[发明专利]一种基于多特征融合模型寻找最优铣削参数的研究方法

说明书

本发明涉及一种基于多特征融合模型寻找最优铣削参数的研究方法，该方法制定不同铣削参数的铣削试验，搭建铣削温度和铣削力同步测试系统；铣削温度和铣削力同步测试系统测量铣削刀具尖端附近的铣削温度和三向铣削力的时域信号，并从铣削温度和三向铣削力的时域信号中提取铣削温度均值和铣削力均方根值；通过粒子群优化算法求解优化多特征融合模型，获得最优的铣削参数，即基于试验数据，建立以铣削温度均值、铣削力均方根及金属去除率为目标特征变量，铣削参数为优化参数的多特征融合模型，然后基于粒子群优化算法求解多特征融合模型中的特定铣削参数，从而获得所用试验参数范围内的最优铣削参数解。

技术领域

本发明涉及一种不同刀具磨损状态下车削温度变化与车削振动耦合特性的研究方法，具体是一种基于多特征融合模型寻找最优铣削参数的研究方法，属于铣削加工技术领域。

背景技术

随着机械加工制造行业的不断发展，机械加工零件被广泛运用在航空航天、医疗器械和机械电子等行业领域。铣削作为一种重要的机械加工方式被广泛应用，优化铣削参数就成为一个重要的研究课题。在不同铣削参数下进行铣削加工，铣刀产生的铣削力变化会导致加工位置偏移，而增加铣刀和工件的接触面积，会引起铣削振动，加剧铣刀表面的温度升高，降低加工工件表面精度。因此，在实际加工中选择最优的铣削参数，对保证工件加工精度具有重要意义。现有的文献中主要是关注工件的加工工艺，铣削温度以及铣削力的仿真模型的建立，但是在铣削过程中，通过智能算法建立多特征融合模型来寻找优化参数的研究很少。

粒子群优化算法(Particle Swarm optimization，简称PSO)是Kennedy和Eberhart博士于1995年受鸟类觅食行为的启发提出的一种群体智能优化算法，用于解决优化问题。由于参数简单、收敛快速，粒子群算法已成为主流的全局优化技术之一，并被广泛应用于各类实际问题。机械加工行业中涉及多种粒子群优化过程，检索发现公开号为CN109571141A的专利公开了一种基于机器学习的刀具磨损状态监测方法，建立刀具磨损神经网络模型，通过粒子群算法优化模型得到精确的预测结果；公开号为CN109015111A的专利公开了一种基于信息融合及支持向量机的刀具状态在线监测方法，对支持向量机识别模型进行训练时，采用粒子群优化算法对支持向量机识别模型中的惩罚因子和径向函数半径进行优化，以使分类效果最优；公开号为CN103761429A的专利公开了一种铣削加工工件表面粗糙度的预测方法，通过将粒子群算法与最小二乘支持向量机算法联合起来用于铣削加工工件表面粗糙度预测；公开号为CN106446478A的专利公开了一种切削加工工艺优选系统及方法，采用粒子群优化算法对工艺数据进行聚类分析并生产样本训练集，为实现采用ANFIS评价模型提供决策支持。但是，目前尚未发现粒子群优化算法建立多特征融合模型来寻找最优铣削参数的研究。

发明内容

本发明的目的在于：针对上述现有技术存在的不足，提出一种基于多特征融合模型寻找最优铣削参数的研究方法，该方法基于粒子群优化算法，求解多特征融合模型中的待定铣削参数，从而获得所用试验参数范围内的最优铣削参数解。

为了达到以上目的，本发明的技术方案如下：

一种基于多特征融合模型寻找最优铣削参数的研究方法，包括以下步骤：

S1、制定不同铣削参数的铣削试验，搭建铣削温度和铣削力同步测试系统；

S2、铣削温度和铣削力同步测试系统测量铣削刀具尖端附近的铣削温度和三向铣削力的时域信号，并从铣削温度和三向铣削力的时域信号中提取铣削温度均值和铣削力均方根值；

S3、通过粒子群优化算法求解优化多特征融合模型，获得最优的铣削参数，即基于试验数据，建立以铣削温度均值、铣削力均方根及金属去除率为目标特征变量，铣削参数为优化参数的多特征融合模型，然后基于粒子群优化算法求解多特征融合模型中的特定铣削参数，从而获得所用试验参数范围内的最优铣削参数解。