一种用于数控铣床的矩形平面加工深度识别方法与流程

本发明涉及一种机床加工工程参数自动识别方法，具体涉及数控铣床加工过程中加工深度的自动识别。
背景技术：
：随着新一代信息通信技术的快速发展及与先进制造技术不断深度融合，全球兴起了以智能制造为代表的新一轮产业变革。德国提出《工业4.0》战略，美国提出《美国先进制造业国家战略计划》，英国提出《英国工业2050战略》。为了应对新的工业革命挑战，中国提出《中国制造2025》，大力推动“智能制造”创新驱动发展，通过以数字化、网络化、智能化为代表的智能制造技术，全面提升中国制造业的整体效率，促进中国制造业由大到强转变，从而提高中国制造业的核心竞争力。智能车间是智能制造的核心用例，通过对车间实体的映射建模系统“数字孪生”，智能车间可实现产品高度化定制制造、实时动态任务调度分析、基于历史数据与实时数据的故障诊断与寿命预测等功能，以上功能为提高制造业“柔性”、提升生产效率做出重要贡献。“智能车间”中建模系统“数字孪生”与实体设备的信息交换是整个系统的支撑，通过传感器或服务器，模型需获得设备的运行状态信息，针对每台机床，具体包括加工参数(加工过程中主轴转速、进给量、剩余量、切削深度等)。对于切削深度的获取，通常采用基于切削力反馈的方法，该方法需将力传感器埋入底座，配合预测切削深度的专用算法。因涉及机床结构的改动，该方法只能在设计制造机床阶段实施，对于没有切削深度反馈功能的机床则不宜采用该方法。近年来，加速度传感器朝着小型化、低廉化方向发展：片上无线加速度传感器节点已商业化。适合加速度信号的动态分析方法，如小波分析、经验模态分解等技术日趋成熟，这都为通过切削过程中主轴加速度信号确定切削深度提供了便利的条件。技术实现要素：针对上述技术不足，本发明的目的提供一种用于数控铣床的矩形平面加工深度识别方法。该方法可以在复杂的轨道环境中，快速的提供给天车最短的移动路线。本发明解决其技术问题所采用的技术方案是：一种用于数控铣床的矩形平面加工深度识别方法，包括以下步骤：离线训练阶段：设定需要识别的矩形加工平面深度参数；在加工情景下，对于量程中每一个刻度指派a个加工任务，用传感器记录加工过程中的加速度序列，对每个加工任务采集到的加速度序列经过数据预处理、特征提取形成任务向量后，将所有任务向量模糊聚类后形成知识库；在线匹配阶段：对于区分加工深度的矩形平面加工过程，在加工情景下，用加速度传感器记录加工过程中的加速度序列，经数据预处理、特征提取后得到的特征向量与知识库比对，得出加工深度。所述矩形加工平面深度参数包括最大值、最小值和分度值。所述加工情景指铣削过程中，没有更换刀具、工件的操作，主轴转速恒定，铣削平面为深度均一的矩形平面。所述传感器为输出频率3200hz、量程-4g到4g的加速度传感器。所述加速度传感器为输出频率大于3200hz、量程为-4g到4g的无线加速度传感器。所述数据预处理具体指对一个加工任务的加速度序列采用32阶自适应数字滤波器处理，对滤波过后的时域特征分段，包括以下步骤：经32阶自适应数字滤波器滤波后的离散加速度时间序列a(k)的长度为n，则其总能量平均能量f为不大于的最大整数，从起始时间开始，时间序列a(k)被分为k个子序列，每个子序列包含的序列点数为f；集合g表示处于峰值区间的加速度序列片段下标，初始时为空；子序列平均能量为e，始时e置0，算法如下：d.求取序列总能量e和平均能量e；e.分别遍历这k个子序列，对每个子序列求取平均能量e，当e>m·e时，将遍历到的子序列下标加入集合g中；f.记录下集合g中序列下标的最大值max与最小值min，最大值与最小值的差记为p；剔除序列a(k)中小于最小值min且相差d·p以上的元素，或大于最大值max且相差d·p以上的元素；对序列a(k)重新排序并按照升序指定下标，下标从整数0开始，间隔为1；新序列记为a'(k)；其中k与m、d均为设定值。所述特征提取具体指将新序列a'(k)进行三层小波包分解，选用db3母函数，得到8个子频带小波包重构信号：(x0,x1,x2,x3,x4,x5,x6,x7)重构系数对应的重构信号为：(s0,s1,s2,s3,s4,s5,s6,s7)设重构信号si,i＝0,1,...,7对应的频段能量分别为ei,i＝0,1,...,7，则有：式中xiz,i＝0,1,...,7表示对应重构信号si,i＝0,1,...,7离散点幅值，ni为xi对应数据长度；频带总能量可表示为：最终获得某加工任务归一化后的特征向量：[e0/ef,e1/ef...e7/ef]对于每个加工任务的特征向量，标定其对应的原始序列a'(k)对应的刻度。所述模糊聚类具体指将得到的所有加工任务归一化特征向量作为fcm算法的输入，初始聚类中心值随机选择，聚类个数标记为量程中的刻度数，迭代结束条件为误差值err小于等于设定值；聚类结束后记录每个聚类中心的坐标ci,i＝1,2,3,...,k,k为刻度总数。所述形成知识库具体指根据每个加工深度的刻度，将其相应的聚类中心写入以下表格中：加工深度聚类中心d1c1d2c2…………dk-1ck-1dkck其中，聚类中心ci对应的加工深度di可通过所指派的a个加工任务各自的聚类中心求平均得到。所述知识库比对是指根据特征向量，分别计算该特征向量与知识库中所有聚类中心的欧氏距离，将距离最近的聚类中心对应的加工深度标定为待区分平面的加工深度。本发明具有以下有益效果及优点:1.传感器安装方便，利于大规模装配。本发明中加速度传感器可通过磁力吸附的方式安装在铣床主轴静止区域，安装方便快捷，可在车间现场短时间内大规模装配。2.本发明采用模糊聚类方法确定聚类中心，与k-means聚类方法相比，能最大限度提高算法容错率。3.本发明采用32阶自适应滤波器对信号进行滤波处理，可明显提高信噪比，对聚类中心更准确地定位。附图说明图1为本发明的加速度信号时域分段示意图；图2为本发明的加速度信号频域特征图一；图3为本发明的加速度信号频域特征图二；图4为本发明的离线训练阶段流程图；图5为本发明的在线匹配阶段流程图。具体实施方式下面结合实施例对本发明做进一步的详细说明。本发明提供了一种根据铣床矩形平面切削过程中主轴加速度传感器数值识别加工深度的方法。根据方法不同阶段要实现的目的，将该方法分为两个阶段：离线训练阶段、在线匹配阶段。离线训练阶段主要由训练样本数据采集、数据预处理、特征提取、模糊聚类、形成知识库这五个步骤组成，在线匹配阶段由数据采集、数据预处理、特征提取、知识库比对这五个步骤组成。如图4、图5所示。离线训练阶段：明确待识别矩形加工平面深度最大最小值(最大值与最小值之差以下称为量程)，分度值。在一定加工条件下，对量程范围内每一个刻度指派相应的加工任务，记录加工过程中主轴加速度传感器数值，对数值处理后形成知识库。在线匹配阶段：对于每个待识别样本，提取加工过程中加速度数据，经一定处理后与知识库中作比对，得出该样本的加工深度。数据预处理包括数据滤波处理和时域截取技术，前者采用32阶自适应数字滤波器设计，消除环境噪声，提高信噪比；时域截取技术针对加工过程中加速度传感器不同阶段时域信号特征，将信号按照一定比例分段截取。特征提取采用小波包能量谱方法提取加工过程中不同频率的特征值。在离线训练阶段，针对所有采集到的训练样本，采用模糊聚类的方法，得到每个加工深度对应的聚类中心，将聚类中心与加工深度对应形成知识库。在线匹配阶段，对于单一待测样本，提取加工过程中加速度序列，经滤波处理、时域截取等步骤后，运用上述提到的特征提取方法提取该样本的特征，计算与“知识库”中加工深度对应的聚类中心的欧氏距离，距离最近的聚类中心对应的加工深度即为该样本的加工深度。离线训练阶段由训练样本数据采集、数据预处理、特征值提取、模糊聚类、形成知识库这五个步骤组成；在线匹配阶段由待测用例数据采集、数据预处理、特征值提取、知识库匹配这四个步骤组成。离线训练过程与在线匹配过程必须有一致的加工环境：使用同种型号的铣床，铣刀，铣削过程中，没有更换刀具、工件的操作，主轴转速恒定，铣削平面为深度均一的矩形平面。具体实施过程如下。离线训练阶段：1.明确待测矩形加工平面深度最大最小值(最大值与最小值之差以下称为量程)、分度值。对量程(表示加工深度的范围)中的每个刻度(表示能分辨的最小单位)指派10个加工任务，对每个加工任务，使用输出频率3200hz，量程-4g到4g的实验型传感器记录下加工过程中主轴加速度序列、加工深度：记录下所有加工任务的加速度序列，形成集合。2.对每个加工任务中获取的加速度序列，采取数字滤波、时域截取的方法进行预处理，记录下每个加工任务加速度序列预处理后的序列及其对应的加工深度，形成集合。单个加工任务的数字滤波方法采用32阶自适应数字滤波器。一个矩形平面的铣削过程，加速度时域图如图1所示，根据加工过程中铣刀与工件相对的逻辑位置，将一个加工过程分为铣削前空转、进入加工平面、铣削、离开加工平面、铣削后空转这五个阶段，分别对应图1所示加速度时域中a、b、c、d、e五段。时域截取的目的是使a、e段的长度与b、c、d长度总和成一定比例。单个加工任务时域截取的算法如下：假设经滤波处理后的离散加速度时间序列a(k)的长度为n，则其总能量平均能量遍历总次数为k，则步长f为不大于的最大整数，从起始时间开始，时间序列a(k)被分为k个子片段，每段包含的序列点数为f。集合g表示处于峰值区间的加速度序列片段下标，假设初始时其为空。设子序列平均能量为e，始时e置0。算法如下：a.求取序列总能量e和平均能量e。b.分别遍历这k个子时间序列，对每个子序列求取局部平均能量e，当e>m·e时，将遍历到的子序列下标加入集合g中。c.记录下集合g中序列下标的最大值max与最小值min，最大最小值的差记为p。剔除序列a(k)中小于最小值min，且(该值与最小值min)相差d·p以上的元素或大于最大值max，且(该值与最大值max)相差d·p以上的元素，对序列a(k)重新排序并按照升序指定下标，下标从整数0开始，间隔为1。新序列记为a'(k)。其中，k与m、d的取值范围分别为：k为正整m，m和d分别为正实数；经验值标定分别为100，3.23，0.1。对每个加工任务经预处理后的加速度序列a'(k)，采用小波包能量谱法提取特征值，记录特征值与每个特征值对应的刻度，得到所有加工任务的特征值集合。单个任务特征提取方法如下：将新序列a'(k)进行三层小波包分解，选用“db3”母函数，得到8个子频带小波包重构信号：(x0,x1,x2,x3,x4,x5,x6,x7)重构系数对应的重构信号为：(s0,s1,s2,s3,s4,s5,s6,s7)设重构信号si(i＝0,1...7)对应的频段能量分别为ei(i＝0,1...7)，则有：式中xiz,i＝0,1,...,7对应重构信号si(i＝0,1...7)离散点幅值，ni为序列xiz对应数据长度。频带总能量可表示为：最终获得归一化后的特征向量：[e0/ef,e1/ef...e7/ef]图2为切削深度0.3mm加速度序列的快速傅里叶频谱图，图3为切削深度0.5mm的加速度序列快速傅里叶频谱图。可知，对于不同加工深度的切削用例，其频谱能量分布不同，且特征频率在1500hz附近，结合其它加工深度的频谱图，选定加速度传感器输出频率3200hz，量程-4g至+4g。3.将步骤3中得到的特征向量集合作为fcm(fuzzyc-means)算法的输入，初始聚类中心值随机选择，聚类个数标记为“步骤1”中刻度数总数，迭代结束条件为误差值err小于等于0.01。聚类结束后记录每个聚类中心的坐标ci(i＝1,2,3,...,k)(k为刻度总数)。4.“形成知识库”具体指根据每个加工深度的刻度，将其相应的聚类中心写入以下表格中：加工深度聚类中心d1c1d2c2…………dk-1ck-1dkck其中聚类中心ci对应的加工深度di可通过所指派的a个加工任务各自的聚类中心求平均得到。在线匹配阶段：1.对于待区分加工深度的加工过程，采用输出频率为3200hz，量程为-4g至+4g的无线传感器，并将其置于铣床主轴上方静止区域。记录加工过程中加速度传感器采集到的加速度序列。2.对采集到的加速度序列进行数据预处理、特征提取等步骤，其方法与“离线匹配过程”中所述单个加工任务方法一致。计算得到的特征向量与“离线训练阶段”步骤5表格中每个聚类中心的欧式距离，距离最短的聚类中心所对应的加工深度即为该加工过程的加工深度。当前第1页12