【技术实现步骤摘要】
本专利技术属于机械加工领域，具体涉及了一种基于数字孪生的薄壁件铣削颤振预测方法。
技术介绍
1、颤振现象的产生是由于薄壁件刚性较差，容易受主轴转速、轴向切削深度、进给速度以及径向切削深度等因素的影响，从而使加工过程中刀具和工件之间产生强烈的自激振动。
2、颤振的产生会导致工件表面质量变差，主要表现为工件表面出现颤振痕迹、刀具异常磨损或刀具破损等现象。为了避免铣削过程中颤振的发生，常常会选取非常保守的切削参数，这大大的降低了加工效率。所以在铣削过程中要尽量避免颤振的发生。
3、颤振预测包括信号预处理、特征提取和状态识别。目前预测颤振的方法主要有利用快速傅里叶变换将信号转换到频域内，分析信号中的周期性成分，从而实现颤振的预测。利用连续小波变换的薄壁件铣削过程中的颤振预测和稳定区域采集。利用变分模态分解-能量分布的方法预测颤振。但是由于颤振信号的不稳定性和非线性快速傅里叶变换可能会产生不准确的结果，当颤振频率过高时，由于小波变换分解后的高频系数分辨率较低，高频信号受到了很大的限制，容易产生信号缺失。
技术实现思路
1、针对上述现有的利用快速傅里叶变换进行震颤预测时，高频信号容易缺失的问题，本专利技术提供了一种基于数字孪生的薄壁件铣削颤振预测方法，弥补了上述方法的缺点，实现了铣削加工中颤振的预测，提高了铣削效率以及工件的表面质量。
2、本专利技术是通过以下技术方案实现的：一种基于数字孪生的薄壁件铣削颤振预测方法，包括如下步骤：
3、搭建铣削系
4、s1、构建相应的数字孪生体具体为：依据铣削系统构建对应的三维切削模型，建立物理参数与切削模型一一对应的关系，结合机床切削参数生成切削系统的数字孪生体，实现真实物理在虚拟环境下的真实映射；
5、s2、以冲击锤试验为模态参数，确定主轴-刀具和工件系统的动态特性，并基于傅里叶展开的方法计算sld；
6、s3、进行铣削试验和数据采集，通过加速度传感器获取振动信息，并对振动信息进行快速傅里叶变换进行信号的预处理，利用vmd算法对预处理后的信号进行分解，得到原始信号的模态分量；
7、s4、通过计算最大的能量比来选择具有足够的颤振信号的ifm，其输出被用于下一个一维信号到二位时频图像转换的步骤中，根据加窗范围的长度对选定的一维ifm信号进行分段，在每个片段上同时进行cwt和wsst时频信号分析生成二维时频图；
8、s5、生成的二维时频图被调整为适合预训练神经网络输入层的大小，并存储为数据集样本，将获得的训练数据集输入到预训练模型（alex-net和squeeze-net）中,以训练新的迁移网络模型，最后新的迁移学习模型针对数据集进行测试，以获得每种数据集下的切削状态并判断是否产生颤振。
9、优选的，在步骤s1中，所述步骤s1中，物理参数包括振动信号、铣削力等，通过实地测量得到，实现物理实体加工参数与虚拟体加工参数的一一对应。
10、优选的，在步骤s2中，所述步骤s2中，以冲击锤试验获取模态参数，确定主轴-刀具和工件的动态特性，并基于傅里叶变换展开的方法计算得到系统的sld，用于选取切削加工参数。
11、优选的，在步骤s3中，所述步骤s3中，凭借s2步骤中生成的sld选取加工参数进行试验并通过加速度传感器获取振动信号。对采集的振动信号进行滤波预处理过滤噪声信号，利用vmd对预处理的信号进行分解，得到原始信号的模态分量，避免高频信号的缺失。
12、优选的，在步骤s4中，所述步骤s4中，通过计算最大的能量比来选择具有足够的颤振信号的ifm，根据加窗范围的长度对选定的一维ifm信号进行分段，在每个片段上同时进行cwt和wsst时频信号分析生成二维时频图。在频域中，可以更加直观的观察信号的频率成分和分布。
13、优选的，在步骤s5中，所述步骤s5中，将二维时频图调整为适合预训练神经网络输入层的大小，存储为数据集样本，将获得的训练数据集输入到预训练模型（alex-net和squeeze-net）中,以训练新的迁移网络模型，最后新的迁移学习模型针对数据集进行测试，获得各种切削参数下的加工状态判断是否产生颤振。
14、通过以上技术方案可以看出，本专利技术的优点在于：有物理层和虚拟层两部分组成。所述的物理层主要有机床实体、多种传感器，并通过信号采集卡将监测信息进行采集,并对状态特征进行提取。最后将采集到的数据传输到数字孪生层。所述的虚拟层是反映系统在真实世界中的物理状况的虚拟实体，其特征在于虚拟模型与物理对象的相互交互。虚拟空间对数据进行分析处理后，构建虚拟机床模型，并对加工过程进行全过程的仿真，经过智能决策，在孪生数据的驱动下，实现对颤振的预测。首先建立sld稳定性图用于铣削参数的选取，然后利用cwt和wsst结合vmd方法对颤振信号进行处理，并利用tl的方法减少使用大量数据集的需要以提高预训练神经网络模型的学习精度和效率。
本文档来自技高网...【技术保护点】
1.一种基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤S1中，物理参数包括振动信号，通过加速度传感器等手段实地测量得到。
3.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤S2中，以冲击锤试验获取模态参数，确定主轴-刀具和工件系统的动态特性，基于傅里叶展开方法可以解析的计算SLD，具体的：
4.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤S3中，根据生成的SLD进行铣削试验并采集数据，通过传感器获取振动信息，并对振动信息进行快速傅里叶变换进行预处理，利用VMD算法对预处理的信号进行分解，得到原始信号的模态分量：VMD是经验模态分解(EMD)的改进形式，表达式如下：
5.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤S4中，通过计算最大的能量比来选择具有足够颤振信号的IMF，其输出被用于下一个信号到图像转换的步骤中，根据加窗范围的长度对选
6.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤S5中，生成的二维时频图被调整为适合预训练神经网络输入层的大小，并存储为数据集样本；数据集样本以特定比例随机分为测试集和训练集，修改并替换预训练网络模型，Squeeze-Net和Alex-Net,使用新的添加层；再将获得的训练数据集输入到预训练模型（Alex-Net和Squeeze-Net）中,以训练新的迁移网络模型；最后新的迁移学习模型针对测试数据集进行测试，以获得每种数据集下的切削状态并判断是否产生颤振。
...【技术特征摘要】
1.一种基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤s1中，物理参数包括振动信号，通过加速度传感器等手段实地测量得到。
3.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤s2中，以冲击锤试验获取模态参数，确定主轴-刀具和工件系统的动态特性，基于傅里叶展开方法可以解析的计算sld，具体的：
4.根据权利要求1所述的基于数字孪生的薄壁件铣削颤振预测方法，其特征在于：所述步骤s3中，根据生成的sld进行铣削试验并采集数据，通过传感器获取振动信息，并对振动信息进行快速傅里叶变换进行预处理，利用vmd算法对预处理的信号进行分解，得到原始信号的模态分量：vmd是经验模态分解(emd)的改进形式，表达式如下：
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：衣杰，刘宽帅，王旭瑞，刘效杰，王新耀，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
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。