[發明專利]一種車削顫振檢測方法在審

申請號：	201510430371.8	申請日：	2015-07-21
公開（公告）號：	CN105108584A	公開（公告）日：	2015-12-02
發明（設計）人：	錢士才;熊振華;孫宇昕;朱向陽	申請（專利權）人：	上海交通大學
主分類號：	B23Q17/12	分類號：	B23Q17/12
代理公司：	上海旭誠知識產權代理有限公司 31220	代理人：	鄭立
地址：	200240 ***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種車削檢測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

技術領域

本發明涉及故障檢測技術領域，特別是涉及數控機床車削顫振的檢測技術。

背景技術

切削顫振是機床閉環切削系統的動態不穩定現象，它是發生在切削刀具與工件之間的劇烈振動。顫振的發生會影響生產效率以及加工質量，同時還可引起過度噪音，刀具損壞等，對產品質量、刀具及機床設備等的危害已毋庸質疑。數控機床的車削狀態可反映在機床的振動信號中，通過檢測機床狀態并實施相應的控制策略，可有效的保證加工產品的質量和提高生產效率，同時減輕刀具磨損。隨著現代制造業向高度自動化和精密化方向發展的不斷深入，妥善解決加工過程中引發的顫振問題，發展切削顫振的檢測技術具有重要的意義。

目前主要的顫振檢測方法是振動分析，數控機床的車削狀態可反映在機床的振動信號中，尤其是力信號和加速度信號，含有豐富的切削狀態信息，并且能夠直觀地反應切削狀態。之前有很多學者通過信號處理方法來進行顫振檢測。主要可分為以下三類：第一類是信號頻率域的分析，如傅里葉變換，小波分解和希爾伯特變換等。第二類是統計學方法，如排列熵，近似熵等，這類方法中熵的計算具有較高的計算復雜度。第三類是模式識別方法，主要有人工神經網絡、案例推理、支持向量機等，這種方法將顫振問題轉化為分類問題，可利用多個特征綜合判斷顫振的發生，一定程度上保證了顫振檢測可靠性。然而這種算法一般會綜合較多的特征，特征中含有較多的冗余的信息，這對顫振識別準確率和算法執行速度造成影響。

由于切削系統發生顫振具有突發性和不確定性，從正常切削到發生顫振歷時很短，一般在幾十毫秒以內。因此，需要顫振檢測的算法具有快速高效的特點，同時能可靠的檢測出顫振。

因此，本領域的技術人員致力于開發一種車削顫振檢測方法,相對于目前諸多顫振檢測方法具有速度快、識別準確度高的特點，有效保證了加工安全和產品質量。

發明內容

為了克服上述現有技術的不足，本發明提供了一種快速有效的車削顫振檢測方法。該方法主要是對基于模式識別的顫振檢測方法的改進，提高顫振識別的快速性和穩定性。

為了實現上述目的，本發明提供了一種車削顫振檢測方法，所述方法包括以下步驟：

步驟1：通過車削實驗獲取穩定車削狀態下的切削力信號，然后在所述車削實驗中采用較大的切削參數以激發出顫振狀態獲得相應的力信號，離線數據包括所述穩定狀態切削力信號和所述顫振狀態切削力信號；

步驟2：使用小波包變換將所述顫振狀態切削力信號分解到第六層，得到小波系數；對所述第六層的64個節點分別計算節點能量，得到64維的特征向量；離線特征向量集的構建來自于對所述離線數據的所述小波包變換處理；

步驟3：使用最小二乘支持向量機-回歸特征消除(LSSVM-RFE)方法對步驟2中得到的所述64維特征向量進行特征降維，每一步消去一個最不重要的特征，最后根據特征消除過程中的檢測結果，得到最優秀的特征組合，每個特征對應一個小波包節點；

步驟4：使用步驟3中選出的所述最優秀的特征組合來訓練最小二乘支持向量機分類器(LSSVM)；

步驟5：在在線檢測過程中，使用小波包矩陣的方法進行小波包變換，將所述顫振狀態切削力信號分解到步驟3中選定的所述小波包節點；

步驟6：利用步驟5得到的小波節點系數計算節點能量，構造出維數較低的特征向量；

步驟7：使用步驟6得到的所述維數較低的特征向量輸入步驟4中得到的所述最小二乘支持向量機分類器，得到顫振檢測結果。