CN114509991B - 考虑参数不确定的数控机床切削稳定性预测与优化方法 - Google Patents
考虑参数不确定的数控机床切削稳定性预测与优化方法 Download PDFInfo
- Publication number
- CN114509991B CN114509991B CN202210177100.6A CN202210177100A CN114509991B CN 114509991 B CN114509991 B CN 114509991B CN 202210177100 A CN202210177100 A CN 202210177100A CN 114509991 B CN114509991 B CN 114509991B
- Authority
- CN
- China
- Prior art keywords
- cutting
- machine tool
- stability
- model
- parameters
- 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
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 278
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000005457 optimization Methods 0.000 title claims description 54
- 238000003754 machining Methods 0.000 claims abstract description 60
- 238000005316 response function Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 39
- 238000003801 milling Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000003746 surface roughness Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 230000005284 excitation Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 101150089047 cutA gene Proteins 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000026058 directional locomotion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G05B19/401—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 measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34242—For measurement only
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了一种考虑参数不确定的数控机床切削稳定性预测与优化方法，预测方法包括：将机床定义为链结构产品功构模型，并将该链结构产品功构模型通过软件仿真平台构建；在软件仿真平台中添加包括机床位姿和主轴转速的约束，以完成广义动态加工空间机床整机有限元模型的构建；依托广义动态加工空间机床整机有限元模型，将包括加工点频率响应函数和切削力系数的影响因素通过鲁棒稳定性预测模型进行分析计算，以建立高速切削变参数稳定性预测模型，并通过排零原则对鲁棒稳定性预测模型中的棱边定理进行稳定性验证，获取稳健的高速切削稳定性叶瓣图，完成切削稳定性的预测。本发明所预测的稳定域边界更加切合实际，稳定域边界的准确度提升明显。
Description
技术领域
本发明涉及数控机床技术领域，特别是涉及一种考虑参数不确定的数控机床切削稳定性预测与优化方法。
背景技术
工艺参数制定是数控机床铣削加工的重要组成部分，而传统工艺参数的选择主要依赖于人工经验，无法完全发挥数控机床高效、高精的切削加工优势。此外，铣削加工是多齿刀具作用下的周期性间断切削过程，不合理的工艺参数选择将诱发刀具-工件系统因位移延时反馈产生自激振动（再生型颤振），进而降低切削效率、工件表面质量以及加速机床磨损。因此，通过合理确定优化目标与约束条件，建立相应的切削参数优化模型，并基于优化算法确定切削参数的最优解，是指导切削参数选取的一种有效方法。切削参数优化模型通常以稳定切削的最大材料切除率、工件加工表面精度等指标为目标，采用主轴转速、切削深度等参数作为设计变量，并将切削过程中的切削力、主轴功率、工件尺寸误差等作为约束条件，引入各种算法对模型求解。如李尧以切削过程利润和碳排放量为目标建立优化模型，采用自适应粒子群算法对该模型寻优求解，开发的数控切削参数优化软件可实现绿色高效多目标切削参数优化。王进峰以工件最小表面粗糙度和加工过程最大功率系数为目标，结合多响应权重因子的灰色关联法建立并求解了切削参数的优化模型。Kumar采用回归模型建立加工参数与表面粗糙度和材料去除率的函数关系，并以此为目标结合遗传算法求解最优工艺参数。考虑到上述研究中工艺参数优化模型大多忽略了切削稳定性约束，导致预测的工艺参数优化组合在实际加工过程中仍有可能出现颤振。加工参数优化模型中的稳定性约束，主要以铣削深度ap与极限铣削深度aplim的关系来定义，若ap小于aplim则处于稳定铣削状态，反之加工系统将出现颤振。
通常，极限铣削深度aplim采用传统的颤振稳定性预测方法来确定，该类方法依赖于铣削系统的结构动力学参数和切削特性参数，然而，实际加工中机床系统动力学特性参数、切削力系数会由于加工位置、刀具磨损、系统非线性特征、测量误差等因素产生不确定性。在先技术中，以机床固有频率和刚度等参数作为不确定因素，获通过一系列分析得稳健的切削稳定性叶瓣图，将处于叶瓣图绝对稳定区域的切削深度和主轴转速用于后续工艺优化。上述研究成果为无颤振切削参数的可靠选择提供了多种有效途径，有助于提高生产效率和改善产品质量。然而，在确定模态参数名义值及其扰动边界时，忽略了机床位姿、主轴转速等因素对切削稳定性的影响，导致预测的稳定域边界可靠性低或者过于保守。
发明内容
针对上述问题，本发明提供了一种考虑参数不确定的数控机床切削稳定性预测与优化方法，将数控机床在运作时的机床位姿、主轴转速等动态因素同时考虑进来，使得预测的稳定域边界更加切合实际，有效提升稳定域边界的准确度。
本发明的一方面提供了一种考虑参数不确定的数控机床切削稳定性预测方法，包括如下步骤：将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并将所述链结构产品功构模型通过软件仿真平台进行构建；在所述软件仿真平台中添加包括机床位姿和主轴转速的约束，以完成广义动态加工空间机床整机有限元模型的构建，表达数控机床加工状态与结构动力学特性的关联关系；依托广义动态加工空间机床整机有限元模型，将包括加工点频率响应函数和切削力系数的影响因素通过鲁棒稳定性预测模型进行分析计算，以建立高速切削变参数稳定性预测模型，并通过排零原则对鲁棒稳定性预测模型中的棱边定理进行稳定性验证，获取稳健的高速切削稳定性叶瓣图，得到极限切削深度aplim的空间样本信息，完成数控机床切削稳定性的预测。
上述技术方案的工作原理如下：
通过将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并在软件仿真平台上进行仿真，添加机床位姿和主轴转速等约束，并进行计算分析，表达数控机床加工状态与结构动力学特性的关联关系，能够真实的模拟数控机床的实际动态运行状态；同时，能够考虑机床结构动力学特性参数和切削力系数的不确定性，基于鲁棒控制理论扩展传统切削稳定性预测模型，求解获取表征稳定切削极限加工区间的稳健叶瓣图，使得预测的稳定域边界更加切合实际，有效提升稳定域边界的准确度，为后续工艺参数的优化提供了真实有效的稳定性约束，能够最大化对工艺参数进行优化设计。
在进一步的技术方案中，所述链结构产品功构模型通过同效、去冗余性确定待辨识的关键结合部及类型，采用扩展Harris模型建立陀螺力矩、离心力作用下滚动轴承非线性模型，辨识主轴轴承结合部动力学参数。
通过该方法，能够对结合部的关键参数进行有效辨识，为确定稳定域边界提供数据支持。
在进一步的技术方案中，所述软件仿真平台包括ANSYS、UG、Hypermesh或Matlab中的一种或多种。
在进一步的技术方案中，所述广义动态加工空间机床整机有限元模型的构建包括：通过所述软件仿真平台的数据交互接口和二次开发技术，处理加工过程中包括有所述机床位姿和所述主轴转速的动态信息，结合所述链结构产品功构模型，基于各关键零部件与结合部动力学特性参数，以构建广义动态加工空间机床整机有限元模型。通过该方法，能够将机床位姿和主轴转速等动态信息与链结构产品功构模型结合起来，确定关联关系，能够更真实的模拟数控机床的运行状态，提升稳定域边界预测的准确度。
在进一步的技术方案中，所述机床位姿以各向运动部件位移(x, y, z)表征，所述主轴转速以定量的陀螺力矩和离心力表征。通过该方法，表征清楚明确且具有代表性。
在进一步的技术方案中，所述加工点频率响应函数和切削力系数的分析计算包括：
以加工点频率响应函数关联的各阶模态参数的扰动表征机床动力学不确定特性，以径向切削力系数Kr和切向切削力系数Kt的扰动表征切削工艺条件的不确定性；依托构建的广义动态加工空间机床整机有限元模型，计算机床位姿对应的x、y向模态参数的名义值；再结合加工余量确定刀具点的运动空间区域，计算该区域内机床位姿效应造成各阶模态参数变化的最大值和最小值以确定相应模态参数的初始扰动边界；同时考虑第一次要因素的影响，确定第一公式为所述模态参数表达的扰动边界；
其中，第一次要因素包括仿真模型误差、热效应或非线性误差中的一种或多种；所述x、y向模态参数包括固有频率ωn、阻尼比ξ和模态刚度k；所述第一公式中，wb表示固有频率的名义值，ξb表示阻尼比的名义值，kb表示模态刚度的名义值，∆w1、∆w分别表示固有频率的上、下波动的最大值，∆ξ1、∆ξ分别表示阻尼比的上、下波动的最大值，∆k1、∆k分别表示模态刚度的上、下波动的最大值；
切削力系数名义值由采用切削参数(ap, n, ae, fz)构建的响应面近似模型计算得到，采用正交试验设计规划切削实验方案，综合各方案实验值和预测值对比结果，共同确定上下偏差的平均值作为初始扰动边界，再考虑加工过程中的第二次要因素的影响，确定第二公式为所述切削力系数表达的扰动边界；其中，ap表示铣削深度，n表示工件转速，a e表示铣削宽度，f z表示每齿进给量，Krb表示径向切削力系数的名义值，Ktb表示切向切削力系数的名义值，∆Kr1、∆Kr分别表示径向切削力系数的上、下波动的最大值，∆Kt1、∆Kt分别表示切向切削力系数的上、下波动的最大值；
所述鲁棒稳定性预测模型包括基于传统切削稳定性模型和棱边定理将特征方程转换为系统多项式：
，
其中，s为拉普拉斯变量，Gxx、Gyy分别为x、y向的频率响应函数，N为刀具齿数，αxx、αxy、αyx、αyy分别为与其下标相对应的各方向系数，T为刀齿切削周期，ap为切削深度，i表示第i阶模态；
所述高速切削变参数稳定性预测模型为：
，
其中，P是由多个极值多项式p构成的多项式簇。
通过该方法，同时考虑各阶模态参数和各向切削力系数的不确定性，同时也考虑了第一次要因素和第二次要因素的影响，进一步提升了预测的准确度和真实度。
本发明的另一方面提供了一种数控机床的材料切除率动态优化方法，包括如下步骤：
S1、根据如上所述的数控机床切削稳定性预测方法获取所述极限切削深度aplim的空间样本信息，进而采用设计变量(x, y, z, n, ae, fz) 和极限切削深度aplim响应集，采用神经网络建立如下极限切削深度的解析表达：
，
其中，式中设计变量(x,y,z)为机床各向位移的表达，(n, ae, fz)为切削参数；
S2、进行近似模型误差分析，评价极限切削深度BPNN预测模型的精度，同时采用正交试验设计规划切削实验方案，切削过程中限制每组方案加工点位置变化在有限区域内，并逐渐线性递增初始切削深度进行重复切削；
S3、通过定义约束条件和建立优化模型并求解，逐步实现求解所述切削参数的最优匹配；
其中，根据待优化工序所用机床的实际加工条件确定所述切削参数的定义域，根据待优化工序所用机床各向运动部件的移动范围确定所述机床各向位移的定义域。
通过该方法，基于机床位姿和切削参数构建高速切削鲁棒稳定性解析表达完善加工稳定性约束，进而以材料切除率为目标建立切削稳定性优化模型，形成极限切削深度与设计变量的函数关系，实现动态优化，有利于实际加工中工艺编制人员更准确地选择切削参数，以实现无颤振切削，进一步推广高速切削加工的应用，可为发挥高档数控装备高速切削优势，提高厂家经济效益奠定理论依据和技术支持。
在进一步的技术方案中，所述约束条件基于加工系统各种限制条件进行确定，包括稳定性约束、粗糙度约束、工件质量约束、刀具约束或铣削功率约束中的一种或多种，其中稳定性约束采用步骤S1中的极限切削深度表征。
在进一步的技术方案中，所述优化模型为：；
其中，MRR为材料切除率，Ra为表面粗糙度，Ttool为刀具寿命，N表示刀具齿数，P为机床功率，η为铣削效率。
在进一步的技术方案中，在步骤S2和S3之间还包括：对麦克风拾取的加工过程声音信号进行频谱分析，结合被加工工件表面质量确定各组方案的极限切削深度和颤振频率，进一步验证所述极限切削深度解析表达的有效性。
通过该方法，能够进一步验证极限切削深度解析表达的有效性，通过反馈的形式进一步修正。
本发明的有益效果是：
1、本发明的稳定性预测方法中，通过将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并在软件仿真平台上进行仿真，添加机床位姿和主轴转速等约束，并进行计算分析，表达数控机床加工状态与结构动力学特性的关联关系，能够真实的模拟数控机床的实际动态运行状态；同时，能够考虑机床结构动力学特性参数和切削力系数的不确定性，基于鲁棒控制理论扩展传统切削稳定性预测模型，求解获取表征稳定切削极限加工区间的稳健叶瓣图，使得预测的稳定域边界更加切合实际，有效提升稳定域边界的准确度，为后续工艺参数的优化提供了真实有效的稳定性约束，能够最大化对工艺参数进行优化设计；
2、本发明的动态优化方法中，基于机床位姿和切削参数构建高速切削鲁棒稳定性解析表达完善加工稳定性约束，进而以材料切除率为目标建立切削稳定性优化模型，形成极限切削深度与设计变量的函数关系，实现动态优化，有利于实际加工中工艺编制人员更准确地选择切削参数，以实现无颤振切削，进一步推广高速切削加工的应用，可为发挥高档数控装备高速切削优势，提高厂家经济效益奠定理论依据和技术支持。
附图说明
图1是本发明实施例所述一种考虑参数不确定的数控机床切削稳定性预测方法的流程示意图一；
图2是本发明示例1中所述链结构产品功构模型的构造示意图；
图3是本发明示例1中所述一种考虑参数不确定的数控机床切削稳定性预测方法的流程示意图二；
图4是本发明示例1中所述一种数控机床的材料切除率动态优化方法的流程示意图；
图5是本发明示例2中所述广义动态加工空间机床整机有限元模型的示意图；
图6是本发明示例2中所述频率响应函数的曲线图；
图7是本发明示例2中考虑不确定性的稳健叶瓣图与传统切削稳定叶瓣图对比分析图。
附图标记说明：
1、导轨结合部；2、轴承结合部；3、主轴-刀柄结合部；4、刀柄-刀具结合部；5、滚珠丝杠结合部；6、螺栓结合部；7、刀具；8、刀柄；9、主轴；10、主轴箱；11、立柱；12、床身；13、床鞍；14、工作台。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例：
如图1所示，本发明的一方面提供了一种考虑参数不确定的数控机床切削稳定性预测方法，包括如下步骤：将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并将所述链结构产品功构模型通过软件仿真平台进行构建；在所述软件仿真平台中添加包括机床位姿和主轴转速的约束，以完成广义动态加工空间机床整机有限元模型的构建，表达数控机床加工状态与结构动力学特性的关联关系；依托广义动态加工空间机床整机有限元模型，将包括加工点频率响应函数和切削力系数的影响因素通过鲁棒稳定性预测模型进行分析计算，以建立高速切削变参数稳定性预测模型，并通过排零原则对鲁棒稳定性预测模型中的棱边定理进行稳定性验证，获取稳健的高速切削稳定性叶瓣图，得到极限切削深度aplim的空间样本信息，完成数控机床切削稳定性的预测。
上述技术方案的工作原理如下：
通过将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并在软件仿真平台上进行仿真，添加机床位姿和主轴转速等约束，并进行计算分析，表达数控机床加工状态与结构动力学特性的关联关系，能够真实的模拟数控机床的实际动态运行状态。同时，能够考虑机床结构动力学特性参数和切削力系数的不确定性，基于鲁棒控制理论扩展传统切削稳定性预测模型，求解获取表征稳定切削极限加工区间的稳健叶瓣图，使得预测的稳定域边界更加切合实际，有效提升稳定域边界的准确度，为后续工艺参数的优化提供了真实有效的稳定性约束，能够最大化对工艺参数进行优化设计。
在另外的实施例中，所述链结构产品功构模型通过同效、去冗余性确定待辨识的关键结合部及类型，采用扩展Harris模型建立陀螺力矩、离心力作用下滚动轴承非线性模型，辨识主轴轴承结合部动力学参数。
通过该方法，能够对结合部的关键参数进行有效辨识，为确定稳定域边界提供数据支持。
在另外的实施例中，所述软件仿真平台包括ANSYS、UG、Hypermesh或Matlab中的一种或多种。
在另外的实施例中，所述广义动态加工空间机床整机有限元模型的构建包括：通过所述软件仿真平台的数据交互接口和二次开发技术，处理加工过程中包括有所述机床位姿和所述主轴转速的动态信息，结合所述链结构产品功构模型，基于各关键零部件与结合部动力学特性参数，以构建广义动态加工空间机床整机有限元模型。通过该方法，能够将机床位姿和主轴转速等动态信息与链结构产品功构模型结合起来，确定关联关系，能够更真实的模拟数控机床的运行状态，提升稳定域边界预测的准确度。
在另外的实施例中，所述机床位姿以各向运动部件位移(x, y, z)表征，主轴转速以定量的陀螺力矩和离心力表征。通过该方法，表征清楚明确且具有代表性。
在另外的实施例中，所述加工点频率响应函数和切削力系数的分析计算包括：
以加工点频率响应函数关联的各阶模态参数的扰动表征机床动力学不确定特性，以径向切削力系数Kr和切向切削力系数Kt的扰动表征切削工艺条件的不确定性；依托构建的广义动态加工空间机床整机有限元模型，计算机床位姿对应的x、y向模态参数的名义值。再结合加工余量确定刀具点的运动空间区域，计算该区域内机床位姿效应造成各阶模态参数变化的最大值和最小值以确定相应模态参数的初始扰动边界。同时考虑第一次要因素的影响，确定第一公式为所述模态参数表达的扰动边界。
其中，第一次要因素包括仿真模型误差、热效应或非线性误差中的一种或多种。所述x、y向模态参数包括固有频率ωn、阻尼比ξ和模态刚度k。所述第一公式中，wb表示固有频率的名义值，ξb表示阻尼比的名义值，kb表示模态刚度的名义值，∆w1、∆w分别表示固有频率的上、下波动的最大值，∆ξ1、∆ξ分别表示阻尼比的上、下波动的最大值，∆k1、∆k分别表示模态刚度的上、下波动的最大值。
切削力系数名义值由采用切削参数(ap, n, ae, fz)构建的响应面近似模型计算得到，采用正交试验设计规划切削实验方案，综合各方案实验值和预测值对比结果，共同确定上下偏差的平均值作为初始扰动边界，再考虑加工过程中的第二次要因素的影响，确定第二公式为所述切削力系数表达的扰动边界。 其中，ap表示铣削深度，n表示工件转速，a e表示铣削宽度，f z表示每齿进给量，Krb表示径向切削力系数的名义值，Ktb表示切向切削力系数的名义值，∆Kr1、∆Kr分别表示径向切削力系数的上、下波动的最大值，∆Kt1、∆Kt分别表示切向切削力系数的上、下波动的最大值。
所述鲁棒稳定性预测模型包括基于传统切削稳定性模型和棱边定理将特征方程转换为系统多项式：
，
其中，s为拉普拉斯变量，Gxx、Gyy分别为x、y向的频率响应函数，N为刀具齿数，αxx、αxy、αyx、αyy分别为与其下标相对应的各方向系数，T为刀齿切削周期，ap为切削深度，i表示第i阶模态。这里，对于一个具有扰动系数的多项式 P，各不确定参数上、下边界的极值组合将形成一个多项式簇，而棱边定理就是从频域角度在给定频率下对极值多项式进行评价，各极值点在复平面关联形成多边形，如果对应的棱边是稳定的，则系统在各不确定参数变化区间内的任意组合下仍是稳定的。
所述高速切削变参数稳定性预测模型为：
，
其中，P是由多个极值多项式p构成的多项式簇。
通过该方法，同时考虑各阶模态参数和各向切削力系数的不确定性，同时也考虑了第一次要因素和第二次要因素的影响，进一步提升了预测的准确度和真实度。
此时，判定棱边稳定性的常用有效方法为排零原则，基于图形技术判断复平面原点是否在由棱边构成的多边形内部，若多边形不包含原点，则棱边是稳定的。切削稳定域边界由主轴转速及对应的极限切削深度组成，当切削深度超过极限值时系统是不稳定的。为结合棱边定理和排零准则预测稳定域边界，给定切削参数(ae、fz)并离散化主轴转速作为全局变量，在每一个主轴转速下，以切削深度作为循环变量(例如初始值为0，步长为0.01mm)；在每一个切削深度下，对关心频率范围进行离散化处理，并以频率作为循环变量。
针对每一个频率，各阶模态参数、切削力系数的名义值及变化区间由上述的系统多项式确定，结合模态拟合技术和上述的高速切削变参数稳定性预测模型，建立棱边并形成多边形，进而引入排零原则的图形算法检查棱边稳定性。如果当前频率对应稳定切削状态，则进入下一个频率，反之当前切削深度与主轴转速标记为临界组合；如果所有频率都对应稳定切削状态，则扫描下一个切削深度值，直至不稳定点出现，由此在主轴转速范围内重复上述循环计算过程，即可获取稳健的高速切削稳定性叶瓣图。在某些实施例中，考虑参数不确定的数控机床切削稳定性预测方法如图3所示。
本发明的另一方面提供了一种数控机床的材料切除率动态优化方法，包括如下步骤：
S1、根据如上所述的数控机床切削稳定性预测方法获取极限切削深度aplim的空间样本信息，进而采用设计变量(x, y, z, n, ae, fz) 和极限切削深度aplim响应集，采用神经网络建立如下极限切削深度的解析表达：
，
其中，式中设计变量(x,y,z)为机床各向位移的表达，(n, ae, fz)为切削参数。上述的神经网络除反向传播神经网络BPNN以外，可采用克里金、支持向量机、广义回归神经网络、径向基神经网络等近似模型方法，建立以设计变量(x, y, z, n, ae, fz)为输入的极限切削深度aplim解析表达。
S2、进行近似模型误差分析，评价极限切削深度BPNN预测模型的精度，同时采用正交试验设计规划切削实验方案，切削过程中限制每组方案加工点位置变化在有限区域内，并逐渐线性递增初始切削深度进行重复切削。
S3、通过定义约束条件和建立优化模型并求解，逐步实现求解所述切削参数的最优匹配；
其中，根据待优化工序所用机床的实际加工条件确定所述切削参数的定义域，根据待优化工序所用机床各向运动部件的移动范围确定所述机床各向位移的定义域。
通过该方法，基于机床位姿和切削参数构建高速切削鲁棒稳定性解析表达完善加工稳定性约束，进而以材料切除率为目标建立切削稳定性优化模型，形成极限切削深度与设计变量的函数关系，实现动态优化，有利于实际加工中工艺编制人员更准确地选择切削参数，以实现无颤振切削，进一步推广高速切削加工的应用，可为发挥高档数控装备高速切削优势，提高厂家经济效益奠定理论依据和技术支持。
在某些实施例中，一种数控机床的材料切除率动态优化方法的流程如图4所示。
在另外的实施例中，所述约束条件基于加工系统各种限制条件进行确定，包括稳定性约束、粗糙度约束、工件质量约束、刀具约束或铣削功率约束中的一种或多种，其中稳定性约束采用步骤S1中的极限切削深度表征。
在另外的实施例中，所述优化模型为：；
其中，MRR（为Material Removal Rate的缩写）为材料切除率，Ra为表面粗糙度，Ttool为刀具寿命，P为机床功率，N表示刀具齿数，η为铣削效率。例如，可采用粒子群算法求解该优化模型，获取最大材料切除率MRRmax对应的各变量优选值(apb, nb, aeb, fzb, xb,yb, zb)。此外，也可采用遗传算法、模拟退化算法等优化算法，对建立的数控机床工艺参数优化模型进行寻优计算，获取无颤振工艺参数的优化配置，本发明不限于此。
在另外的实施例中，在步骤S2和S3之间还包括：对麦克风拾取的加工过程声音信号进行频谱分析，结合被加工工件表面质量确定各组方案的极限切削深度和颤振频率，进一步验证所述极限切削深度解析表达的有效性。
通过该方法，能够进一步验证极限切削深度解析表达的有效性，通过反馈的形式进一步修正。
下面通过具体的示例对本发明进行说明。
示例1
一种考虑参数不确定的数控机床切削稳定性预测方法包括步骤（1）、（2）。
(1) 综合采用有限元技术、数值仿真技术等手段，构建一种适用于切削稳定性预测的广义动态加工空间数控机床整机有限元模型：① 机床切削过程中，刀具加工位置（即机床位姿的一种）和主轴转速的变化，改变机床结构动力学特性，导致加工点频响函数具有不确定性，其中机床加工点位置以各向运动部件位移(x, y, z)表征，主轴转速效应以定量的陀螺力矩和离心力表征； ② 定义机床为由结合部联接各关键部件形成的图2中所示的链结构产品功构模型（包括导轨结合部1、轴承结合部2、主轴-刀柄结合部3、刀柄-刀具结合部4、滚珠丝杠结合部5、螺栓结合部6、刀具7、刀柄8、主轴9、主轴箱10、立柱11、床身12、床鞍13和工作台14），通过同效、去冗余性确定待辨识的关键结合部及类型，采用扩展Harris模型建立陀螺力矩、离心力作用下滚动轴承非线性模型，辨识主轴轴承结合部动力学参数；③采用ANSYS、UG、Hypermesh、Matlab等软件仿真平台的数据交互接口和二次开发技术，处理加工过程中机床位姿和主轴转速等动态信息，在此基础上结合图1所示的机床“结构-装配”关系和模型修正方法，基于各关键零部件与结合部动力学特性参数，构建广义动态加工空间机床整机有限元模型，表达数控机床加工状态与结构动力学特性的复杂关联关系。
(2) 根据实际切削工况各影响因素，从加工点频响函数和切削力系数层面展开高速切削系统鲁棒稳定性预测研究，以加工点频率响应函数关联的各阶模态参数的扰动表征机床动力学不确定特性，以径向、切向切削力系数Kr、Kt的扰动表征切削工艺条件的不确定性，结合图3按以下步骤进行：① 首先依托构建的数控机床有限元模型，计算加工点对应的x、y向模态参数(即固有频率ωn、阻尼比ξ、模态刚度k)的名义值，再结合加工余量确定刀具点的运动空间范围，计算该区域内机床位姿效应造成各阶模态参数变化的最大值和最小值以确定其初始扰动边界，同时进一步引入仿真模型误差、热效应、非线性等其余影响因素，结合振动实验和相关文献进行对比分析并合理第一公式表达的扰动边界：
切削力系数名义值由采用切削参数(ap, n, ae, fz)构建的响应面近似模型计算得到，鉴于其预测值和实验值之间会存在偏差，因此采用正交试验设计规划切削实验方案，综合各方案实验值和预测值对比结果，共同确定上下偏差的平均值作为初始扰动边界，再引入加工过程中刀具磨损等影响因素，结合切削实验和文献研究对初始边界进行修正并确定第二公式最终表达的切削力系数扰动边界；
② 对于一个具有扰动系数的多项式 P，各不确定参数上、下边界的极值组合将形成一个多项式簇，而棱边定理就是从频域角度在给定频率下对极值多项式进行评价，各极值点在复平面关联形成多边形，如果对应的棱边是稳定的，则系统在各不确定参数变化区间内的任意组合下仍是稳定的，基于传统切削稳定性模型将其特征方程转换为系统多项式：
。/>
上式中，s为拉普拉斯变量，Gxx、Gyy分别为x、y向的频率响应函数，N为刀具齿数，αxx、αxy、αyx、αyy分别为与其下标相对应的各方向系数，T为刀齿切削周期，ap为切削深度，i表示第i阶模态，当x、y向各阶模态参数与切向、径向切削力系数在最大、最小边界动态变化时，系统特征方程可表达为极值的多项式方程簇，建立高速切削变参数稳定性预测模型：
，
其中，P是由多个极值多项式p构成的多项式簇。
③ 判定棱边稳定性的常用有效方法为排零原则，基于图形技术判断复平面原点是否在由棱边构成的多边形内部，若多边形不包含原点，则棱边是稳定的。切削稳定域边界由主轴转速及对应的极限切削深度组成，当切削深度超过极限值时系统是不稳定的。为结合棱边定理和排零准则预测稳定域边界，给定切削参数(ae、fz)并离散化主轴转速作为全局变量，在每一个主轴转速下，以切削深度作为循环变量(初始值为0，步长为0.01mm)；在每一个切削深度下，对关心频率范围进行离散化处理，并以频率作为循环变量。
针对每一个频率，各阶模态参数、切削力系数的名义值及变化区间由（2）中的步骤②确定，结合模态拟合技术和高速切削变参数稳定性预测模型建立棱边并形成多边形，进而引入排零原则的图形算法检查棱边稳定性。如果当前频率对应稳定切削状态，则进入下一个频率，反之当前切削深度与主轴转速标记为临界组合；如果所有频率都对应稳定切削状态，则扫描下一个切削深度值，直至不稳定点出现，由此在主轴转速范围内重复上述循环计算过程，即可获取稳健的高速切削稳定性叶瓣图,获得极限切削深度aplim的空间样本信息。
一种数控机床的材料切除率动态优化方法，在步骤（1）、（2）的基础上，再增加步骤（3）。
(3) 实际加工中切削参数的选择依靠人工经验定义，导致获取的切削参数组合往往不是最优配置，无法满足加工过程稳定切削目标材料切除率要求，其中材料切除率MRR具有如下定义，N表示刀具齿数：
由MRR的公式可知材料切除率与切削参数(ap, n, ae, fz)直接关联，其中各切削参数又由于系统稳定性相互制约。为使加工过程具有最优材料切除率，从无颤振切削参数的最优匹配角度，在考虑机床位姿效应、系统参数不确定性影响基础上，依托步骤(2)的变参数稳定性模型按图4及以下步骤进行工艺参数优化：
① 以机床各向位移(x, y, z)与切削参数(n, ae, fz)为设计变量，采用正交试验设计构造样本空间，将位移和转速信息融入步骤(1)中整机有限元模型，预测各状态加工点x、y、z向的频响函数，同时将切削参数信息(n, ae, fz)融入切削力系数模型，结合步骤(2)高速切削变参数稳定性预测方法获取极限切削深度aplim空间样本信息，进而采用设计变量(x, y, z, n, ae, fz) 和极限切削深度aplim响应集，采用反向传播神经网络BPNN建立如下极限切削深度的解析表达：
② 进行近似模型误差分析，评价极限切削深度BPNN预测模型的精度，同时采用正交试验设计规划切削实验方案，切削过程中限制每组方案加工点位置变化在较小范围内，并逐渐线性递增初始切削深度进行重复切削，对麦克风拾取的加工过程声音信号进行频谱分析，结合被加工工件表面质量确定各组方案的极限切削深度和颤振频率，进一步验证极限切削深度解析表达的有效性。
③ 通过“确定设计变量→定义约束条件→建立优化模型并求解”三部分内容，逐步实现求解切削参数的最优匹配：在刀具齿数确定的基础上进行参数寻优，以切削参数(apn, ae, fz)和各向位移(x, y, z)为优化变量，并基于该工序实际加工条件确定切削参数的定义域，以机床各向行程确定位移变量的定义域；基于加工系统各种限制条件，根据切削加工实际定义约束条件，主要包括稳定性约束、工件质量约束、刀具约束、铣削功率约束，其中稳定性约束采用步骤①构建的极限切削深度预测模型表征；基于确定的设计变量和约束条件，建立以下铣削参数优化模型：
式中，Ra粒为表面粗糙度，Ttool-min为刀具寿命最小值，Pmax为机床额定功率，η为铣削效率。采用粒子群算法求解优化模型，获取最大材料切除率MRRmax对应的各变量优选值(apb, nb, aeb, fzb, xb, yb, zb)。
示例2
以一台三轴数控机床为实例分析，该机床x、y、z向移动部件的行程分别为： 0 ~400 mm、 0 ~ 550 mm 、 0 ~ 400 mm，主轴转速n的变化范围为0~10000 rpm，每齿进给量fz的变化范围为0.03~0.3 mm/z，根据直径16mm、齿数N为4的立铣刀确定切削宽度ae的变化范围为0 ~ 16 mm，以工艺参数a e 、f z 、x、y、z为变量，从每个变量的取值范围中选取8个值作为表1中正交实验表的8个水平，进而结合各变量的不同水平构造正交实验表L64 (58)，形成表2所示的64组正交试验方案。其中表1和表2如下所示：
表1 正交实验表的8个水平
表2 64组正交试验方案
进一步以200 rpm离散主轴转速范围200~10000 rpm，得到主轴转速n的50个离散值，在此基础上共设计 64×50=3200组方案，根据以下步骤计算每组方案的极限切削深度a plim：
（1）首先，在MATLAB软件中计算随主轴转速变化的主轴轴承刚度系数，将各转速下的轴承刚度系数通过有限元软件ANSYS的MATRIX27单元写入到广义动态加工空间机床整机有限元模型中，并根据机床各向运动部件x、y、z方向的位移信息调整各运动部件在整机中的装配位置，由此建立完成图5所示的广义动态加工空间机床整机有限元模型，进而进行模态分析和谐响应分析计算，获取不同加工位置和主轴转速下的如图6所示的主轴刀具点频率响应函数。当数控机床主轴转速和机床位姿变化时，即可将新计算的刚度值读入MATRIX27单元，同时重新调整数控机床各移动部件的装配位置，进而更新数控机床有限元模型并计算新的刀尖点频率响应函数。因而，在每个加工位置和主轴转速的组合下，可得到对应的刀尖点x、y方向频率响应函数。
（2）其次，根据获取的刀尖点频率响应函数辨识其各阶模态参数信息，同时结合切削加工实验辨识各工艺参数关联的切向和径向切削力系数Kt、Kr，如表3列出主轴转速6000rpm下x、y方向主模态参数和各向切削力系数的名义值，由此根据传统切削稳定性分析模型和棱边定理计算各工艺参数组合n、a e 、f z 、x、y、z下的稳健极限切削深度a plim。
表3 不确定变量名义值及其扰动边界
下面以表3为例阐述一组工艺参数{n、a e 、f z 、x、y、z}对应的稳健a plim计算步骤：
a. 通过计算调研分析初步设定表3中各方向的模态参数变量ωn、ξ、k在其名义值的97%~103%之间变化，切削力系数Kt、Kr在其名义值的95%~105%之间变化，进一步计算得到表3中各变量的最大值和最小值，8个不确定变量的最值共形成28=256个最值组合，基于每个组合的模态参数ωn、ξ、k重构频率响应函数Gxx、Gyy，根据每个组合的切削力系数计算各方向系数αxx、αyy、αxy、αyx，进而代入以下的系统多项式，
得到由256个多项式构成的多项式簇：
b. 根据该多项式簇，每个给定的激励频率ω下可对应得到各多项式的一个顶点，连接这些顶点形成一个凸多边形，按照棱边定理和排零原则，若原点在该多边形内则系统处于稳定状态，反之系统在该激励频率下不稳定。因此，根据主轴转速n计算刀齿切削周期T代入该多项式簇，确定切削深度ap的初始值0.02 mm，在每个切削深度ap下又以激励频率ω作为变量，计算该频率下各多项式的顶点，如果原点在各顶点形成的多边形范围内，则当前频率对应稳定切削状态，进而进行下一个激励频率ω的稳定性计算，若在整个关心频率范围内系统都对应稳定切削状态，则该切削深度ap满足稳定切削，即可以步长0.01mm递增当前切削深度ap进行下一次频率扫描计算；反之，如果在某个激励频率ω下原点未在对应的多边形内，则当前切削深度和主轴转速组合{n, ap}对应不稳定切削，进而以当前切削深度ap作该主轴转速对应的极限切削深度a plim。
c. 在考虑的主轴转速范围内，按步骤a和b可获取每个主轴转速对应的极限切削深度a plim，即可绘制如图7所示的稳健切削稳定性叶瓣曲线图，当采用的切削深度ap低于预测的极限切削深度a plim时，则关联的工艺参数组合n、a e 、f z 、x、y、z可实现稳定切削，图7同时列出未考虑参数不确定性时的传统切削稳定性叶瓣图，选择处于两条叶瓣图之间的部分切削参数组合进行加工实验时出现颤振现象，可看出稳健叶瓣图具有相对保守的边界以提高无颤振工艺参数组合的可靠性。
重复步骤(1)与(2)即可获取3200组工艺参数组合n、a e 、f z 、x、y、z对应的极限切削深度值a plim，在此基础上以3200×0.85=2720组{n、a e 、f z 、x、y、z、a plim}作为训练样本，建立并训练以工艺组合{n、a e 、f z 、x、y、z}为输入变量、a plim为输出变量的反向神经网络BPNN模型a plim=f(n、a e 、f z 、x、y、z)，将剩余的480组样本作为测试样本输入已训练的BPNN模型，480组极限切削深度a plim预测值与真实值的平均绝对百分误差为3.27%，表明反向神经网络BPNN模型可用于等效{n、a e 、f z 、x、y、z}与a plim的映射关系。
将建立的极限切削深度a plim的BPNN预测模型作为切削稳定性约束，代入以材料切除率MRR表达的铣削工艺参数优化模型：
式中各铣削工艺参数变化范围为：n=0~10000 rpm、a p =0~20 mm、a e =0~16mm、f z =0.03~0.3 mm/z、x=0~400 mm、y=0~550 mm、z=0~400 mm，刀具寿命Ttool与机床功率P可查阅切削手册计算获取，最小刀具寿命Ttool-min为60min，额定铣削功率为5.5Kw、铣削效率η为0.85，粗糙度最大允许值Ramax为3.2μm。
基于粒子群优化算法编写程序求解铣削工艺参数优化模型，设置种群大小为200，最大迭代次数为500，以工艺变量{n、a p 、a e 、f z 、x、y、z}作为粒子位置、以材料切除率MRR作为适应度函数进行迭代优化计算，经过183次迭代计算之后，材料切除率MRR的值已趋于收敛值74562 mm3 / min，对应的铣削参数为： n=2640rpm、a p = 6.74 mm、a e = 5.82 mm、f z =0.18mm/z、x=215 mm、y = 391mm、z=158 mm。进一步地，根据获取的{n、a p 、a e 、f z 、x、y、z}优化组合进行钢件侧铣实验，通过振动传感器拾取实验中的加工信号，对其进行频谱分析得到主导振动频率为176Hz及其倍频，对应加工过程中的刀齿切削频率(2640÷60×4)=176Hz，表明铣削加工过程中未出现颤振，同时测量的工件表面粗糙度值Ra=3.09μm可满足加工质量要求，共同验证提出考虑参数不确定的工艺参数优化方法的有效性。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种考虑参数不确定的数控机床切削稳定性预测方法，其特征在于，包括如下步骤：
将机床定义为由结合部连接各关键部件形成的链结构产品功构模型，并将所述链结构产品功构模型通过软件仿真平台进行构建；
在所述软件仿真平台中添加包括机床位姿和主轴转速的约束，以完成广义动态加工空间机床整机有限元模型的构建，表达数控机床加工状态与结构动力学特性的关联关系；
依托广义动态加工空间机床整机有限元模型，将包括加工点频率响应函数和切削力系数的影响因素通过鲁棒稳定性预测模型进行分析计算，以建立高速切削变参数稳定性预测模型，并通过排零原则对鲁棒稳定性预测模型中的棱边定理进行稳定性验证，获取稳健的高速切削稳定性叶瓣图，得到极限切削深度aplim的空间样本信息，完成数控机床切削稳定性的预测；
所述机床位姿以各向运动部件位移(x, y, z)表征，所述主轴转速以定量的陀螺力矩和离心力表征；
加工点频率响应函数和切削力系数的分析计算包括：
以加工点频率响应函数关联的各阶模态参数的扰动表征机床动力学不确定特性，以径向切削力系数Kr和切向切削力系数Kt的扰动表征切削工艺条件的不确定性；依托构建的广义动态加工空间机床整机有限元模型，计算机床位姿对应的x、y向模态参数的名义值；再结合加工余量确定刀具点的运动空间区域，计算该区域内机床位姿效应造成各阶模态参数变化的最大值和最小值以确定相应模态参数的初始扰动边界；同时考虑第一次要因素的影响，确定第一公式为所述模态参数表达的扰动边界；
其中，第一次要因素包括仿真模型误差、热效应或非线性误差中的一种或多种；所述x、y向模态参数包括固有频率ωn、阻尼比ξ和模态刚度k；所述第一公式中，wb表示固有频率的名义值，ξb表示阻尼比的名义值，kb表示模态刚度的名义值，∆w1、∆w分别表示固有频率的上、下波动的最大值，∆ξ1、∆ξ分别表示阻尼比的上、下波动的最大值，∆k1、∆k分别表示模态刚度的上、下波动的最大值；
切削力系数名义值由采用切削参数(a p, n, a e, f z)构建的响应面近似模型计算得到，采用正交试验设计规划切削实验方案，综合各方案实验值和预测值对比结果，共同确定上下偏差的平均值作为初始扰动边界，再考虑加工过程中的第二次要因素的影响，确定第二公式为所述切削力系数表达的扰动边界；其中，ap表示铣削深度，n表示工件转速，a e表示铣削宽度，f z表示每齿进给量，Krb表示径向切削力系数的名义值，Ktb表示切向切削力系数的名义值，∆Kr1、∆Kr分别表示径向切削力系数的上、下波动的最大值，∆Kt1、∆Kt分别表示切向切削力系数的上、下波动的最大值；
所述鲁棒稳定性预测模型包括基于传统切削稳定性模型和棱边定理将特征方程转换为系统多项式：；
其中，s为拉普拉斯变量，Gxx、Gyy分别为x、y向的频率响应函数，N为刀具齿数，αxx、αxy、αyx、αyy分别为与其下标相对应的各方向系数，T为刀齿切削周期，ap为切削深度，i表示第i阶模态；
所述高速切削变参数稳定性预测模型为：
，
其中，P是由多个极值多项式p构成的多项式簇。
2.据权利要求1所述的数控机床切削稳定性预测方法，其特征在于，所述链结构产品功构模型通过同效、去冗余性确定待辨识的关键结合部及类型，采用扩展Harris模型建立陀螺力矩、离心力作用下滚动轴承非线性模型，辨识主轴轴承结合部动力学参数。
3.根据权利要求1所述的数控机床切削稳定性预测方法，其特征在于，所述软件仿真平台包括ANSYS、UG、Hypermesh或Matlab中的一种或多种。
4.根据权利要求1所述的数控机床切削稳定性预测方法，其特征在于，所述广义动态加工空间机床整机有限元模型的构建包括：通过所述软件仿真平台的数据交互接口和二次开发技术，处理加工过程中包括有所述机床位姿和所述主轴转速的动态信息，结合所述链结构产品功构模型，基于各关键零部件与结合部动力学特性参数，以构建广义动态加工空间机床整机有限元模型。
5.一种数控机床的材料切除率动态优化方法，其特征在于，包括如下步骤：
S1、根据权利要求1所述的数控机床切削稳定性预测方法获取所述极限切削深度aplim的空间样本信息，进而采用设计变量(x, y, z, n, ae, fz) 和极限切削深度aplim响应集，采用神经网络建立如下极限切削深度的解析表达：，
其中，式中设计变量(x,y,z)为机床各向位移的表达，(n, ae, fz)为切削参数；
S2、进行近似模型误差分析，评价极限切削深度BPNN预测模型的精度，同时采用正交试验设计规划切削实验方案，切削过程中限制每组方案加工点位置变化在有限区域内，并逐渐线性递增初始切削深度进行重复切削；
S3、通过定义约束条件和建立优化模型并求解，逐步实现求解所述切削参数的最优匹配；
其中，根据待优化工序所用机床的实际加工条件确定所述切削参数的定义域，根据待优化工序所用机床各向运动部件的移动范围确定所述机床各向位移的定义域。
6.根据权利要求5所述的材料切除率动态优化方法，其特征在于，所述约束条件基于加工系统各种限制条件进行确定，包括稳定性约束、粗糙度约束、工件质量约束、刀具约束或铣削功率约束中的一种或多种，其中稳定性约束采用步骤S1中的极限切削深度表征。
7.根据权利要求6所述的材料切除率动态优化方法，其特征在于，所述优化模型为：
；
其中，MRR为材料切除率，Ra为表面粗糙度，Ttool为刀具寿命，N表示刀具齿数，P为机床功率，η为铣削效率。
8.根据权利要求5所述的材料切除率动态优化方法，其特征在于，在步骤S2和S3之间还包括：对麦克风拾取的加工过程声音信号进行频谱分析，结合被加工工件表面质量确定各组方案的极限切削深度和颤振频率，进一步验证所述极限切削深度解析表达的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177100.6A CN114509991B (zh) | 2022-02-25 | 2022-02-25 | 考虑参数不确定的数控机床切削稳定性预测与优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210177100.6A CN114509991B (zh) | 2022-02-25 | 2022-02-25 | 考虑参数不确定的数控机床切削稳定性预测与优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114509991A CN114509991A (zh) | 2022-05-17 |
| CN114509991B true CN114509991B (zh) | 2024-02-06 |
Family
ID=81553446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210177100.6A Active CN114509991B (zh) | 2022-02-25 | 2022-02-25 | 考虑参数不确定的数控机床切削稳定性预测与优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114509991B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116047919B (zh) * | 2023-04-03 | 2023-07-21 | 成都飞机工业（集团）有限责任公司 | 一种交点孔镗削参数优化方法、装置、设备及介质 |
| CN117130322B (zh) * | 2023-10-26 | 2024-01-09 | 山东硕德博数控机械有限公司 | 一种基于多协同的数控机床的稳定性优化系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
| CN105184007A (zh) * | 2015-09-22 | 2015-12-23 | 北京理工大学 | 一种基于动态工件-装夹系统的铣削加工表面误差预测方法 |
| CN105488282A (zh) * | 2015-11-30 | 2016-04-13 | 南京航空航天大学 | 一种基于动态加工特征的切削参数分段和变切深优化方法 |
| CN105893760A (zh) * | 2016-04-01 | 2016-08-24 | 北京航空航天大学 | 基于广义磨损量的刀具磨损评价和预测方法及系统 |
| CN107505842A (zh) * | 2017-09-04 | 2017-12-22 | 重庆邮电大学 | 一种数控机床广义空间切削稳定性预测与优化方法 |
| CN108038083A (zh) * | 2017-11-15 | 2018-05-15 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种使用数据软件进行刀具耐用度预测的方法 |
| JP2019181628A (ja) * | 2018-04-11 | 2019-10-24 | Dmg森精機株式会社 | 工作機械、切削方法、および切削プログラム |
-
2022
- 2022-02-25 CN CN202210177100.6A patent/CN114509991B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
| CN105184007A (zh) * | 2015-09-22 | 2015-12-23 | 北京理工大学 | 一种基于动态工件-装夹系统的铣削加工表面误差预测方法 |
| CN105488282A (zh) * | 2015-11-30 | 2016-04-13 | 南京航空航天大学 | 一种基于动态加工特征的切削参数分段和变切深优化方法 |
| CN105893760A (zh) * | 2016-04-01 | 2016-08-24 | 北京航空航天大学 | 基于广义磨损量的刀具磨损评价和预测方法及系统 |
| CN107505842A (zh) * | 2017-09-04 | 2017-12-22 | 重庆邮电大学 | 一种数控机床广义空间切削稳定性预测与优化方法 |
| CN108038083A (zh) * | 2017-11-15 | 2018-05-15 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种使用数据软件进行刀具耐用度预测的方法 |
| JP2019181628A (ja) * | 2018-04-11 | 2019-10-24 | Dmg森精機株式会社 | 工作機械、切削方法、および切削プログラム |
Non-Patent Citations (1)
| Title |
|---|
| "基于加工位置不确定的多工步数控铣削工艺参数优化研究";邓聪颖 等;《仪器仪表学报》;第41卷(第4期);111-118 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114509991A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114509991B (zh) | 考虑参数不确定的数控机床切削稳定性预测与优化方法 | |
| CN102821910B (zh) | 工具轨迹生成装置、工具轨迹计算方法及工具轨迹生成程序 | |
| Li et al. | Multi-objective optimization of cutting parameters in sculptured parts machining based on neural network | |
| CN104484506B (zh) | 一种基于可靠性叶瓣图的车削加工颤振预测方法 | |
| CN107589723B (zh) | 一种数控机床铣削加工稳定性的动-静态优化方法 | |
| Gagnol et al. | Stability-based spindle design optimization | |
| Krol et al. | Modeling of spindle node dynamics using the spectral analysis method | |
| Thangarasu et al. | High speed CNC machining of AISI 304 stainless steel; Optimization of process parameters by MOGA | |
| US20210312262A1 (en) | Method for predicting status of machining operation | |
| CN111008442B (zh) | 一种基于参数化铣削力和稳定性约束的加工轨迹优化方法 | |
| CN105678043A (zh) | 一种考虑刚度时变的大切除率铣削颤振监测方法 | |
| Chan et al. | Prediction model of machining surface roughness for five-axis machine tool based on machine-tool structure performance | |
| Maslo et al. | Improving dynamic process stability in milling of thin-walled workpieces by optimization of spindle speed based on a linear parameter-varying model | |
| CN108520117B (zh) | 一种利用全离散法获取稳定性叶瓣图的方法 | |
| US20200368871A1 (en) | Method for predicting chatter of a machine tool | |
| CN109048466B (zh) | 一种基于多频变转速的铣削颤振抑制方法 | |
| CN109614748B (zh) | 结合测试与仿真技术提升机床动态特性的结构优化方法 | |
| Liu et al. | Modeling and cutting path optimization of shallow shell considering its varying dynamics during machining | |
| Zhang et al. | Influence and prediction of tool wear on workpiece surface roughness based on milling topography analysis | |
| Pawanr et al. | An integrated modelling and optimization approach for the selection of process parameters for variable power consumption machining processes | |
| Huang et al. | Building prediction model for a machine tool with genetic algorithm optimization on a general regression neural network | |
| Hadraba et al. | Virtual twin of the multi-spindle lathe for the chatter time-domain analysis | |
| Orgiyan et al. | Determining rational cutting modes for horizontal boring operation adjusted for the variable rigidity of the process system | |
| Bąk et al. | Self-excited vibrations avoidance methodology in non-linear numerical simulation environment | |
| CN117032072B (zh) | 一种五轴超精密机床几何误差分配方法 |
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 |