[发明专利]数控加工切削振动识别方法、装置、计算机设备及介质

权利要求书

1.一种数控加工切削振动识别方法，其特征在于：包括如下步骤：

S1获取实时观测信号，并提取所述实时观测信号的小波包能量之比

所述步骤S1中，所述小波包能量之比为：

其中，d_k^j,n表示对观测信号进行j层小波包分解得到的2^j个小波包系数，E_j,fΩ为属于每齿切削频率及其高次谐波的小波包能量，E_j为信号在第j层总能量，f_Ω表示每齿切削频率及其倍频，d_k表示小波包系数，n表示分解得到的小波包频段，Z表示整数值；

S2构建并优化广义隐马尔科夫模型，将所述小波包能量之比作为特征参数输入至优化后的所述广义隐马尔科夫模型中，获取所述实时观测信号的λ＝(π,A,B)，其中，为广义状态转移概率矩阵，其输出为区间范围，其中，A、分别表示区间概率的下界值与上界值；为广义观测概率矩阵，其输出也为区间范围值，其中B、分别表示区间概率的下界值与上界值；

所述广义隐马尔科夫模型中，广义状态转移概率矩阵A为：

其中，A、的分母分别表示t时刻q属于S_i状态取值范围的最大、最小个数和，分子表示在给定观测状态序列的情况下，从t时刻q属于的S_i转移到t+1时刻S_j状态的个数和，其中对应矩阵的行上界相加和与下界相加和都为1；

所述广义隐马尔科夫模型中，广义观测概率矩阵B为：

其中，M＝3,B、的分母表示t时刻q属于S_i状态取值范围的最大、最小个数和，分子表示同时满足o_t与S_j状态取值范围的个数和，其中对应矩阵的行上界相加和与下界相加和都为1；

所述步骤S2构建并优化广义隐马尔科夫模型包括如下步骤：

S21获取振动信号训练样本，所述训练样本包括三种状态观测信号，即处于01稳定优化状态的观测信号、处于O2过度优化状态的观测信号，处于O3颤振优化状态的观测信号，提取所述振动信号训练样本的小波包能量之比

S22构建广义隐马尔科夫模型，并随机构造初始化参数；

S23将所述振动信号的时频域特征输入至所述广义隐马尔科夫模型中进行训练，通过前向后向算法进行迭代优化获取参数的期望数据,并更新所述参数；

S24重复所述步骤S22至所述步骤S23,直到参数稳定，获取局部最优解；

S3根据广义区间前向算法确定所述λ＝(π,A,B)的每个状态的概率分布，以输出所述实时观测信号极大似然区间值；

S4根据所述极大似然区间值判断所述实时观测信号的切削振动状态；通过小波包分解得到的小波包能量之比的明显变化相比于切削颤振的发生提前了约0.2s。