关键词：
铣削加工
钛合金薄壁件
颤振
刀具磨损
过程监测
剩余使用寿命
摘要：
航空零件的材料特别是发动机零部件的材料,对硬度、强度、韧性、轻质化及耐高温等特性有严格的要求。因此,钛合金薄壁结构被广泛应用在航空零件上。然而,因其具有难加工、低刚度、易粘刀等特点,加之薄壁件铣削过程中的动态特性复杂多变,铣削加工过程中容易出现颤振、刀具磨损严重、切削温度高等现象,严重影响钛合金薄壁件铣削加工的精度、表面质量、效率。实践中,采用保守工艺参数的做法虽然可以有效避免颤振,但严重制约了加工效率。特别是针对新的零件几何体设计铣削加工工艺时,需要反复实验,存在低效、耗时并依赖于工人经验等弊端,已无法满足高精高效智能加工的要求。为此,本文以钛合金薄壁件为研究对象,面向铣削加工工艺,以实现铣削钛合金薄壁件的加工过程稳定与刀具磨损监测为目标,通过建立钛合金薄壁件的铣削力模型及颤振预测模型,探寻加工颤振在线监测方法,构建刀具磨损监测与预测模型,为搭建铣削加工钛合金薄壁件过程监控系统奠定理论基础。其具体的研究内容包括:(1)综合考虑刀具跳动和工件变形对钛合金薄壁件铣削过程的影响,构建了切削力与颤振预测模型。在研究平头立铣刀的铣削力过程中综合考虑了刀具跳动和工件变形的影响,采用刀具次摆线运动建立铣削过程各几何参数模型,推导钛合金薄壁件铣削加工的实际切削模型,得到了铣削未变形切削厚度模型。在此基础上,结合平均力法所求解的铣削力系数,通过线性切削力法构建了铣削力模型,并通过实验和结果分析验证了所提铣削力模型的准确性。接着,基于所提铣削力模型,建立了同时考虑刀具跳动和工件变形的未变形切削厚度的系统动力学模型,基于2自由度动力学模型并考虑刀具-工件加工系统的相对传递函数,采用频域法对铣削加工进行稳定性分析,并得到了加工稳定性边界条件。然后,分别通过实验和仿真验证稳定性分析的可靠性,并对比分析不同加工参数对加工稳定性的影响规律。(2)基于刀具-工件加工系统动态特性和小波包变换(WPT)对稳定和颤振两种铣削加工工况进行了颤振识别。通过WPT分解原始信号,为有效去除噪声,提取包含颤振信息的子信号进行信号重组,建立了刀具-工件加工系统动态特性与颤振识别的关系。结果表明,包含刀具-工件加工系统固有频率的重组信号能有效代表原始信号和有效识别颤振。为了更准确地提取颤振频带和计算颤振指标,提出了一种新型在线铣削颤振监测方法,结合小波包分解和优化变分模态分解(O-VMD),并提取多尺度排列熵(MPE)特征作为判断加工状态的指标。首先,利用小波包分解待分析的信号,通过计算能量特征,选择包含丰富颤振信息的子信号b重构。然后,采用粒子群优化算法对VMD分解参数进行优化选择。基于优化的VMD对重构信号分解,接着,计算分解后的各阶本征模态函数(IMF)能量熵特征,并用希尔伯特频谱来验证提取颤振频率带的有效性。最后,计算的MPE作为颤振特征,通过对比和分析三种不同加工状态(稳定铣削、轻微颤振、严重颤振)的熵值,验证了所提方法识别颤振的有效性。(3)基于机床内置电流传感器对刀具磨损监测方法进行相关研究。特征提取时,为充分考虑刀具磨损的变化规律,选择变化趋势与刀具磨损量的变化趋势相同的统计特征。特征选择时,为充分体现刀具磨损的预测性,量化了特征预测性指标。为实现特征自动降维,引入了堆栈式降噪自编码(SDA)的无监督学习方法。基于所构建的多层深度神经网络模型(DNN),结合主成分分析(PCA)与t分布随机邻域嵌入(t-SNE),对原始信号进行二次降维分析。在此基础上,采用由4个DA器堆栈而成的DNN网络作为刀具磨损状态的分类模型。为实现刀具磨损状态分类,在DNN的输出端添加一个Softmax层。原数据的有标签数据通过反向传播初次微调DNN参数。将初次降维和二次降维的特征作为新的有标签数据,通过反向传播对DNN网络的各参数进行深度二次微调。结果表明,相比于其他方法,数据集的分类准确率有所提高。(4)卷积神经网络(CNN)-双向长短期记忆循环神经网络(BLSTM)相结合的刀具剩余使用寿命(RUL)预测方法研究。对每个采样区间内的数据提取数学统计特征,如最大值、平均值、峭度等,和时频特征,如能量谱、谱峭度等,构成原数据的特征集。在此基础上,采用归一化到(0,1)的区间上的方法对特征集做数据预处理。为进一步有效提取特征,采用CNN对特征集做特征选择。将特征选择结果输入到BLSTM模型中,并搭建全连接层与线性回归层对刀具RUL做预测分析。通过数据的平均误差(MAE)和均方根误差(RMSE)来评价预测效果。结果表明,此模型无需手动选择特征,无需具备先验知识储备,具有预测准确率高的特点。该论文有图89幅,表25个,参考文献145篇。
