【技术实现步骤摘要】
本专利技术涉及机械制造加工领域，具体为一种内嵌物理预测模型的表面粗糙度监测方法。
技术介绍
1、表面粗糙度对零件的摩擦系数、寿命、屈服极限、抗腐蚀性和其它性能有着不可忽视的影响。在航空、航天、航海、汽车等高端制造领域，机械零件的服役环境严峻，对于这些零件表面粗糙度的要求非常严格。传统的表面粗糙度测量方法通常用粗糙度仪离线接触式测量。这种方法容易在工件表面留下划痕且往往需要拆卸工件，降低了整体加工效率。其次，这样获取的是加工完成后的表面粗糙度，若此时表面粗糙度不符合工艺要求，则难以补救。
2、另一方面，当前有些借助传感器监控机床加工信号，进而监测表面粗糙度的探索。往往需要在机床内安装诸如振动传感器、声发射传感器或测力仪等，但这些传感器可能因为安装在加工区域内而影响正常加工。
技术实现思路
1、为解决现有技术存在的问题，提高加工效率，针对加工过程中工件表面粗糙度监测需求，预防工件因为表面粗糙度不合格而失效，本专利技术利用内嵌物理模型的深度学习神经网络技术，提出了一种内嵌物理预测模型的表面粗糙度监测方法。在模型训练阶段，通过测力仪与电流传感器采集加工过程中的切削力信号与主轴伺服电机三相电流信号，对信号进行预处理后输入切削力计算模块，输出对应电流信号下的切削力，利用得到的切削力计算表面粗糙度理论值，并将其与电流信号、加工参数一起输入表面粗糙度计算模块，训练表面粗糙度监测模型。在加工阶段，通过采集加工过程中的主轴伺服电机三相电流信号，实时计算此时工件被加工表面的粗糙度值，避免了在
2、本专利技术的技术方案为：
3、一种内嵌物理预测模型的表面粗糙度监测方法，包括以下步骤：
4、步骤1：采集数控机床对工件表面加工过程中主轴伺服电机三相电流信号，并根据主轴伺服电机三相电流的主频对三相电流信号进行降噪处理，并将降噪处理后的三相电流信号转换为等效直流电流；
5、步骤2：将步骤1得到的等效直流电流，以及对应同时刻的数控机床主轴转速、刀具进给速度、切削宽度、切削深度作为输入，输入到训练好的切削力计算模块中，得到切削力；
6、步骤3：根据步骤2得到的切削力f，利用公式
7、
8、计算得到表面粗糙度值理论值ra；其中caz为设定比例系数，r为切削刃的刀尖角度，hb为工件材料的布氏硬度，σ为流动应力，e1为刀具材料的弹性模量，e2为工件材料的弹性模量，v1为刀具材料的泊松比，v2为工件材料的泊松比；
9、步骤4：将步骤3得到的表面粗糙度值理论值ra，以及对应步骤2中切削力计算模块的输入作为输入，输入到训练好的表面粗糙度计算模块中，最终得到被加工表面的表面粗糙度值。
10、进一步的优选方案，步骤1中，根据主轴伺服电机三相电流的主频对三相电流信号进行降噪处理的过程为：设置低通滤波器的截止频率为主频或比主频高不超过5hz，利用低通滤波器对三相电流信号进行滤波降噪处理。
11、进一步的优选方案，确定主轴伺服电机三相电流主频的过程为：
12、步骤a：建立主轴伺服电机三相电流主频与主轴转速的线性关系；
13、步骤b：根据当前实际主轴转速，利用步骤a得到的所述线性关系，确定当前主轴伺服电机三相电流主频。
14、进一步的优选方案，步骤a中，建立主轴伺服电机三相电流主频与主轴转速线性关系的过程为：
15、设置多个主轴转速，当主轴按照某一设定转速转动时，同步采集主轴伺服电机三相电流信号，并对所采集到的主轴伺服电机三相电流信号进行傅里叶变换，取主轴伺服电机工作频率范围内的最高幅值对应的频率作为主频；根据多个主轴转速以及对应的主频，线性拟合得到主轴伺服电机三相电流主频与主轴转速线性关系。
16、进一步的优选方案，所述训练好的切削力计算模块以及所述训练好的表面粗糙度计算模块通过以下过程训练得到：
17、步骤a：分别建立切削力计算神经网络模型和表面粗糙度计算神经网络模型；
18、步骤b：建立样本数据集；所述样本数据由等效直流电流、主轴转速、进给速度、切削宽度、切削深度以及对应加工参数下所测量的切削力和实测的表面粗糙度组成；
19、将等效直流电流、主轴转速、进给速度、切削宽度、切削深度作为切削力计算神经网络模型的训练输入，对应加工参数下所测量的切削力作为训练输入对应的标签；
20、将等效直流电流、主轴转速、进给速度、切削宽度、切削深度以及根据所测量的切削力计算得到的表面粗糙度值理论值作为表面粗糙度计算神经网络模型的训练输入，对应加工参数下实测的表面粗糙度作为训练输入对应的标签；
21、步骤c：利用建立的样本数据集训练切削力计算神经网络模型和表面粗糙度计算神经网络模型，得到训练好的切削力计算模块和表面粗糙度计算模块。
22、进一步的优选方案，采集样本数据时，切削力通过在数控机床上加装测力传感器测量得到，实际进行表面粗糙度监测时，不通过在数控机床上加装测力传感器测量得到切削力，而是通过训练好的切削力计算模块输出切削力。
23、进一步的优选方案，采集样本数据时，按照设定的时间间隔对采集的主轴伺服电机三相电流信号和下刀进给过程中产生的切削力信号进行截取，对截取后的主轴伺服电机三相电流信号进行降噪处理后转换为等效直流电流，并计算截取后的切削力信号平均值作为切削力计算神经网络模型训练时的标签。
24、进一步的优选方案，所述切削力采用刀具作用在被加工工件表面的正压力。
25、有益效果
26、本专利技术提出的内嵌物理预测模型的表面粗糙度监测方法，通过建立切削力信号与电流信号之间的映射关系，使得加工过程中切削力的获取摆脱了昂贵且难以安装的测力仪。本专利技术利用切削力计算模块输出的切削力，计算被加工表面粗糙度理论值，并将其作为一个特征值输入表面粗糙度计算神经网络，降低了神经网络的计算复杂度，减少了训练表面粗糙度计算神经网络所需的样本数量，降低了表面粗糙度的监测成本，并且保证了监测的精度。
27、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：步骤1中，根据主轴伺服电机三相电流的主频对三相电流信号进行降噪处理的过程为：设置低通滤波器的截止频率为主频或比主频高不超过5Hz，利用低通滤波器对三相电流信号进行滤波降噪处理。
3.根据权利要求2所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：确定主轴伺服电机三相电流主频的过程为：
4.根据权利要求3所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：步骤a中，建立主轴伺服电机三相电流主频与主轴转速线性关系的过程为：
5.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：所述训练好的切削力计算模块以及所述训练好的表面粗糙度计算模块通过以下过程训练得到：
6.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：采集样本数据时，切削力通过在数控机床上加装测力传感器测量得到，实际进行表面粗糙度监测时，不通过在数控机床上加装
7.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：采集样本数据时，按照设定的时间间隔对采集的主轴伺服电机三相电流信号和下刀进给过程中产生的切削力信号进行截取，对截取后的主轴伺服电机三相电流信号进行降噪处理后转换为等效直流电流，并计算截取后的切削力信号平均值作为切削力计算神经网络模型训练时的标签。
8.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：所述切削力采用刀具作用在被加工工件表面的正压力。
...【技术特征摘要】
1.一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：步骤1中，根据主轴伺服电机三相电流的主频对三相电流信号进行降噪处理的过程为：设置低通滤波器的截止频率为主频或比主频高不超过5hz，利用低通滤波器对三相电流信号进行滤波降噪处理。
3.根据权利要求2所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：确定主轴伺服电机三相电流主频的过程为：
4.根据权利要求3所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：步骤a中，建立主轴伺服电机三相电流主频与主轴转速线性关系的过程为：
5.根据权利要求1所述一种内嵌物理预测模型的表面粗糙度监测方法，其特征在于：所述训练好的切削力计算模块以及所述训练好的表面粗糙度计算...
【专利技术属性】
技术研发人员：万能，殷浩林，郑祖杰，于谋雨，伍帅，权琳雅，李许杰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
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。