[發明專利]基于堆棧稀疏自動編碼網絡的主軸和工件振動預測方法

有效

• 申請號: 201911376755.0
• 申請日: 2019-12-27
• 公開（公告）號: CN111079690B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 劉紅奇
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01M7/02
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;孔娜

本發明屬于切削加工領域，并具體公開了一種基于堆棧稀疏自動編碼網絡的主軸和工件振動預測方法，包括S1獲取不同切削加工參數下的主軸電流信號、切削力信號及主軸和工件實際振動信號；S2將主軸電流信號、切削力信號及切削加工參數輸入稀疏自動編碼網絡層進行訓練，得到深層時序特征，并將其輸入全連接層，在預訓練參數的基礎上對整個網絡進行訓練，得到主軸和工件預測振動信號；S3根據主軸和工件預測與實際振動信號對堆棧稀疏自動編碼網絡進行調整，完成訓練得到預測模型；由該預測模型實現切削加工中的主軸和工件振動信號預測，可替代動態頻率響應函數，在時域和頻域上有良好預測效果，能適應多種加工參數組合的工況條件，泛化能力強。

技術領域

本發明屬于切削加工領域，更具體地，涉及一種基于堆棧稀疏自動編碼網絡的主軸和工件振動預測方法。

背景技術

如今，制造業開始由數字化和信息化向智能化大步邁進，對加工制造過程的監控是智能制造的核心，如何有效的監測加工狀態是世界各國致力研究和開發的核心領域。

切削加工過程中，若想獲取加工系統某一子系統的動態頻率響應函數是十分困難的，現有的研究方法多為數學解析法，或者通過錘擊實驗獲取該子系統的靜態響應函數，以靜態響應函數近似替代動態響應函數，以求解子系統的輸出響應。這兩種方法盡管能在一定程度上反映動態頻響的部分特性，但各自有各自的缺點，前者的分析計算過程十分復雜，后者直接丟失了動態切削過程對頻響的影響。目前，機器學習和深度學習算法被廣泛應用于工業制造領域，以實現對加工過程的狀態監控。這些方法可以通過自身算法特點，對復雜條件下的各種加工狀態進行非線性建模和預測且精度很高，效果很好。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于堆棧稀疏自動編碼網絡的主軸和工件振動預測方法，其目的在于，以主軸電流信號、切削力信號以及切削加工參數作為輸入，主軸和工件振動信號作為輸出對堆棧稀疏自動編碼網絡進行訓練，得到預測模型，由該預測模型實現切削加工中的主軸和工件振動信號預測，其可替代動態頻率響應函數，在時域和頻域上都有很好的效果，能適應各種加工參數組合的工況條件，泛化能力強。

為實現上述目的，本發明提出了一種基于堆棧稀疏自動編碼網絡的主軸和工件振動預測方法，包括如下步驟：

S1分別獲取不同切削加工參數下的主軸電流信號、切削力信號以及主軸和工件實際振動信號，并對主軸電流信號、切削力信號、主軸和工件實際振動信號分別進行降噪預處理，以預處理后的主軸電流信號、切削力信號以及切削加工參數作為輸入數據；

S2將輸入數據輸入堆棧稀疏自動編碼網絡的稀疏自動編碼網絡層，對稀疏自動編碼網絡層參數進行訓練，得到深層時序特征，將該深層時序特征輸入堆棧稀疏自動編碼網絡的全連接層，在已訓練的稀疏自動編碼網絡層參數的基礎上對整個堆棧稀疏自動編碼網絡進行訓練，并得到主軸和工件預測振動信號；

S3根據主軸和工件預測振動信號與實際振動信號對堆棧稀疏自動編碼網絡進行調整，同時判斷當前的迭代次數是否達到預設迭代次數，若未達到，則重復S2；否則，完成對堆棧稀疏自動編碼網絡的訓練，由此得到預測模型；基于所述預測模型及切削加工參數、主軸電流信號、切削力信號對主軸和工件振動信號進行實時預測。

作為進一步優選的，所述切削加工參數包括切削深度、切削寬度、進給速度和主軸轉速。

作為進一步優選的，所述S1中，結合切削系統的前八階模態頻率對主軸電流信號、切削力信號、主軸和工件實際振動信號進行時域和頻域分析，確定其敏感頻段，并通過小波包變換去除敏感頻段外的其他頻段信號，實現對主軸電流信號、切削力信號、主軸和工件實際振動信號的降噪預處理。

作為進一步優選的，通過靜態錘擊實驗獲取切削系統的頻響函數，通過對頻響函數進行模態分解獲得切削系統的前八階模態頻率。

作為進一步優選的，所述S2具體包括如下步驟：