
Figure BDA0002255862590000082
对超精密切削工件表面二维截面轮廓沿液体静压导轨的进给方向进行轮廓提取如图9所 示并进行空间频谱分析，图9和图10中所述传统方法为直接提取仿真表面沿进给方向的轮廓 曲线，流程较为单一。由图10可以看出，空间频谱中存在许多明显的频率分量。从振动幅值 来看，14.4mm-1是振源引起的主要频率分量，对应的振源振动频率为29.4Hz。此外，根据仿 真条件，还将振动频率为37.8Hz，振幅为2nm的振源添加到仿真表面。由于其振动幅值较小， 甚至小于由于采样长度或主要频率分量33.6mm-1、47.6mm-1等的倍频而引入的虚假频率的对 应振动幅值。在这种情况下，受振幅的影响，较小振幅形成的表面形貌特征会被较大振幅形 成的表面形貌特征所淹没，无法获得准确的振动频率。
采用传统上述方法无法准确辨识微弱幅值的振动频率，故采用实施例1提供的改进BEMD 对飞切加工工件面形进行自适应多尺度分解，结合最优匹配跟踪算法生成伪信源的单通道信 源分离方法，对沿进给方向提取的轮廓曲线进行去伪信源分离。
图11为采用传统的BEMD(即未采用边界数据延拓的经典BEMD分解方法)对前述真条件下所得的仿真面形进行自适应多尺度分解结果，由残差图可以看出采用传统的BEMD会产生严重的边界效应。为解决传统的BEMD方法产生的严重边界效应，采用实施例1提供的边界数据延拓方法以及改进BEMD对飞切加工工件面形进行自适应多尺度分解，如图12所示的分解后的残差图，边界效应明显消失。
通过上述分解实现对沿进给方向提取的轮廓曲线进行去伪信源分离，如图13和图14所示。 采用空间功率谱密度技术对已去伪信源分离后的特征轮廓曲线进一步做空间频谱分析，如图 15和图16所示，实现对作用于超精密飞切加工刀尖与工件间的微弱或强振动辨识。
图15为进给方向剖面曲线的空间频率为14.4mm-1(约为14mm-1)。给定进给速度为6mm/min，主轴转速为280rpm，根据公式
Figure BDA0002255862590000091
计算，获得D＝14*6/280＝0.3，与仿真工况下的D值一致。
图16为进给方向剖面曲线的空间频率为4.8mm-1(约为5mm-1)。根据公式
Figure BDA0002255862590000092
给 定进给速度为6mm/min，主轴转速为280rpm,D＝4.8*6/280＝0.1，与仿真工况D值一致。
通过上述分析，本实施例实现了超精密飞切加工刀尖与工件间的微弱或强振动辨识。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说 明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护 范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。

Claims (6)

1.一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，包括以下步骤：
针对不同形状的工件，确定其所需的改进的边界效应抑制算法；采用改进的二维经验模态分解方法对飞切加工后的工件面形数据进行多尺度自适应模态分解，提取面形数据的局部细节信息，基于Riesz技术变换构造单演面形信号，计算面形整体频率，获得二维经验模态分解循环终止条件；对工件表面二维截面轮廓沿液体静压导轨的进给方向进行轮廓曲线提取；结合最优匹配跟踪算法生成伪信源的单通道信源分离方法，对沿进给方向提取的轮廓曲线进行去伪信源分离；在最优匹配跟踪算法的每一步计算时，利用遗传算法选定最佳原子，然后采用空间功率谱密度技术对分离后的特征轮廓曲线进一步做功率谱密度分析，实现飞切加工刀尖与工件间的振动辨识。
2.根据权利要求1所述的一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，所述改进的二维经验模态分解方法，包括以下步骤：
步骤a，将飞切加工后的工件面形数据记为f(x,y)，其中，x、y分别为飞切加工后的工件面形数据的行和列的采样点；
步骤b，基于面形数据确定待分解的工件形状；基于相似理论，从工件自身面形边界数据延拓后作为延拓边界数据；
步骤c，对于不同形状的工件，经过面形边界数据延拓后的整体面形数据记为F(x,y)，其中，x、y分别为相应面形数据的行和列的采样点；
步骤d，对余量外部初始化ri(x,y)＝f(x,y)，i＝1；对余量内部初始化hij(x,y)＝ri(x,y),j＝1；
步骤e，计算hij(x,y)的局部极大值，并形成极大值谱，记为Jij；对极大值谱Jij中的极大值点进行插值处理，得到hij(x,y)的上包络面，记为Bmax(x,y)；
计算hij(x,y)的局部极小值，并形成极小值谱，记为Sij；对极小值谱Sij中的极小值点进行插值处理，得到hij(x,y)的下包络面，记为Bmin(x,y)；
步骤f，计算hij(x,y)的平均包络面Pij(x,y),
Figure RE-FDA0002374758530000011
步骤g，提取面形数据F(x,y)的局部细节信息hi(j+1)(x,y)，hi(j+1)(x,y)＝hij(x,y)-Pij(x,y)；
步骤h，对所述局部细节信息hi(j+1)(x,y)进行Riesz变换，Riesz变换的空间域表达式为
Figure RE-FDA0002374758530000012
步骤i，对于所述局部细节信息hi(j+1)(x,y)，其单演信号为hM(x,y)＝(h,Rx*,Ry*h)，*为卷积运算，则面形数据频谱信息的局部振幅lA，
Figure RE-FDA0002374758530000021
其中下角标A表示振幅，M表示单演信号；面形数据频谱信息的局部相位lp：
Figure RE-FDA0002374758530000022
a表示此时对应信号的幅值；
步骤j，对局部相位lp进一步计算，得到面形数据频谱信息的局部频率lf：
Figure RE-FDA0002374758530000023
步骤k，由局部频率lf，得到整体频率
Figure RE-FDA0002374758530000024
步骤l，计算循环终止条件：
Figure RE-FDA0002374758530000025
若
Figure RE-FDA0002374758530000026
小于给定的截止波长，则返回步骤f重新循环计算；若
Figure RE-FDA0002374758530000027
大于给定的截止波长，则有第i个固有模态函数BIMFi＝hi(j+1)，并更新分解得余量ri(x,y)＝ri1(x,y)-BIMFi(x,y)；
步骤m，基于以上对面形数据分解得到的结果，飞切加工后的工件的原始面形数据由若干组BIMF分量和一组余量数据所构成，满足
Figure RE-FDA0002374758530000028
3.根据权利要求2所述的一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，所述步骤b中，若飞切加工后的工件为方形工件，则方形工件的面形数据由内向外依次包括原始面形数据、原始面形边界数据A部分和C部分、以及通过A部分和C部分拓展后得到的延拓边界数据B部分和D部分；若飞切加工后的工件为圆形工件，则圆形工件的面形数据由内向外依次包括原始面形数据、原始面形边界数据A部分、以及通过A部分拓展获取的延拓边界数据B部分。
4.根据权利要求1或2所述的一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，对沿进给方向提取的轮廓曲线进行去伪信源分离的方法，包括以下步骤：
步骤a，由改进的二维经验模态分解方法对工件面形分解后，沿进给方向提取轮廓曲线，记为LBIMFi(x,y),LBIMFi(x,y)∈N,N为有限维希尔伯特空间，从过完备原子库E(E∈N)筛选出满足
Figure RE-FDA0002374758530000029
Γ为索引指标集；
步骤b，将所提取的轮廓曲线LBIMFi(x,y)分解为在最佳原子gv0上的残余部分以及分量部分，即为
Figure RE-FDA0002374758530000031
R1LBIMFi为第一次对所提取的轮廓曲线分解后的残余部分；
步骤c，不断对所提取轮廓曲线重复上述分解过程，即
Figure RE-FDA0002374758530000032
步骤d，轮廓曲线经过上述i次分解后，
所得分解结果为
Figure RE-FDA0002374758530000033
RiLBIMFi为第i次对所提取的轮廓曲线分解后的逼近误差；
步骤e，最优匹配跟踪算法获得较强的原子稀疏性，不断分解直到残余分量的能量小于既定的最小阈值或达到所预设的迭代次数时，算法停止。
5.根据权利要求1或2所述的一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，在采用改进的二维经验模态方法分解之前，还依次包括工件表面形貌测量、以及依据测量结果对工件形状进行识别的步骤。
6.根据权利要求5所述的一种基于超精密飞切加工面形的相对振动辨识方法，其特征在于，利用动态激光干涉仪在飞切加工机床上对加工后的工件进行表面形貌测量；针对测量获得的面形信号，采用图像识别算法识别待分析工件的形状。
CN201911053211.0A 2019-10-31 2019-10-31 一种基于超精密飞切加工面形的相对振动辨识方法 Active CN111144193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911053211.0A CN111144193B (zh) 2019-10-31 2019-10-31 一种基于超精密飞切加工面形的相对振动辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911053211.0A CN111144193B (zh) 2019-10-31 2019-10-31 一种基于超精密飞切加工面形的相对振动辨识方法

Publications (2)

Publication Number Publication Date
CN111144193A true CN111144193A (zh) 2020-05-12
CN111144193B CN111144193B (zh) 2023-04-07

Family

ID=70516914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911053211.0A Active CN111144193B (zh) 2019-10-31 2019-10-31 一种基于超精密飞切加工面形的相对振动辨识方法

Country Status (1)

Country Link
CN (1) CN111144193B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111823418A (zh) * 2020-06-29 2020-10-27 中国工程物理研究院机械制造工艺研究所 一种超精密飞切加工机床面形误差补偿及控制方法
CN111993160A (zh) * 2020-06-05 2020-11-27 中国工程物理研究院机械制造工艺研究所 一种基于超精密金刚石车床面形的相近振动频率辨识方法
CN112883505A (zh) * 2021-01-12 2021-06-01 华中科技大学 考虑刀具工件相对振动的超精密端面车削表面建模方法
CN114354976A (zh) * 2022-03-21 2022-04-15 成都华托微纳智能传感科技有限公司 一种降低边缘效应的mems加速度计

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840380A (zh) * 2019-02-16 2019-06-04 北京理工大学 一种考虑多模态振动与工件加工响应的稳定性预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840380A (zh) * 2019-02-16 2019-06-04 北京理工大学 一种考虑多模态振动与工件加工响应的稳定性预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CAIXUYUE ET AL.: "A review of chatter vibration research in milling", 《CHINESE JOURNAL OF AERONAUTICS》 *
HE ZHENGJIA ET AL.: "The principle of second generation wavelet for milling cutter breakage detection", 《SCIENCE IN CHINA(SERIES E:TECHNOLOGICAL SCIENCES)》 *
周磊等: "基于面域功率谱密度的金刚石车削相对振动辨识(英文)", 《纳米技术与精密工程》 *
管佳燕: "基于加工表面形貌的数控车床误差辨识方法与仿真研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
贾广飞等: "经验模态分解在切削振动信号分析中的应用", 《河北工业科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111993160A (zh) * 2020-06-05 2020-11-27 中国工程物理研究院机械制造工艺研究所 一种基于超精密金刚石车床面形的相近振动频率辨识方法
CN111993160B (zh) * 2020-06-05 2022-02-22 中国工程物理研究院机械制造工艺研究所 一种基于超精密金刚石车床面形的相近振动频率辨识方法
CN111823418A (zh) * 2020-06-29 2020-10-27 中国工程物理研究院机械制造工艺研究所 一种超精密飞切加工机床面形误差补偿及控制方法
CN112883505A (zh) * 2021-01-12 2021-06-01 华中科技大学 考虑刀具工件相对振动的超精密端面车削表面建模方法
CN112883505B (zh) * 2021-01-12 2022-09-20 华中科技大学 考虑刀具工件相对振动的超精密端面车削表面建模方法
CN114354976A (zh) * 2022-03-21 2022-04-15 成都华托微纳智能传感科技有限公司 一种降低边缘效应的mems加速度计

Also Published As

Publication number Publication date
CN111144193B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111144193B (zh) 一种基于超精密飞切加工面形的相对振动辨识方法
CN103192292B (zh) 基于加工工件曲面形貌信息的数控机床误差辨识分离方法
Islam et al. An investigation into dimensional accuracy achievable in wire-cut electrical discharge machining
Rusinek et al. Dynamics of thin-walled element milling expressed by recurrence analysis
CN110941030B (zh) 一种基于位场数据计算隐伏目标体深度的方法
CN115797418B (zh) 一种基于改进icp的复杂机械零件测量点云配准方法及系统
Cao et al. Generative adversarial network for prediction of workpiece surface topography in machining stage
CN110458773B (zh) 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN111993160B (zh) 一种基于超精密金刚石车床面形的相近振动频率辨识方法
Karube et al. The non-linear phenomena in vibration cutting system: the establishment of dynamic model
CN113094925A (zh) 一种铣削颤振稳定性预测方法
CN109940462B (zh) 铣刀切削振动变化特性的检测与高斯过程模型构建方法
CN117008534A (zh) 圆孔铣削的实现方法及实现系统
CN111563861A (zh) 一种基于三维测量点云数据的工件余量快速求取方法
CN116304690A (zh) 基于mddgan的刀具磨损状态监测数据集增强方法
CN111736530B (zh) 一种模拟加工过程中刀具磨损形貌的方法及系统
Li et al. Relative vibration identification of cutter and workpiece based on improved bidimensional empirical mode decomposition
CN114611064A (zh) 一种三维重力交叉反演方法、系统、存储介质和电子设备
CN112233039B (zh) 基于领域点空间特征的三维激光点云去噪方法
CN114021401A (zh) 一种切削加工表面残余应力场梯度分布预测方法
JP5686975B2 (ja) 点列生成方法、点列生成プログラム、並びに点列生成装置及びこれを備えた工作機械
Cong et al. Online milling chatter detection using deep residual network and transfer learning
CN114434256B (zh) 基于射流抛光利用稀疏双步距路径去除中频误差的加工方法
CN116304577B (zh) 一种基于优化变分模态分解的微细磨削非稳态特征识别方法
Kiss On the Effect of Machine Tool Dynamics on Surface Quality and Stability

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant