1 引言
在金屬切削加工中，切削振動會損壞加工表面，降低刀具和機床的壽命，甚至可能引發(fā)事故。因此，切削振動的產(chǎn)生機理、影響因素、表述模型以及抑制方法一直是機械加工行業(yè)的熱門研究課題。但是，由于加工振動現(xiàn)象極其復雜，影響因素多，難以建立準確的物理模型。因此，針對具體的加工對象，利用新技術新方法，對物理模型進行補償修正成為比較現(xiàn)實的解決方法。
2 神經(jīng)網(wǎng)絡學習模型
切削加工振動模型主要分為兩類：實驗數(shù)據(jù)檢索型和物理模型預測型。前者主要進行加工結果數(shù)據(jù)累積，將加工條件與加工狀態(tài)的關系形成數(shù)據(jù)庫。當輸入數(shù)據(jù)庫中不存在的數(shù)值時，以相近點值為依據(jù)，根據(jù)一定算法推測出輸出值。優(yōu)點是數(shù)據(jù)參照整理容易，可信度高，便利性較好。缺點是若加工事例數(shù)據(jù)過少，影響模型精度，而加工實例數(shù)據(jù)太多，數(shù)據(jù)量又會呈爆炸性增長。后者則將加工條件作為參數(shù)建立數(shù)學表達式來反映加工狀態(tài)。這種方法雖然信息量大為減少，但是從現(xiàn)有資料看可直觀地表現(xiàn)加工現(xiàn)象，并具有充分精度的模型還沒有出現(xiàn)。原因之一在于物理模型參數(shù)的決定方法較難確定，如切削點的動剛性參數(shù)通常用預備試驗求得的近似值來代替，與實際切削情況有較大差距。
綜上所述，實驗數(shù)據(jù)檢索的方法可信度較高，然而數(shù)據(jù)量過大，物理模型預測的方法數(shù)據(jù)量小、直觀性好，但精度較差。本系統(tǒng)將上述兩種方法的長處相結合，即將來自機床上搭載的傳感器信息用神經(jīng)網(wǎng)絡(NN)來整理，使其具有學習功能，并兼具數(shù)據(jù)量小、精度好、可信度高等特點。
NN的輸入為切削條件(主軸轉速等)及曲面形狀信息(切削點的法向方向角、曲率半徑等)，輸出應為某一能夠反映加工狀態(tài)的參數(shù)。
如圖1所示，將來自力傳感器的力信號，以與主軸速度成比例的截斷頻率進行高通濾波，在主軸一轉內(nèi)，對抽出的高頻成分進行自乘平均平方計算，此值定義為加工狀態(tài)指數(shù)，即主軸一轉內(nèi)的切削力的高頻成分(通過高通濾波器的波形)的自乘平均平方值。
式中：I——加工狀態(tài)指數(shù)
n——主軸轉一周，抽出的切削力高頻成分的個數(shù)
Fi——第i個切削力高頻成分
F——主軸旋轉一周，切削力高頻成分的平均值
加工狀態(tài)指數(shù)反映切削振動的程度，振動越激烈，加工狀態(tài)指數(shù)越大。
|
圖1 加工狀態(tài)指數(shù)的計算方法
|
實驗條件表
| 刀具形式 |
球頭刀(?10mm，2刃) |
| 刀具材料 |
超硬合金 |
| 進給速度 |
0.025mm/齒 |
| 主軸轉速 |
3200～4000r/min |
| 切削深度 |
3mm |
| 刀具懸長 |
70mm |
| 采樣周期 |
20000Hz |
| 曲率半徑 |
40mm |
| 切削形式 |
順銑 |
| 工件材料 |
A2017 |
| 法線方向角 |
-45°～45° | |
|
圖2 振動模型圖
|
將實驗結果數(shù)據(jù)代入神經(jīng)網(wǎng)絡進行學習計算，由此得到的學習模型反映了加工條件與加工狀態(tài)的關系。學習模型可依照加工中獲得的數(shù)據(jù)，依次對加工條件與加工狀態(tài)的關系進行自我修正，因此在一定程度上可跟蹤刀具磨損對加工狀態(tài)的影響。特別是系統(tǒng)的動態(tài)學習功能，不僅可更新知識，而且通過調整NN的權系數(shù)，將由刀具磨損等引起的模型預測誤差降為最小。這種具有動態(tài)學習功能的系統(tǒng)，實際的加工過程就是模型修正、學習的過程。
3 實驗方法及結果
本實驗系統(tǒng)由外部可控智能化機床、臺式6坐標切削力傳感器和實時控制器組成。外部可控智能化機床指數(shù)控機床與作為控制器的數(shù)控系統(tǒng)相分離，整個設備由機床、外部控制器及可傳遞控制信息的接口構成。構成本系統(tǒng)執(zhí)行部件的機床配有外部專用控制器，使機床的外部可控成為可能。臺式6軸力傳感器安裝在機床的工作臺上，可實時測出加工過程中的3軸切削反力及反力矩，所獲得的信息送入實時控制器作為判定加工狀態(tài)的依據(jù)。實時控制器實際上由控制機床工作的計算機組成。它完成傳感器的信息處理，向機床發(fā)出控制指令，采集加工信息等軟件功能。本實時控制器采用VME 總線結構，操作系統(tǒng)采用Vx-works，具有實時處理速度快的特點。
利用開發(fā)的系統(tǒng)，對圓弧形凹曲面進行了加工實驗，切削條件如下表所示。單刃切削量與切削深度設為一定，使主軸轉速規(guī)律變化，進行曲面切削，用力傳感器信息計算記錄加工狀態(tài)指數(shù)，同時利用切削點的前后點坐標，計算出法向方向角。法向方向角的定義是，切削點處的曲面法向方向與主軸軸心線所成的角度。它反映曲面的形狀特征。
為得到加工狀態(tài)學習模型，須先建立振動模型圖，建立方法是：(1)在可能的曲面法線方向角范圍內(nèi)，改變主軸轉速進行切削實驗。(2)利用加工狀態(tài)判定法，針對每一加工條件算出反映振動程度的加工狀態(tài)指數(shù)。(3)將結果用3維圖表示(見圖2)。
如主軸轉速從3250～4000r/min，以50r/min 間隔變化，法線方向角從-45°到45°，以4.5°間隔形成的格子點為條件進行切削，得到的振動模型圖結果如圖2所示。
獲得的實驗結果輸入NN，令其進行學習運算，網(wǎng)絡結構為雙輸入單輸出、中間層為兩層的2881 結構。學習率取0.9，動量因子為0.7，極限誤差取0. 001。輸入層為主軸轉速及切削點的法線方向角，輸出層為切削狀態(tài)指數(shù)。學習結果表明切削狀態(tài)指數(shù)與學習前相吻合。
由圖2可看出：振動狀態(tài)依據(jù)法線方向角和主軸轉速成規(guī)律性變化。上坡部分(法線方向角0°～45°)的振動情況比下坡部分(-45°～0°)惡劣。上坡部分，隨著主軸轉速變化，加工狀態(tài)指數(shù)成波浪變化。
4 結束語
本研究的實驗部分是在日本東京大學進修學習期間完成的。切削實驗結果表明基于神經(jīng)網(wǎng)絡的曲面加工狀態(tài)監(jiān)測方法可有效地預測曲面的切削振動。今后計劃以同樣的控制方法，將控制對象擴展至其他的加工條件(如切削深度、進給速度等)，追加其他的曲面要素(如曲率半徑、凸凹性等)，進行進一步研究。
