CN111694320B - 一种虑及颤振抑制的机床自适应控制方法 - Google Patents

Abstract

本发明公开了一种虑及颤振抑制的机床自适应控制方法，通过对数控加工过程中主轴电机功率信号以及主轴振动信号的实时监测，并基于主轴功率信号和振动信号对进给速度和主轴转速进行实时自适应调控，整个信号采集过程不影响正常的加工进行。虑及颤振抑制的机床自适应控制方法能有效地提高加工效率，并能对加工过程产生的颤振进行监测和抑制，在提升加工效率的基础上最大限度地提升加工质量，且能延长刀具和机床的使用寿命，降低生产成本。

Description

一种虑及颤振抑制的机床自适应控制方法

技术领域

本发明属于智能制造技术领域，具体地说，涉及一种虑及颤振抑制的机床自适应控制方法。

背景技术

在传统数控加工过程中，主轴转速、进给速度、切削深度等切削参数在加工前的编程阶段就已确定，而这些切削参数往往由操作人员的经验或者加工工艺手册所保守得设定，并不是最优的切削参数。在实际加工过程中，尤其是毛坯件粗加工过程中，由于切削参数、加工余量不均匀、工件材料、切削液质量、刀具磨损等因素，切削条件是不断变化的，而编程设定的切削参数无法适应加工过程中的这些变化，需要操作人员手动调整，造成加工效率低、刀具磨损和机床损坏等后果。因此，在没有有效的过程监测和自适应控制的情况下，要想实现加工质量的优化和加工效率的提高是比较困难的。

在以往的自适应控制方法中，主要运用的是模糊数学和模糊理论。2014年，田锡天等在专利“一种数控加工参数实时自适应优化方法”(申请号：201410719430.9)中公开了一种数控加工参数实时自适应优化方法，建立了主轴电机电流与实际切削力对应模型，并用模糊算法优化主轴转速和进给速度，有效提高了加工质量和加工效率，减少刀具和机床损坏，降低生产成本。2019年，吴宝海等在专利“基于模糊控制的进给速度在线优化方法”(申请号：CN201910954545.9)中通过制作恒功率模糊控制器，应用模糊控制算法，对复杂多变、难以用精确数学模型表达的控制体系实现切削过程的恒功率控制，解决了复杂曲面多轴数控铣削过程中的工艺参数在线优化问题，实现了恒功率自适应在线调控。2019年，李烨在专利“一种数控机械加工工艺参数自适应控制方法”(申请号：CN201911255412.9)中基于机械加工工艺自适应参数数据库，建立了数控机床三维简化模型，采用多种模式转换控制，在PID模糊控制器控制基础上与手动控制相结合的方式，实现了对机械加工工艺参数的自适应控制。

通过对机床自适应控制技术的分析发现：(1)目前主要运用模糊数学和模糊理论开展研究。模糊控制规则表是根据专家经验确定的，当控制对象很复杂时，模糊规则难以建立，另外，其量化因子K_r、K_er、比例因子K_u对控制性能影响很大，且尚无通用的确定方法。(2)自适应加工过程中没有考虑对于切削颤振的抑制。切削参数选用不合理时，容易造成加工状态不稳定，出现颤振现象，切削颤振会导致切削力和加工振动增大，从而增大机床主轴功率，降低了加工效率。

发明内容

为了克服模糊控制的设计缺乏系统性、常见自适应控制方法缺少颤振抑制等一系列问题，本发明提出一种虑及颤振抑制的机床自适应控制方法。

本发明的技术方案：

一种虑及颤振抑制的机床自适应控制方法，首先，在机床上通过变切削参数进行正交试验铣削加工，获取在不同切削参数加工下主轴功率信号，并对主轴功率信号进行缺失值补偿和特征值提取，利用切削参数、功率特征值对深度学习网络进行训练，得到进给速度自适应调控模型，通过深度学习网络对进给速度进行调整；接着，利用基于加权小波包熵的方法判断加工过程中是否产生颤振，建立主轴转速自适应调控模型，通过调整主轴转速的方法来实现对颤振的抑制；然后，设计进给速度和主轴转速的调整原则；最后，在实际加工过程中，对机床主轴功率信号和振动信号进行实时监测，基于设计的进给速度和主轴转速的调整原则对进给速度和主轴转速进行调整和控制，实现自适应加工；具体步骤如下：

第一步，建立进给速度自适应调控模型

(1)变切削参数主轴功率数据采集处理与特征提取

功率传感器布置在主轴电机上，其三个线圈分别套在主轴电机UVW三根动力线上；

变切削参数加工过程为：在同种刀具和工件的基础上，选择不同的主轴转速、进给速度和切削深度组合搭配进行切削加工，利用功率传感器记录下每一组切削过程的功率信号；

由于功率信号采集过程中会产生信号缺失的情况，因此需要对缺失值进行补偿，采用缺失值前后两个功率值的平均值作为补偿后的新值，补偿后的功率W_i按式(1)计算：

式中，W_i-1为信号缺失前一时刻信号值，W_i+1为信号缺失后一时刻信号值；

然后取整个加工过程功率的平均值作为此次加工过程的功率特征值，功率特征值W_t按式(2)计算：

式中，n为整个加工过程功率值采样总数；

(2)深度学习网络的建立与训练

深度学习网络由两个RBF神经网络和一个自编码器组成；首先，建立第一个RBF神经网络，利用设定的切削参数对目标切削功率参考值进行预测，输入为主轴转速、进给速度和切削深度，输出为目标切削功率参考值；接着，建立自编码器，利用实时采集的功率数据以及设定的主轴转速和进给速度对当前实际切削深度进行预测，输入为功率数据、主轴转速和进给速度，输出为当前实际切削深度；然后，建立第二个RBF神经网络，利用目标切削功率参考值、主轴转速和自编码器预测得到的当前实际切削深度对需要调控的进给速度进行预测，输入为目标切削功率参考值、主轴转速和预测得到的当前实际切削深度，输出为调整后的进给速度f；最后，利用MATLAB深度学习工具箱对深度学习网络进行训练；

第二步，建立主轴转速自适应调控模型

(1)主轴振动数据的采集

加速度传感器布置在主轴外缘下端，靠近刀具一侧，设定采样频率实时采集加工过程振动数据；

(2)加工过程中切削颤振的在线识别

加工过程中切削颤振的在线识别主要基于加权小波包熵的方法；首先，确定小波包分解的级数L，对采集的振动信号进行小波包分解；其次，获取小波包分解系数，第L级第j频带的小波包系数为：

X_L ^j＝{c_j，n，n＝1,2…，N}，j＝0，1…2^L-1 (3)

其中，N为每次采集振动信号的个数；

接着，计算第L级第j频带的能量和第L级的总能量，第L级第j频带能量E_L，j和第L级的总能量E分别按式(4)和(5)计算：

然后，计算第L级归一化能量，第L级归一化能量Vⁿ按式(6)计算：

接着，假定第K频段为颤振频段，定其为加权的特定频段，则第K频段的加权能量E_L，K ^w按式(7)表示：

其中，α为加权系数；

然后，计算加权小波包熵，加权小波包熵ρ按式(8)计算：

最后，计算颤振产生阈值，颤振产生阈值γ按式(9)计算：

γ＝E(ρ^M)-σ(ρ^M)-0.4 (9)

其中，E(ρ^M)为稳定切削状态下加权小波包熵的期望值，σ(ρ^M)为稳定切削状态下加权小波包熵的标准差；

在实际加工过程中，实时采集振动信号，计算加权小波包熵ρ，若ρ<γ，则判定为颤振产生；

(3)颤振频率的确定

若基于加权小波包熵的颤振识别方法监测到颤振产生，则对小波包分解后的颤振频带信号做频谱分析，设频率谱峰值对应的频率为颤振频率f_c；

(4)主轴转速的实时调控

在检测到颤振出现并确定颤振频率后，通过调整主轴转速改变前后两次切削振纹间的相位差来消除颤振，相位差∈由式(10)确定：

其中，N_m为满足等式的最大整数，f_t为刀齿切削频率，刀齿切削频率f_t按式(11)计算：

其中，z为铣刀齿数，n_s为主轴转速；

当相位差∈趋近于2π的整数倍时，此时极限切削宽度能得到最大值，即实现颤振的抑制；由式(10)和(11)得到主轴转速n_s由式(12)计算：

第三步，设计进给速度和主轴转速的调整原则

在实际加工过程中，首先，对加工过程主轴功率和振动信号进行监测；然后，判断是否产生颤振，若无颤振，则进行进给速度自适应加工，若有颤振，则调整主轴转速，进行颤振抑制直到颤振消除；最后，判断颤振抑制是否使主轴功率增大，若增大，则取消颤振抑制，恢复主轴转速至原始值，只进行进给速度自适应加工，若无增大，则在颤振抑制后进行进给速度自适应加工；

第四步，进给速度和主轴转速的实时调控

将虑及颤振抑制的机床自适应控制系统得出的进给速度和主轴转速除以程序设定的进给速度和主轴转速，得到进给速度和主轴转速调整倍率，进给速度倍率B_f按式(13)计算，主轴转速倍率B_s按式(14)计算：

式中，f₀为设定的进给速度，n₀为设定的主轴转速；

将机床和工控机通过网线连接，实现实时通讯；调用机床动态链接库，将进给速度和主轴转速调整倍率指令通过调用动态链接库发送给机床，通过机床内置PLC模块实现对进给速度和主轴转速的自适应控制。

本发明的有益效果为：

(1)提高加工效率，节约生产时间成本。

(1)抑制加工过程的切削颤振，提升工件的加工质量，延长机床使用寿命。

(3)降低刀具磨损，延长刀具使用寿命。

(4)有效调整在不同工况下的切削参数，降低对操作者的技术要求，降低生产成本。

(5)提出了一种新的机床自适应控制方法，根据机床当前加工状况自适应地调节进给速度和主轴转速，实现实时自适应控制，提升了机床智能化水平。

本发明与现有技术相比，具有如下优点：

现在常用的机床自适应控制方法，主要运用模糊数学和模糊理论，且很少能实现加工过程切削颤振的抑制。虽然基于模糊理论的机床自适应控制系统具有较好的鲁棒性，但由于模糊控制的设计尚缺乏系统性，对复杂系统的控制难以奏效，而且模糊规则及隶属函数完全凭经验进行，简单地对模糊规则进行优化，对控制系统的精确性提升有限。在本发明的技术方案中，基于加工数据所建立的深度学习网络控制模型属于数据驱动模型，具有较高的准确性，它具有非线性映射能力强、自学习、自组织和自适应性等优点，非常适合于难以建立准确数学模型的控制系统。同时本发明提出的自适应控制方法考虑了对于加工过程切削颤振的识别和抑制，能在提升加工效率的基础上最大限度地提升加工质量。

附图说明

图1为功率传感器和加速度传感器布置示意图。

图2为深度学习网络总体拓扑结构图。

图3为颤振抑制流程图。

图4为总体控制流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清晰明了，下面结合附图对本发明作详细说明，以某型立式铣床为例，详细说明本发明的实施方式。

第一步，建立进给速度自适应调控模型

这一步主要分为变切削参数主轴功率数据的采集处理与特征提取、深度学习网络的建立与训练。

(1)变切削参数主轴功率数据采集处理与特征提取

如图1所示，功率传感器布置在主轴电机(2)上，其三个线圈分别套在主轴电机UVW三根动力线上。

变切削参数加工过程为：首先，选择直径为10mm的国产铣刀和长宽高分别为200mm、100mm、20mm的铸铁工件。然后在同种刀具和工件的基础上，组合搭配进行共343组切削加工，主轴转速范围为2000n/min—4000n/min，每隔333n/min为一组；进给速度范围为60mm/min—120mm/min，每隔10mm/min为一组；切削深度范围为1mm—4mm，每隔0.5mm为一组。最后利用功率传感器和三轴加速度传感器分别采集机床主轴功率信号和机床X、Y和Z三个方向的振动信号。

由于功率信号采集过程中会产生信号缺失的情况，因此采用缺失值前后两个功率值的平均值作为补偿后的新值，利用式(1)计算补偿功率值W_i。

整个加工过程的功率特征值为全过程所有功率值的平均值，利用式(2)计算功率特征值W_t。

(2)深度学习网络的建立与训练

深度学习网络由两个RBF神经网络和一个自编码器组成。首先，建立第一个RBF神经网络，利用加工程序设定的切削参数对目标切削功率参考值进行预测，输入为主轴转速n₀、进给速度f₀和切削深度A₀，输出为目标切削功率参考值W₀；接着，建立自编码器，利用实时采集的功率数据P_i以及程序设定的主轴转速n₀、进给速度f₀对当前实际切削深度d进行预测，输入为功率数据P_i、主轴转速n₀、进给速度f₀，输出为当前实际切削深度d；然后，建立第二个RBF神经网络，利用目标切削功率参考值W₀、主轴转速n₀和自编码器预测得到的当前实际切削深度d对需要调控的进给速度f进行预测，输入为目标切削功率参考值W₀、主轴转速n₀和预测得到的当前实际切削深度d，输出为调整后的进给速度f。最后，利用MATLAB深度学习工具箱对深度学习网络进行训练。深度学习网络总体拓扑结构如图2所示。

第二步，建立主轴转速自适应调控模型

这一步主要分为主轴振动数据的采集、加工过程中切削颤振的在线识别、颤振频率的确定、主轴转速的实时调控。

(1)主轴振动数据的采集

如图1所示，加速度传感器布置在主轴(1)外缘下端，靠近刀具一侧，设定采样频率48kHz实时采集加工过程振动数据。

(2)加工过程中切削颤振的在线识别

加工过程中切削颤振的在线识别主要基于加权小波包熵的方法。首先，确定小波包分解的级数L为3，对采集的振动信号进行小波包分解；其次，获取小波包分解系数，利用式(3)第3级每个频带的小波包系数。接着，分别利用式(4)和(5)计算第3级每个频带的能量和第3级的总能量。然后，利用式(6)计算第3级归一化能量。接着，假定第K频段为颤振频段，定其为加权的特定频段，利用式(7)计算第K频段的加权能量。然后，利用式(8)计算加权小波包熵ρ。最后，利用式(9)计算颤振产生阈值γ。在加工过程中，实时采集振动信号，计算加权小波包熵ρ，若ρ<γ,则判定为颤振产生。

(3)颤振频率的确定

若基于加权小波包熵的颤振识别方法监测到颤振产生，则对小波包分解后的颤振频带信号做频谱分析，设频率谱峰值对应的频率为颤振频率f_c。

(4)主轴转速的实时调控

在检测到颤振出现并确定颤振频率后，通过调整主轴转速改变前后两次切削振纹间的相位差来消除颤振，利用式(10)计算满足等式最大整数N。同时利用式(11)计算刀齿切削频率f_t。当相位差∈趋近于2π的整数倍时，此时极限切削宽度能得到最大值，即可实现颤振的抑制。由式(10)和(11)可以得到主轴转速n_s，利用式(12)计算主轴转速n_s。颤振抑制流程图如图3所示。

第三步，设计进给速度和主轴转速的调整原则

在实际加工过程中，首先，对加工过程主轴功率和振动信号进行监测；然后，判断是否产生颤振，若无颤振，则进行进给速度自适应加工，若有颤振，则调整主轴转速，进行颤振抑制直到颤振消除；最后，判断颤振抑制是否使主轴功率增大，若增大，则取消颤振抑制，恢复主轴转速至原始值，只进行进给速度自适应加工，若无增大，则在颤振抑制后进行进给速度自适应加工。

第四步，进给速度和主轴转速的实时调控

将自适应控制系统得出的进给速度和主轴转速除以程序设定的进给速度和主轴转速，得到进给速度和主轴转速调整倍率，利用式(13)和式(14)计算进给速度和主轴转速调整倍率B_f和B_s。

将机床和工控机通过网线实现实时通讯。调用动态链接库，将进给速度和主轴转速调整倍率指令通过动态链接库发送给机床，通过机床内置PLC模块实现对进给速度和主轴转速的自适应控制。总体控制框架如图4所示。

Claims (1)

1.一种虑及颤振抑制的机床自适应控制方法，首先，在机床上通过变切削参数进行正交试验铣削加工，获取在不同切削参数加工下主轴功率信号，并对主轴功率信号进行缺失值补偿和特征值提取，利用切削参数、功率特征值对深度学习网络进行训练，得到进给速度自适应调控模型，通过深度学习网络对进给速度进行调整；接着，利用基于加权小波包熵的方法判断加工过程中是否产生颤振，建立主轴转速自适应调控模型，通过调整主轴转速的方法来实现对颤振的抑制；然后，设计进给速度和主轴转速的调整原则；最后，在实际加工过程中，对机床主轴功率信号和振动信号进行实时监测，基于设计的进给速度和主轴转速的调整原则对进给速度和主轴转速进行调整和控制，实现自适应加工；其特征在于，步骤如下：

第一步，建立进给速度自适应调控模型

(1)变切削参数主轴功率数据采集处理与特征提取

功率传感器布置在主轴电机上，其三个线圈分别套在主轴电机UVW三根动力线上；

变切削参数加工过程为：在同种刀具和工件的基础上，选择不同的主轴转速、进给速度和切削深度组合搭配进行切削加工，利用功率传感器记录下每一组切削过程的功率信号；

由于功率信号采集过程中会产生信号缺失的情况，因此需要对缺失值进行补偿，采用缺失值前后两个功率值的平均值作为补偿后的新值，补偿后的功率W_i按式(1)计算：

式中，W_i-1为信号缺失前一时刻信号值，W_i+1为信号缺失后一时刻信号值；

然后取整个加工过程功率的平均值作为此次加工过程的功率特征值，功率特征值W_t按式(2)计算：

式中，n为整个加工过程功率值采样总数；

(2)深度学习网络的建立与训练

深度学习网络由两个RBF神经网络和一个自编码器组成；首先，建立第一个RBF神经网络，利用设定的切削参数对目标切削功率参考值进行预测，输入为主轴转速、进给速度和切削深度，输出为目标切削功率参考值；接着，建立自编码器，利用实时采集的功率数据以及设定的主轴转速和进给速度对当前实际切削深度进行预测，输入为功率数据、主轴转速和进给速度，输出为当前实际切削深度；然后，建立第二个RBF神经网络，利用目标切削功率参考值、主轴转速和自编码器预测得到的当前实际切削深度对需要调控的进给速度进行预测，输入为目标切削功率参考值、主轴转速和预测得到的当前实际切削深度，输出为调整后的进给速度f；最后，利用MATLAB深度学习工具箱对深度学习网络进行训练；

第二步，建立主轴转速自适应调控模型

(1)主轴振动数据的采集

加速度传感器布置在主轴外缘下端，靠近刀具一侧，设定采样频率实时采集加工过程振动数据；

(2)加工过程中切削颤振的在线识别

加工过程中切削颤振的在线识别基于加权小波包熵的方法；首先，确定小波包分解的级数L，对采集的振动信号进行小波包分解；其次，获取小波包分解系数，第L级第j频带的小波包系数为：

其中，N为每次采集振动信号的个数；

接着，计算第L级第j频带的能量和第L级的总能量，第L级第j频带能量E_L，_j和第L级的总能量E分别按式(4)和(5)计算：

然后，计算第L级归一化能量，第L级归一化能量V按式(6)计算：

接着，假定第K频段为颤振频段，定其为加权的特定频段，则第K频段的加权能量E_L，K ^w按式(7)表示：

其中，α为加权系数；

然后，计算加权小波包熵，加权小波包熵ρ按式(8)计算：

最后，计算颤振产生阈值，颤振产生阈值γ按式(9)计算：

γ＝E(ρ^M)-σ(ρ^M)-0.4 (9)

其中，E(ρ^M)为稳定切削状态下加权小波包熵的期望值，σ(ρ^M)为稳定切削状态下加权小波包熵的标准差；

在实际加工过程中，实时采集振动信号，计算加权小波包熵ρ，若ρ<γ，则判定为颤振产生；

(3)颤振频率的确定

若基于加权小波包熵的颤振识别方法监测到颤振产生，则对小波包分解后的颤振频带信号做频谱分析，设频率谱峰值对应的频率为颤振频率f_c；

(4)主轴转速的实时调控

在检测到颤振出现并确定颤振频率后，通过调整主轴转速改变前后两次切削振纹间的相位差来消除颤振，相位差∈由式(10)确定：

其中，N_m为满足等式的最大整数，f_t为刀齿切削频率，刀齿切削频率f_t按式(11)计算：

其中，z为铣刀齿数，n_s为主轴转速；

当相位差∈趋近于2π的整数倍时，此时极限切削宽度能得到最大值，即实现颤振的抑制；由式(10)和(11)得到主轴转速n_s由式(12)计算：

第三步，设计进给速度和主轴转速的调整原则

在实际加工过程中，首先，对加工过程主轴功率和振动信号进行监测；然后，判断是否产生颤振，若无颤振，则进行进给速度自适应加工，若有颤振，则调整主轴转速，进行颤振抑制直到颤振消除；最后，判断颤振抑制是否使主轴功率增大，若增大，则取消颤振抑制，恢复主轴转速至原始值，只进行进给速度自适应加工，若无增大，则在颤振抑制后进行进给速度自适应加工；

第四步，进给速度和主轴转速的实时调控

将虑及颤振抑制的机床自适应控制系统得出的进给速度和主轴转速除以程序设定的进给速度和主轴转速，得到进给速度和主轴转速调整倍率，进给速度倍率B_f按式(13)计算，主轴转速倍率B_s按式(14)计算：

式中，f₀为设定的进给速度，n₀为设定的主轴转速；

将机床和工控机通过网线连接，实现实时通讯；调用机床动态链接库，将进给速度和主轴转速调整倍率指令通过调用动态链接库发送给机床，通过机床内置PLC模块实现对进给速度和主轴转速的自适应控制。

Images