【技术实现步骤摘要】
薄壁件加工颤振预报方法
[0001]本专利技术属于零件加工颤振预报
，具体涉及一种薄壁件加工颤振预报方法。
技术介绍
[0002]这里的陈述仅提供与本专利技术相关的
技术介绍
，而不必然地构成现有技术。
[0003]薄壁类零件(薄壁件)在加工过程中极易发生振动，包括强迫振动和自激振动等，其中的自激振动，即颤振，难以分离和控制，严重影响刀具寿命和加工质量。对此，目前的主要方法是通过预测和参数优化规避颤振的发生，即通过加工系统结构参数获得加工稳定瓣图，并以此预测加工稳定性和加工参数范围。但是，对于薄壁件而言，其动力学参数会随着材料去除和加工位置的变化而显著变化。这就导致最初建立的预测模型不准确，适应性不强。
[0004]一般而言，由于工件形状、切削条件、刀具状态及切削力是时刻变化的，离线建立的模型在状态预测和颤振识别方面的准确率往往随着加工的进行而不断降低。为了避免颤振的发生，离线选取的切削参数往往过于保守。因此，对加工状态的在线监测和识别是智能数控加工系统的一个重要发展方向。
[0005]当颤振发生时...
【技术保护点】
【技术特征摘要】
1.一种薄壁件加工颤振预报方法，其特征是，包括以下步骤：在加工平台设置数据采集元件以采集薄壁件加工过程中的加工数据；将采集的加工数据作为离线数据进行多源信息筛选并预处理，并通过机器学习模型分析训练得到最终机器学习模型，即颤振辨识的离线模型；将实时加工得到的数据输入到颤振辨识的离线模型，得到的结果与设定的阈值进行比对，若超过阈值则判定出现加工颤振。2.如权利要求1所述的薄壁件加工颤振预报方法，其特征是，所述加工数据包括力数据、加速度数据、电流数据、声音数据；模型训练中，将使用的离线数据归纳到历史数据库中。3.如权利要求1所述的薄壁件加工颤振预报方法，其特征是，模型训练的过程为：对采集的加工数据进行小波包分解得到原始信号特征矩阵；采用特征排序寻优的方法，选取最优特征来训练机器学习模型；对机器学习模型进行训练及优化。4.如权利要求3所述的薄壁件加工颤振预报方法，其特征是，数据预处理的过程为：根据小波包分解原理，信号分解后得到的一系列频带F：式中，f
s
表示信号采样频率，f
jp
表示第j层第p个小波包所在的频段；同时采用小波包节点能量，即每个频段的振动能量E来反应信号特征：分解后对特征进行归一化处理：式中，x
ij
为归一化的第i个样本的第j个特征值；为原始的第i个样本的第j个特征值量，为原始的第i个样本的第j个特征值中的最大值；为原始的第i个样本的第j个特征值中的最小值；其中i＝1，2，...，n；j＝1，2，...，m，样本指单个数据采集元件采集的数据。5.如权利要求3所述的薄壁件加工颤振预报方法，其特征是，特征排序寻优的过程为：获取训练数据样本，将样本中所有特征构建Gram特征矩阵；训练机器学习模型，计算每个特征的代价函数；排序代价函数，去除具有最小代价函数的特征；若仅剩下一个特征，输出特征排序结果；在去除具有最小代价函数的特征过程中，若剩下两个及以上特征，用剩余特征重新构建Gr...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。