【技术实现步骤摘要】
一种虑及颤振抑制的机床自适应控制方法
本专利技术属于智能制造
,具体地说,涉及一种虑及颤振抑制的机床自适应控制方法。
技术介绍
在传统数控加工过程中,主轴转速、进给速度、切削深度等切削参数在加工前的编程阶段就已确定,而这些切削参数往往由操作人员的经验或者加工工艺手册所保守得设定,并不是最优的切削参数。在实际加工过程中,尤其是毛坯件粗加工过程中,由于切削参数、加工余量不均匀、工件材料、切削液质量、刀具磨损等因素,切削条件是不断变化的,而编程设定的切削参数无法适应加工过程中的这些变化,需要操作人员手动调整,造成加工效率低、刀具磨损和机床损坏等后果。因此,在没有有效的过程监测和自适应控制的情况下,要想实现加工质量的优化和加工效率的提高是比较困难的。在以往的自适应控制方法中,主要运用的是模糊数学和模糊理论。2014年,田锡天等在专利“一种数控加工参数实时自适应优化方法”(申请号:201410719430.9)中公开了一种数控加工参数实时自适应优化方法,建立了主轴电机电流与实际切削力对应模型,并用模糊算法优化主轴转速和进给速度,有效提高了加工质量和加工效率,减少刀具和机床损坏,降低生产成本。2019年,吴宝海等在专利“基于模糊控制的进给速度在线优化方法”(申请号:CN201910954545.9)中通过制作恒功率模糊控制器,应用模糊控制算法,对复杂多变、难以用精确数学模型表达的控制体系实现切削过程的恒功率控制,解决了复杂曲面多轴数控铣削过程中的工艺参数在线优化问题,实现了恒功率自适应在线调控。2019年,李烨在专 ...
【技术保护点】
1.一种虑及颤振抑制的机床自适应控制方法,首先,在机床上通过变切削参数进行正交试验铣削加工,获取在不同切削参数加工下主轴功率信号,并对主轴功率信号进行缺失值补偿和特征值提取,利用切削参数、功率特征值对深度学习网络进行训练,得到进给速度自适应调控模型,通过深度学习网络对进给速度进行调整;接着,利用基于加权小波包熵的方法判断加工过程中是否产生颤振,建立主轴转速自适应调控模型,通过调整主轴转速的方法来实现对颤振的抑制;然后,设计进给速度和主轴转速的调整原则;最后,在实际加工过程中,对机床主轴功率信号和振动信号进行实时监测,基于设计的进给速度和主轴转速的调整原则对进给速度和主轴转速进行调整和控制,实现自适应加工;其特征在于,步骤如下:/n第一步,建立进给速度自适应调控模型/n(1)变切削参数主轴功率数据采集处理与特征提取/n功率传感器布置在主轴电机上,其三个线圈分别套在主轴电机UVW三根动力线上;/n变切削参数加工过程为:在同种刀具和工件的基础上,选择不同的主轴转速、进给速度和切削深度组合搭配进行切削加工,利用功率传感器记录下每一组切削过程的功率信号;/n由于功率信号采集过程中会产生信号缺失的 ...
【技术特征摘要】
1.一种虑及颤振抑制的机床自适应控制方法,首先,在机床上通过变切削参数进行正交试验铣削加工,获取在不同切削参数加工下主轴功率信号,并对主轴功率信号进行缺失值补偿和特征值提取,利用切削参数、功率特征值对深度学习网络进行训练,得到进给速度自适应调控模型,通过深度学习网络对进给速度进行调整;接着,利用基于加权小波包熵的方法判断加工过程中是否产生颤振,建立主轴转速自适应调控模型,通过调整主轴转速的方法来实现对颤振的抑制;然后,设计进给速度和主轴转速的调整原则;最后,在实际加工过程中,对机床主轴功率信号和振动信号进行实时监测,基于设计的进给速度和主轴转速的调整原则对进给速度和主轴转速进行调整和控制,实现自适应加工;其特征在于,步骤如下:
第一步,建立进给速度自适应调控模型
(1)变切削参数主轴功率数据采集处理与特征提取
功率传感器布置在主轴电机上,其三个线圈分别套在主轴电机UVW三根动力线上;
变切削参数加工过程为:在同种刀具和工件的基础上,选择不同的主轴转速、进给速度和切削深度组合搭配进行切削加工,利用功率传感器记录下每一组切削过程的功率信号;
由于功率信号采集过程中会产生信号缺失的情况,因此需要对缺失值进行补偿,采用缺失值前后两个功率值的平均值作为补偿后的新值,补偿后的功率Wi按式(1)计算:
式中,Wi-1为信号缺失前一时刻信号值,Wi+1为信号缺失后一时刻信号值;
然后取整个加工过程功率的平均值作为此次加工过程的功率特征值,功率特征值Wt按式(2)计算:
式中,n为整个加工过程功率值采样总数;
(2)深度学习网络的建立与训练
深度学习网络由两个RBF神经网络和一个自编码器组成;首先,建立第一个RBF神经网络,利用设定的切削参数对目标切削功率参考值进行预测,输入为主轴转速、进给速度和切削深度,输出为目标切削功率参考值;接着,建立自编码器,利用实时采集的功率数据以及设定的主轴转速和进给速度对当前实际切削深度进行预测,输入为功率数据、主轴转速和进给速度,输出为当前实际切削深度;然后,建立第二个RBF神经网络,利用目标切削功率参考值、主轴转速和自编码器预测得到的当前实际切削深度对需要调控的进给速度进行预测,输入为目标切削功率参考值、主轴转速和预测得到的当前实际切削深度,输出为调整后的进给速度f;最后,利用MATLAB深度学习工具箱对深度学习网络进行训练;
第二步,建立主轴转速自适应调控模型
(1)主轴振动数据的采集
加速度传感器布置在主轴外缘下端,靠近刀具一侧,设定采样频率实时采集加工过程振动数据;
(2)加工过程中切削颤振的在线识别
加工过程中切削颤振的在线识别主要基于加权小波包熵的方法;首先,确定小波包分解的级数L,对采集的振动信号进行小波包分解;其次,获取小波包分解系数,第L级第j频带的小波包系数为:
XLj={cj,n,n=1,2…...
【专利技术属性】
技术研发人员:刘阔,黄任杰,沈明瑞,班仔优,秦波,王永青,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。