[发明专利]基于改进图卷积网络的机床刀尖动力学特征预测方法

说明书

本发明公开一种基于改进图卷积网络的机床刀尖动力学特征预测方法，属于数控机床刀尖点动力学特征预测领域。方法包括：选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置‑速度相关刀尖点主模态参数，获得样本数据标签；将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置‑速度下的刀尖点主模态参数；图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。通过预测的主模态参数可以计算获取刀尖点频响函数，进而计算铣削稳定lobe图来预测加工稳定性。

技术领域

本发明属于数控机床刀尖点动力学特征预测领域，更具体地，涉及一种基于改进图卷积网络的机床刀尖动力学特征预测方法。

背景技术

颤振是加工应用中导致表面光洁度差、材料去除率低、噪声过大、刀具磨损增加和机床故障的主要问题。几十年来，人们对加工稳定性进行了大量的研究，其中一种典型的方法是根据稳定性波瓣图选择合适的主轴转速和切削深度组合，以避免颤振的发生。为了获得稳定性波瓣图，首先要确定计算稳定性波瓣图的重要输入之一刀尖频率响应函数。然而，在切削条件下，实际稳定性波瓣图和计算稳定性波瓣图之间经常存在差异。造成这些差异的主要原因之一是切削条件下机床动力学的变化，因为由于离心力、陀螺力矩和温度，主轴转速会影响刀尖频响函数，从而影响主轴轴承的刚度和主轴夹持器刀具的动力学特性。此外，机床运动部件的位置变化会导致机床质量矩阵、刚度矩阵和阻尼矩阵的变化，从而导致刀尖频响函数的不确定性。因此，利用静态某一特定位置的刀尖频响函数计算稳定性波瓣图来表征整个加工空间的加工稳定性，可能会导致不正确的颤振预测。因此，同时考虑位置和速度变化的加工稳定性研究具有重要意义。

在整个加工过程中，随着机床位置和速度组合的不断变化，刀尖动力学也会发生变化。如何准确地预测与位置和速度相关的刀尖动力学是颤振抑制中最具挑战性的工作之一。目前，获得刀尖频响函数最受欢迎的测试方法是基于敲击实验的方法。但是，敲击试验只能在机床静态下进行，不能通过冲击试验获得高速时刀尖频响函数。为了解决这一问题，有学者提出了逆稳定方法获得了加工过程中的刀尖频响函数。然而，要逆向求切削过程中刀尖频响函数，首先要进行一系列的颤振试验，得到切削轴向极限深度和颤振频率的实验值。显然，重复所有位置和不同速度的颤振测试是非常费时费力的。为减少试验次数，有学者采用基于有限元模型的方法对机床进行动力学预测。然而，有限元模型的阶数非常大，整个机床的响应分析也需要大量的计算。为了进一步减少计算时间，有研究者提出用响应耦合子结构分析建立机床运动学模型。理论上，通过建立精确的运动学模型，可以精确地预测刀尖的动态特性。然而，机床关节的刚度、阻尼等广泛参数严重影响了运动学模型的精度，因为这些参数大多难以测量甚至无法测量。为了快速预测与位置和速度相关的刀尖动力学，一些研究人员尝试建立机器学习回归模型。然而，机器学习是一种数据驱动的方法，需要大量的标记数据来训练模型，否则会出现过拟合现象，导致模型的泛化能力和鲁棒性较差。在实际制造业中，有标签的工业数据是有限的，也是极其珍贵的。

因此，本领域迫切需要提出一种基于少量有标签样本就能预测与位置和速度相关刀尖动力学的模型，实现准确快速预测动力学特征的同时，大大减少人工实验标注样本的工作量。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进图卷积网络的机床刀尖动力学特征预测方法，该方法能够实现少样本下的刀尖点动力学特征预测，有效减少人工实验标注样本的工作量，通过增加无监督损失，可以避免模型在少样本条件下的过拟合，具有预测精度高，泛化能力强等优点。

为实现上述目的，本发明一方面提出一种基于改进图卷积网络的机床刀尖动力学特征预测方法，包括以下步骤：

S1.选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置-速度相关刀尖点主模态参数，获得样本数据标签；