CN112395809A - 一种加工零件表面振纹缺陷检测方法 - Google Patents
一种加工零件表面振纹缺陷检测方法 Download PDFInfo
- Publication number
- CN112395809A CN112395809A CN202011310382.XA CN202011310382A CN112395809A CN 112395809 A CN112395809 A CN 112395809A CN 202011310382 A CN202011310382 A CN 202011310382A CN 112395809 A CN112395809 A CN 112395809A
- Authority
- CN
- China
- Prior art keywords
- vibration
- flutter
- detection model
- chatter
- acceleration response
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 238000003754 machining Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 40
- 230000001133 acceleration Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005520 cutting process Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003801 milling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Automatic Control Of Machine Tools (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种加工零件表面振纹缺陷检测方法,包括:测量零件当前加工过程中刀具沿机床水平和垂直方向的加速度响应信号,将加速度响应信号中的刀通谐波分量滤除后,提取加速度响应信号中反映加工失稳强度的小波熵特征,记为振动特征;将振动特征输入到预训练好的颤振检测模型中,对当前用于加工零件的弱刚性加工***的颤振状态进行判断;若为颤振状态,则零件当前加工表面存在振纹缺陷。且本发明每加工完一个零件后,根据当前颤振检测模型的准确度,在已有颤振检测模型的基础上采用增量学习的方式,利用不断积累的实测振动信息,逐步淘汰掉一些会对判别精度产生不良影响的信息,以提升颤振检测模型的准确度,加工表面振纹缺陷的检测精度较高。
Description
技术领域
本发明属于加工缺陷检测领域,更具体地,涉及一种加工零件表面振纹缺陷检测方法。
背景技术
零件的表面振纹缺陷决定着零件服役性能和疲劳寿命。表面振纹是加工过程中刀齿振动位移复刻在零件表面上的印迹。振纹缺陷往往是由于加工振动中存在颤振引起的,颤振特征与振纹缺陷特征在频率分布上会表现出很高的相似性。因此,可以从加工振动信号中提取出与振纹缺陷特征相似的颤振信息作为是否存在振纹缺陷的判断依据。
在加工过程中,加工颤振的准确判断为及时避免加工表面的恶化、降低工件表面粗糙度提供了条件。然而现有的颤振状态的判断指标往往来源于对已有加工工艺数据的学习和挖掘,通过采用不同的信号分析技术阐明如何从原始切削力、振动信号中有效提取颤振成分,并基于所提取的颤振成分信息训练模型对加工***的状态进行检测,这些技术无一例外的都需要事先掌握颤振的频率信息;然而在加工过程中由于工件材料的去除以及刀具磨损的加剧,颤振频率及其出现的工况都会随着***的退化发生改变,使得颤振检测模型发生参数漂移,模型检测精度逐渐降低,从而无法对加工***的颤振状态进行准确判断,即无法对加工表面振纹缺陷进行精确检测。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种加工表面振纹缺陷检测方法,其目的在于解决现有技术由于在加工过程中工件材料的去除以及刀具磨损引起颤振检测模型发生参数漂移,从而导致表面振纹缺陷检测准确率较低的技术问题。
为实现上述目的,第一方面,本发明提供了一种加工零件表面振纹缺陷检测方法,包括以下步骤:
S1、测量零件当前加工过程中刀具沿机床水平和垂直方向的加速度响应信号,将加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除后,提取加速度响应信号中反映加工失稳强度的小波熵特征,记为振动特征;
S2、将上述振动特征输入到预训练好的颤振检测模型中,对当前用于加工零件的弱刚性加工***的颤振状态进行判断;若为颤振状态,则零件当前加工表面存在振纹缺陷;
其中,颤振检测模型为机器学习模型;每加工完一个零件,将该零件整个加工过程中所得到的各加工表面的振纹检测结果进行统计,得到该零件表面的振纹检测结果,并将该零件表面的振纹检测结果与标准振纹质检结果进行对比,得到振纹缺陷检测精度,即颤振检测模型的准确度;若颤振检测模型的准确度小于预设精度阈值,则根据该零件的标准振纹质检结果,对该零件整个加工过程中的振动特征所对应的加工***的颤振状态进行标注后,以该零件整个加工过程中的振动特征为输入,对应的标注为输出,增量训练颤振检测模型,并对颤振检测模型的参数进行更新,修正工件材料去除以及刀具磨损所引起的颤振检测精度的变化。
进一步优先地,上述颤振检测模型的训练方法包括:
S01、建立弱刚性加工***的动力学方程,根据动力学方程得到加工***中不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下的振动特征,并分别标注各振动特征所对应的颤振状态;
S02、以不同切削参数下的振动特征为输入,对应的标注为输出训练机器学习模型,得到颤振检测模型;
S03、采集在不同切削参数下实际加工过程中刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下振动特征的实际值,并分别标注各振动特征的实际值所对应的颤振状态;
S04、以不同切削参数下振动特征的实际值为输入,对应的标注为输出,增量训练颤振检测模型,并对颤振检测模型进行更新。
进一步优选地,步骤S01包括以下步骤:
S011、建立弱刚性加工***的动力学方程,结合全齿铣削及模态试验辨识动力学方程中的切削力系数及模态参数;
S012、基于切削力系数及模态参数,采用龙格-库塔法求解上述动力学方程,获得不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号,将各加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除后,提取各加速度响应信号中反映加工失稳强度的小波熵特征,即不同切削参数下的振动特征。
进一步优选地,采用陷波滤波方法将各加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除。
进一步优选地,颤振检测模型为核支持向量机模型。
进一步优选地,在训练过程中,采用SMO算法求解颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界。
第二方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的加工零件表面振纹缺陷检测方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提供了一种加工零件表面振纹缺陷检测方法,通过将振动特征输入到预训练好的颤振检测模型中,对当前用于加工零件的弱刚性加工***的颤振状态进行判断;若为颤振状态,则零件当前加工表面存在振纹缺陷;且每加工完一个零件后,根据当前颤振检测模型的准确度,在已有颤振检测模型的基础上继续采用增量学习的方式,利用不断积累的实测振动信息,逐步淘汰掉一些会对判别精度产生不良影响的信息,以提升颤振检测模型的准确度。解决了现有技术中由于模型精度不足导致仿真振动结果偏离实际值的问题,加工表面振纹缺陷的检测精度较高。
2、本发明所提供的加工零件表面振纹缺陷检测方法,在预训练颤振检测模型时,建立弱刚性加工***的运动方程求出加速度响应信号,提取振动信号后进行对应的颤振标注;建立颤振检测模型,并采用SMO算法求解颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界;且针对模型精度不足导致仿真振动结果偏离实际值的问题,为避免非稳定加工工况判别精度的退化,采集实际加工过程中的振动信号进行对应的颤振标注;采用增量学习的方式将测量的振动信号逐步的加入到核支持向量机判别边界的学习过程中,在原有决策边界的基础上进行决策边界的更新。该方法在已有颤振检测模型的基础上采用增量学习的方式,避免了零基础学习对于大样本量的需求。
3、本发明所提供的加工表面振纹缺陷检测方法,在零件加工过程中,通过采集加工***的振动信号,提取振动信号中与振纹缺陷特征高度相似的颤振特征,即可作为是否存在振纹缺陷的判断依据。该方法能实时检测加工振纹缺陷,无需等待零件加工完毕后取出零件线下检测,因此大大提高了检测效率。
附图说明
图1是本发明实施例1所提供的加工零件表面振纹缺陷检测方法流程图;
图2是本发明实施例1所提供的动态铣削过程示意图。
图3是本发明实施例1所提供的增量学习前颤振检测模型所对应的决策边界示意图;
图4是本发明实施例1所提供的增量学习后颤振检测模型所对应的决策边界示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种加工零件表面振纹缺陷检测方法,如图1所示,包括以下步骤:
S1、测量零件当前加工过程中刀具沿机床水平和垂直方向的加速度响应信号,将加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除后,提取加速度响应信号中反映加工失稳强度的小波熵特征,记为振动特征;
S2、将上述振动特征输入到预训练好的颤振检测模型中,对当前用于加工零件的弱刚性加工***的颤振状态进行判断;若为颤振状态,则零件当前加工表面存在振纹缺陷;
其中,颤振检测模型为机器学习模型;本实施例中为核支持向量机模型。
具体的,上述颤振检测模型的训练方法包括:
S01、建立弱刚性加工***的动力学方程,根据动力学方程得到加工***中不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下的振动特征,并分别标注各振动特征所对应的颤振状态;
具体的,步骤S01包括以下步骤:
S011、建立弱刚性加工***的动力学方程(具体为,机床-刀具***的动力学方程),结合全齿铣削及模态试验辨识动力学方程中的切削力系数及模态参数;
本实施例以弱刚性加工***为铣削加工***为例进行详述,如图2所示为动态铣削过程示意图。在本实施例中,工件振动要比机床-刀具***的振动弱得多。因此,机床-刀具***的振动是造成加工表面振纹缺陷的关键因素。机床-刀具***通常可以简化成弹簧-阻尼***(图2所示),刀具工件之间存在交变相互作用力,即切削力。机床-刀具***在交变切削载荷下会发生振动,当存在加工颤振时,刀具的剧烈振动会破坏工件表面,形成振纹缺陷。本实施例中只考虑机床水平和垂直方向两个方向(分别记为X和Y方向)的单模态,铣削加工***的运动方程可以表示为:
其中,M、C、K分别为模态质量矩阵、模态阻尼矩阵与模态刚度矩阵;Kc(t)[q(t)-q(t-T)]为具有再生效应的激励;F0为相对于表面位置误差的稳态力激励;Kc(t)为切削力系数矩阵,[q(t)-q(t-T)]为t时刻的振动和一个齿通周期T前的振动所产生的动态切削厚度。
S012、基于切削力系数及模态参数,采用龙格-库塔法求解加工***的动力学方程,获得不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号,将各加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除后,提取各加速度响应信号中反映加工失稳强度的小波熵特征,即不同切削参数下的振动特征。
具体的,将上述铣削加工***的运动方程转换为适用4阶龙格-库塔法的一阶微分方程:
其中,
采用4阶龙格库塔法求解获得加速度响应信号后,对加速度响应进行陷波滤波,滤除掉加速度响应中齿通周期的谐波分量,在各加速度响应信号中要滤除的信号点处使其频率响应的值为0而在其他信号点频率响应的值为1,将各加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除。之后提取各加速度响应信号中反映加工失稳强度的小波熵特征,即不同切削参数下的振动特征。
S02、以不同切削参数下的振动特征为输入,对应的标注为输出训练机器学习模型,得到颤振检测模型;
具体的,颤振检测模型为核支持向量机模型。在训练过程中,采用SMO算法求解颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界。该最优决策边界为区分是否为颤振状态的振动特征样本的决策边界,为核支持向量机模型所寻找的最优决策边界。支持向量机在训练分类器时,根据分类器的分类间隔寻找最优分类器,分类间隔是决策边界两侧距决策边界最近的样本点处的极限位置之间的垂直距离,不同方向的决策边界有不同的分类间隔,具有最大间隔的决策边界即为寻找的最优决策边界。核支持向量机模型模型结构较为简单,增量学习速更快。在训练过程中,采用SMO算法求解颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界。该最优决策边界为区分是否为颤振状态的振动特征样本的决策边界,为核支持向量机模型所寻找的最优决策边界。相较于通常的解对偶问题的方法,核支持向量机的SMO算法以更快的速度获得更好的解,算法的构造也更加简单。
具体的,支持向量机优化问题的基本描述为:
s.t.yi(ωTxi+b)≥1i=1,2,...,n
式中,||ω||为分类间隔的倒数,n为训练样本的个数(即上述用于训练的振动特征的个数),xi为第i个振动特征,yi为第i个振动特征所对应的标注,f(xi)=ωTxi+b为决策边界方程。
由于数据不可能完全线性可分,引入松弛变量ξ与惩罚变量C,此外对于上述有不等式约束的最优化问题,利用拉格朗日乘子法将约束与最优化函数写为拉格朗日函数:
再由最优值的必要条件KKT条件,核支持向量机模型适用SMO算法的形式可写为:
s.t.C≥αi≥0i=1,2,...,n
αi项与b项在SMO算法中不断更新,直到求出最优决策边界,即核支持向量机的决策边界,可表示为:
S03、采集在不同切削参数下实际加工过程中刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下振动特征的实际值,并分别标注各振动特征的实际值所对应的颤振状态;具体的,搭建加工试验平台,采用加速度计测量并采集在不同切削参数下实际加工过程中刀具沿机床水平和垂直方向的加速度响应信号。
S04、以不同切削参数下振动特征的实际值为输入,对应的标注为输出,增量训练颤振检测模型,并对颤振检测模型进行更新。具体的,训练过程同上。
需要说明的是,本发明中,每加工完一个零件,将该零件整个加工过程中所得到的各加工表面的振纹检测结果进行统计,得到该零件表面的振纹检测结果,并将该零件表面的振纹检测结果与标准振纹质检结果进行对比,得到振纹缺陷检测精度,即颤振检测模型的准确度;若颤振检测模型的准确度小于预设精度阈值(本实施例中预设的精度阈值是97%),则根据该零件的标准振纹质检结果,对该零件整个加工过程中的振动特征所对应的加工***的颤振状态进行标注后,以该零件整个加工过程中的振动特征为输入,对应的标注为输出,增量训练颤振检测模型,并对颤振检测模型的参数进行更新,修正工件材料去除以及刀具磨损所引起的颤振检测精度的变化。否则,不对颤振检测模型进行增量训练和更新。
具体的,增量学习是指一个学习***能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。当测量的样本逐步加入到核支持向量机决策边界的学习中,并不需要完全重建边界,而是在原有边界的基础上,仅对由于新增数据所引起的变化进行边界的更新。
具体的,基于核支持向量机模型的拉格朗日函数,其一阶条件简化为KKT条件:
同时将初始数据集分为三类:
①αi=0,R集,边界之外被忽视的向量集;
②0<αi<C,S集,边界支持向量集;
③αi=C,E集,错误支持向量集。
每一步增量时边缘支持向量的系数αi∈S与阈值b同步改变,在始终满足上述KKT条件的情况下保持当前数据集中所有元素的平衡并同步更新决策边界。由SMO算法计算后,决策边界更新,判别误差率由3.33%提升至2.33%。具体的,如图3所示是增量学习前颤振检测模型所对应的决策边界示意图,如图4所示是增量学习后颤振检测模型所对应的决策边界示意图。图3和图4的横纵坐标分别表示从两个不同的加速度传感器信号中所提取出的小波熵特征。“+”表示测试集中存在表面振纹缺陷的样本,“o”表示测试集中不存在表面振纹缺陷的样本,这里测试集为用于测试检测模型精度的小波熵特征样本集合;图中的曲线线条为根据支持向量机模型所学习得出的表面振纹缺陷判别决策边界。从图3和图4中得知,采用增量学习更新后的边界能够对缺陷是否存在做出更精确的判断。
综上,本发明实施例中的加工零件表面振纹缺陷检测方法围绕铣削加工过程中的颤振稳定性展开研究,在确定颤振检测模型时,建立铣削加工***的运动方程求出加速度响应信号,提取振动信号后进行对应的颤振标注;建立颤振检测模型(核支持向量机模型),采用SMO算法求解颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界;采集实际加工过程中的振动信号进行对应的颤振标注;采用增量学习的方式将测量的振动信号逐步的加入到核支持向量机判别边界的学习过程中,在原有边界的基础上进行边界的更新。并且,在每加工完一个零件后,根据当前颤振检测模型的准确度来判断是否进行增量学习,若当前颤振检测模型的准确度小于预设精度阈值时,则根据该零件的标准振纹质检结果,对该零件整个加工过程中的振动特征所对应的加工***的颤振状态进行标注,并增量训练颤振检测模型,并对颤振检测模型进行更新。本发明在已有颤振检测模型的基础上继续采用增量学习的方式,利用不断积累的实测振动信息,逐步淘汰掉一些会对判别精度产生不良影响的信息,以提升颤振检测模型的准确度。解决了现有技术中由于模型精度不足导致仿真振动结果偏离实际值的问题,通过采用增量学习的方式利用实测振动信息修正颤振状态的判别条件,得到了一种提升加工表面振纹缺陷的检测精度的方法。
实施例2、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的加工零件表面振纹缺陷检测方法。相关技术方案同实施例1,这里不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种加工零件表面振纹缺陷检测方法,其特征在于,包括以下步骤:
S1、测量零件当前加工过程中刀具沿机床水平和垂直方向的加速度响应信号,将加速度响应信号中的刀通谐波分量滤除后,提取加速度响应信号中反映加工失稳强度的小波熵特征,记为振动特征;
S2、将所述振动特征输入到预训练好的颤振检测模型中,对当前用于加工零件的弱刚性加工***的颤振状态进行判断;若为颤振状态,则零件当前加工表面存在振纹缺陷;
其中,颤振检测模型为机器学习模型;每加工完一个零件,将该零件整个加工过程中所得到的各加工表面的振纹检测结果进行统计,得到该零件表面的振纹检测结果,并将该零件表面的振纹检测结果与标准振纹质检结果进行对比,得到振纹缺陷检测精度,即颤振检测模型的准确度;若所述颤振检测模型的准确度小于预设精度阈值,则根据该零件的标准振纹质检结果,对该零件整个加工过程中的振动特征所对应的加工***的颤振状态进行标注后,以该零件整个加工过程中的振动特征为输入,对应的标注为输出,增量训练所述颤振检测模型,并对所述颤振检测模型进行更新。
2.根据权利要求1所述的加工零件表面振纹缺陷检测方法,其特征在于,所述颤振检测模型的训练方法包括:
S01、建立所述弱刚性加工***的动力学方程,根据所述动力学方程得到加工***中不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下的振动特征,并分别标注各振动特征所对应的颤振状态;
S02、以所述不同切削参数下的振动特征为输入,对应的标注为输出训练机器学习模型,得到颤振检测模型;
S03、采集在不同切削参数下实际加工过程中刀具沿机床水平和垂直方向的加速度响应信号后,从中提取不同切削参数下振动特征的实际值,并分别标注各振动特征的实际值所对应的颤振状态;
S04、以所述不同切削参数下振动特征的实际值为输入,对应的标注为输出,增量训练所述颤振检测模型,并对所述颤振检测模型进行更新。
3.根据权利要求2所述的加工零件表面振纹缺陷检测方法,其特征在于,所述步骤S01包括以下步骤:
S011、建立所述弱刚性加工***的动力学方程,结合全齿铣削及模态试验辨识所述动力学方程中的切削力系数及模态参数;
S012、基于所述切削力系数及模态参数,采用龙格-库塔法求解所述动力学方程,获得不同切削参数下刀具沿机床水平和垂直方向的加速度响应信号,将各加速度响应信号中的刀通谐波分量滤除后,提取各加速度响应信号中反映加工失稳强度的小波熵特征,即不同切削参数下的振动特征。
4.根据权利要求3所述的加工零件表面振纹缺陷检测方法,其特征在于,采用陷波滤波方法将各加速度响应信号中与表面振纹缺陷无关的刀通谐波分量滤除。
5.根据权利要求1-4任意一项所述的加工零件表面振纹缺陷检测方法,其特征在于,所述颤振检测模型为核支持向量机模型。
6.根据权利要求5所述的加工零件表面振纹缺陷检测方法,其特征在于,在训练过程中,采用SMO算法求解所述颤振检测模型所对应的用于区分是否为颤振状态的最优决策边界。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-6任意一项所述的加工零件表面振纹缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310382.XA CN112395809B (zh) | 2020-11-20 | 2020-11-20 | 一种加工零件表面振纹缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011310382.XA CN112395809B (zh) | 2020-11-20 | 2020-11-20 | 一种加工零件表面振纹缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395809A true CN112395809A (zh) | 2021-02-23 |
CN112395809B CN112395809B (zh) | 2023-12-19 |
Family
ID=74606838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011310382.XA Active CN112395809B (zh) | 2020-11-20 | 2020-11-20 | 一种加工零件表面振纹缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395809B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065277A (zh) * | 2021-03-11 | 2021-07-02 | 自然资源部国土卫星遥感应用中心 | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模的方法 |
CN113094925A (zh) * | 2021-04-23 | 2021-07-09 | 湖南工业大学 | 一种铣削颤振稳定性预测方法 |
CN114918679A (zh) * | 2022-06-24 | 2022-08-19 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105108584A (zh) * | 2015-07-21 | 2015-12-02 | 上海交通大学 | 一种车削颤振检测方法 |
WO2018185993A1 (ja) * | 2017-04-04 | 2018-10-11 | Dmg森精機株式会社 | 主軸回転速度制御装置 |
CN110434676A (zh) * | 2019-07-29 | 2019-11-12 | 北京理工大学 | 一种多传感器时频特征融合的镗削颤振监测方法 |
JP2020023039A (ja) * | 2018-07-25 | 2020-02-13 | 株式会社ジェイテクト | 研削品質推定モデル生成装置、研削品質推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 |
-
2020
- 2020-11-20 CN CN202011310382.XA patent/CN112395809B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104786101A (zh) * | 2015-04-29 | 2015-07-22 | 常州信息职业技术学院 | 立铣切削颤振的监测方法 |
CN105108584A (zh) * | 2015-07-21 | 2015-12-02 | 上海交通大学 | 一种车削颤振检测方法 |
WO2018185993A1 (ja) * | 2017-04-04 | 2018-10-11 | Dmg森精機株式会社 | 主軸回転速度制御装置 |
JP2020023039A (ja) * | 2018-07-25 | 2020-02-13 | 株式会社ジェイテクト | 研削品質推定モデル生成装置、研削品質推定装置、研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 |
CN110434676A (zh) * | 2019-07-29 | 2019-11-12 | 北京理工大学 | 一种多传感器时频特征融合的镗削颤振监测方法 |
Non-Patent Citations (1)
Title |
---|
代艳霞;: "铝合金薄壁件的铣削加工颤振的建模与识别", 机械设计与制造, no. 05, pages 109 - 112 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065277A (zh) * | 2021-03-11 | 2021-07-02 | 自然资源部国土卫星遥感应用中心 | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模的方法 |
CN113065277B (zh) * | 2021-03-11 | 2021-10-08 | 自然资源部国土卫星遥感应用中心 | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模方法 |
CN113094925A (zh) * | 2021-04-23 | 2021-07-09 | 湖南工业大学 | 一种铣削颤振稳定性预测方法 |
CN114918679A (zh) * | 2022-06-24 | 2022-08-19 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
CN114918679B (zh) * | 2022-06-24 | 2024-04-12 | 沈阳建筑大学 | 一种连续机械加工和热处理生产线及数据采集处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112395809B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395809B (zh) | 一种加工零件表面振纹缺陷检测方法 | |
TWI481978B (zh) | 工具機之加工品質的預測方法 | |
US20180307203A1 (en) | Machining defect factor estimation device | |
Shi et al. | A reinforced k-nearest neighbors method with application to chatter identification in high-speed milling | |
CN112765778B (zh) | 转向架横向稳定性识别方法、装置以及计算机设备 | |
CN104898565A (zh) | 改进的用于颤振预测的数据库 | |
CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
CN112405072B (zh) | 一种机床切削颤振的在线监测方法及装置 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与*** | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
CN104657526A (zh) | 工具机的加工品质的预测方法 | |
CN116186499A (zh) | 一种数控加工表面粗糙度预测方法 | |
CN113314142B (zh) | 发动机故障检测方法、***、存储介质及设备 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN116307938B (zh) | 一种加工中心进给***健康状态评估方法 | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
CN116167983A (zh) | 基于dtw距离最小的钢轨轨腰对齐方法、***及终端 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN114741806A (zh) | 一种悬架优化方法、***、装置、设备及介质 | |
CN112529099A (zh) | 一种机器人铣削加工颤振辨识方法 | |
CN110015319B (zh) | 轨道波磨识别方法、装置、设备及存储介质 | |
Cong et al. | Online milling chatter detection using deep residual network and transfer learning | |
CN112750119A (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 |
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 |