用于预测机器工具的颤振的方法技术

本发明专利技术涉及用于预测机器工具的颤振的方法。所述方法包括以下步骤：将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；将所述第一输出数据提供到稳定性模型中以生成预测数据；比较所述预测数据与测量稳定性数据，并且调节所述人工神经网络的所述多个权重。

【技术实现步骤摘要】
用于预测机器工具的颤振的方法
本专利技术与用于预测机器工具的颤振的方法有关。此外，本专利技术涉及用于执行所述方法的颤振预测单元。
技术介绍
颤振是一种自激励的振动，并且对经机器加工的工件的品质有至关紧要的影响。如果在铣削（milling）过程期间出现颤振，则工件的品质可显著降级，例如工件的表面品质拙劣。除了该缺陷之外，切割工具和/或机器组件、诸如主轴（spindle）的寿命时间可被颤振缩短。颤振通常由于在机器动力学与机器加工参数之间的非最优组合而发生。因此，如果可以为不同的机器加工参数、工具和工件精确地预测颤振，则可以预先选择最优机器加工参数以降低颤振的风险，并且从而改善经机器加工的工件的品质并且确保包括切割工具的机器的完整性。用于预测颤振发生的方法被很好地建立。然而，在已知方法中，预测的准确性取决于若干参数；特别地，不能精确地测量或计算某些参数，因为这些参数在不同的机器加工条件下变化。此外，仅能在实验环境中获得某些参数，所述实验环境不同于现实生产环境。因此，提出了用于在现实生产环境中获取测量数据以改善预测准确性的系统和方法。EP2916187公开了颤振数据库系统，其中从多个机器工具获取与机器加工和颤振条件相对应的数据，特别地，可以在机器工具对工件进行机器加工的时候获得数据。这些数据可以用于生成基于实验的稳定性图，其图示了关于机器加工参数的颤振发生。在该系统中，可以在现实生产环境中从机器工具收集大量数据。然而，该系统仍具有缺点：即不是所有对于生成稳定性图而言所需要的数据都可以通过该方式被获得，例如工具中心点的动力学。
技术实现思路
本专利技术的目的是提供用于实现针对宽范围的机器加工参数的颤振预测的经改善的准确性的方法和系统。根据本专利技术，这些目的通过独立权利要求的特征来被实现。此外，另外的有利实施例由从属权利要求和说明书产生。在本专利技术中，一种用于预测机器工具的颤振的方法包括以下步骤：将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；将所述第一输出数据和第二输入数据提供到稳定性模型中以生成预测数据；以及比较所述预测数据与所测量的稳定性数据，并且调节所述人工神经网络的所述多个权重。所述稳定性模型输入包括第二输入数据和来自所述人工神经网络的输出的第一输出数据。不同的模型可用于预测稳定性条件。示例是基于解析零阶解或时域的半离散化方法以及全离散化方法。与不同模型和颤振有关的参考文献是：-BudakE,AltintasY(1998)AnalyticalPredictionofChatterStabilityinMilling—PartI:GeneralFormulation.JournalofDynamicSystems,Measurement,andControl,120(1):p.22-30.-InspergerT,StépánG(2002)Semi-discretizationmethodfordelayedsystems.InternationalJournalforNu-mericalMethodsinEngineering,55(5):p.503-518.-YeDing,LiMinZhu,XiaoJianZhang,HanDing,Afull-discretizationmethodforpredictionofmillingstability,InternationalJournalofMachineToolsandManufacture,卷50,期号5,2010,502-509页,-J.Munoa,X.Beudaert,Z.Dombovari等人的Chattersuppressiontechniquesinmetalcutting,CIRPAnn.Manuf.Technol.65(2)(2016)785-808。出于计算原因，有利的是使用零阶解模型作为稳定性模型，用于计算稳定性限制。但是本专利技术的方法不限于该稳定性模型，并且可以使用任何稳定性模型。稳定性叶瓣图是众所周知的可视图示，用于区分铣削操作中的稳定与不稳定的机器加工参数。在稳定性叶瓣图中，描绘了例如在作为主轴速度的函数的切割的临界深度方面的稳定性限制。用于创建稳定性叶瓣图的一种方法是建立稳定性模型，并且使用该模型来获得稳定性叶瓣图。该基于模型的途径需要关于结构参数、例如在工具-工件接触区中的相对动力学、以及关于过程参数、诸如将芯片厚度与结果得到的力关联的切割力系数的信息。为了确定机器工具的动力学以及切割力系数，广泛测量是强制性的。这样的测量引起附加的成本。另外，不能在生产期间进行测量，因此，测量条件不对应于现实机器加工条件。由于机器动力学在现实机器加工条件下可显著改变，所以测量的准确性不令人满意。因此，基于不准确的数据所建立的稳定性叶瓣图不提供足够的准确性，特别是在高精度铣削机器工具的应用中。本专利技术的方法使能实现：能够以较高的精度得到对于稳定性叶瓣图而言所需要的数据。对于某些给定的机器加工条件，可以应用稳定性模型以预测颤振的发生以及对应的颤振频率，所述颤振频率定义在工具与工件之间的振动的频率。这表示在图3中所描绘的预测数据。稳定性模型需要若干输入参数以做出颤振预测。这些中的一些可靠地已知，并且一些其它的可能不确定。在下文中，不确定的参数被称为第一输出数据，并且已知的参数被称为第二输入数据。在开始处，有必要限定哪些参数是不确定的，以及这样的参数是否取决于其它已知参数。这使得能够限定所谓的第一输入数据。第一输入数据和第二输入数据二者都是已知的参数，但是它们表示不同类型的参数。第一输出数据描述基于第一输入数据所估计的参数。第一输入数据表示易于影响稳定性模型的不确定输入参数、即第一输出数据的已知参数。第一输入数据可以是由机器-工具操作者所设置的机器加工参数、例如主轴速度、进给速率、切割深度、润滑条件、工件材料、或者在机器加工期间所测量的机器加工参数、诸如主轴轴承温度、轴负载。第二输入数据是已知具有足够高的精度的参数，比如工具的出屑槽的数目，或切割机接合，诸如入口和出口角。如果可靠地已知，则还有可能将与机器动力学或切割力相互作用有关的参数指定为第二输入数据，比如例如，工具中心点的模态参数或切割力系数。作为稳定性模型的输入所需要的参数通过所使用的稳定性模型的类型来被限定。如果参数精确地已知，则它如第二输入数据那样被直接馈送到稳定性模型中。如果参数是未知的，或其对于其它已知参数的依赖性不确定，则该参数得自神经网络。例如，入口和出口角或者出屑槽的数目典型地是第二输入数据。然而，限定机器动力学的模态参数或切割力系数取决于它们的值多准确且可靠地已知而可以是第二输入数据或第一输出数据。为了确定在第一输入数据与第一输出数据之间的函数关系，在稳定性模型的上游实现人工神经网络。通过比较由稳定性模型所生成的预测数据与实验数据来训练人工神经网络，所述实验数据产生自对应的机器加工条件下的现实本文档来自技高网...

【技术保护点】
1.一种用于预测机器工具的颤振的方法，包括：/n- 将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；/n- 基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；/n- 将所述第一输出数据和第二输入数据提供到稳定性模型中以生成预测数据；/n- 比较所述预测数据与实验数据，并且调节所述人工神经网络的所述多个权重。/n

【技术特征摘要】
20190521 EP 19175510.71.一种用于预测机器工具的颤振的方法，包括：
-将第一输入数据馈送到人工神经网络中，所述人工神经网络包括多个权重；
-基于所述第一输入数据和所述多个权重来确定在人工神经网络的输出处的第一输出数据；
-将所述第一输出数据和第二输入数据提供到稳定性模型中以生成预测数据；
-比较所述预测数据与实验数据，并且调节所述人工神经网络的所述多个权重。


2.根据权利要求1所述的方法，其中所述神经网络利用进化算法、特别是遗传算法来被训练。


3.根据权利要求1或2所述的方法，其中所述方法此外包括当机器工具对工件进行机器加工的时候从至少一个机器工具获得所收集的数据，特别地，所收集的数据包括实验数据、由操作者所设置的机器加工参数、以及在机器加工期间所测量的机器加工参数。


4.根据权利要求3所述的方法，其中所述第一输入数据和/或第二输入数据的一部分得自所收集的数据。


5.根据权利...

【专利技术属性】
技术研发人员：M波斯特尔，NB布达伊哲，J莫宁，JP贝苏切特，
申请(专利权)人：乔治费歇尔加工方案公司，茵斯柏尔股份公司，
类型：发明
国别省市：瑞士;CH