[发明专利]预测加工操作的状态的方法

说明书

本发明涉及一种用于预测加工操作的状态、特别是颤振发生的状态的方法，该方法包括以下步骤：在预训练阶段和最终训练阶段训练具有输入层、至少一个隐藏层、输出层和多个权重的神经网络，其中，在预训练阶段，预训练数据集被提供给神经网络以获得预训练神经网络，并且在最终训练阶段，最终训练数据集被馈送到预训练神经网络以获得最终训练神经网络，其中，预训练数据集包括模拟数据，并且最终训练数据集包括实验数据；以及通过利用最终训练神经网络实行预测来得出预测数据。

技术领域

本发明涉及一种用于预测加工操作的状态、特别是颤振发生的状态的方法。

背景技术

今天，预测在大多数技术领域中都扮演着重要角色。例如，广泛地采用了用于预测在生产期间发生的错误、所生产的产品的质量以及加工操作的状态的方法。

过去已经开发了不同的技术来进行预测。然而，预测的准确性不够高，以至于无法满足某些应用的要求。因此，越来越需要提高预测的准确性。另外，如果将预测应用在工业环境中，则做出预测的努力应该很小。

进行预测的一种方法是基于物理模型，诸如分析模型和数值模型。例如，用于由作用在系统上的外力所引起的应力和应变的模型会对系统的热行为或系统的稳定性进行建模。为了提供精确的预测，必须很好地理解物理现象。由于模型参数存在较大的不确定性，理解和表征某些现象的能力有限会导致错误的物理模型或不可靠的预测。

如今，机器学习是实行预测的另一种众所周知的方法。然而，为了获得精确的预测，会需要大量的实验数据。在工业领域，收集大量实验数据可能是一项有挑战性的任务。

US 2020/0073343公开了一种用于优化滤波器的系数的机器学习方法，该滤波器设置在电动机控制设备中，该电动机控制设备会控制用于机床的电动机的旋转。

在机械加工行业中，预测机械加工的状态对于改进生产质量和提高生产率变得越来越重要。例如，在铣削过程中，加工不稳定性（即颤振）可能降低所生产零件的质量、大大增加切削刀具的磨损，并且甚至会损坏机床。另外，为了确保稳定的无颤振加工，通常非常保守地挑选工艺参数。因此，颤振振动属于限制生产率的最关键现象。

预测颤振的一种已知方法是使用物理模型。稳定性波瓣图通常被用来表示预测结果。稳定性波瓣图指示在特定切削条件下的加工操作是稳定的还是不稳定的。从稳定性波瓣图中，可以选择对于稳定加工和最大生产率而言的最佳工艺参数。通常，稳定性波瓣图根据主轴转速（spindle speed）将稳定与不稳定切削深度之间的区域分开。

EP 2916187涉及一种颤振数据库系统，其包括中央颤振数据库，该中央颤振数据库被馈送有与加工工具、特别是铣床、车床、钻床或镗床的加工和颤振条件相对应的数据。本发明的特征在于，被馈送到中央颤振数据库的数据是从颤振数据库系统中包括的至少两个单独的加工工具获得和收集的。由此，经由数据连接，优选地经由安全网络，将数据发送到中央颤振数据库，以基于实际遇到的情况来生成颤振稳定性图。

然而，经常观察到实验稳定性极限与理论上的极限不同。一方面，这是因为产生理论上的稳定性极限的稳定性模型是不准确的。另一方面，这是由这些模型所需的参数引起的，在切削操作期间可能无法精确知道这些参数。稳定性模型参数的不确定性直接影响稳定性模型输出的可靠性。由于获取这些模型参数的基于模型的方法和实验方法两者通常都需要大量准备和分析，因此近年来，也尝试利用机器学习技术来预测稳定性极限。然而，这种方法需要大量样本来学习稳定性波瓣的形状，这也是为什么只使用模拟数据的原因之一。另外，这些方法仅限于一种具有一种限定工具长度和工件材料的一个特定刀夹（tool-holder）组合，这意味着需要在这些限定条件下获取所有训练点。

发明内容

本发明的目的是提供一种具有改进的准确性和可靠性的用于预测加工操作的状态的方法。特别地，一个目的是提供一种用于预测机床中的颤振的方法，该方法可以被部署在工业环境中。