[发明专利]立铣切削颤振的监测方法

权利要求书

1.一种立铣切削颤振的监测方法，其特征在于：包括以下步骤：

S1、加速度信号的获取：通过安装在立式铣床的主轴上的加速度传感器采集立铣切削过程中的加速度信号表示为X＝[x(1),x(2),…,x(n)]，n表示信号长度，所述加速度信号包括处于不同频段的稳定状态信号、过渡状态信号和颤振状态信号；

S2、信号梳理：对采集到的加速度信号进行小波包变换，从而确定颤振状态信号的发生频段，重构颤振状态信号表示为

其中c_j0,k为在尺度j₀上的近似小波系数，d_j,k为在j₀及其以下尺度上具体的小波系数，定义的函数{ψ_n}称为关于尺度函数ψ(x)的小波包；

S3、计算所述颤振状态信号的能量比系数：

Cj=Σk=1majk2Σi=18Σk=1majk2]]>

其中，C_j是颤振状态信号第j个频段的能量比系数，m是各频段频率离散点数，a_jk为第j个频段第k个离散频率点的幅值；

S4、计算所述颤振状态信号的奇异谱熵系数：首先对所述颤振状态信号进行奇异谱分析，得到奇异值s＝{s₁,s₂,...,s_m}，然后重构所述颤振状态信号的奇异谱为p＝{p₁,p₂,...,p_m}，其中是第i个主分量在总能量中的能量贡献率，根据所述颤振状态信号在所述加速度信号中的能量贡献率计算其奇异谱熵为则所述颤振状态信号第i个频段的奇异谱熵系数为

S5、对BP神经网络进行训练和获得监测结果：将所述颤振状态信号的第k个频段的能量比系数C_k和奇异谱熵系数D(k)组成颤振特征向量[C_k，D(k)]，将所述颤振特征向量作为训练样本输入到BP神经网络中进行训练，将BP神经网络的输出状态与加工过程中的实际状态进行对比，一直到错误识别率小于2％为止，最终根据BP神经网络的输出值预测立铣切削加工过程的状态。

2.如权利要求1所述的立铣切削颤振的监测方法，其特征在于：所述步骤S5中将所述颤振特征向量[C_k，D(k)]改成颤振特征向量[T₁，T₂]，其中T₁＝C_k+C_k+1，T₂＝D(k)+D(k+1)。

3.如权利要求2所述的立铣切削颤振的监测方法，其特征在于：所述T₁＝C₄+C₅，T₂＝D(4)+D(5)。

4.如权利要求1～3任一项所述的立铣切削颤振的监测方法，其特征在于：基于粒子群和局部领域搜索优化算法对所述BP神经网络模型进行改进：

A1、编码BP神经网络中各神经元之间的连接权值，建立一个与所述连接权值相映射的粒子空间，所述粒子空间的每个粒子分别对应一个所述连接权值，初始化所述粒子空间；

A2、在约束条件下随机生成粒子群，将所述BP神经网络的输出值的均方差作为所述局部领域搜索优化算法的目标函数，通过所述局部领域搜索优化算法对所述粒子群中粒子进行迭代计算，优化所述连接权值；

A3、将所述连接权值代入BP神经网络模型中，计算目标函数，如果均方差达到了系统设定的误差条件，迭代结束，否则，继续迭代，直到达到最大迭代次数；

A4、迭代结束，所有所述连接权值趋于稳定，解码得到的最佳连接权值组合既生成优化后的BP神经网络模型。