[发明专利]一种基于振动信号的数控加工中心颤振在线辨识方法

说明书

本发明属于数控加工中心切削过程颤振在线辨识领域，并具体公开了一种基于振动信号的数控加工中心颤振在线辨识方法。包括：采集数控加工中心进行切削加工时的主轴振动信号，并对该振动信号进行预处理，构建预处理后的信号的多尺度排列熵和多尺度功率谱熵，将多尺度排列熵和多尺度功率谱熵进行拼接作为特征向量输入构建的梯度提升树模型，对其进行迭代训练，得到最优梯度提升树模型，将加工过程中的主轴振动信号经预处理后输入最优梯度提升树模型，从而实现对数控加工中心颤振的在线辨识。本发明可实现对机床颤振敏感性特征的提取和数控加工中心是否颤振以及颤振严重程度进行辨识，具有监测实时性高、辨识准确度高、泛化能力好等优点。

技术领域

本发明属于数控加工中心加工过程监测技术领域，更具体地，涉及一种基于振动信号的数控加工中心颤振在线辨识方法。

背景技术

颤振是一种自激振动，其具有不稳定性、混乱性以及反常性。数控加工中心在线颤振辨识是指在数控加工中心加工工件过程中，计算机或其他计算设备通过检测各种类型传感器信号变化，判断和辨识数控加工中心是否发生颤振现象。数控加工中心颤振辨识过程本质上是一个模式识别的过程，一个完整的颤振在线辨识系统由研究对象(数控加工中心)、加工条件、传感器网络、时序信号处理、敏感特征提取及模式识别等部分所组成。

若在加工过程中发生颤振，轻则直接导致零件加工表面质量差、材料去除率低、刀具磨损以及机床利用率下降，重则工件报废、刀具破损，在极端情况下甚至会损坏机床相关机械零件甚至停机检修。因此，需要实时快速地对机床的状态进行辨识，监测机床是否发生颤振。

经过多年发展，数控加工中心颤振监测技术在广度和深度上均取得了一定的进步，但目前监测时间和辨识精度尚未达到实际监测要求，其适用范围有限，远没有达到自动化和智能化的要求，在实际应用方面仍具有一定局限性，例如辨识精度不够、监测实时性较差、无法应对复杂的加工场景和加工条件等问题。

因此，本领域亟待提出一种基于振动信号的数控加工中心颤振在线辨识方法，可以准确快速并且实时辨识出数控加工中心是否发生颤振以及颤振的严重程度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于结合多尺度熵敏感性和梯度提升树算法的数控加工中心颤振在线辨识方法，该方法能够避免多变加工场景和多变加工参数情况下，人为手动调整相关颤振辨识算法参数，可以实现对机床颤振敏感性特征的提取和数控加工中心是否颤振以及颤振严重程度进行辨识，具有监测实时性高、辨识准确度高、泛化能力好等优点，可以准确快速并且实时辨识出数控加工中心是否发生颤振以及颤振的严重程度。

为实现上述目的，本发明提出一种基于振动信号的数控加工中心颤振在线辨识方法，包括以下步骤：

S1采集数控加工中心进行切削加工时的主轴振动信号，根据主轴旋转周期将主轴振动信号进行等长分割和规整；

S2剔除经等长分割和规整处理后的主轴振动信号中的谐频信号，得到剩余分量信号；

S3采用多尺度排列熵特征算法计算剩余分量信号的多尺度排列熵，采用多尺度功率谱熵特征算法计算剩余分量信号的多尺度功率谱熵，将多尺度排列熵和多尺度功率谱熵进行拼接作为特征向量；

S4构建梯度提升树模型，将特征向量作为样本输入梯度提升树模型，对所述梯度提升树模型进行迭代训练，使得梯度提升树模型的损失值达到预设值，结束对所述梯度提升树模型的迭代训练，得到最优梯度提升树模型；

S5将加工过程中的主轴振动信号经步骤S1至步骤S3处理后输入最优梯度提升树模型，从而实现对数控加工中心颤振的在线辨识。