CN1515382A - 机床切削颤振在线智能控制*** - Google Patents
机床切削颤振在线智能控制*** Download PDFInfo
- Publication number
- CN1515382A CN1515382A CNA031370462A CN03137046A CN1515382A CN 1515382 A CN1515382 A CN 1515382A CN A031370462 A CNA031370462 A CN A031370462A CN 03137046 A CN03137046 A CN 03137046A CN 1515382 A CN1515382 A CN 1515382A
- Authority
- CN
- China
- Prior art keywords
- flutter
- boring bar
- cutting
- signal
- boring
- 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
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 50
- 239000000463 material Substances 0.000 claims abstract description 56
- 230000005684 electric field Effects 0.000 claims abstract description 35
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000007704 transition Effects 0.000 claims description 8
- 229910000831 Steel Inorganic materials 0.000 claims description 5
- 239000010959 steel Substances 0.000 claims description 5
- 238000003756 stirring Methods 0.000 claims description 4
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 claims description 3
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 claims description 3
- 229920002472 Starch Polymers 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 235000019698 starch Nutrition 0.000 claims description 3
- 239000008107 starch Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000010008 shearing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 27
- 230000008859 change Effects 0.000 abstract description 8
- 238000003754 machining Methods 0.000 abstract description 7
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 2
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000002463 transducing effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101150066718 FMOD gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- WWJZWCUNLNYYAU-UHFFFAOYSA-N temephos Chemical compound C1=CC(OP(=S)(OC)OC)=CC=C1SC1=CC=C(OP(=S)(OC)OC)C=C1 WWJZWCUNLNYYAU-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
一种机床切削颤振在线智能控制***,适用于精密柔性制造加工领域。其特征在于:加工***动态特性在线调整主要依靠含有电流变材料的机械结构来进行,该方法针对镗削***利用电流变材料设计了一种动态特性可以在线快速调整的智能型镗杆。通过给电流变材料施加由0变化至2000伏特/每毫米不同的电场强度时,可以使镗杆的固有频率具有30赫兹的变化范围。本发明可根据切削振动信号快速预报切削颤振预兆,并根据加速度信号中蕴涵信息及时在线调整切削***的动态特性,将切削颤振抑制在其萌芽状态,不在工件表面产生加工振痕,不影响切削加工过程的正常进行,保证加工的质量和效率。
Description
本发明的机床切削颤振在线智能控制***,是发明名称为《机床切削颤振在线智能控制方法及其***》申请案的分案申请,该案申请日:2001年11月19日,申请号:01144486.x。
技术领域
机床切削颤振在线智能控制方法及其***属于机械制造自动化及智能制造领域,主要为了保证金属切削加工的加工稳定性,避免加工过程中出现自激振动一颤振,保证加工零件质量和切削刀具寿命。该技术适用于自动化程度高的精密柔性制造加工***,可广泛应用于需要精密加工的航空、航天和汽车等行业。
背景技术
切削颤振属于自激振动,是金属切削机床在切削过程中产生的刀具和工件之间十分强烈的相对振动。它产生的原因和发生、发展的规律与切削加工过程本身及金属切削机床动态特性都有着内在的本质联系,影响因素很多,是一个非常复杂的机械振动现象。随着工厂自动化发展,机械加工的柔性化要求切削加工可对不同的工件和在不同工作条件下进行,因此通过颤振预防控制的方法往往不能从根本上杜绝颤振现象的出现,所以对其进行在线监视预报和控制成为改善切削***稳定性的一项关键性技术。
由于切削***发生颤振具有突发性和不确定性,从正常切削到发生颤振的时间历程非常短暂,一般在几百毫秒之内。所以对切削颤振进行在线监视和控制是非常困难的。目前较为成功的方法可归为两类:一类采用对切削***进行***建模的方法进行颤振控制,一类采用对切削加工参数(主轴转速、进给量、切削深度等)进行在线调整来抑制颤振。但由于切削加工***的复杂性使建立准确的***数学模型非常困难,同时切削加工机械***反应的严重滞后使上述两类方法都不能很好地对切削稳定性进行在线控制,不能完全将颤振现象消除掉。
发明内容
本发明主要目的就是针对于柔性制造单元,开发出一种通用的不影响制造单元柔性化程度的切削颤振在线控制的方法,以提高加工质量和生产效率。本发明主要针对克服以往颤振在线控制技术难于突破的障碍,利用智能材料根据传感器采集切削振动信息调控机械结构动态特性以实现切削颤振的在线控制。
本发明的设计思想是基于控制切削***时变动态特性来提高切削稳定性的理论作为其理论基础,具体实施时对原有机床切削***的改动很小。原有切削***主要由机床、工件和刀具***三部分组成,本发明只是在在影响切削***稳定性的关键零部件(例如镗杆、刀柄等)的设计上,采用了内嵌智能材料的方法,利用智能材料动态特性可以实时快速调控的特点,对整个加工***的动态特性进行在线快速调控,消除颤振发生的条件以避免切削颤振的发生。
本发明的技术方案中所设计的控制方法部分参见流程图1,而CDM在线识别颤振预测参见CDM信息流程图3和CDM在线识别颤振预兆流程图2,该方法特征在于它依次包括以下步骤:
(1)***初始化,设定:初始化电场强度E0,
采样频率Fs;
(2)颤振识别:把加速度信号输入颤振识别程序模块CDM,循环判别并运行,一直到识别出颤振预兆;
(3)颤振控制:
(a)一旦识别出颤振预兆,计算此时得颤振频率FC,令:Fpost=FC,Fpost:施加电场强度前的颤振频率;
(b)施加控制电场强度:E=E0 KV/mm;
(c)再把加速度信号输入上述CDM模块,判别此时颤振预兆是否仍然存在,如颤振预兆消失,令施加的电场强度E=0,然后程序转入步骤(2)继续运行。如颤振预兆仍然存在,程序向下运行;
(d)计算此时颤振频率FC;
(e)判别FC>Fpost?
若FC>Fpost,则令E=E-0.1KV/mm,重新测加速度,按(c)~(d)运行;
若FC<Fpost,则令E=E+0.1KV/mm,重新测加速度,按(c)~(d)运行;
(4)上述程序流程在切削加工过程中一直循环运行,直到切削加工过程结束,该控制程序结束;
上述CDM模块依次执行以下步骤:
(1)输入采样加速度信号ri;
(2)将ri输入LO-RBF型神经网络结构程序模块,依次按以下步骤运行:
(a)计算传感信号时间序列的概率密度函数在ri处的估算值f(ri)和概率密度函数一阶微分函数在ri处的估算值
即计算:
(b)构造新信号序列Gn、对照与每一个输入传感信号采样值ri时得Gn中元素gi为:
(3)将gi输入Fuzzy ARTMap颤振预兆识别模块,依次按以下步骤运行:
(a)判别i>128?,进行判别并循环运行,
(b)在采样频率为1000Hz下,判别i>128时,每隔50毫秒判断一次颤振fmod(i,50)=0是否发生?即
(c)取出时间信号序列:即取出G序列中前127点,与当前值gi构成128点的时间信号序列G128,即G128={gi-127,gi-126,…,gi-1,gi},
(d)将G128输入快速傅立叶变换(FFT)子程序,得到G128的傅立叶变换序列F128,F128=FFT(G128),
(e)取F128序列前64元素的模构成新的序列S64,S64中各元素代表在分析频段内各频率点的能量密度Si=|Fi|(i=1,2,3,…64),
(f)把64维序列S64输入Fuzzy ARTMap神经元网络(模糊自适应共振神经元网络)子程序,
(g)判别Fuzzy ARTMap神经元网络输出的二维向量C2:
C2=Fuzzy ARTMap(S64)
若:C2={0,1},表示无颤振预兆,
若:C2={1,0},表示有颤振预兆,
在上述Fuzzy ARTMap监督学习阶段,在切削颤振预兆存在时采集得到的M个64维信号S64和代表颤振预兆的M个两维向量C2(都为{1,0})同时分别输入网络的ARTa子模块和ARTb子模块;同样,N个颤振预兆不存在时采集得到的64维信号S64和代表无颤振预兆的N个两维向量C2(都为{0,1})同时分别输入网络的ARTa子模块和ARTb子模块。这里,{0,1}对应于无颤振预兆,{1,0}对应于有颤振预兆。通过这样的监督学习,在ARTa子模块和ARTb子模块之间以权值的形式建立起映射关系。这样保证网络可在线根据ARTa子模块的输入判别加速度采样信号中是否存在颤振预兆。
本发明的机床切削颤振在线智能控制***参见本发明的***框图4和原理框图5,机床切削颤振在线智能控制方法设计的***含有计算机,其特征在于:它包括有设置有电流变材料的智能型镗杆,向镗杆上的电流变材料施加高压电场的电压变换器,经主板PCI插槽和数字/模拟转换卡向电压变换器施加控制电压信号的计算机,经数字/模拟转换卡和主板PCI插槽向计算机输入加速度信号的电荷放大器,以输出端与电荷放大器输入端相连、而输入信号为镗杆端部切削加工过程中振动加速度信号的加速度传感器。
在切削***的设计上采用了一含有一种电流变材料的镗杆,当施加在电流变材料上的控制电场强度由0变化至2000伏特/每毫米时镗杆固有频率有30赫兹的变化量。
采用的电流变材料配置过程:将淀粉(颗粒直径为10微米到50微米之间)和真空泵油按9∶11混合,再加入适量的松香衍生物及附加添加剂,在室温下用电动搅拌机搅拌15-30分钟,搅拌后为均匀的棕色悬浮状液体。该材料在施加0~10000伏/每毫米的高压电场后,其所能承受的抗剪切屈服应力由0增加到3900帕。
含有电流变材料的智能型镗杆是在现有的镗杆上、套有作为电流变材料正电极的薄壁钢圈,电流变材料负极为位于相对于薄壁钢圈部分的支撑套,两电极间的0.5mm间隙中装有电流变材料,电流变材料两端的密封采用2个O型圈,支撑套和镗杆靠四个内六角螺栓从相互垂直的两个方向固定,支撑套被装卡于镗削***中的刀架中,加速度传感器安置于镗杆的端部。
本发明将智能材料引入金属切削加工颤振的在线控制中,应用智能材料固有特性对电控制信号的瞬间响应能力,不仅克服了切削***机械结构对控制信号响应慢的缺点,而且该***根据获得的传感信息进行颤振的在线抑制,克服了切削***因其复杂性而难于建立准确的控制模型的困难。因此该发明增强了机械加工设备适应不同的加工对象和加工条件的能力,大大地提高了机械加工设备的柔性化程度。
并且基于该技术开发的颤振在线控制装置可根据切削振动信号及时调控加工***的动态特性,将切削颤振抑制在其萌芽状态,不在工件表面产生加工振痕,不影响切削加工过程的正常进行,保证加工的质量和效率。
本发明中CDM在线识别颤振预测中的应用主要基于大量实验研究表明加工过程中颤振的发展过程有以下特点:
(1)颤振波形类似于谐振波,幅值的增长是一个渐变的过程,可分为初始颤振阶段、颤振发展阶段和充分颤振阶段。
(2)切削振动频率随颤振的发展,逐渐稳定到接近***的固有频率。此时振动能量在频域内分布由宽带分布转为窄带能量分布。
(3)在初始颤振阶段,振动频率已稳定到***的固有频率处,此时振动幅值尚未达到颤振的最大幅值。在颤振幅值达到充分颤振阶段前约有400至600毫秒或更长,这就给监控***提供了识别和反馈控制的宝贵时间。
由上述特点可知:由颤振的谐振波特性和频域的窄带特征可作为颤振发生的重要预兆。本发明中的颤振预报技术就是基于上述分析,采用局部最佳信号侦测技术和神经元网络技术在颤振发展阶段识别颤振预兆,进行颤振预报,以达到本发明的目的。
附图说明
图1:本发明中控制方法流程图,Fs=采样频率,E=电场强度,E0=初始电场强度,AS=加速度信号,CDM=颤振识别程序模块,Fc=颤振频率,Fpost=当电流变材料处于屈服后状态时的颤振频率;
图2:CMD在线识别颤振预兆流程图;
图3:CMD信息流程图;
图4:本发明的***框图,1、计算机,2、主板PCI插槽,3、模拟/数字数字/模拟转换卡,4、模拟输入口,5、模拟输出口,6、电荷放大器,7、加速度传感器,8、电压变换器,9、智能镗杆(含电流变材料);
图5:本发明的***原理框图,a、干扰,b、动态切削力,c、控制指令,d、振动响应,10、控制器,11、机床-工件-刀具组成的机械振动***,12、切削过程示意模块;
图6:智能型镗杆结构示意图,13、支撑套,14、正电极,15、O形圈,16、绝缘套,17、镗杆,18、镗刀,L1、镗杆装卡长度,L2、镗杆悬伸长度;
图7:加速度传感器安置及镗削***示意图,19、卡盘,20、镗刀头夹具,21、工件,22、镗刀架;
图8:本发明监视***信号传输配置原理图,23、8通道扁平适配器;
图9:利用智能型镗杆进行镗削加工的***装置示意图;
图10:Fuzzy-ARTMAP神经元网络离线学习训练时信息输入示意图;
图11:Fuzzy-ARTMAP神经元网络在线预报颤振预兆时的信息输入输出示意图。
具体实施方式
本发明可使用在镗削加工中。因为镗削是内孔加工,因此镗杆一般设计成细长悬臂梁结构,刚性差,易于受力发生弯曲变形,在受到动态切削力时颤振往往无法避免。本发明为了克服镗杆刚度无法根本提高的弱点,在其结构设计时加入了一种智能材料——电流变材料,通过对电流变材料施加电场来在线改变镗杆整体的动态特性,结合颤振在线预报技术在线根据传感信号调控镗杆动态特性以避免颤振的发生。
本实施例中***根据图4按常规技术装配,其中采用配件及相互关系描述如下:
(1)计算机CPU型号为PII233,主板有3个PCI插槽,在***中作为数据采集、颤振预报控制软件的载体。
(2)模拟/数字,数字/模拟转换卡:型号为HY-6070,插于计算机PCI插槽中,其模拟输入端与电荷放大器的电压输出端相连,模拟输出端与高电压变换器的输入电压端相连。
(3)电荷放大器:型号为YE5858,其输入端将加速度传感器输出的电荷量接入,输出为代表加速度信号的电压信号,输出接入A/D,D/A卡的模拟输入端。
(4)加速度传感器:型号为YE14103,加速度传感器通过双头螺钉固定在镗杆的悬臂端,输出与电荷放大器的电荷输入端相连。
(5)电压变换器:型号为GYW-010,其功能为将由计算机输出的0~5伏特的低电压转换为0~10000伏特的高电压,其输入电压端与A/D,D/A卡的模拟输出端相连,其高电压输出端的两极分别与镗杆中电流变材料的正负极相连。
本发明的在切削***的结构设计中将电流变材料引入机械加工***关键部件,研制出一种可由外部电信号直接控制机械结构动态特性的智能型镗杆。智能型镗杆的结构设计针对以往基于电流变材料的层合梁结构或中空梁结构的动态特性随控制电场强度变化而获得的变化范围有限的缺点,利用电流变材料改变镗杆根部的局部支撑刚度,很大地提高了结构动态特性的变化范围,同时不影响正常的镗削加工。镗杆结构如图6所示,正电极为薄壁钢圈,支撑套与正电极相对的部分作为电流变材料的负极(也就是接地),电极轴向长度为20毫米,两电极间隙为0.5毫米。正电极与镗杆间有绝缘套,电流变材料灌注入正电极与负电极间的空腔内,电流变材料的密封靠2个O型圈来保证。支撑套和镗杆靠四个内六角螺栓从相互垂直的两个方向固定。支撑套被装卡于镗削***中的刀架中,L1等于1 00毫米,L2等于180毫米,镗杆悬伸部分的长度与直径比为6∶1。在镗杆的端部安装镗刀。采用激振器对镗杆激振测试表明在电流变材料的控制电场强度变化范围在0至2000伏特/每毫米时镗杆固有频率有30赫兹的变化量。
镗削***、加速度传感器安置如图7所示。加速度传感器之所以都采用水平方向,也就是垂直于切削表面这一方向主要是考虑到切削颤振多为再生型颤振,由再生型颤振产生机理可以知道只有切削深度方向刀具和工件相对振动位移分量才显著的影响切削力。实施中证明切削深度方向振动响应和切削力动态分量比其它方向的传感信号能更灵敏的反映切削颤振的发展过程。加速度传感器安装于镗杆的端部,因为在端部的振动响应明显。
计算机直接处理的数字信号流程图如图8所示。在加工过程中,加速度传感信号经YE14103加速度计采集经YE5853电荷放大器将电荷信号转换为电压信号,然后经8通道扁平电缆适配器输入12位A/D转换卡,成为可由计算机直接处理的数字信号。
电流变材料的配置主要考虑电流变材料工作在室温范围内,材料体系要具有高的分散稳定性,材料要具有大的粘度、弹性模量变化范围,材料的电流变效应稳定性高,此外材料要具有低导电性。基本配置过程为:将淀粉和真空泵油按混合,再加入适量的松香衍生物及附加添加剂,在室温下用电动搅拌机搅拌分钟,搅拌后为均匀的棕色悬浮状液体。此种材料在不密封、15~40℃的环境温度范围下放置,没有出现分层、沉淀现象,而且电流变效应明显。
切削颤振控制***装置示意图如9所示。镗削***建立在CA6140车床上,工件悬臂卡置在主轴上,镗刀安装在刀架上。监控***为一个配有HY6070数据采集卡的联想PII233计算机。采集的振动信号为镗杆端部水平方向的加速度信号。根据采集的振动信号和切削颤振在线控制策略,采集卡的输出通道发出控制信号给GYW-010电压变换器,电压变换器根据控制信号将一定大小电场强度的电场施加在镗杆中的正负极间,以此通过改变正负极间电流变材料性能来调控镗杆的动态特性。这样的配置可以保证很方便的根据切削振动信号来调整电源输出电压以控制镗杆的动态特性进行切削颤振的在线抑制。
***控制方法的操作流程如图1所示。***由三部分组成:***初始化、颤振识别和颤振控制。
***初始化部分主要是将包括采样频率、由经验决定的初始电场强度等参数输入***。采样频率根据所需的信号频段和采样定理决定,初始电场强度是根据切削加工条件选择、由实验确定的。一旦颤振预兆被预测到,初始电场强度被施加给电流变材料。这样,可以节省***用于搜索最佳电场强度的时间。
颤振识别部分包括振动信号(例如加速度、振动位移等)的予处理和颤振预兆在频谱图中的捕捉两个技术环节。传感信号的予处理是随着切削过程实时进行的。振动信号的频谱图每隔50毫秒被输入给Fuzzy ARTMap网络,以用于颤振预兆的识别。在切削过程中***连续监测振动信号,一旦颤振预兆被识别到,颤振在线控制程序将被启动。
第三部分完成颤振在线控制的功能,分为两个模块。在第一个模块中,首先一个峰值搜索程序开始在频谱图中找出颤振频率FC,令Fpost等于FC。然后,计算机发出控制指令让电流变材料的控制电源施加初始电场强度给电流变材料。尽管初始电场强度是根据切削条件,由实验获取的最佳值,但由于切削***的复杂性,在线搜索最佳电场强度有时仍是必须的。因此,当初始电场强度施加后颤振预兆仍旧存在时,第二个模块被启动开始连续在线调整电场强度直到颤振预兆消失。如果颤振预兆消失,程序跳转到颤振在线识别部分,同时施加给电流变材料的电场强度恢复为零电场强度。
在第二个模块中,采用了一个反馈控制策略以调整电场强度、抑制颤振的发生。控制策略如图7所示:如施加初始电场强度后颤振预兆仍然存在,则首先计算颤振频率FC,如此时颤振频率FC大于施加电场强度前的颤振频率Fpost,则减小施加于电流变材料的电场强度,如果FC不大于Fpost,则增大施加于电流变材料的电场强度。然后再采集切削振动信号,判断颤振预兆是否存在,如存在说明颤振仍有发生的可能,那么再次计算颤振频率,按照上述过程反复计算、调节电场强度,直到颤振预兆消失。
颤振识别预报技术的信息流动如图3所示。首先,将加速度信号通过A/D转换采入计算机,采样频率设定为1000Hz是因为镗削颤振主要发生在镗杆固有频率附近,一般为150~400Hz之间,所以为了达到满意的时频转换结果,采样频率取为1000Hz。
接着,将加速度信号序列经LO-RBF侦测技术进行予处理,产生新的信号序列。采用LO-RBF侦测技术目的是增加背景噪声中颤振预兆信号——谐振信号的强度。经LO-RBF侦测技术重构的信号序列在做快速傅立叶转换时可以取较少的采样点数即可在颤振初始阶段的信号频谱图中显现其窄带特征。这样可以减少大量的用于数据取的采样时间。本发明经实验确定采用128点的快速傅立叶变换可达到在镗削颤振初始阶段的加速度频谱中显现颤振预兆的窄带能量分布特征。然后,利用模糊理论和自适应共振神经元网络技术相结合的Fuzzy Artmap网络模型作为模式分类器,来对切削过程的稳定性进行判定。在网络的监督学习时,网络的输入分别为FFT变换后得到的分析频段(1~500Hz)各频率点的模向量A(64维)和代表颤振预兆出现和无颤振的二维向量B({0,1}和{1,0})。在学习成功后,在向量A和向量B间建立了确定的映射关系。在线预报阶段,网络的输入为实时在线采集信号经处理后进行FFT变化后的模向量A,输出为对颤振预兆进行预报的结果。
该技术在颤振预报速度上可以达到在颤振预兆出现后50ms内做出准确预报。
本发明中所采用的是Fuzzy ARTMap人工神经元网络模型。在监督学习阶段采用的Fuzzy-ARTMap网络是由一对Fuzzy-ART神经元网络(分别为ARTa、ARTb)和ARTa、ARTb之间的映射控制器组成。这里,ARTa的输入信号为64维信号S64,分别代表分析频段(1~500Hz)内各频率点的能量密度。ARTb的输入为2维信号C2,分别为{0,1}和{1,0},它们分别代表有颤振预兆和无颤振预兆。
网络的学***稳切削,即无颤振现象时ARTa的输入向量组;后(M-K)个为颤振预兆存在时的ARTa的输入向量。与上述两部分ARTa的输入向量组相对应,ARTb的输入向量组C2分别为{0,1}和{1,0}。Fuzzy-ARTMAP采用模糊最大最小学习规则进行递增学习,学习成功后,通过ARTa、ARTb和ARTa、ARTb之间的映射控制器连接起来的权向量Wj a、Wk b和Wj ab在ARTa和ARTb之间建立起映射关系。
在线预报阶段参见图11。此阶段,ARTa的输入信号为在线实时获取的64维信号S64,ARTb此时作为输出端,当无颤振预兆时输出C2为{0,1},当有颤振预兆时输出C2为{1,0}。
Claims (4)
1、一种机床切削颤振在线智能控制***,有计算机,其特征在于:它包括有设置有电流变材料的智能型镗杆,向镗杆上的电流变材料施加高压电场的电压变换器,经主板PCI插槽和数字/模拟转换卡向电压变换器施加控制电压信号的计算机,经数字/模拟转换卡和主板PCI插槽向计算机输入加速度信号的电荷放大器,以输出端与电荷放大器输入端相连、而输入信号为镗杆端部切削加工过程中振动加速度信号的加速度传感器。
2、根据权利要求1所述的机床切削颤振在线智能控制***,其特征在于,在切削***的设计上采用了一含有一种电流变材料的镗杆,当施加在电流变材料上的控制电场强度由0变化至2000伏特/每毫米时镗杆固有频率有30赫兹的变化量。
3、根据权利要求1所述的的机床切削颤振在线智能控制***,其特征在于,采用的电流变材料配置过程:将淀粉(颗粒直径为10微米到50微米之间)和真空泵油按9∶11混合,再加入适量的松香衍生物及附加添加剂,在室温下用电动搅拌机搅拌15-30分钟,搅拌后为均匀的棕色悬浮状液体,该材料在施加0~10000伏/每毫米的高压电场后,其所能承受的抗剪切屈服应力由0增加到3900帕。
4、根据权利要求1或2所述的的机床切削颤振在线智能控制***,其特征在于:所述的含有电流变材料的智能型镗杆是在现有的镗杆上、套有作为电流变材料正电极的薄壁钢圈,电流变材料负极为位于相对于薄壁钢圈部分的支撑套,两电极间的0.5mm间隙中装有电流变材料,电流变材料两端的密封采用2个O型圈,支撑套和镗杆靠四个内六角螺栓从相互垂直的两个方向固定,支撑套被装卡于镗削***中的刀架中,加速度传感器安置于镗杆的端部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA031370462A CN1515382A (zh) | 2001-12-19 | 2001-12-19 | 机床切削颤振在线智能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA031370462A CN1515382A (zh) | 2001-12-19 | 2001-12-19 | 机床切削颤振在线智能控制*** |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 01144486 Division CN1128040C (zh) | 2001-12-19 | 2001-12-19 | 机床切削颤振在线智能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1515382A true CN1515382A (zh) | 2004-07-28 |
Family
ID=34240104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA031370462A Pending CN1515382A (zh) | 2001-12-19 | 2001-12-19 | 机床切削颤振在线智能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1515382A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101417398B (zh) * | 2007-10-25 | 2012-05-23 | 大隈株式会社 | 振动抑制方法及装置 |
CN101380719B (zh) * | 2007-09-06 | 2012-05-23 | 大隈株式会社 | 机床的振动抑制装置 |
CN101623835B (zh) * | 2008-07-08 | 2012-12-12 | 大隈株式会社 | 振动抑制方法及装置 |
CN105171529A (zh) * | 2015-10-12 | 2015-12-23 | 四川大学 | 一种自适应智能进刀控制装置 |
CN105773109A (zh) * | 2016-05-16 | 2016-07-20 | 安徽宜留电子科技有限公司 | 压装机压装部分的保养维护装置 |
CN105808950A (zh) * | 2016-03-09 | 2016-07-27 | 常州信息职业技术学院 | 微铣削颤振的在线预测方法 |
CN106965032A (zh) * | 2017-03-22 | 2017-07-21 | 西北工业大学 | 薄壁件铣削颤振抑制方法 |
-
2001
- 2001-12-19 CN CNA031370462A patent/CN1515382A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101380719B (zh) * | 2007-09-06 | 2012-05-23 | 大隈株式会社 | 机床的振动抑制装置 |
CN101417398B (zh) * | 2007-10-25 | 2012-05-23 | 大隈株式会社 | 振动抑制方法及装置 |
CN101623835B (zh) * | 2008-07-08 | 2012-12-12 | 大隈株式会社 | 振动抑制方法及装置 |
CN105171529A (zh) * | 2015-10-12 | 2015-12-23 | 四川大学 | 一种自适应智能进刀控制装置 |
CN105808950A (zh) * | 2016-03-09 | 2016-07-27 | 常州信息职业技术学院 | 微铣削颤振的在线预测方法 |
CN105773109A (zh) * | 2016-05-16 | 2016-07-20 | 安徽宜留电子科技有限公司 | 压装机压装部分的保养维护装置 |
CN106965032A (zh) * | 2017-03-22 | 2017-07-21 | 西北工业大学 | 薄壁件铣削颤振抑制方法 |
CN106965032B (zh) * | 2017-03-22 | 2018-01-16 | 西北工业大学 | 薄壁件铣削颤振抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1128040C (zh) | 机床切削颤振在线智能控制方法 | |
Schmitz et al. | Improving high-speed machining material removal rates by rapid dynamic analysis | |
Teti et al. | Advanced monitoring of machining operations | |
Wang et al. | On-line chatter detection and control in boring based on an electrorheological fluid | |
CN110263474A (zh) | 一种数控机床的刀具寿命实时预测方法 | |
CN102069245B (zh) | 基于区间二型模糊逻辑的微细电火花两阶模糊控制方法 | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控***及方法 | |
CN1515382A (zh) | 机床切削颤振在线智能控制*** | |
CN114273974B (zh) | 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 | |
CN112405072B (zh) | 一种机床切削颤振的在线监测方法及装置 | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
Wang et al. | Early chatter identification of robotic boring process using measured force of dynamometer | |
Sener et al. | Intelligent chatter detection in milling using vibration data features and deep multi-layer perceptron | |
Klein et al. | Quality prediction of honed bores with machine learning based on machining and quality data to improve the honing process control | |
CN111723765A (zh) | 一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法 | |
Guo et al. | A magnetic suspension spindle system for small and micro holes EDM | |
CN115755758A (zh) | 基于神经网络模型的机床加工控制方法 | |
CN111610024A (zh) | 一种基于振动信号的齿轮裂纹故障诊断方法 | |
CN114227382A (zh) | 基于新型胶囊网络的刀具破损监测***及方法 | |
Nguyen Huu et al. | Multi-objective optimization in micro-electrical discharge machining using titanium nitride coated WC electrode | |
Tonshoff et al. | Application of fast Haar transform and concurrent learning to tool-breakage detection in milling | |
CN1098360C (zh) | 智能谐波振动消除应力方法及设备 | |
CN114819311B (zh) | 一种数控加工表面粗糙度预测模型的构建方法 | |
CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
CN116304690A (zh) | 基于mddgan的刀具磨损状态监测数据集增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |