CN119575818B - 机床振动抑制优化方法及系统 - Google Patents

Abstract

本发明公开了一种机床振动抑制优化方法及系统，优化方法包括：根据加工参数生成控制策略；采集数控机床关键部位的振动数据；将振动数据与当前工作参数输入振动预测模型；判断振动预测模型预测的振动结果是否满足加工要求，如果不满足则采用强化学习算法对控制策略中的机床工作参数进行调节。本发明中，采用振动预测模型和强化学习算法相结合的方法抑制振动，实现了实时振动预测和自适应控制，可以有效抑制振动，显著提高加工精度，并能减少设备磨损和故障，延长机床使用寿命。

Description

机床振动抑制优化方法及系统

技术领域

本发明属于数控机床领域，特别是涉及一种机床振动抑制优化方法及系统。

背景技术

数控机床在工件切削加工过程中难以避免的会发生振动现象，机床振动的产生主要源于切削力、机床部件的结构刚性和外部环境等因素。机床振动不仅会影响工件表面质量，还可能导致刀具损坏和增加加工误差。机床振动抑制是提高加工精度、延长机床使用寿命和保证加工质量的重要手段，在现代数控机床和高精度加工中具有重要意义；但是传统的振动抑制方法主要依赖于机械设计和人工经验，难以应对复杂多变的振动环境，因此，有必要提出一种新的机床振动抑制方法。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：提供一种机床振动抑制优化方法及系统。

为解决上述技术问题，本发明提供如下技术方案：

一种机床振动抑制优化方法，包括以下步骤：

S100、根据加工参数生成控制策略，并根据控制策略生成实时控制信号对机床在各个运行周期的工作参数进行控制；

S200、在数控机床工作过程中采集机床关键部位的振动数据；

S300、将振动数据与机床的当前工作参数输入振动预测模型对后续的振动结果进行预测；

S400、判断振动预测模型预测的振动结果是否满足加工要求，如果不满足则执行S500步骤，否则，返回执行S200步骤；

S500、依据振动预测模型预测的振动结果，采用强化学习算法对控制策略中的机床工作参数进行调节。

进一步的，所述机床关键部位包括数控机床的主轴、刀具、工作台；所述工作参数包括切削速度、切削加速度、进给量、切削深度、主轴转速、刀具类型、切削路线。

进一步的，采集机床关键部位的振动数据的方法包括以下步骤：

S210、在机床关键部位设置振动采集器件，采集机床关键部位的振动信号；

S220、对振动信号进行去噪处理，消除高频和低频噪声；

S230、提取振动信号的频域特征和时域特征，得到振动数据。

进一步的，得到振动预测模型的方法包换以下步骤：

S310、确定一种机器学习模型或深度学习模型作为振动预测模型的基础模型；

S320、获取机床的历史振动数据，根据机床正常工作时的振动范围确定历史振动数据中的正常状态数据和异常状态数据，并对反向点、启动点和停止点的振动数据以及异常状态数据进行标记；

S330、采用标记后的振动数据对基础模型进行训练，得到振动预测模型。

进一步的，采用长短期记忆网络LSTM作为基础模型。

进一步的，所述强化学习算法采用Q-learning算法，以当前机床的工作参数值和振动数据作为Q-learning算法的状态S，以对机床工作参数的调节作为Q-learning算法的动作a，以机床振动减小和/或机床加工性能得到优化作为Q-learning算法的奖励R。

进一步的，采用强化学习算法对控制策略中的机床工作参数进行调节的方法包括以下步骤：

S510、获取当前加工参数和振动预测模型预测的振动结果，并将其表示为当前状态s_t；

S520、根据当前状态采用∈-greedy策略选择一动作a作为当前动作a_t；

S530、调整控制策略中机床的工作参数以执行当前动作a_t，并在执行当前动作a_t的预定时间后获取实时振动数据和加工效果作为反馈结果；

S540、根据反馈结果计算奖励值r_t+1；

S550、更新当前状态和动作的Q值。

S560、判断是否满足预设的终止条件，如果满足终止条件则返回执行S200步骤，否则，返回执行S510步骤。对当前状态s_t进行更新后再次对控制策略进行调整，直至满足要求。

进一步的，在所述S540步骤中，执行动作a_t后的奖励值r_t+1计算公式如下：

其中，a_v为振动数据取值的加权系数；V(t)表示机床在执行动作a_t后反馈的振动数据的取值；i为参与计算奖励值的参数的项数的索引，N为参与计算奖励值的参数的总项数，b_i为第i项参数的加权系数，f_i(t)为第i项参数在执行动作a_t后的反馈值。当参数为越大越好时，其权重系数为正数，当参数为越小越好时，其加权系数为负数。

进一步的，在所述S550步骤中，更新Q值的公式如下：

其中，Q′(s_t,a_t)为在状态s_t下执行动作a_t的Q值，即当前动作a_t对该策略的预期累计奖励值；Q(s_t,a_t)表示更新前的Q值；α为学习率，表示新信息对现有Q值的影响权重，取值范围为：0＜α≤1；r_t+1为在当前时间步t执行动作a_t后获得的即时奖励；γ为折扣因子，表示未来奖励对当前决策的影响程度，取值范围为0≤γ≤1；为在下一个状态S_t+1中，所有可选择的动作a′_t+1中Q值最大的动作。

一种机床振动抑制优化系统，包括

控制策略模块，用于根据加工参数生成控制策略，并根据控制策略生成实时控制信号给机床执行机构，对机床执行机构在各个运行周期的工作参数进行控制；

数据采集模块，用于在机床工作过程中采集机床关键部位的振动数据；

振动预测模块，所述振动预测模块采用机器学习模型或深度学习模型训练得到，用于根据振动数据和机床在当前运行周期的工作参数对后续运行周期的振动结果进行预测；以及

参数优化模块，用于在振动预测模块预测的振动结果不满足加工要求时采用强化学习算法对控制策略中的机床工作参数进行调节。

本发明中，采用振动预测模型提前预测和强化学习算法优化控制策略相结合的方法抑制振动，实现了实时振动预测和自适应控制，可以有效抑制振动，显著提高加工精度，并能减少设备磨损和故障，延长机床使用寿命。另外，通过在加工过程中不断执行强化学习算法对控制策略进行优化，还可以使控制策略不断进行优化，最终使机床在振动最小化的情况下达到最佳加工性能。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明机床振动抑制优化方法一实施例的流程图。

图2为采集机床关键部位的振动数据的流程图。

图3为得到振动预测模型的流程图。

图4为采用强化学习算法对控制策略进行调节的流程图。

图5为本发明机床振动抑制优化系统一实施例的结构框图。

说明书附图标记如下：

控制策略模块-100；机床执行机构-200；数据采集模块-300；振动预测模块-400；参数优化模块-500。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

目前振动抑制主要采用主轴振动抑制技术、进给轴振动抑制技术和刀具振动抑制技术。

主轴振动抑制技术主要有三种方法，分别为变速切削、主轴轴承预紧力控制和主轴系统自平衡控制，但都存在明显的缺点。其中，变速切削技术采用周期性的连续改变切削速度以避开不稳定切削区,从而抑制切削的振动。其缺点为:需要对加工系统进行大量的切削加工试验以建立系统稳定性极限图,如果加工系统中的主轴、刀具、夹具、工件任何一部分发生改变,那么稳定性极限图也将发生改变,从而需要重新规划颤振预测数据。主轴轴承预紧力控制采用低速大扭矩时增加预紧力、高速低扭矩时减少预紧力的方法。其缺点为:仅能针对单一应用场景固定轴承预紧力。主轴系统自平衡控制采用相关的平衡机构进行主轴高速旋转的自平衡。其缺点为:平衡机构结构复杂,难以推广应用，一般只在加工前对主轴的平衡性进行校准。

进给轴振动抑制采用改善机械传动部件结构进行振动抑制的方法，主要为采用新型直线电机、电器柜电磁屏蔽等器件和伺服调优。其缺点为:需要耗费大量时间和精力，经济效益不明显。

刀具振动抑制主要采用改进刀杆材料、夹具优化、工艺参数优化等方法，其缺点为:需要耗费大量时间和精力，经济效益不明显。

请参阅图1，图1为本发明机床振动抑制优化方法一实施例的流程图。本实施例的机床振动抑制优化方法包括以下步骤：

S100、数控机床根据加工参数生成控制策略，并根据控制策略生成实时控制信号对机床在各个运行周期的工作参数进行控制。加工参数一般为加工时预先输入的切削速度、进给量、切削深度、加工路线等参数。

S200、在机床工作过程中采集机床关键部位的振动数据。请参阅图2，采集机床关键部位的振动数据的方法可以包括以下步骤：

S210、在机床关键部位设置加速度传感器、位移传感器和应变片等振动采集器件，采集机床关键部位的振动信号。所述机床关键部位一般包括机床的主轴、刀具、工作台(包括进给轴)等位置。

S220、采用滤波器(如卡尔曼滤波、带通滤波等)对采集的振动信号进行去噪处理，消除高频和低频噪声。

S230、采用傅里叶变换(FFT)、小波变换等方法提取振动信号的频域特征和时域特征，得到振动数据。

S300、将振动数据与机床的当前工作参数输入振动预测模型对后续的振动结果进行预测。所述机床的工作参数一般包括切削速度、切削加速度、进给量、切削深度、主轴转速、刀具类型、切削路线等。运行周期只是为了便于控制而人为划分的一个周期，运行周期的时长可以根据实际需要选择，在一个运行周期内控制策略可以下发多个实时控制信号。例如，可以将1ms作为一个运行周期，当然，也可以选择0.1ms或其他时长作为一个运行周期，只要能够达到最终的控制效果即可。

请参阅图3，预先训练得到振动预测模型的可以方法包换以下步骤：

S310、确定一种机器学习模型(如支持向量机SVM、随机森林)或深度学习模型(如卷积神经网络CNN、长短期记忆网络LSTM)作为振动预测模型的基础模型。本实施例中，采用长短期记忆网络LSTM作为基础模型。

S320、获取机床的历史振动数据，根据机床正常工作时的振动范围确定历史振动数据中的正常状态数据和异常状态数据，并对反向点、启动点和停止点的振动数据以及异常状态数据进行标记。在加工一个新的工件时，可以通过工件的试切来获取振动数据作为机床的历史振动数据。在加工过程中，反向点、启动点和停止点处一般都会产生较大的振动，因此在训练时和异常状态数据一起进行标记，其余的数据则为正常状态数据。一般根据历史振动范围区分正常状态数据和异常状态数据，例如，历史数据显示振动值在0～1之间，则位于此范围内的数据值为正常状态数据，超出此范围的数据值为异常状态。

S330、采用标记后的振动数据对基础模型进行训练，得到振动预测模型。当然，在工件正式加工时，也可以在每个周期执行完成后，将加工过程中的振动数据以及相关的工作参数作为历史振动数据继续对模型进行训练，从而不断提高振动预测模型的预测精度。

S400、判断振动预测模型预测的振动结果是否满足加工要求，如果不满足则执行S500步骤，否则，返回执行S200步骤。

由于需要考虑加工成本，工件试切的次数比较有限，仅通过工件试切的数据对模型进行训练只能初步达到加工要求，并不能使控制策略达到最优状态，因此，在工件最初加工的阶段一般会执行S500步骤对控制策略进行不断优化。随着工件加工次数越来越多，通过利用每次加工的振动数据持续对模型进行训练，使工件加工的控制策略经过不断优化逐渐趋于稳定。此时，在正常状态下一般不再需要优化，会直接返回执行S200步骤，只进行监测，以便于在加工发生意外情况时及时介入。当然，如果机床发生碰撞等情况导致性能发生改变，或更换了新的加工工件，则又需要重新进行优化。

S500、依据振动预测模型预测的振动结果，采用强化学习算法(如Q-learning、深度Q网络DQN等算法)对控制策略中的机床工作参数进行调节。

本实施例中，所述强化学习算法采用Q-learning算法，并以当前机床的工作参数值和振动数据(包括振动预测模型预测得到的振动数据以及执行动作后反馈的振动数据)作为Q-learning算法的状态S，以对机床工作参数的调节作为Q-learning算法的动作a。例如，可以将某一工作参数的参数值向上步进或向下步进作为一个动作a，也可以将调整切削路线作为动作a。以机床振动减小和机床加工性能得到优化作为Q-learning算法的奖励R，当然，也可以只以机床振动减小作为Q-learning算法的奖励R。

请参阅图4，当强化学习算法采用Q-learning算法时，本步骤可以包括以下子步骤：

S510、获取当前加工参数和振动预测模型预测的振动结果，并将其表示为当前状态s_t；从而可以根据振动预测模型预测的振动结果提前对可能发生的振动情况进行处理，通过调整控制策略来减小后续的振动，达到抑制振动的效果。

S520、根据当前状态采用∈-greedy策略(即可衰减的贪心策略)选择一动作a作为当前动作a_t，其公式如下：

其中，为当前状态下Q值最大的动作。∈是探索的概率，即以∈的概率选择随机动作来探索新的可能性，防止陷入局部最优，0＜∈＜1。1-∈是利用的概率，即以1-∈的概率选择当前Q值最大的动作来进一步优化控制策略∈-greedy策略，∈的值可随着的次数的增加逐渐减小。

S530、调整控制策略中机床的工作参数以执行当前动作a_t，并在执行当前动作a_t的预定时间后获取实时振动数据和加工效果作为反馈结果。例如，对于因机床本身的装配、结构等原因导致的振动较大的位置，可以通过减小切削速度等方式减小振动，当调整切削速度等参数值仍然无法解决时，还可以调整切削路线，通过绕开该位置的方式避免振动过大。

S540、根据反馈结果计算奖励值r_t+1。由于本实施例的目的是抑制振动，因此反馈结果会包括振动数据，例如，可以设置执行动作a_t后的奖励值r_t+1计算公式如下：

r_t+1＝-V(t)

其中，V(t)表示机床在执行动作a_t后反馈的振动数据的取值；振动数据的取值可以采用振动幅度值，也可以采用振动加速度、位移等振动性能相关参数的综合值。当然，在实际加工过程中，可能不只是对振动有要求，对于加工效率等加工效果方面的性能一般也有一定要求，此时，也可以将加工效率等加工效果方面的性能也加入奖励值r_t+1的计算。此时，执行动作a_t后的奖励值r_t+1计算公式如下：

其中，a_v为振动数据取值的加权系数；i为参与计算奖励值的参数的项数的索引，i＝0则表示不考虑加工效率等加工效果方面的性能。N为参与计算奖励值的参数的总项数，b_i为第i项参数的加权系数，f_i(t)为第i项参数在执行动作a_t后的反馈值。

本实施例中，参与计算奖励值的参数包括机床振动性能参数、加工效率和工件表面粗糙度；因此，执行动作a_t后的奖励值r_t+1计算公式如下：

r_t+1＝-a_vV(t)+b₁f₁(t)+b₂f₂(t)

其中，b₁为机床加工效率的加权系数，f₁(t)为机床在执行动作a_t后反馈的加工效率。B₂为工件表面粗糙度的加权系数，f₂(t)为在执行动作a_t后反馈的工件表面粗糙度。

S550、更新当前状态和动作的Q值。在第一次执行Q-learning算法时，会先将状态和动作的Q值Q(s,a)初始化为初始值；通常初始值可以设置为0或较小的随机值。之后执行Q-learning算法会不断对状态和动作的Q值进行更新，直至状态和动作的Q值趋于稳定。更新后的Q值也会作为S520步骤中选择当前动作a_t的依据。更新Q值的公式如下：

其中，Q′(s_t,a_t)为在状态s_t下执行动作a_t的Q值，即当前动作a_t对该策略的预期累计奖励值；Q(s_t,a_t)表示更新前的Q值；α为学习率，表示新信息对现有Q值的影响权重，取值范围为：0＜α≤1；r_t+1为在当前时间步t执行动作a_t后获得的即时奖励；γ为折扣因子，表示未来奖励对当前决策的影响程度，取值范围为0≤γ≤1；为在下一个状态S_t+1中，所有可选择的动作a′_t+1中Q值最大的动作。

S560、判断是否满足预设的终止条件，所述终止条件为可以为系统收敛到最佳加工参数(例如：当Q值的变化小于某个阈值，或者奖励值在若干步内稳定在一个较高的水平，则可以判断系统收敛到最佳加工参数)、振动最小化或达到其他预定条件(例如加工效率、表面粗糙度等)。如果满足终止条件则认为控制策略已经基本达到最优，无需再进行优化，返回执行S200步骤对加工过程继续进行监测。如果不满足终止条件则认为控制策略还有继续优化的空间，对当前状态s_t进行更新后，返回执行S510步骤再次对控制策略进行调整，直至满足要求。

本实施例中，采用振动预测模型提前预测和强化学习算法优化控制策略相结合的方法抑制振动，振动预测模型可以提高对机床的振动情况进行预测，从而能够在可能出现较大的振动之前提前通过强化学习算法对控制策略进行优化，避免在加工过程中出现较大的振动而影响加工精度。另外，通过在加工过程中不断执行强化学习算法对控制策略进行优化，还可以使控制策略不断进行优化，最终使机床在振动最小化的情况下达到最佳加工性能。

请参阅图5，图5为本发明机床振动抑制优化系统一实施例的结构框图。本实施例的机床振动抑制优化系统包括控制策略模块100、数据采集模块300、振动预测模块400和参数优化模块500。所述控制策略模块100用于根据加工参数生成控制策略，并根据控制策略生成实时控制信号给机床执行机构200，对机床执行机构200在各个运行周期的工作参数进行控制。

所述数据采集模块300用于在机床工作过程中采集机床执行机构200中机床关键部位的振动数据。所述数据采集模块300可以包括振动采集单元、去噪处理单元和特征提取单元。所述振动采集单元用于采集机床执行机构200中的主轴、刀具、工作台等机床关键部位的振动信号，可以包括在机床关键部位设置的多个加速度传感器、位移传感器和应变片等振动采集器件，上述振动采集器件采集的数据可以通过工业物联网等传输至去噪处理单元。所述去噪处理单元用于采用滤波器(如卡尔曼滤波、带通滤波等)对采集的振动信号进行去噪处理，消除高频和低频噪声。所述特征提取单元用于采用傅里叶变换、小波变换等方法提取振动信号的频域特征和时域特征，得到振动数据。

所述振动预测模块400用于根据振动数据和机床在当前运行周期的工作参数对后续运行周期的振动结果进行预测。所述振动预测模块400可以采用机器学习模型或深度学习模型训练得到，例如，可以通过执行上述机床振动抑制优化方法的实施例中的S310～S330步骤得到。

所述参数优化模块500用于在振动预测模块预测的振动结果不满足加工要求时采用强化学习算法对控制策略中的机床工作参数进行调节。例如，可以通过执行上述机床振动抑制优化方法的实施例中的S510～S560步骤对控制策略中的机床工作参数进行调节，从而实现对数控机床的自适应控制。

本实施例的机床振动抑制优化系统通过实时振动预测和自适应控制，可以有效抑制振动，显著提高加工精度，并能减少设备磨损和故障，延长机床使用寿命。另外，通过预测性维护，可以减少突发故障和停机时间，降低维护成本。

以上实施例仅表达了本发明的优选的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种机床振动抑制优化方法，其特征在于，包括以下步骤：

S100、根据加工参数生成控制策略，并根据控制策略生成实时控制信号对机床在各个运行周期的工作参数进行控制；

S200、在数控机床工作过程中采集机床关键部位的振动数据；

S300、将振动数据与机床的当前工作参数输入振动预测模型对后续的振动结果进行预测；

S400、判断振动预测模型预测的振动结果是否满足加工要求，如果不满足则执行S500步骤，否则，返回执行S200步骤；

S500、依据振动预测模型预测的振动结果，采用强化学习算法对控制策略中的机床工作参数进行调节；

采用强化学习算法对控制策略中的机床工作参数进行调节的方法包括以下步骤：

S510、获取当前加工参数和振动预测模型预测的振动结果，并将其表示为当前状态s_t；

S520、根据当前状态采用ϵ-greedy策略选择一动作a作为当前动作a_t；

S530、调整控制策略中机床的工作参数以执行当前动作a_t，并在执行当前动作a_t的预定时间后获取实时振动数据和加工效果作为反馈结果；

S540、根据反馈结果计算奖励值 r_t+1；

S550、更新当前状态和动作的Q值；

S560、判断是否满足预设的终止条件，如果满足终止条件则返回执行S200步骤，否则，返回执行S510步骤；对当前状态s_t进行更新后再次对控制策略进行调整，直至满足要求；

在所述S540步骤中，执行动作a_t后的奖励值r _t+1计算公式如下：

其中，a_v为振动数据取值的加权系数;V(t)表示机床在执行动作a_t后反馈的振动数据的取值；i为参与计算奖励值的参数的项数的索引，N为参与计算奖励值的参数的总项数，b _i为第i项参数的加权系数，f _i(t)为第i项参数在执行动作a_t后的反馈值；当参数为越大越好时，其权重系数为正数，当参数为越小越好时，其加权系数为负数。

2.如权利要求1所述的机床振动抑制优化方法，其特征在于：所述机床关键部位包括数控机床的主轴、刀具、工作台；所述工作参数包括切削速度、切削加速度、进给量、切削深度、主轴转速、刀具类型、切削路线。

3.如权利要求1所述的机床振动抑制优化方法，其特征在于：采集机床关键部位的振动数据的方法包括以下步骤：

S210、在机床关键部位设置振动采集器件，采集机床关键部位的振动信号；

S220、对振动信号进行去噪处理，消除高频和低频噪声；

S230、提取振动信号的频域特征和时域特征，得到振动数据。

4.如权利要求1所述的机床振动抑制优化方法，其特征在于：得到振动预测模型的方法包换以下步骤：

S310、确定一种机器学习模型或深度学习模型作为振动预测模型的基础模型；

S320、获取机床的历史振动数据，根据机床正常工作时的振动范围确定历史振动数据中的正常状态数据和异常状态数据，并对反向点、启动点和停止点的振动数据以及异常状态数据进行标记；

S330、采用标记后的振动数据对基础模型进行训练，得到振动预测模型。

5.如权利要求1所述的机床振动抑制优化方法，其特征在于：采用长短期记忆网络LSTM作为基础模型。

6.如权利要求1～5任一项所述的机床振动抑制优化方法，其特征在于：所述强化学习算法采用Q-learning算法，以当前机床的工作参数值和振动数据作为Q-learning算法的状态S，以对机床工作参数的调节作为Q-learning算法的动作a，以机床振动减小和/或机床加工性能得到优化作为Q-learning算法的奖励R。

7.如权利要求6所述的机床振动抑制优化方法，其特征在于：在所述S550步骤中，更新Q值的公式如下：

其中，为在状态s _t下执行动作a_t的Q值，即当前动作a_t对该策略的预期累计奖励值；表示更新前的Q值；α为学习率，表示新信息对现有Q值的影响权重，取值范围为：0＜α≤1；r _t+1为在当前时间步t执行动作a_t后获得的即时奖励；γ为折扣因子，表示未来奖励对当前决策的影响程度，取值范围为0≤γ≤1；为在下一个状态S _t+1中，所有可选择的动作a′_t+1 中Q值最大的动作。

8.一种机床振动抑制优化系统，其特征在于，采用如权利要求1～7任一项所述的机床振动抑制优化方法，包括

控制策略模块，用于根据加工参数生成控制策略，并根据控制策略生成实时控制信号给机床执行机构，对机床执行机构在各个运行周期的工作参数进行控制；

数据采集模块，用于在机床工作过程中采集机床关键部位的振动数据；

振动预测模块，所述振动预测模块采用机器学习模型或深度学习模型训练得到，用于根据振动数据和机床在当前运行周期的工作参数对后续运行周期的振动结果进行预测；以及

参数优化模块，用于在振动预测模块预测的振动结果不满足加工要求时采用强化学习算法对控制策略中的机床工作参数进行调节。