摘要：文章论述了一种新的基于传感器信息的切削加工振动预测方法，提出了切削状态指数的概念，用于描述切削状态，利用神经网络规划切削条件与切削状态的非线性关系，给出了曲面加工切削振动状态的变化规律。

1 引言

在金属切削加工中，切削振动会损坏加工表面，降低刀具和机床的寿命，甚至可能引发事故。因此，切削振动的产生机理、影响因素、表述模型以及抑制方法一直是机械加工行业的热门研究课题。但是，由于加工振动现象极其复杂，影响因素多，难以建立准确的物理模型。因此，针对具体的加工对象，利用新技术新方法，对物理模型进行补偿修正成为比较现实的解决方法。

2 神经网络学习模型

切削加工振动模型主要分为两类：实验数据检索型和物理模型预测型。前者主要进行加工结果数据累积，将加工条件与加工状态的关系形成数据库。当输入数据库中不存在的数值时，以相近点值为依据，根据一定算法推测出输出值。优点是数据参照整理容易，可信度高，便利性较好。缺点是若加工事例数据过少，影响模型精度，而加工实例数据太多，数据量又会呈爆炸性增长。后者则将加工条件作为参数建立数学表达式来反映加工状态。这种方法虽然信息量大为减少，但是从现有资料看可直观地表现加工现象，并具有充分精度的模型还没有出现。原因之一在于物理模型参数的决定方法较难确定，如切削点的动刚性参数通常用预备试验求得的近似值来代替，与实际切削情况有较大差距。

综上所述，实验数据检索的方法可信度较高，然而数据量过大，物理模型预测的方法数据量小、直观性好，但精度较差。本系统将上述两种方法的长处相结合，即将来自机床上搭载的传感器信息用神经网络(NN)来整理，使其具有学习功能，并兼具数据量小、精度好、可信度高等特点。

NN的输入为切削条件(主轴转速等)及曲面形状信息(切削点的法向方向角、曲率半径等)，输出应为某一能够反映加工状态的参数。

如图1所示，将来自力传感器的力信号，以与主轴速度成比例的截断频率进行高通滤波，在主轴一转内，对抽出的高频成分进行自乘平均平方计算，此值定义为加工状态指数，即主轴一转内的切削力的高频成分(通过高通滤波器的波形)的自乘平均平方值。 I=n-1(F_i-F)²Σi=0n式中：I——加工状态指数

n——主轴转一周，抽出的切削力高频成分的个数

F_i——第i个切削力高频成分

F——主轴旋转一周，切削力高频成分的平均值

加工状态指数反映切削振动的程度，振动越激烈，加工状态指数越大。

图1 加工状态指数的计算方法实验条件表刀具形式球头刀(Ø10mm，2刃)刀具材料超硬合金进给速度0.025mm/齿主轴转速3200～4000r/min切削深度3mm刀具悬长70mm采样周期20000Hz曲率半径40mm切削形式顺铣工件材料A2017法线方向角-45°～45°
图2 振动模型图

将实验结果数据代入神经网络进行学习计算，由此得到的学习模型反映了加工条件与加工状态的关系。学习模型可依照加工中获得的数据，依次对加工条件与加工状态的关系进行自我修正，因此在一定程度上可跟踪刀具磨损对加工状态的影响。特别是系统的动态学习功能，不仅可更新知识，而且通过调整NN的权系数，将由刀具磨损等引起的模型预测误差降为最小。这种具有动态学习功能的系统，实际的加工过程就是模型修正、学习的过程。

3 实验方法及结果

本实验系统由外部可控智能化机床、台式6坐标切削力传感器和实时控制器组成。外部可控智能化机床指数控机床与作为控制器的数控系统相分离，整个设备由机床、外部控制器及可传递控制信息的接口构成。构成本系统执行部件的机床配有外部专用控制器，使机床的外部可控成为可能。台式6轴力传感器安装在机床的工作台上，可实时测出加工过程中的3轴切削反力及反力矩，所获得的信息送入实时控制器作为判定加工状态的依据。实时控制器实际上由控制机床工作的计算机组成。它完成传感器的信息处理，向机床发出控制指令，采集加工信息等软件功能。本实时控制器采用VME 总线结构，操作系统采用Vx-works，具有实时处理速度快的特点。

利用开发的系统，对圆弧形凹曲面进行了加工实验，切削条件如下表所示。单刃切削量与切削深度设为一定，使主轴转速规律变化，进行曲面切削，用力传感器信息计算记录加工状态指数，同时利用切削点的前后点坐标，计算出法向方向角。法向方向角的定义是，切削点处的曲面法向方向与主轴轴心线所成的角度。它反映曲面的形状特征。

为得到加工状态学习模型，须先建立振动模型图，建立方法是：(1)在可能的曲面法线方向角范围内，改变主轴转速进行切削实验。(2)利用加工状态判定法，针对每一加工条件算出反映振动程度的加工状态指数。(3)将结果用3维图表示(见图2)。

如主轴转速从3250～4000r/min，以50r/min 间隔变化，法线方向角从-45°到45°，以4.5°间隔形成的格子点为条件进行切削，得到的振动模型图结果如图2所示。

获得的实验结果输入NN，令其进行学习运算，网络结构为双输入单输出、中间层为两层的2881 结构。学习率取0.9，动量因子为0.7，极限误差取0. 001。输入层为主轴转速及切削点的法线方向角，输出层为切削状态指数。学习结果表明切削状态指数与学习前相吻合。

由图2可看出：振动状态依据法线方向角和主轴转速成规律性变化。上坡部分(法线方向角0°～45°)的振动情况比下坡部分(-45°～0°)恶劣。上坡部分，随着主轴转速变化，加工状态指数成波浪变化。