CN111985148A - 用于预测机器工具的颤振的方法 - Google Patents

用于预测机器工具的颤振的方法 Download PDF

Info

Publication number
CN111985148A
CN111985148A CN202010435329.6A CN202010435329A CN111985148A CN 111985148 A CN111985148 A CN 111985148A CN 202010435329 A CN202010435329 A CN 202010435329A CN 111985148 A CN111985148 A CN 111985148A
Authority
CN
China
Prior art keywords
data
neural network
stability
chatter
output
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.)
Pending
Application number
CN202010435329.6A
Other languages
English (en)
Inventor
M.波斯特尔
N.B.布达伊哲
J.莫宁
J-P.贝苏切特
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.)
George Fisher Process Solutions
Inspire AG
Original Assignee
George Fisher Process Solutions
Inspire AG
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 George Fisher Process Solutions, Inspire AG filed Critical George Fisher Process Solutions
Publication of CN111985148A publication Critical patent/CN111985148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • 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
    • B23Q17/0976—Detection or control of chatter
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • B23Q2717/00—Arrangements for indicating or measuring
    • B23Q2717/006—Arrangements for indicating or measuring in milling machines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41256—Chattering control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Numerical Control (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本发明涉及用于预测机器工具的颤振的方法。所述方法包括以下步骤：将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；将所述第一输出数据提供到稳定性模型中以生成预测数据；比较所述预测数据与测量稳定性数据，并且调节所述人工神经网络的所述多个权重。

Description

用于预测机器工具的颤振的方法
技术领域
本发明与用于预测机器工具的颤振的方法有关。此外，本发明涉及用于执行所述方法的颤振预测单元。
背景技术
颤振是一种自激励的振动，并且对经机器加工的工件的品质有至关紧要的影响。如果在铣削（milling）过程期间出现颤振，则工件的品质可显著降级，例如工件的表面品质拙劣。除了该缺陷之外，切割工具和/或机器组件、诸如主轴（spindle）的寿命时间可被颤振缩短。颤振通常由于在机器动力学与机器加工参数之间的非最优组合而发生。因此，如果可以为不同的机器加工参数、工具和工件精确地预测颤振，则可以预先选择最优机器加工参数以降低颤振的风险，并且从而改善经机器加工的工件的品质并且确保包括切割工具的机器的完整性。
用于预测颤振发生的方法被很好地建立。然而，在已知方法中，预测的准确性取决于若干参数；特别地，不能精确地测量或计算某些参数，因为这些参数在不同的机器加工条件下变化。此外，仅能在实验环境中获得某些参数，所述实验环境不同于现实生产环境。因此，提出了用于在现实生产环境中获取测量数据以改善预测准确性的系统和方法。
EP 2916187公开了颤振数据库系统，其中从多个机器工具获取与机器加工和颤振条件相对应的数据，特别地，可以在机器工具对工件进行机器加工的时候获得数据。这些数据可以用于生成基于实验的稳定性图，其图示了关于机器加工参数的颤振发生。在该系统中，可以在现实生产环境中从机器工具收集大量数据。然而，该系统仍具有缺点：即不是所有对于生成稳定性图而言所需要的数据都可以通过该方式被获得，例如工具中心点的动力学。
发明内容
本发明的目的是提供用于实现针对宽范围的机器加工参数的颤振预测的经改善的准确性的方法和系统。
根据本发明，这些目的通过独立权利要求的特征来被实现。此外，另外的有利实施例由从属权利要求和说明书产生。
在本发明中，一种用于预测机器工具的颤振的方法包括以下步骤：将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；将所述第一输出数据和第二输入数据提供到稳定性模型中以生成预测数据；以及比较所述预测数据与所测量的稳定性数据，并且调节所述人工神经网络的所述多个权重。所述稳定性模型输入包括第二输入数据和来自所述人工神经网络的输出的第一输出数据。
不同的模型可用于预测稳定性条件。示例是基于解析零阶解或时域的半离散化方法以及全离散化方法。与不同模型和颤振有关的参考文献是：
-Budak E, Altintas Y (1998) Analytical Prediction of Chatter Stability inMilling—Part I: General Formulation. Journal of Dynamic Systems, Measurement, and Control, 120(1): p. 22-30.
-Insperger T, Stépán G (2002) Semi-discretization method for delayedsystems. International Journal for Nu-merical Methods in Engineering, 55(5):p. 503-518.
-Ye Ding, LiMin Zhu, XiaoJian Zhang, Han Ding, A full-discretizationmethod for prediction of milling stability, International Journal of MachineTools and Manufacture, 卷50, 期号5, 2010, 502-509页,
-J. Munoa, X. Beudaert, Z. Dombovari等人的Chatter suppression techniquesin metal cutting, CIRP Ann. Manuf. Technol. 65 (2) (2016) 785-808。
出于计算原因，有利的是使用零阶解模型作为稳定性模型，用于计算稳定性限制。但是本发明的方法不限于该稳定性模型，并且可以使用任何稳定性模型。
稳定性叶瓣图是众所周知的可视图示，用于区分铣削操作中的稳定与不稳定的机器加工参数。在稳定性叶瓣图中，描绘了例如在作为主轴速度的函数的切割的临界深度方面的稳定性限制。
用于创建稳定性叶瓣图的一种方法是建立稳定性模型，并且使用该模型来获得稳定性叶瓣图。该基于模型的途径需要关于结构参数、例如在工具-工件接触区中的相对动力学、以及关于过程参数、诸如将芯片厚度与结果得到的力关联的切割力系数的信息。为了确定机器工具的动力学以及切割力系数，广泛测量是强制性的。这样的测量引起附加的成本。另外，不能在生产期间进行测量，因此，测量条件不对应于现实机器加工条件。由于机器动力学在现实机器加工条件下可显著改变，所以测量的准确性不令人满意。因此，基于不准确的数据所建立的稳定性叶瓣图不提供足够的准确性，特别是在高精度铣削机器工具的应用中。本发明的方法使能实现：能够以较高的精度得到对于稳定性叶瓣图而言所需要的数据。
对于某些给定的机器加工条件，可以应用稳定性模型以预测颤振的发生以及对应的颤振频率，所述颤振频率定义在工具与工件之间的振动的频率。这表示在图3中所描绘的预测数据。稳定性模型需要若干输入参数以做出颤振预测。这些中的一些可靠地已知，并且一些其它的可能不确定。在下文中，不确定的参数被称为第一输出数据，并且已知的参数被称为第二输入数据。在开始处，有必要限定哪些参数是不确定的，以及这样的参数是否取决于其它已知参数。这使得能够限定所谓的第一输入数据。第一输入数据和第二输入数据二者都是已知的参数，但是它们表示不同类型的参数。第一输出数据描述基于第一输入数据所估计的参数。
第一输入数据表示易于影响稳定性模型的不确定输入参数、即第一输出数据的已知参数。第一输入数据可以是由机器-工具操作者所设置的机器加工参数、例如主轴速度、进给速率、切割深度、润滑条件、工件材料、或者在机器加工期间所测量的机器加工参数、诸如主轴轴承温度、轴负载。
第二输入数据是已知具有足够高的精度的参数，比如工具的出屑槽的数目，或切割机接合，诸如入口和出口角。如果可靠地已知，则还有可能将与机器动力学或切割力相互作用有关的参数指定为第二输入数据，比如例如，工具中心点的模态参数或切割力系数。
作为稳定性模型的输入所需要的参数通过所使用的稳定性模型的类型来被限定。如果参数精确地已知，则它如第二输入数据那样被直接馈送到稳定性模型中。如果参数是未知的，或其对于其它已知参数的依赖性不确定，则该参数得自神经网络。例如，入口和出口角或者出屑槽的数目典型地是第二输入数据。然而，限定机器动力学的模态参数或切割力系数取决于它们的值多准确且可靠地已知而可以是第二输入数据或第一输出数据。
为了确定在第一输入数据与第一输出数据之间的函数关系，在稳定性模型的上游实现人工神经网络。通过比较由稳定性模型所生成的预测数据与实验数据来训练人工神经网络，所述实验数据产生自对应的机器加工条件下的现实切割过程。通过使用颤振检测系统来监控切割过程的实际稳定性，所述颤振检测系统在机器加工期间标识是否发生颤振现象，并且如果检测到颤振则输出颤振频率。所收集的该信息构成实验数据，并且必须与对应的机器加工条件有关。因而，人工神经网络的学习过程并不显式地需要专用测试，而是可以在生产条件期间进行。而且，能够标识在参数之间的任意相互作用，例如取决于主轴速度和负载条件的模态参数。
人工神经网络一般包括具有
Figure 273007DEST_PATH_IMAGE001
个输入的一个输入层，具有
Figure 187873DEST_PATH_IMAGE002
个节点的一个隐藏层，以及具有
Figure 318640DEST_PATH_IMAGE003
个输出的一个输出层。输入和隐藏层利用权重
Figure 926339DEST_PATH_IMAGE004
被连接，所述权重与相应的输入
Figure 713029DEST_PATH_IMAGE005
相乘，并且将它传递到节点
Figure 228324DEST_PATH_IMAGE006
。在每个节点处，所有输入乘以相应权重的总和利用激活函数
Figure 416860DEST_PATH_IMAGE007
而被变换。结果与权重
Figure 992198DEST_PATH_IMAGE008
相乘，并且被求和以获得所期望的输出
Figure 266185DEST_PATH_IMAGE009
。隐藏和输出层还具有偏置项
Figure 585171DEST_PATH_IMAGE010
和
Figure 392327DEST_PATH_IMAGE011
，其是被加到相应层的常量。在其中假定常量参数的最简单的情况中，网络降低到输出偏置值
Figure 76249DEST_PATH_IMAGE011
。
在本发明中，输出层中的第一输出数据
Figure 634270DEST_PATH_IMAGE012
变成稳定性模型的输入。一个挑战是选择适合用于特定应用的节点的数目。在一个变体中，该数目因此被选择成是超参数，其在训练期间被循环遍历。
对于给定的第一输出数据，稳定性模型产生预测数据，所述预测数据包括稳定性限制
Figure 694630DEST_PATH_IMAGE013
和相关联的颤振频率
Figure 654495DEST_PATH_IMAGE014
。然后将预测数据与实验数据相比较以调节神经网络的权重。目标是调谐人工神经网络中的权重使得网络输入的任何组合产生这样的稳定性模型输入以致所预测的过程稳定性和颤振频率与实验数据一致。
取决于应用，必须选择适当的训练算法。用于简单前馈神经网络的最常见的学习算法是反向传播。反向传播描述了如下一种技术：其中在输出和目标值之间的误差被计算并且通过网络被反向传播以调节网络中的权重。然而，该技术需要网络结构中的所有操作都是可微的。在该工作中，零阶解（ZOS）被用作稳定性模型。由于ZOS包括不可微的操作，并且仅仅在稳定性模型的下游计算误差项，所以对误差进行反向传播是不可能的。因此，需要应用不同的训练算法。在本发明中，利用进化算法来训练神经网络。这意味着，通过使用进化算法来调节神经网络的权重和偏置项。在优选实施例中，利用遗传算法来训练神经网络。通过创建个体的种群来初始化算法。每个个体包括若干基因，其表示问题的变量。所有基因因此一起构成针对所考虑的问题的一个可能解。利用所限定的目标函数来评估每个个体的适合性。具有高适合性值的个体然后被选择以用于执行交叉和变异的基因操作。
在一个实施例中，种群中的每个个体表示针对网络的权重和偏置的一个可能解。对于每个测量样本，第一输入数据被馈送到网络中，并且第一输出数据通过使用在相应的个体中所编码的权重来被计算。网络输出连同第二输入数据一起被馈送到稳定性模型中，并且针对每个样本来计算包括稳定性限制和颤振频率的预测数据。在比较了所预测的和所测量的稳定性数据、即预测数据和实验数据之后，可以调谐神经网络的权重和偏置直到预测数据和测量稳定性数据的偏差在所限定的值以下为止。
在一些实施例中，在第一输入数据与第一输出数据之间的所得到的关系也可以用于除了稳定性模型之外的其它模型。例如，在限定机器动力学的模态参数与主轴速度之间的所标识的关系可以用作对于主轴速度相关的工具位移预测模型的输入。所述模态参数包括例如自然频率和阻尼比。
如以上所概述的，使用在现实生产环境中所获得的数据来确保预测的准确性是必要的。因此，第一输入数据和/或第二输入数据和/或实验数据是所收集的数据的至少一部分，其可以在机器工具对工件进行机器加工的时候被获取。使用在机器加工期间所测量的实验数据改善预测的准确性。所收集的数据不仅包括实验数据而且还包括由操作者所设置的机器加工参数，诸如轴定位、轴进给方向、切割深度、主轴速度和工件参数、或者所测量的机器加工参数、诸如主轴的温度和轴的负载。
在人工神经网络的训练过程中，过度拟合到所呈现的数据集合可能是担忧。过度拟合描述了当网络在用于训练的数据上执行得非常好但是在它从未见过的数据上执行得拙劣的时候的状态。换言之，结果得到的模型将不很好地一般化到新数据，这是人工神经网络的关键想法之一。为了降低过度拟合的风险，所述方法可以通过如下来被进一步优化：将所收集的数据划分成训练集合以及用于核查所训练的数据的验证集合。在一个变体中，所收集的数据被拆分成训练和验证数据集合，例如相应地包含总数据的大约70%和30%。想法是执行权重调谐直到验证误差开始增大而训练误差继续减小为止。该行为可能是正发生过度拟合的暗示。
在优选的变体中，至少第二人工神经网络被连接到稳定性模型，用以将第二神经网络的输出数据馈送到稳定性模型中。特别地，如果需要，则另外的神经网络可以被连接到稳定性模型中。将被应用的神经网络的数目是应用相关的，但是不被限制到2。被连接到稳定性模型的两个独立神经网络各自具有其自己的结构，其具有特定数目的节点以及网络输入和输出层。如果不预期任何在输入参数之间的相互作用，则创建多个神经网络、而不是将所有输入和输出参数组合到一个神经网络中可以是有利的。这导致增大的标识速度，并且避免包括物理上荒谬的解。例如，可以存在用于标识进给相关的切割力系数的一个网络，以及用于标识作为工件中主轴速度和定位的函数的TCP动力学的另一网络。
在本发明中，处理单元被配置成执行本发明的方法并且包括神经网络模块、稳定性模型模块和比较模块。
优选地，颤振预测单元此外被配置成建立稳定性图。如果颤振预测单元位于中央系统中，所述中央系统可以被不同的机器工具访问，则所生成的稳定性图可以是集中式的，并且容易被使得对于机器工具而言可访问。在工件的机器加工期间有利地获得所收集的数据。为了该目的，机器工具包括用于获得实验数据的感测单元。此外，机器工具包括通信单元，所述通信单元被配置成将实验数据和操作者所设置的机器加工参数发送到颤振预测单元，并且使用由颤振预测单元所生成的稳定性图来选择用于对工件进行机器加工的机器加工参数。
在本发明中，一种系统包括多个机器工具和颤振预测单元。
附图说明
为了描述能够用来获得本公开内容的优点和特征的方式，在下文中，以上简要描述的原理的更特定的描述将通过参考其特定实施例来被呈递，所述特定实施例在附图中被图示。这些附图仅仅描绘了本公开内容的示例性实施例，并且因此不要被认为对其范围进行限制。通过使用附图、以附加的特异性和细节来描述和解释本公开内容的原理，在所述附图中：
图1图示了本发明的方法；
图2图示了人工神经网络；
图3图示了本发明的第一实施例；
图4图示了本发明的第二实施例；
图5图示了第二实施例的所模拟的结果；
图6图示了本发明的第三实施例；
图7图示了第三实施例的测量结果；
图8图示了本发明的系统。
具体实施方式
本发明呈现了一种用于颤振预测的方法。特别地，所述方法旨在标识对于计算铣削操作中的稳定性边界而言所需要的未知稳定性模型输入参数。所述方法的主要步骤在图1中被示出。在步骤1中，在对工件进行机器加工期间，连续地记录所收集的数据、包括当前机器加工参数和相应机器加工的实验数据。所收集的数据可以被存储在图8中所示的颤振预测单元1的中心数据库中。在步骤2和3中，所收集的数据的一部分被馈送到人工神经网络中，用于标识对于通过使用稳定性模型来生成稳定性图而言所需要的未知参数。用于标识未知参数的一个条件是：获得在模型稳定性预测与测量结果之间的最佳可能的一致。为了实现这点，提供比较模块，用于比较预测数据和实验数据。这些数据的偏差被用于训练神经网络，使得所述偏差被优化至所限定的阈值。在步骤4中，在标识了未知参数之后，可以通过使用所标识的参数来生成稳定性图。此外，在具有所标识的参数和关系的情况下，针对新参数组合的稳定性预测是可能的。
图2示出了神经网络的基本结构，其带有：具有
Figure 509319DEST_PATH_IMAGE015
个输入的一个输入层、具有
Figure 820215DEST_PATH_IMAGE016
个节点的一个隐藏层、以及具有
Figure 418686DEST_PATH_IMAGE003
个输出的一个输出层。输入和隐藏层利用权重
Figure 436321DEST_PATH_IMAGE004
被连接，所述权重
Figure 789942DEST_PATH_IMAGE004
与相应的输入
Figure 260237DEST_PATH_IMAGE017
相乘，并且将它传递到节点
Figure 724717DEST_PATH_IMAGE018
。在每个节点处，所有输入乘以相应权重的总和利用激活函数
Figure 331279DEST_PATH_IMAGE019
而被变换。结果与权重
Figure 855801DEST_PATH_IMAGE008
相乘，并且被求和以获得所期望的输出
Figure 46348DEST_PATH_IMAGE020
。隐藏和输出层还具有偏置项
Figure 783360DEST_PATH_IMAGE010
和
Figure 306745DEST_PATH_IMAGE011
，其是被加到相应层的常量。
图3图示了本发明的第一实施例。第一输入数据被馈送到神经网络中。第一输出数据可以基于神经网络的权重和偏置项来被计算。所计算的第一输出数据然后被馈送到稳定性模型中，以获得预测数据。提供比较模块，并且所述比较模块被配置成比较针对相同的切割主轴速度和切割深度的预测数据和实验数据。比较模块的输出被馈送回到神经网络，以训练神经网络。训练意指调节神经网络的权重和偏置项，以实现在预测数据与实验数据之间的偏差的最小值。在该实施例中，除了第一输出数据集合之外，第二输入数据被馈送到稳定性模型中。基于零阶解来计算稳定性。稳定性模型产生预测数据，所述预测数据包括稳定性限制和相关联的颤振频率。第一输入数据包括机器加工参数，例如主轴速度、主轴轴承温度。第二输入数据包括参数，所述参数由于高精度而已知并且可以直接被馈送到稳定性模型中，例如入口和出口角。然后将预测数据与实验的实际稳定性状态、即实验数据相比较。
图4图示了本发明的第二实施例。在该实施例中，应用两个神经网络，并且相应地第一输入数据被划分成两个群组且被馈送到两个神经网络中。第一神经网络被应用以标识进给相关的切割力系数，而第二神经网络旨在标识TCP动力学、模态参数。第一神经网络的输入因此是进给速率和工件材料。选择具有两个输出节点的神经网络，其限定切割力系数。第二神经网络的输入是主轴速度和机器加工温度。第二神经网络还具有对模态参数进行限定的两个输出节点，所述模态参数是自然频率和阻尼。在该实施例中，第一输出数据包括第一神经网络和第二神经网络的输出。
图5示出了图4的实施例的模拟结果，其中四个参数受另四个参数影响。在没有关于稳定性模型输入的行为的在先认知的情况下，从50个模拟切割的结果中标识底层关系。假定给定机器-主轴-工具组合的动力学示出了对主轴速度和主轴轴承温度的强依赖性。三个槽式切割机用于在两个不同的工件材料（工件1和工件2）中的切割。以不同的进给速率、主轴速度和切割深度来在机器工具的X-和Y-方向二者中执行这些切割。做出关于未知参数的以下假定：
(1)自然频率
Figure 939852DEST_PATH_IMAGE021
和阻尼比
Figure 181478DEST_PATH_IMAGE022
取决于主轴速度
Figure 925443DEST_PATH_IMAGE023
和主轴轴承温度
Figure 37755DEST_PATH_IMAGE024
；
(2)TCP动力学在X-和Y-方向中是相等的；并且
(3)切割力系数
Figure 638501DEST_PATH_IMAGE025
和
Figure 570685DEST_PATH_IMAGE026
取决于标称进给速率
Figure 383920DEST_PATH_IMAGE027
和工件材料WP。
在数学上，这些假定可以被表述如下：
Figure 881897DEST_PATH_IMAGE028
Figure 387965DEST_PATH_IMAGE029
其中
Figure 807445DEST_PATH_IMAGE030
和
Figure 657327DEST_PATH_IMAGE031
相应地是工件1和2的正切和径向切割力系数，并且
Figure 275390DEST_PATH_IMAGE032
和
Figure 421201DEST_PATH_IMAGE033
相应地是自然频率和阻尼比。在模拟中评估50个不同切割的稳定性。对于每个模拟，主轴速度、轴承温度、入口和出口角、每齿的进给、以及切割方向和工件类型在所限定的范围中随机被采样。针对每个模拟样本的切割深度关于理论稳定性限制而被选择如下：
Figure 124715DEST_PATH_IMAGE034
，其中
Figure 748594DEST_PATH_IMAGE035
是从范围-0.3到0.3中均匀地汲取的随机数。该途径对应于如下想法：即，以自理论稳定性限制的高达30%的偏差、以相应地在理论边界以上和以下执行切割的相同机会来执行切割。包括在相反的标识中远离稳定性限制的这样的切割的可能性是本发明的重要优点。
为了标识神经网络的第一输出数据，第一输入数据被拆分成训练和验证数据集合，其相应地包含数据中的70%和30%。为最大250代运行优化，所述250代各自具有为250的种群大小、即个体数目。节点的数目
Figure 486743DEST_PATH_IMAGE036
以及权重和偏置限制
Figure 803455DEST_PATH_IMAGE037
被选择作为超参数。节点的数目在
Figure 931948DEST_PATH_IMAGE038
与
Figure 421835DEST_PATH_IMAGE039
之间的范围中被循环遍历，而在
Figure 952173DEST_PATH_IMAGE037
= 0.1与
Figure 502103DEST_PATH_IMAGE040
= 10之间、在具有对数间隔的25步中评估最大权重。
目标现在是通过使用神经网络来标识在输入n和T与输出
Figure 117893DEST_PATH_IMAGE041
和
Figure 145891DEST_PATH_IMAGE042
、以及输入
Figure 530736DEST_PATH_IMAGE043
和工件材料WP与输出Ktc和Krc之间的关系。网络输出用于计算速度相关的稳定性图。所预测的稳定性限制对照图5中的理论限制来被绘制。对于情况1和2，可以观察到所预测的和实际的稳定性图表的非常好的一致。情况3产生不太良好的预测。在该情况中，温度是T = 50摄氏度，其确切地是随机样本从中被汲取的分布的上限。
图6图示了第三实施例，其中应用两个神经网络。然而，第一输入数据仅仅被馈送到一个神经网络中。第一神经网络被应用以估计TCP动力学，而第二网络用于取决于进给和主轴速度来标识切割力系数。第一输出数据包括第一神经网络和第二神经网络的输出。由于在第一神经网络中不存在任何输入数据，所以仅仅通过偏置项和输出、例如自然频率、阻尼比来限定神经网络。
对于该实施例，进行实验研究，以利用现实切割数据来核查该途径。两个槽式12mm直径的端铣刀被装配到冷缩配合保持器，所述冷缩配合保持器具有64mm的突出长度。保持器被夹紧到Mikron高性能五轴铣削机器，并且在Aluminum 7075中、以0.03mm/齿、0.05mm/齿和0.12mm/齿的进给速率来执行开槽实验。
通过以在7000 rpm与13000 rpm之间的任意主轴速度以及在1.3 mm与2.5 mm之间的切割深度执行40个切割（21个稳定的以及19个不稳定的）来获取测量数据。由于预期主导模式是工具-保持器组合的模式，并且使用冷缩配合保持器，所以不假定动力学对主轴速度的任何依赖性。除了该途径在标识动力学参数中的便利之外，还示出的是：相比于如果考虑薄工具的常规冲击测试，该方法可产生更精确的结果。另一方面，众所周知的是：从机械学校准中所获得的切割力系数在不同的标称进给速率和主轴速度下可显著不同。因此，作为主轴速度和进给速率的函数来设置Ktc和Krc。
创建两个分离的网络。一个具有用于标识模态参数的目的，并且另一个用于标识作为进给速率和主轴速度的函数的切割力系数。由于在第一网络中不存在任何输入参数，所以它被缩减至偏置项bol (1),l=1…4。对于第二网络，具有两个节点的一个隐藏层用于在主轴速度和进给速率与切割力系数之间的关系的近似。数据集合随机地被拆分成训练和验证集合，其相应地包含28和12个样本。使用100个个体的种群，并且在150代之后停止优化。针对在0.3和1.1之间的范围中的|wmax|的不同值来运行优化过程。针对|wmax|=0.7而获得最低验证误差。
在下一步骤中，利用所标识的网络参数来构造速度和进给相关的稳定性叶瓣。在图7中示出结果。总体上，针对三个感兴趣的进给速率获得了良好的预测。随着增大的进给速率的增大的稳定性限制的趋势可以被很好地预测，并且兜袋（pocket）位置被很好地匹配。然而，对于最高的进给速率，无条件限制（unconditional limit）切割深度被过高估计近似15%。
图8示出了系统1，所述系统1包括颤振预测单元20、中心数据库21和三个机器工具10、11和12。机器工具的数目仅仅是包括多个机器工具的说明，并且因此不被限制到三个。实验数据通过机器工具来被获得并且被发送到中心数据库以被存储。颤振预测单元从中心数据库询问所需要的所收集的数据，以建立稳定性图。所建立的稳定性图被存储在中心数据库中，并且对于机器工具而言可访问。
参考标记列表
1 系统
10 机器工具
11 机器工具
12 机器工具
20 颤振预测单元
21 中心数据库。

Claims (10)

1.一种用于预测机器工具的颤振的方法，包括：
- 将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；
- 基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；
- 将所述第一输出数据和第二输入数据提供到稳定性模型中以生成预测数据；
- 比较所述预测数据与实验数据，并且调节所述人工神经网络的所述多个权重。
2.根据权利要求1所述的方法，其中所述神经网络利用进化算法、特别是遗传算法来被训练。
3.根据权利要求1或2所述的方法，其中所述方法此外包括当机器工具对工件进行机器加工的时候从至少一个机器工具获得所收集的数据，特别地，所收集的数据包括实验数据、由操作者所设置的机器加工参数、以及在机器加工期间所测量的机器加工参数。
4.根据权利要求3所述的方法，其中所述第一输入数据和/或第二输入数据的一部分得自所收集的数据。
5.根据权利要求3或4所述的方法，其中所收集的数据被划分成训练集合和验证集合，并且进化算法利用训练集合来训练神经网络且利用验证集合来核查所训练的神经网络的准确性。
6.根据权利要求1至5中之一所述的方法，其中至少一个第二人工神经网络被应用，并且第二神经网络的输出数据被馈送到稳定性模型中。
7.一种颤振预测单元被配置成执行根据权利要求1至6中之一所述的方法，其包括神经网络模块、稳定性模型模块和比较模块。
8.根据权利要求7所述的颤振预测单元，其此外被配置成建立稳定性图。
9.一种机器工具，包括：
a. 感测单元，其被配置成获得实验数据；
b. 通信单元，其被配置成将所收集的数据、包括实验数据发送到中心数据库，所述中心数据库被连接到根据权利要求7所述的颤振预测单元；以及
c. 使用由颤振预测单元所生成的稳定性图来确定用于对工件进行机器加工的机器加工参数。
10.一种系统，其包括多个根据权利要求9所述的机器工具以及根据权利要求7所述的颤振预测单元。
CN202010435329.6A 2019-05-21 2020-05-21 用于预测机器工具的颤振的方法 Pending CN111985148A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19175510.7 2019-05-21
EP19175510.7A EP3742244A1 (en) 2019-05-21 2019-05-21 A method for predicting chatter of a machine tool

Publications (1)

Publication Number Publication Date
CN111985148A true CN111985148A (zh) 2020-11-24

Family

ID=66630094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010435329.6A Pending CN111985148A (zh) 2019-05-21 2020-05-21 用于预测机器工具的颤振的方法

Country Status (4)

Country Link
US (1) US20200368871A1 (zh)
EP (1) EP3742244A1 (zh)
JP (1) JP2020189400A (zh)
CN (1) CN111985148A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI702535B (zh) * 2019-11-15 2020-08-21 財團法人工業技術研究院 單向纖維複合材料切削力學模型建模裝置與建模方法
CN114638265B (zh) * 2022-03-21 2024-05-31 南京航空航天大学 一种基于信号卷积神经网络的铣削颤振判别方法
JP7286049B1 (ja) * 2022-10-21 2023-06-02 三菱電機株式会社 学習装置、数値制御装置、加工結果予測方法および加工システム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345200A (zh) * 2013-06-28 2013-10-09 华中科技大学 一种基于广义区间的切削加工颤振辨识方法
CN104898565A (zh) * 2014-03-05 2015-09-09 麦克隆·阿杰·查米莱斯股份公司 改进的用于颤振预测的数据库
CN109063290A (zh) * 2018-07-20 2018-12-21 中国航空工业集团公司沈阳飞机设计研究所 一种基于神经网络技术的颤振预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046181A1 (en) * 2014-02-14 2015-02-12 Brighterion, Inc. Healthcare fraud protection and management
WO2020092810A1 (en) * 2018-10-31 2020-05-07 Movidius Ltd. Automated generation of neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345200A (zh) * 2013-06-28 2013-10-09 华中科技大学 一种基于广义区间的切削加工颤振辨识方法
CN104898565A (zh) * 2014-03-05 2015-09-09 麦克隆·阿杰·查米莱斯股份公司 改进的用于颤振预测的数据库
CN109063290A (zh) * 2018-07-20 2018-12-21 中国航空工业集团公司沈阳飞机设计研究所 一种基于神经网络技术的颤振预测方法

Also Published As

Publication number Publication date
EP3742244A1 (en) 2020-11-25
JP2020189400A (ja) 2020-11-26
US20200368871A1 (en) 2020-11-26

Similar Documents

Publication Publication Date Title
Pimenov et al. Artificial intelligence for automatic prediction of required surface roughness by monitoring wear on face mill teeth
CN111985148A (zh) 用于预测机器工具的颤振的方法
Kuljanic et al. Development of an intelligent multisensor chatter detection system in milling
US20210312262A1 (en) Method for predicting status of machining operation
Vasanth et al. A neural network model to predict surface roughness during turning of hardened SS410 steel
Orak et al. Development of an ANN-based decision-making method for determining optimum parameters in turning operation
Wei et al. Analytical prediction of three dimensional chatter stability considering multiple parameters in milling
Nikolaev et al. Optimal milling modes identification of a jet-engine blade using time-domain technique
Sahali et al. New approach for robust multi-objective optimization of turning parameters using probabilistic genetic algorithm
Paliwal et al. Prediction of stability boundaries in milling by considering the variation of dynamic parameters and specific cutting force coefficients
Deng et al. Multi-objective machining parameters optimization for chatter-free milling process considering material removal rate and surface location error
Sørby et al. High-accuracy turning with slender boring bars
Zagórski et al. The influence of technological parameters on cutting force components in milling of magnesium alloys with PCD tools and prediction with artificial neural networks
Karandikar et al. Process damping coefficient identification using Bayesian inference
Sainath et al. Modelling and verification of stability of micro-milling process
Rasinac et al. Experimental Analysis of Noise and Chatter Detection in Milling Depending on the Cutting Parameters
Kuo et al. Development of virtual milling system using data fusion and transfer learning
Wan et al. Determination of optimal geometrical parameters of peripheral mills to achieve good process stability
Nakai et al. Evaluation of neural models to estimate the roughness of advanced ceramics in surface grinding
Fernández-Abia et al. Estimation of cutting forces and tool wear using modified mechanistic models in high performance turning
Nur et al. Determination of Energy Consumption during Turning of Hardened Stainless Steel Using Resultant Cutting Force. Metals 2021, 11, 565
Karandikar The fundamental application of decision analysis to manufacturing
Hajdu et al. Active vibration control for milling operations including frequency response function uncertainties
Vaishnav et al. Machine Learning-Based Cutting Constant Estimation for Mechanistic Force Models of End Milling Operation
Ahn et al. Error analysis of the cutting coefficients and optimization of calibration procedure for cutting force prediction

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