CN114273974B - 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 - Google Patents

Abstract

本发明公开了一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法，首先对采集获得的原始振动信号进行预处理获得时域振动信号；然后针对时域振动信号通过二次积分获得频域位移信号，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号；最后根据时域位移信号估计得到刀具平均跳动量，以刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。本发明是在高速铣削过程中基于实时振动信号快速对刀具跳动距离做出在线估计，大大提高了刀具参数识别效率，从而准确分析高速铣削加工过程中的刀具磨损特征，提高刀具磨损预测效率，延长刀具使用寿命，提高工件的加工质量。

Description

高速铣削加工中基于振动信号的刀具跳动参数在线估计法

技术领域

本发明涉及高速铣削加工中的刀具跳动参数在线估计法，更具体地说是涉及一种基于振动信号的高速铣削加工中的刀具跳动参数在线估计方法。

背景技术

高速铣削加工以高切削速度、高进给速度和高加工精度作为主要特征，具有综合效益高、市场响应速度快等能力，广泛应用于汽车行业、家用电器、航空航天生产和电子、光学、生物医学等行业。当前，以高速切削理论等方法为基础，诸多学者已经对高速铣削中的铣削过程建模和刀具特征磨损进行了大量研究和深入分析。

在高速加工过程中，刀具不可避免地会产生跳动。刀具跳动是铣削过程建模及刀具磨损特征分析的关键参数之一。刀具跳动会造成刀具不同刀齿磨损不一致，进而影响到刀具使用寿命和工件的加工质量。根据刀具跳动估计所需的数据和信息类型，当前的估计方法可分为物理理论方法和数据驱动方法。物理理论方法通过建立的机理和经验公式估计具体的刀具磨损量，其中的物理参数需要经由实验法确定。数据驱动方法是另一种更常见的方法，它在数值的基础上通过刀具磨损当前状态预测磨损的未来状态。具体地说，数据驱动方法进一步地分为人工智能(AI)方法(例如，支持向量机、人工神经网络、模糊理论和长短期记忆等)和统计方法(例如，多元线性回归、高斯混合回归和隐马尔可夫模型等)。近年来，多名学者提出了预测刀具磨损的多种混合人工智能方法。但是，上述方法需要使用大量的多层数据和冗余时间进行训练，影响了刀具磨损预测效率。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法，依据实时振动信号，基于时间序列分析进行刀具磨损估计，从而更加准确地分析高速铣削加工过程中的刀具磨损特征，提高刀具磨损预测效率，延长刀具使用寿命，提高工件的加工质量。

本发明为实现发明目的采用如下技术方案：

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点是：

首先对采集获得的原始振动信号A_R进行预处理获得时域振动信号A_P；

然后针对所述时域振动信号A_P通过积分获得频域位移信号D_λ，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号d_i；

最后根据所述时域位移信号估计得到刀具平均跳动量，以所述刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于：

所述对采集获得的原始振动信号进行预处理是指：利用加速度计通过监测获得原始振动信号A_R，针对所述原始振动信号A_R在时域内作平滑处理，以此削弱高频随机干扰信号，消除不规则趋势项。

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于：包括如下步骤：

步骤1：原始振动信号采集和预处理：

通过采集获得原始振动信号A_R，针对所述原始振动信号A_R采用五点三次平滑法进行预处理，获得经预处理的时域振动信号A_P；

步骤2：通过信号处理获得时域位移信号：

对所述时域振动信号A_P首先进行离散傅立叶变换，获得频域振动信号X_λ，再对所述频域振动信号X_λ进行积分，获得频域位移信号D_λ；针对所述频域位移信号D_λ经离散傅立叶逆变换，获得时域位移信号d_i；

步骤3：根据时域位移信号估计刀具跳动参数：

依据时域位移信号d_i，通过非线性最小二乘法获得位移轨迹拟合曲线；

将刀具跳动位置记为(O_x,O_y)，是指铣刀刀尖中心点坐(O_x,O_y)；

样本的采样频率为ω，铣刀旋转一个周期的时长为T，则一个周期内的采样数为ωT；

将每个周期内的位移信号序列记为θ_q；

针对所述位移信号序列θ_q进行非线性最小二乘法求解：构造以刀具跳动位置(O_x,O_y)和刀具跳动长度r为多目标变量的多元非线性目标函数组，针对所述目标函数组采用最小二乘法进行最优化求解，获得各目标变量的最优解作为刀具跳动参数，实现高速铣削加工中基于振动信号的刀具跳动参数的估计。

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于：

将原始振动信号A_R中各元素依次记为离散数列{a_Ri}；

将时域振动信号A_P中各元素依次记为离散数列{a_Pi}；

其中，i＝0,1,…,(U–1)；U为采样样本数；

依据式(1)获得时域振动信号A_P；

式(1)中：u＝2,3,…,(U–3)；

对序列{a_Pi}进行离散傅立叶变换，获得由式(2)所表征的频域振动信号X_λ：

式(2)中，λ＝0,1,…,(U–1)；j为单位虚数

对频域振动信号X_λ进行积分，获得由式(3)所表征的频域位移信号D_λ：

式(3)中，ω_λ＝2πλΔf；Δf为频率分辨率，Δf＝1/T_s，T_s为样本数据总时长；

经过离散傅立叶逆变换，获得由式(4)所表征的时域位移信号d_i：

式(4)中，L_λ是由式(5)所表征的带通滤波器的频率特性：

式(5)中，f_u为下限截止频率，f_d为上限截止频率；

则，每个周期内的位移信号序列θ_q如式(6)所表征：

式(6)中，

针对位移信号序列θ_q进行非线性最小二乘法求解，每组位移信号序列分解到x轴的分量θ_xq和y轴的分量θ_yq由式(7)所表征：

构造多目标变量的多元非线性目标函数组f(O_x,O_y,r)如式(8)：

首先针对式(8)中各目标变量赋于初始值，再利用非线性最小二乘法进行求解，由此获得各目标变量的最优解。

与已有技术相比，本发明有益效果体现在：

本发明是在高速铣削过程中基于实时振动信号快速对刀具跳动距离做出在线估计，大大提高了刀具参数识别效率，从而准确分析高速铣削加工过程中的刀具磨损特征，提高刀具磨损预测效率，延长刀具使用寿命，提高工件的加工质量

附图说明

图1为本发明的刀具跳动参数估计方法流程图；

图2中（a）图为实验用三刃球头铣刀示意图；

图2中（b）图为图2中（a）图所示三刃球头铣刀动作示意图；

图3为采用五点三次平滑法对原始振动信号做预处理操作的结果示意；

图4为根据预处理后的振动信号获得时域和频域内的位移信号示意；

图5为对位移信号进行非线性最小二乘法求解获得刀具跳动长度估计结果示意。

具体实施方式

本实施例中高速铣削加工中基于振动信号的刀具跳动参数在线估计法是：

首先对采集获得的原始振动信号A_R进行预处理获得时域振动信号A_P；

然后针对所述时域振动信号A_P通过积分获得频域位移信号D_λ，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号d_i；

最后根据所述时域位移信号估计得到刀具平均跳动量，以所述刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。

本实施例中高速铣削加工中基于振动信号的刀具跳动参数在线估计法包括如下步骤：

步骤1：原始振动信号采集和预处理：

利用加速度计通过监测获得原始振动信号A_R，针对原始振动信号A_R采用五点三次平滑法进行时域内的平滑处理，获得经时域内平滑处理的时域振动信号A_P，以此削弱高频随机干扰信号，消除不规则趋势项；

步骤2：通过信号处理获得时域位移信号：

对时域振动信号A_P首先进行离散傅立叶变换，获得频域振动信号X_λ，再对频域振动信号X_λ进行积分，通过一次积分获得频域速度信号V_λ，再通过二次积分获得频域位移信号D_λ；针对频域速度信号V_λ和频域位移信号D_λ经离散傅立叶逆变换，即可获得时域速度信号v_i和时域位移信号d_i；

步骤3：根据时域位移信号估计平均刀具跳动量：

依据时域位移信号d_i，通过非线性最小二乘法获得位移轨迹拟合曲线；

将刀具跳动位置记为(O_x,O_y)，是指铣刀刀尖中心点坐(O_x,O_y)；针对立式机床，以加工起始前铣刀刀尖中心点为坐标原点，x轴平行于工件进给方向，y轴垂直于工件进给方向，建立平面坐标系XOY；则加工过程中因存在有刀具跳动，铣刀刀尖中心点坐标记为(O_x,O_y)，即刀具跳动位置(O_x,O_y)；O_x为铣刀刀尖中心点在坐标系XOY中的x轴坐标，O_y为铣刀刀尖中心点在坐标系XOY中的y轴坐标；

样本的采样频率为ω，铣刀旋转一个周期的时长为T，则一个周期内的采样数为ωT；

将每个周期内的位移信号序列记为θ_q；

针对所述位移信号序列θ_q进行非线性最小二乘法求解：构造以刀具跳动位置(O_x,O_y)和刀具跳动长度r为多目标变量的多元非线性目标函数组，针对所述目标函数组采用最小二乘法进行最优化求解，获得各目标变量的最优解作为刀具跳动参数，实现高速铣削加工中基于振动信号的刀具跳动参数的估计。

具体实施中，将原始振动信号A_R中各元素依次记为离散数列{a_Ri}；将时域振动信号A_P中各元素依次记为离散数列{a_Pi}；其中，i＝0,1,…,(U–1)；U为采样样本数；

依据式(1)获得时域振动信号A_P；

式(1)中：u＝2,3,…,(U–3)，且各元素a_Pu所对应的系数相同，均为1/70×[–6 2434 24 –6]；

对序列{a_Pi}进行离散傅立叶变换，获得由式(2)所表征的频域振动信号X_λ：

式(2)中，λ＝0,1,…,(U–1)；j为单位虚数

对频域振动信号X_λ进行积分，获得由式(3)所表征的频域位移信号D_λ：

式(3)中，ω_λ＝2πλΔf；Δf为频率分辨率，Δf＝1/T_s，T_s为样本数据总时长；

经过离散傅立叶逆变换，获得由式(4)所表征的时域位移信号d_i：

式(4)中，L_λ是由式(5)所表征的带通滤波器的频率特性：

式(5)中，f_u为下限截止频率，f_d为上限截止频率；

下限截止频率f_u和上限截止频率f_d根据刀具铣削固有频率nN/60进行选取；以固有频率为中心选定最小闭邻域，最小闭邻域中能够包含一个完整的频域波形，将最小闭邻域的左端点值作为下限截止频率f_u，将最小闭邻域的右端点值作为上限截止频率f_d。

则，每个周期内的位移信号序列θ_q如式(6)所表征：

式(6)中，

针对位移信号序列θ_q进行非线性最小二乘法求解：设定位移信号的初始角度与x轴夹角为0，则每组位移信号序列分解到x轴的分量θ_xq和y轴的分量θ_yq由式(7)所表征：

构造多目标变量的多元非线性目标函数组f(O_x,O_y,r)如式(8)：

首先针对式(8)中各目标变量赋于初始值，再利用非线性最小二乘法进行求解，由此获得各目标变量的最优解；

变量O_x的初始值O_{x_guess}、变量O_y的初始值O_{y_guess}，以及变量r的初始值r_guess由式(9)所表征：

实验验证：

选用三刃球头铣刀连续铣削镍基高温合金Inconel 718，刀具直径为0.6mm，采样频率为50KHz。刀具和加工平台如图2a和图2b所示的。

采用本发明方法针对高速铣削加工中的刀具跳动参数基于振动信号进行在线估计，方法流程如图1所示。

图3中(a)图为采集获得的x轴原始振动信号，图3中(b)图为采集获得的y轴原始振动信号，图3中(c)图为x轴预处理后振动信号，图3中(d)为y轴预处理后振动信号。图3中(a)图和(b)图中的原始振动信号包含数据采集时混入的高频随机噪声，导致振动信号的离散数据序列在时域图中呈现许多毛刺，很不光滑；为削弱这些随机干扰信号的影响，采用五点三次平滑法对原始振动信号进行平滑处理，经过预处理之后的振动信号如图3中(c)图和(d)图所示。排除了高频成分中的噪声信号之后，时域谱中曲线的幅值均有所降低。

图4中(a)图为x轴时域位移信号，图4中(b)图为y轴时域位移信号，图4中(c)图为x轴频域位移信号，图4中(d)图为y轴频域位移信号。如图4中(a)图和(b)图可见，经过离散傅立叶变换之后，x轴和y轴的时域振动信号幅值在采样区间内基本平稳。如图4中(c)图和(d)图可见，在固有频率附近，频谱均有明显的峰值。

最终通过求解优化目标函数组获得刀具跳动参数，如图5所示，由于x轴和y轴的时域振动信号幅值在采样区间内保持稳定，刀尖中心在x-y平面图中呈现出近似圆形轨迹。采用非线性最小二乘法拟合轨迹，获得以刀具跳动长度r为半径的拟合圆。拟合圆的圆心非常接近原点(0,0)，表明刀具在加工时的倾斜角度很小。

高速铣削加工时不易直接测量切削刃振动位移，即刀齿轨迹/刀具跳动量，本发明方法以振动信号为基础间接估计刀具跳动量是一种行之有效的手段，本发明方法藉助振动信号完成对刀具跳动量进行在线实时估计，有助于对高速铣削过程中刀具磨损等过程物理参数的在线监测和特征分析。

Claims (2)

1.一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法，其特征是：

首先对采集获得的原始振动信号A_R进行预处理获得时域振动信号A_P；所述对采集获得的原始振动信号进行预处理是指：利用加速度计通过监测获得原始振动信号A_R，针对所述原始振动信号A_R在时域内作平滑处理，以此削弱高频随机干扰信号，消除不规则趋势项；

然后针对所述时域振动信号A_P通过积分获得频域位移信号D_λ，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号d_i；

最后根据所述时域位移信号估计得到刀具平均跳动量，以所述刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计；

所述高速铣削加工中基于振动信号的刀具跳动参数在线估计法包括如下步骤：

步骤1：原始振动信号采集和预处理：

通过采集获得原始振动信号A_R，针对所述原始振动信号A_R采用五点三次平滑法进行预处理，获得经预处理的时域振动信号A_P；

步骤2：通过信号处理获得时域位移信号：

对所述时域振动信号A_P首先进行离散傅立叶变换，获得频域振动信号X_λ，再对所述频域振动信号X_λ进行积分，获得频域位移信号D_λ；针对所述频域位移信号D_λ经离散傅立叶逆变换，获得时域位移信号d_i；

步骤3：根据时域位移信号估计刀具跳动参数：

依据时域位移信号d_i，通过非线性最小二乘法获得位移轨迹拟合曲线；

将刀具跳动位置记为(O_x,O_y)，是指铣刀刀尖中心点坐(O_x,O_y)；

样本的采样频率为ω，铣刀旋转一个周期的时长为T，则一个周期内的采样数为ωT；

将每个周期内的位移信号序列记为θ_q；

针对所述位移信号序列θ_q进行非线性最小二乘法求解：构造以刀具跳动位置(O_x,O_y)和刀具跳动长度r为多目标变量的多元非线性目标函数组，针对所述目标函数组采用最小二乘法进行最优化求解，获得各目标变量的最优解作为刀具跳动参数，实现高速铣削加工中基于振动信号的刀具跳动参数的估计。

2.根据权利要求1所述的高速铣削加工中基于振动信号的刀具跳动参数在线估计法，其特征是：

将原始振动信号A_R中各元素依次记为离散数列{a_Ri}；

将时域振动信号A_P中各元素依次记为离散数列{a_Pi}；

其中，i＝0,1,…,(U–1)；U为采样样本数；

依据式(1)获得时域振动信号A_P；

式(1)中：u＝2,3,…,(U–3)；

对序列{a_Pi}进行离散傅立叶变换，获得由式(2)所表征的频域振动信号X_λ：

式(2)中，λ＝0,1,…,(U–1)；j为单位虚数

对频域振动信号X_λ进行积分，获得由式(3)所表征的频域位移信号D_λ：

式(3)中，ω_λ＝2πλΔf；Δf为频率分辨率，Δf＝1/T_s，T_s为样本数据总时长；

经过离散傅立叶逆变换，获得由式(4)所表征的时域位移信号d_i：

式(4)中，L_λ是由式(5)所表征的带通滤波器的频率特性：

式(5)中，f_u为下限截止频率，f_d为上限截止频率；

则，每个周期内的位移信号序列θ_q如式(6)所表征：

θ_q＝{d_(q-1)ωT+1,d_(q-1)ωT+2,…,d_qωT} (6)

式(6)中，

针对位移信号序列θ_q进行非线性最小二乘法求解，每组位移信号序列分解到x轴的分量θ_xq和y轴的分量θ_yq由式(7)所表征：

构造多目标变量的多元非线性目标函数组f(O_x,O_y,r)如式(8)：

首先针对式(8)中各目标变量赋于初始值，再利用非线性最小二乘法进行求解，由此获得各目标变量的最优解。