[发明专利]一种车削颤振检测方法

说明书

技术领域

本发明涉及故障检测技术领域，特别是涉及数控机床车削颤振的检测技术。

背景技术

切削颤振是机床闭环切削系统的动态不稳定现象，它是发生在切削刀具与工件之间的剧烈振动。颤振的发生会影响生产效率以及加工质量，同时还可引起过度噪音，刀具损坏等，对产品质量、刀具及机床设备等的危害已毋庸质疑。数控机床的车削状态可反映在机床的振动信号中，通过检测机床状态并实施相应的控制策略，可有效的保证加工产品的质量和提高生产效率，同时减轻刀具磨损。随着现代制造业向高度自动化和精密化方向发展的不断深入，妥善解决加工过程中引发的颤振问题，发展切削颤振的检测技术具有重要的意义。

目前主要的颤振检测方法是振动分析，数控机床的车削状态可反映在机床的振动信号中，尤其是力信号和加速度信号，含有丰富的切削状态信息，并且能够直观地反应切削状态。之前有很多学者通过信号处理方法来进行颤振检测。主要可分为以下三类：第一类是信号频率域的分析，如傅里叶变换，小波分解和希尔伯特变换等。第二类是统计学方法，如排列熵，近似熵等，这类方法中熵的计算具有较高的计算复杂度。第三类是模式识别方法，主要有人工神经网络、案例推理、支持向量机等，这种方法将颤振问题转化为分类问题，可利用多个特征综合判断颤振的发生，一定程度上保证了颤振检测可靠性。然而这种算法一般会综合较多的特征，特征中含有较多的冗余的信息，这对颤振识别准确率和算法执行速度造成影响。

由于切削系统发生颤振具有突发性和不确定性，从正常切削到发生颤振历时很短，一般在几十毫秒以内。因此，需要颤振检测的算法具有快速高效的特点，同时能可靠的检测出颤振。

因此，本领域的技术人员致力于开发一种车削颤振检测方法,相对于目前诸多颤振检测方法具有速度快、识别准确度高的特点，有效保证了加工安全和产品质量。

发明内容

为了克服上述现有技术的不足，本发明提供了一种快速有效的车削颤振检测方法。该方法主要是对基于模式识别的颤振检测方法的改进，提高颤振识别的快速性和稳定性。

为了实现上述目的，本发明提供了一种车削颤振检测方法，所述方法包括以下步骤：

步骤1：通过车削实验获取稳定车削状态下的切削力信号，然后在所述车削实验中采用较大的切削参数以激发出颤振状态获得相应的力信号，离线数据包括所述稳定状态切削力信号和所述颤振状态切削力信号；

步骤2：使用小波包变换将所述颤振状态切削力信号分解到第六层，得到小波系数；对所述第六层的64个节点分别计算节点能量，得到64维的特征向量；离线特征向量集的构建来自于对所述离线数据的所述小波包变换处理；

步骤3：使用最小二乘支持向量机-回归特征消除(LSSVM-RFE)方法对步骤2中得到的所述64维特征向量进行特征降维，每一步消去一个最不重要的特征，最后根据特征消除过程中的检测结果，得到最优秀的特征组合，每个特征对应一个小波包节点；

步骤4：使用步骤3中选出的所述最优秀的特征组合来训练最小二乘支持向量机分类器(LSSVM)；

步骤5：在在线检测过程中，使用小波包矩阵的方法进行小波包变换，将所述颤振状态切削力信号分解到步骤3中选定的所述小波包节点；

步骤6：利用步骤5得到的小波节点系数计算节点能量，构造出维数较低的特征向量；

步骤7：使用步骤6得到的所述维数较低的特征向量输入步骤4中得到的所述最小二乘支持向量机分类器，得到颤振检测结果。

进一步地，所述步骤2中的所述特征向量的构建包括以下步骤：

步骤2-1：对所述颤振状态切削力信号进行加窗，取无重叠的1024个点作为一个数据处理单元；

步骤2-2：对步骤2-1的一个数据处理单元信号f₀¹(t)按下式进行分解：

其中h(k)和g(k)分别是低通滤波器系数和高通滤波器系数，f_jⁱ是第j层第i个节点的小波包系数；

步骤2-3：重复步骤2-2直到分解到第六层，得到每个节点的小波包系数f_jⁱ(i＝1,2,…64，j＝6)；

步骤2-4：计算每个节点的能量构成一个64维的特征向量；