[發明專利]基于改進圖卷積網絡的機床刀尖動力學特征預測方法

有效

• 申請號: 202110285492.3
• 申請日: 2021-03-17
• 公開（公告）號: CN113077043B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 裘超超;李偉業;周焮釗;李斌;毛新勇;賀松平;劉紅奇;彭芳瑜;余凡
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62;G06V10/774;G06F17/16
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 徐美琳

本發明公開一種基于改進圖卷積網絡的機床刀尖動力學特征預測方法，屬于數控機床刀尖點動力學特征預測領域。方法包括：選取樣本數據，獲取靜止狀態下機床不同位置下的刀尖點頻響函數以及切削過程中的顫振頻率和軸向極限切深，求解切削狀態下的位置?速度相關刀尖點主模態參數，獲得樣本數據標簽；將有標簽的樣本數據和無標簽的待測數據轉換為圖結構數據輸入到圖卷積網絡中，得到任意位置?速度下的刀尖點主模態參數；圖卷積網絡在圖卷積層的基礎上通過增加轉置圖卷積層得到，轉置圖卷積層用于實現對圖卷積層所編碼輸出的節點特征進行解碼，重構損失函數。通過預測的主模態參數可以計算獲取刀尖點頻響函數，進而計算銑削穩定lobe圖來預測加工穩定性。

技術領域

本發明屬于數控機床刀尖點動力學特征預測領域，更具體地，涉及一種基于改進圖卷積網絡的機床刀尖動力學特征預測方法。

背景技術

顫振是加工應用中導致表面光潔度差、材料去除率低、噪聲過大、刀具磨損增加和機床故障的主要問題。幾十年來，人們對加工穩定性進行了大量的研究，其中一種典型的方法是根據穩定性波瓣圖選擇合適的主軸轉速和切削深度組合，以避免顫振的發生。為了獲得穩定性波瓣圖，首先要確定計算穩定性波瓣圖的重要輸入之一刀尖頻率響應函數。然而，在切削條件下，實際穩定性波瓣圖和計算穩定性波瓣圖之間經常存在差異。造成這些差異的主要原因之一是切削條件下機床動力學的變化，因為由于離心力、陀螺力矩和溫度，主軸轉速會影響刀尖頻響函數，從而影響主軸軸承的剛度和主軸夾持器刀具的動力學特性。此外，機床運動部件的位置變化會導致機床質量矩陣、剛度矩陣和阻尼矩陣的變化，從而導致刀尖頻響函數的不確定性。因此，利用靜態某一特定位置的刀尖頻響函數計算穩定性波瓣圖來表征整個加工空間的加工穩定性，可能會導致不正確的顫振預測。因此，同時考慮位置和速度變化的加工穩定性研究具有重要意義。

在整個加工過程中，隨著機床位置和速度組合的不斷變化，刀尖動力學也會發生變化。如何準確地預測與位置和速度相關的刀尖動力學是顫振抑制中最具挑戰性的工作之一。目前，獲得刀尖頻響函數最受歡迎的測試方法是基于敲擊實驗的方法。但是，敲擊試驗只能在機床靜態下進行，不能通過沖擊試驗獲得高速時刀尖頻響函數。為了解決這一問題，有學者提出了逆穩定方法獲得了加工過程中的刀尖頻響函數。然而，要逆向求切削過程中刀尖頻響函數，首先要進行一系列的顫振試驗，得到切削軸向極限深度和顫振頻率的實驗值。顯然，重復所有位置和不同速度的顫振測試是非常費時費力的。為減少試驗次數，有學者采用基于有限元模型的方法對機床進行動力學預測。然而，有限元模型的階數非常大，整個機床的響應分析也需要大量的計算。為了進一步減少計算時間，有研究者提出用響應耦合子結構分析建立機床運動學模型。理論上，通過建立精確的運動學模型，可以精確地預測刀尖的動態特性。然而，機床關節的剛度、阻尼等廣泛參數嚴重影響了運動學模型的精度，因為這些參數大多難以測量甚至無法測量。為了快速預測與位置和速度相關的刀尖動力學，一些研究人員嘗試建立機器學習回歸模型。然而，機器學習是一種數據驅動的方法，需要大量的標記數據來訓練模型，否則會出現過擬合現象，導致模型的泛化能力和魯棒性較差。在實際制造業中，有標簽的工業數據是有限的，也是極其珍貴的。

因此，本領域迫切需要提出一種基于少量有標簽樣本就能預測與位置和速度相關刀尖動力學的模型，實現準確快速預測動力學特征的同時，大大減少人工實驗標注樣本的工作量。

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改進圖卷積網絡的機床刀尖動力學特征預測方法，該方法能夠實現少樣本下的刀尖點動力學特征預測，有效減少人工實驗標注樣本的工作量，通過增加無監督損失，可以避免模型在少樣本條件下的過擬合，具有預測精度高，泛化能力強等優點。

為實現上述目的，本發明一方面提出一種基于改進圖卷積網絡的機床刀尖動力學特征預測方法，包括以下步驟：

S1.選取樣本數據，獲取靜止狀態下機床不同位置下的刀尖點頻響函數以及切削過程中的顫振頻率和軸向極限切深，求解切削狀態下的位置-速度相關刀尖點主模態參數，獲得樣本數據標簽；