基于自适应滤波与AR模型的高速铣削颤振在线识别方法与流程

技术特征：

1.一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，包含下述步骤：

1)通过对主轴系统频响函数测量，得到系统的主模态；

2)状态信息采集，采集到的主轴振动信号且表示为a(k)；

3)对振动信号进行敏感颤振频带滤波；对采集到的振动信号a(k)进行敏感颤振频带滤波，滤波之后的信号表示为b(k)；

4)对信号进行自适应滤波；

通过自适应滤波滤除信号b(k)中的转频、铣削频率及其谐波成分，保留颤振信号成分，从而把反映颤振的特征信息和与颤振无关的特征信息分离开来，其中，自适应滤波的过程如下：

θ(k)＝[B₁,B₂,...,B_n]^T；

其中，k为数据系列号；为输入信号，与主轴转速相关；l＝1，2，…，n；n为所考虑的谐波次数；T_s为相邻两个数据点的采样时间间隔；Ω(k)为当前主轴转速；θ(k)为抽头系数，Q为抽头值；e(k)为自适应滤波后输出的误差信号；α为步长因子；

5)AR建模与参数估计；

5.1对误差信号e(k)进行参数化AR建模，模型结构如下；

状态方程：η(k+1)＝η(k)+v(k)；

观测方程：e(k)＝Φ(k)η(k)+r(k)；

其中，η(k)为模型参数；Φ(k)＝[e(k-1),e(k-2),...,e(k-m)]，m为模型阶数；v(k)为过程噪声；r(k)为观测噪声；

5.2通过误差信号e(k)的参数化模型，对模型参数η(k)进行估计，进一步通过特征方程求解AR模型的特征根λ；

其特征方程1-η₁B-η₂B²-...-η_mB^m＝0；其中，B为滞后算子；

5.3特征根λ中绝对值最大的值|λ|_max可以作为铣削稳定性的判据；

6)判断颤振状态，当|λ|_max＞1则系统不稳定，即发生颤振；否则系统稳定。

2.根据权利要求1所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤1)中，通过静态单点激励多点响应的锤击测试方法，获取主轴系统的频响函数，找到系统的主模态。

3.根据权利要求1所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤2)中，通过安装在机床主轴前端的加速度传感器采集获取铣削加工中的状态信息，采集到的主轴振动信号表示为a(k)。

4.根据权利要求1所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤3)中，对采集到的振动信号a(k)通过带通滤波器进行敏感颤振频带滤波，其中带通滤波器的通带范围包含主轴系统的主模态，用于滤除信号中与颤振无关的高频成分和低频成分，提高颤振信息的信噪比。

5.根据权利要求1所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤4)中自适应滤波过程的具体步骤为：

4.1通过采样频率f_s计算采样间隔

4.2取k＝1时，给定抽头系数初值θ₁，并由传感器读取转速Ω(1)；

4.3计算基频得到，

与

4.4计算误差信号并输出e(1)；

4.5更新抽头系数重复步骤4.2，更新数据使k＝2，重复步骤输出对应的误差信号，直到采集到的一帧内所有数据计算完成为止。

6.根据权利要求1所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤4)自适应滤波之后，还包括方差指标计算的步骤，具体的为对自适应滤波后的信号进行方差计算：

${\mathrm{\σ}}^2=\sqrt{\frac{1}{N-1}\underset{i=1}{\overset{N}{\Σ}}{\left(e\right(i)-\mathrm{\μ})}^2};$

其中，μ为误差信号e(k)的均值；e(k)为自适应滤波后输出的误差信号。

7.根据权利要求6所述的一种基于自适应滤波与AR模型的高速铣削颤振在线识别方法，其特征在于，步骤6)中，判断颤振状态时，还包括对自适应滤波后信号的方差的判断；根据平稳铣削时的方差设定阈值，比较连续两帧数据的方差，两次方差均超过阈值时判定为颤振发生；对方差的判断结果和特征根的判断结果取或，得到系统的颤振状态。