[发明专利]高速铣削加工中基于振动信号的刀具跳动参数在线估计法

说明书

本发明公开了一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法，首先对采集获得的原始振动信号进行预处理获得时域振动信号；然后针对时域振动信号通过二次积分获得频域位移信号，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号；最后根据时域位移信号估计得到刀具平均跳动量，以刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。本发明是在高速铣削过程中基于实时振动信号快速对刀具跳动距离做出在线估计，大大提高了刀具参数识别效率，从而准确分析高速铣削加工过程中的刀具磨损特征，提高刀具磨损预测效率，延长刀具使用寿命，提高工件的加工质量。

技术领域

本发明涉及高速铣削加工中的刀具跳动参数在线估计法，更具体地说是涉及一种基于振动信号的高速铣削加工中的刀具跳动参数在线估计方法。

背景技术

高速铣削加工以高切削速度、高进给速度和高加工精度作为主要特征，具有综合效益高、市场响应速度快等能力，广泛应用于汽车行业、家用电器、航空航天生产和电子、光学、生物医学等行业。当前，以高速切削理论等方法为基础，诸多学者已经对高速铣削中的铣削过程建模和刀具特征磨损进行了大量研究和深入分析。

在高速加工过程中，刀具不可避免地会产生跳动。刀具跳动是铣削过程建模及刀具磨损特征分析的关键参数之一。刀具跳动会造成刀具不同刀齿磨损不一致，进而影响到刀具使用寿命和工件的加工质量。根据刀具跳动估计所需的数据和信息类型，当前的估计方法可分为物理理论方法和数据驱动方法。物理理论方法通过建立的机理和经验公式估计具体的刀具磨损量，其中的物理参数需要经由实验法确定。数据驱动方法是另一种更常见的方法，它在数值的基础上通过刀具磨损当前状态预测磨损的未来状态。具体地说，数据驱动方法进一步地分为人工智能(AI)方法(例如，支持向量机、人工神经网络、模糊理论和长短期记忆等)和统计方法(例如，多元线性回归、高斯混合回归和隐马尔可夫模型等)。近年来，多名学者提出了预测刀具磨损的多种混合人工智能方法。但是，上述方法需要使用大量的多层数据和冗余时间进行训练，影响了刀具磨损预测效率。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法，依据实时振动信号，基于时间序列分析进行刀具磨损估计，从而更加准确地分析高速铣削加工过程中的刀具磨损特征，提高刀具磨损预测效率，延长刀具使用寿命，提高工件的加工质量。

本发明为实现发明目的采用如下技术方案：

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点是：

首先对采集获得的原始振动信号A_R进行预处理获得时域振动信号A_P；

然后针对所述时域振动信号A_P通过积分获得频域位移信号D_λ，再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号d_i；

最后根据所述时域位移信号估计得到刀具平均跳动量，以所述刀具平均跳动量作为刀具跳动长度，实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于：

所述对采集获得的原始振动信号进行预处理是指：利用加速度计通过监测获得原始振动信号A_R，针对所述原始振动信号A_R在时域内作平滑处理，以此削弱高频随机干扰信号，消除不规则趋势项。

本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于：包括如下步骤：

步骤1：原始振动信号采集和预处理：