CN111734772B - 一种薄壁件加工中的磁流变抑振方法 - Google Patents

一种薄壁件加工中的磁流变抑振方法 Download PDF

Info

Publication number
CN111734772B
CN111734772B CN202010547463.5A CN202010547463A CN111734772B CN 111734772 B CN111734772 B CN 111734772B CN 202010547463 A CN202010547463 A CN 202010547463A CN 111734772 B CN111734772 B CN 111734772B
Authority
CN
China
Prior art keywords
vibration
thin
data
flat plate
variance
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
Application number
CN202010547463.5A
Other languages
English (en)
Other versions
CN111734772A (zh
Inventor
刘海波
王俊鹏
罗祺
薄其乐
史勇
李特
刘阔
王永青
贾振元
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010547463.5A priority Critical patent/CN111734772B/zh
Publication of CN111734772A publication Critical patent/CN111734772A/zh
Application granted granted Critical
Publication of CN111734772B publication Critical patent/CN111734772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F9/00—Springs, vibration-dampers, shock-absorbers, or similarly-constructed movement-dampers using a fluid or the equivalent as damping medium
    • F16F9/32—Details
    • F16F9/53—Means for adjusting damping characteristics by varying fluid viscosity, e.g. electromagnetically
    • F16F9/535—Magnetorheological [MR] fluid dampers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q11/00—Accessories fitted to machine tools for keeping tools or parts of the machine in good working condition or for cooling work; Safety devices specially combined with or arranged in, or specially adapted for use in connection with, machine tools
    • B23Q11/0032—Arrangements for preventing or isolating vibrations in parts of the machine
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
    • B23Q17/248—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves using special electromagnetic means or methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F2224/00—Materials; Material properties
    • F16F2224/04—Fluids
    • F16F2224/045—Fluids magnetorheological
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F2230/00—Purpose; Design features
    • F16F2230/18—Control arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Optics & Photonics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vibration Prevention Devices (AREA)

Abstract

本发明提出了一种薄壁件加工中的磁流变抑振方法，属于加工技术领域。其抑振方法为：将薄壁平板浸没于磁流变液中；电涡流传感器实时采集薄壁平板加工中的振动位移信号；通过三路信号的快速预处理，将深度学习应用到时间序列预测方法完成振动的预测及诊断，判别当前的加工振动状态，并输出调控量；通过实时调控励磁电流，改变磁流变液固化程度，实现自适应抑振。本发明使用深度学习对实时监测获得的位移信号在线完成加工振动状态识别，并反馈至振动调控系统；通过实时调控磁流变励磁参量，进而实现稳定地自适应抑振调控，可靠性好。

Description

一种薄壁件加工中的磁流变抑振方法
技术领域
本发明属于加工技术领域，特别涉及一种薄壁件加工中的磁流变抑振方法。
背景技术
薄壁件广泛应用于航空航天等重大领域的装备中，具有结构复杂、壁薄、材料难加工等特点。随着材料的大量去除，薄壁件的刚度具有时变性，加工中的切削振动抑制难度大，进而导致加工效率低、加工精度和表面质量差。因此，如何有效控制薄壁件加工中的切削振动是该领域亟待解决的核心问题之一。
目前，抑制切削振动的技术主要包括被动控制、主动控制和半主动控制等技术。被动控制技术是通过使用阻尼材料或者使用特殊涂料增加工艺系统的阻尼，从而被动实现振动能量的耗散；主动控制技术需要电驱动致动器向智能结构施加力，实现在结构中添加和耗散能量；半主动控制技术是主动和被动控制系统的组合，可用于实时控制，具有低能耗、低成本的优点。随着智能材料的发展，例如电(磁)流变液、磁致伸缩材料、形状记忆合金等，将其引入到加工振动控制领域，可为有效抑制薄壁件加工振动提供可选方案。
磁流变液作为一种智能材料，受外加磁场激励作用下，在常温下即可轻松实现液-固相变互逆转换，实现阻尼调控。目前，已发展了多种磁流变抑振技术，比如磁流变阻尼块、阻尼镗杆。
2018年，张健廷等在专利CN 208895205 U中发明了一种半主动动力减振镗杆，其铁芯与镗杆盲孔的间隙中填充磁流变液，通过改变外磁场来改变磁流变液的刚度和阻尼，从而达到改变镗杆动态特性的作用；但是不能够实时调控镗杆的动态特性。2018年，李欣等在专利CN 208764223 U中发明了一种基于磁流变液的变阻尼变刚度抑振刀架，利用加速度传感器将采集的切削状态传输到控制器中，经信号分析后再反馈到控制器中控制电流输出，改变磁场从而改变磁流变液的阻尼特性，达到抑振的目的。但是，该发明机械结构复杂容易产生额外的振动。
上述研究均未提及基于磁流变固化状态调控的薄壁件加工抑振方法，基于此，本发明提出一种薄壁件加工中的磁流变抑振方法。
发明内容
为了克服上述方法的不足，本发明针对薄壁件加工振动难以调控的难题，引入磁流变自适应主动调控策略，提供了一种薄壁件加工中的磁流变抑振方法。该方法中，薄壁件与夹具体间充满磁流变液，通过调控磁流变液的励磁固化状态，改变薄壁件加工工艺系统的模态特性，避开共振区，实现加工振动的磁流变调控；在薄壁件加工过程中，通过实时采集薄壁件的振动状态，并将深度学习应用到时间序列预测方法完成振动的预测及判别，确保预测的实时性和可靠性；建立薄壁振动状态与磁流变调控参量的关联关系，利用加工振动状态反馈信息，实时调控磁流变励磁参量，进而实现薄壁结构加工中的自适应抑振。
本发明采用的技术方案是：
一种薄壁件加工中的磁流变抑振方法，将薄壁件浸没于磁流变液中；电涡流传感器实时采集薄壁件加工中的振动位移信号；通过三路信号的快速预处理、深度学习诊断，判别当前的加工振动状态，并输出调控量；通过实时调控励磁电流，改变磁流变液固化程度，实现自适应抑振。具体包括以下步骤：
第一步，设计磁流变抑振调控系统
所述的磁流变抑振调控系统包括磁流变装夹装置Ⅰ、电涡流传感器9、数据采集卡10、工控机11和程控电源12，构成加工振动闭环调控系统。
所述的磁流变装夹装置Ⅰ包括容器1、底座2、端盖3、支架4、铁芯5、线圈6、铣刀7和薄壁平板8。其中，底座2两端均固定有支架4，底座2中部固定有容器1；支架4与容器1之间通过铁芯5与线圈6连接，所述端盖3固定在铁芯5两端、位于支架4外侧。所述容器1内设有磁流变液，容器1侧壁设有阀门14；薄壁平板8通过螺钉竖直固定在容器1底部，铣刀7设于薄壁平板8的待切削侧，电涡流传感器9连接在薄壁平板8的非切削侧。电涡流传感器9、数据采集卡10、工控机11、程控电源12依次相连，程控电源12与两线圈6之间电气相连。电涡流传感器9实时监测薄壁平板8加工中的振动状态，并将测量获得的振动信号经数据采集卡10传输至工控机11中的状态诊断软件；通过调控程控电源12的电流大小，改变线圈6的励磁磁场，进而调控磁流变液固化程度，达到抑制加工振动的目的。
第二步，振动信号实时采集及预处理
在薄壁平板8的切削过程中，电涡流传感器9实时采集振动信号xi(i为采集通道数，i＝1,2,3)输送到工控机11进行预处理，预处理过程如下：
(1)按照时间序列，在振动信号xi中取第l组数据(l＝1,2,...,m)，计算方差
Figure BDA0002541241670000041
Figure BDA0002541241670000042
式(1)中，xi,q表示振动信号xi中第q个数据，即第l组数据的起点；
Figure BDA0002541241670000043
表示振动信号xi中从第q个数据至第q+n个数据的均值。
(2)对方差
Figure BDA0002541241670000044
进行经验模态分解：
求出方差序列
Figure BDA0002541241670000045
所有极大值点和极小值点，拟合得到方差序列的上、下包络线，获得包络均值Mi；计算方差
Figure BDA0002541241670000046
和包络均值Mi的差值hi(l)：
Figure BDA0002541241670000047
按该原则迭代计算直至hi(k)为本征模态函数(1≤k≤m)，则令ci1＝hi(k)，ci1为第一个本征模态函数。计算方差
Figure BDA0002541241670000048
与第一个本征模态函数ci1的差，得到第一个信号分量
Figure BDA0002541241670000049
对信号分量序列{ri1}再进行包络计算，获得下一组信号分量。依次递推计算，得到一组方差
Figure BDA00025412416700000410
的本征模态函数序列{cij,j＝1,...,p},1≤p≤k，直至趋势分量riT单调或只有一个极值，则方差
Figure BDA00025412416700000411
分解为
Figure BDA00025412416700000412
式(2)中，p表示本征模态函数的数目。
(3)对方差
Figure BDA00025412416700000413
经验模态分解后的数据进行归一化处理：
Figure BDA00025412416700000414
式(3)中，
Figure BDA00025412416700000415
为方差
Figure BDA00025412416700000416
归一化表示，MAX{}表示求最大值。
第三步，基于深度学习和时间序列的振动预测识别
所建深度学习网络相邻层神经元之间的能量函数E为
Figure BDA0002541241670000051
式(4)中，wIJ表示第I个可见层神经元vI与第J个隐含层神经元hJ之间的权重参数；aI和bJ分别表示vI和hJ的偏置参数；M和N分别表示可见层和隐含层的神经元个数。
根据条件概率和网络学习，更新权重参数和偏置参数：
Figure BDA0002541241670000052
式(5)中，ε为训练学习率，<·>data为训练数据集的数学期望，<·>recon为重构模型的数学期望。
连续取前m组数据的方差
Figure BDA0002541241670000053
归一化表示
Figure BDA0002541241670000054
(l＝1,2,...,m)，组成数据序列作为输入，进行深度学习网络训练并保存训练模型。预测时将实时采集的连续数据的归一化表示
Figure BDA0002541241670000055
到
Figure BDA0002541241670000056
作为输入数据序列，得到第一个预测值pre-result(1)，将其加入输入数据序列的尾端并舍弃
Figure BDA0002541241670000057
以此规则进行滚动预测。根据本征模态函数数目设定循环次数f，则加工振动的预测值Y：
Figure BDA0002541241670000058
式(6)中，pre-result(g)为第g次循环的本征模态函数分量预测值。
比较预测值Y与阈值K，识别加工中的振动状态：若预测值Y不超过阈值K，表示未颤振；若预测值Y大于阈值K，且Y-K∈(0,2]，表示轻微振动状态；若预测值Y大于阈值K，且Y-K∈(2,∞)，表示严重振动。
第四步，基于递增式电流调控的振动抑制
根据加工振动预测识别，自适应调控磁流变液的励磁电流。为保证工艺系统响应变化的稳定性和连续性，设计递增式电流调控方法。若Y-K≤0，维持当前励磁电流值不变；若Y-K∈(0,2]，程控电源12的励磁电流按Δ递增；若Y-K∈(2,∞)，程控电源12的励磁电流按2Δ递增；其中Δ表示设计递增的电流值。
本发明的有益效果是：本发明结合深度学习和时间序列方法对实时监测获得的位移信号在线完成加工振动状态识别，并反馈至振动调控系统；通过实时调控磁流变励磁参量，进而实现稳定地抑振调控，具有抑振的自适应性和可靠性。
附图说明
图1为本发明中磁流变抑振调控系统的整体结构示意图。
图2为本发明的整体控制图。
图中：Ⅰ磁流变装夹装置；1容器；2底座；3端盖；4支架；5铁芯；6线圈；7铣刀；8薄壁平板；9电涡流传感器；10数据采集卡；11工控机；12程控电源；13 24V直流电源；14阀门。
具体实施方式
以下结合附图和技术方案详细说明本发明的实施方式。
本实施例中的薄壁平板8为铝合金材料，厚度5mm、尺寸110mm×70mm；羰基铁粉磁流变液由40％体积分数羰基铁粉与60％体积分数硅油制成，密度3.55g/ml。铣削力100N，铣刀7的直径10mm。
本发明所述的一种薄壁件加工中的磁流变抑振方法，是集信号采集、分析处理及反馈控制于一体的薄壁件抑振的自适应调控方法，将深度学习应用到振动预测的过程中。实施例中用薄壁平板8作为薄壁件，薄壁平板8利用螺钉紧固在容器1底部，容器1内倒入适量的磁流变液填充容器；容器1两侧对称分布电磁场，为磁流变液励磁固化提供磁场环境；励磁固化后，柔性支撑薄壁平板8。电涡流传感器9用支架固定于薄壁平板8的非切削侧，通过数据采集卡10把采集的振动信号传输到工控机11进行处理、预测；最后利用工控机11与程控电源12之间的通讯，根据预测值编写SCPI指令控制程控电源12调节电流，变化磁流变夹持装置的夹持力，实现抑振。
该方法具体包括以下步骤：
第一步，设计磁流变抑振调控系统
磁流变抑振调控系统包括磁流变装夹装置Ⅰ、电涡流传感器9、数据采集卡10、工控机11和程控电源12。所述磁流变装夹装置Ⅰ包括容器1、底座2、端盖3、支架4、铁芯5、线圈6、铣刀7和薄壁平板8。其中，底座2两端分别固定有支架4，底座2中部固定有容器1；支架4与容器1之间通过铁芯5与线圈6连接，所述端盖3固定在铁芯5两端、位于支架4外侧。所述容器1内设有磁流变液，容器1侧壁设有阀门14；薄壁平板8竖直固定在容器1底部，铣刀7设于薄壁平板8的待切削侧，电涡流传感器9固定在薄壁平板8非切削侧的一端，距离薄壁平板8平面1-2mm处。电涡流传感器9工作时使用24V直流电源13供电，电涡流传感器9的输出端连接至数据采集卡10，数据采集卡10的输出端连接工控机11，工控机11的输出端连接程控电源12，程控电源12的输出端与磁流变装置Ⅰ的线圈6之间电气相连，从而调控电流改变磁场，进而改变夹持力。未加工薄壁平板8前，调节程控电源12设置一初始电流值2A，使夹具处于磁场环境中，为薄壁平板8提供初始支持力。
第二步，加工振动信号实时采集及预处理
加工中使用电涡流传感器9实时采集振动信号xi(i为采集通道数，i＝1,2,3)输送到工控机11进行预处理。预处理过程如下：
(1)在振动信号xi中取第l组数据(l＝1,2,...,m)，基于时间序列，使用公式(1)计算第l组数据的方差
Figure BDA0002541241670000081
得到方差序列
Figure BDA0002541241670000082
(2)对方差
Figure BDA0002541241670000083
进行经验模态分解：
求出方差序列
Figure BDA0002541241670000084
所有极大值点和极小值点，利用三次样条曲线插值拟合得到方差序列的上、下包络线，从而获得包络均值Mi。计算方差
Figure BDA0002541241670000085
和包络均值Mi的差值hi(l)。按该原则迭代计算直至hi(k)为本征模态函数(1≤k≤m)，则令ci1＝hi(k)，ci1为第一个本征模态函数。计算方差
Figure BDA0002541241670000086
与第一个本征模态函数ci1的差，得到第一个信号分量
Figure BDA0002541241670000087
对信号分量序列{ri1}再进行包络计算，可获得下一组信号分量。依次递推计算，得到一组方差
Figure BDA0002541241670000088
的本征模态函数序列{cij,j＝1,...p},1≤p≤k，直至趋势分量riT单调或只有一个极值，则方差
Figure BDA0002541241670000089
可分解为
Figure BDA00025412416700000810
(3)利用公式(3)对方差
Figure BDA00025412416700000811
经验模态分解后的数据进行归一化处理得到方差
Figure BDA00025412416700000812
的归一化表示
Figure BDA00025412416700000813
第三步，基于深度学习和时间序列的振动预测识别
预测前先对深度学习网络进行训练，此实施例中选用深度信念网络DBN。将m组方差数据序列
Figure BDA00025412416700000814
的归一化表示
Figure BDA00025412416700000815
作为深度学习网络的底层输入，根据网络隐含层神经元h和可见层神经元v之间的交互作用，建立深度学习网络相邻层神经元之间的能量函数E，通过能量函数得到条件概率：
Figure BDA0002541241670000091
根据公式(5)和公式(7)，迭代更新权重参数和偏置参数，使之不断优化从而最大程度拟合输入数据。权重参数和偏置参数更新完成后结束训练，将训练过程参数保存。预测时根据时间序列预测的原理：将预处理后的数据
Figure BDA0002541241670000092
到
Figure BDA0002541241670000093
作为输入，
Figure BDA0002541241670000094
作为预测输出，然后将数据
Figure BDA0002541241670000095
到
Figure BDA0002541241670000096
作为输入，
Figure BDA0002541241670000097
作为预测输出……依次进行滚动预测。选取数据
Figure BDA0002541241670000098
到
Figure BDA0002541241670000099
作为预测输入，导入训练参数，根据本征模态函数的数目设定循环次数f，使数据执行f次for循环。每一次循环的本征模态函数分量都会预测一个值pre-result(g)，循环结束后，所有的预测值之和pre-result(q)就是最终的振动预测值Y。
通过比较预测值Y与阈值K，识别加工中的振动状态。若预测值Y不超过阈值K，表示未颤振；若预测值Y大于阈值K，且Y-K∈(0,2]，表示轻微振动状态；若预测值Y大于阈值K，且Y-K∈(2,∞)，表示严重振动。
第四步，基于递增式电流调控的振动抑制
根据工控机11中输出的振动预测值Y调控程控电源12的电流。为了避免长时间通大电流产生的热效应对磁场环境以及磁流变液的励磁性能造成影响，采取递增式调控电流的方法。如果Y-K≤0，维持电流值不变；如果Y-K∈(0,2]，调控程控电源12增加1A电流值；如果Y-K∈(2,∞)，调控程控电源12增加2A电流值。

Claims (1)

1.一种薄壁件加工中的磁流变抑振方法，其特征在于，将薄壁平板浸没于磁流变液中；电涡流传感器实时采集薄壁平板加工中的振动位移信号；通过三路信号的快速预处理、深度学习诊断，判别当前的加工振动状态，并输出调控量；通过实时调控励磁电流，改变磁流变液固化程度，实现自适应抑振；具体包括以下步骤：
第一步，设计磁流变抑振调控系统
所述的磁流变抑振调控系统包括磁流变装夹装置(Ⅰ)、电涡流传感器(9)、数据采集卡(10)、工控机(11)和程控电源(12)；
所述磁流变装夹装置(Ⅰ)包括容器(1)、底座(2)、端盖(3)、支架(4)、铁芯(5)、线圈(6)、铣刀(7)和薄壁平板(8)；两支架(4)分别固定在底座(2)两端，容器(1)固定在底座(2)中部；支架(4)与容器(1)之间通过铁芯(5)与线圈(6)连接，所述端盖(3)固定在铁芯(5)两端、位于支架(4)外侧；所述容器(1)内设有磁流变液，薄壁平板(8)竖直固定在容器(1)底部，铣刀(7)设于薄壁平板(8)的待切削侧，电涡流传感器(9)连接在薄壁平板(8)的非切削侧；
电涡流传感器(9)、数据采集卡(10)、工控机(11)、程控电源(12)依次相连，程控电源(12)与两线圈(6)之间电气相连；电涡流传感器(9)实时监测薄壁平板(8)加工中的振动状态，并将测得的振动信号经数据采集卡(10)传输至工控机(11)中；通过调控程控电源(12)的电流大小，改变线圈(6)的励磁磁场，进而调控磁流变液固化程度，达到抑制加工振动的目的；
第二步，振动信号实时采集及预处理
在薄壁平板(8)的切削过程中，电涡流传感器(9)实时采集振动信号xi输送到工控机(11)进行预处理，其中i为采集通道数，i＝1,2,3；预处理过程如下：
(1)按照时间序列，在振动信号xi中取第l组数据，l＝1,2,...,m；计算方差
Figure FDA0002541241660000021
Figure FDA0002541241660000022
式(1)中，xi,q表示振动信号xi中第q个数据，即第l组数据的起点；
Figure FDA0002541241660000023
表示振动信号xi中从第q个数据至第q+n个数据的均值；
(2)对方差
Figure FDA0002541241660000024
进行经验模态分解：
求出方差序列
Figure FDA0002541241660000025
所有极大值点和极小值点，拟合得到方差序列的上、下包络线，获得包络均值Mi；计算方差
Figure FDA0002541241660000026
和包络均值Mi的差值hi(l)：
Figure FDA0002541241660000027
按该原则迭代计算直至hi(k)为本征模态函数，其中1≤k≤m；则令ci1＝hi(k)，ci1为第一个本征模态函数；计算方差
Figure FDA0002541241660000028
与第一个本征模态函数ci1的差，得到第一个信号分量
Figure FDA0002541241660000029
对信号分量序列{ri1}再进行包络计算，获得下一组信号分量；依次递推计算，得到一组方差
Figure FDA00025412416600000210
的本征模态函数序列{cij,j＝1,...,p},1≤p≤k，直至趋势分量riT单调或只有一个极值，则方差
Figure FDA00025412416600000211
可分解为，
Figure FDA00025412416600000212
式(2)中，p表示本征模态函数的数目；
(3)对方差
Figure FDA00025412416600000213
经验模态分解后的数据进行归一化处理：
Figure FDA0002541241660000031
式(3)中，
Figure FDA0002541241660000032
为方差
Figure FDA0002541241660000033
归一化表示，MAX{}表示求最大值；
第三步，基于深度学习和时间序列的振动预测识别
所建深度学习网络相邻层神经元之间的能量函数E为
Figure FDA0002541241660000034
式(4)中，wIJ表示第I个可见层神经元vI与第J个隐含层神经元hJ之间的权重参数；aI和bJ分别表示vI和hJ的偏置参数；M和N分别表示可见层和隐含层的神经元个数；
根据条件概率和网络学习，更新权重参数和偏置参数：
Figure FDA0002541241660000035
式(5)中，ε为训练学习率，<·>data为训练数据集的数学期望，<·>recon为重构模型的数学期望；
连续取前m组数据的方差
Figure FDA0002541241660000036
归一化表示
Figure FDA0002541241660000037
组成数据序列作为输入，进行深度学习网络训练并保存训练模型，其中l＝1,2,...,m；预测时将实时采集的连续数据的归一化表示
Figure FDA0002541241660000038
到
Figure FDA0002541241660000039
作为输入数据序列，得到第一个预测值pre-result(1)，将其加入输入数据序列的尾端并舍弃
Figure FDA00025412416600000310
以此规则进行滚动预测；根据本征模态函数数目设定循环次数f，则加工振动的预测值Y为：
Figure FDA00025412416600000311
式(6)中，pre-result(g)为第g次循环的本征模态函数分量预测值；
若预测值Y不超过阈值K，表示未颤振；若预测值Y大于阈值K，且Y-K∈(0,2]，表示轻微振动状态；若预测值Y大于阈值K，且Y-K∈(2,∞)，表示严重振动；
第四步，基于递增式电流调控的振动抑制
为保证工艺系统响应变化的稳定性和连续性，设计递增式电流调控方法：若Y-K≤0，维持当前励磁电流值不变；若Y-K∈(0,2]，程控电源(12)的励磁电流按Δ递增；若Y-K∈(2,∞)，程控电源(12)的励磁电流按2Δ递增，其中Δ表示设计递增的电流值。
CN202010547463.5A 2020-06-16 2020-06-16 一种薄壁件加工中的磁流变抑振方法 Active CN111734772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010547463.5A CN111734772B (zh) 2020-06-16 2020-06-16 一种薄壁件加工中的磁流变抑振方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010547463.5A CN111734772B (zh) 2020-06-16 2020-06-16 一种薄壁件加工中的磁流变抑振方法

Publications (2)

Publication Number Publication Date
CN111734772A CN111734772A (zh) 2020-10-02
CN111734772B true CN111734772B (zh) 2021-06-04

Family

ID=72649301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010547463.5A Active CN111734772B (zh) 2020-06-16 2020-06-16 一种薄壁件加工中的磁流变抑振方法

Country Status (1)

Country Link
CN (1) CN111734772B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114535729A (zh) * 2022-01-28 2022-05-27 湖南科技大学 薄壁圆筒内撑装置、车铣复合加工装置及加工方法
CN114776760B (zh) * 2022-04-14 2024-03-05 大连理工大学 一种基于s-adrc控制器的薄壁件磁流变抑振方法
CN114986255B (zh) * 2022-07-18 2022-11-04 西安智衍数字科技有限公司 一种夹紧力判定方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN200970636Y (zh) * 2006-11-23 2007-11-07 浙江大学 一种线圈镗杆整体型磁流变液自抑振智能镗杆系统
CN104616033A (zh) * 2015-02-13 2015-05-13 重庆大学 基于深度学习和支持向量机的滚动轴承故障诊断方法
CN106895975B (zh) * 2017-01-17 2019-03-15 苏州大学 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN108805269B (zh) * 2018-06-28 2021-11-30 杭州叙简科技股份有限公司 一种基于lstm循环神经网络拾取震相到时的方法
CN110263915A (zh) * 2019-05-31 2019-09-20 广东工业大学 一种基于深度信念网络的风电功率预测方法
CN111259717B (zh) * 2019-10-21 2023-08-15 杭州安脉盛智能技术有限公司 一种旋转设备状态异常判断方法及系统
CN110653627B (zh) * 2019-10-28 2024-06-11 河南理工大学 用于复杂薄壁叶片类零件加工振动控制的专用柔性夹具

Also Published As

Publication number Publication date
CN111734772A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111734772B (zh) 一种薄壁件加工中的磁流变抑振方法
Sarkar et al. Parametric optimisation of wire electrical discharge machining of γ titanium aluminide alloy through an artificial neural network model
CN107515994B (zh) 一种自主水下航行器的壳体结构多保真度设计优化方法
Kayabasi et al. Determination of cutting parameters for silicon wafer with a Diamond Wire Saw using an artificial neural network
DE112011101443T5 (de) Servoregler
CN108614422B (zh) 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统
CN110488754A (zh) 一种基于ga-bp神经网络算法的机床自适应控制方法
Rahman Modeling of machining parameters of Ti-6Al-4V for electric discharge machining: A neural network approach
Khan et al. Artificial intelligence model to predict surface roughness of Ti-15-3 alloy in EDM process
Orra et al. Development of flank wear model of cutting tool by using adaptive feedback linear control system on machining AISI D2 steel and AISI 4340 steel
Gurupavan et al. Estimation of machining performances in WEDM of aluminium based metal matrix composite material using ANN
CN110703693A (zh) 一种机床进给系统的迭代学习前馈控制方法及系统
Zagirnyak et al. Improvement of the qualitative characteristics of an automatic control system with a fractional-order PID-controller
CN102323750B (zh) 嵌入式非线性脉冲协同控制器
CN114278695B (zh) 一种基于磁流变阻尼器的薄壁件加工振动半主动控制方法
Karim et al. Predictive modeling of surface roughness in MQL assisted turning of SiC-Al alloy composites using artificial neural network and adaptive neuro fuzzy inference system
CN114776760B (zh) 一种基于s-adrc控制器的薄壁件磁流变抑振方法
Hsiang et al. Using artificial neural networks to investigate the influence of temperature on hot extrusion of AZ61 magnesium alloy
Zhou et al. Control design of the wave compensation system based on the genetic PID algorithm
Sankar et al. PARAMETRIC OPTIMIZATION OF ABRASIVE ASSISTED ELECTRO CHEMICAL MACHINING OF Al6061-B 4 C-Gr USING TAGUCHI-GREY TECHNIQUE.
Krishnamoorthy et al. Design and control of a dual stage fast tool servo for precision machining
Suresh et al. Improving Production Rate by Analyzing Wire-Electrical Discharge Machining Parameters and Developing a Prediction Model
CN113156885B (zh) 基于自适应模糊推理的电主轴铣削颤振调控方法及装置
CN114872324A (zh) 一种基于多维信息耦合调控性能的激光增材制造方法
US20070239412A1 (en) Method and system for achieving force control in externally driven hydraulic cylinders

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