基于连续多变量变分模态分解和混合深度卷积神经网络的机器人铣削中的多通道噪声检测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Multi-channel chatter detection in robotic milling based on successive multivariate variational mode decomposition and hybrid deep convolutional neural network

【字体: 大 中 小 】 时间:2026年03月29日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9

编辑推荐:

  多通道在线自激振动检测方法研究。针对机器人铣削中动态特性与姿态强相关导致振动信号复杂、传统单通道方法易受噪声干扰及参数依赖性强的问题,提出基于SMVMD特征提取与混合深度卷积神经网络(ICR-DCN)的在线检测方法,通过多通道信号联合分解消除模态混叠,构建无量纲频率比指标实现自适应 chatter 分离,有效提升复杂工况下的检测精度与鲁棒性。

  
范文宏|肖振奎|聂高星|杨云|李登辉|万敏|张伟宏
西北工业大学机械工程学院,中国陕西省西安市710072

摘要

颤振是限制机器人铣削加工质量和生产效率的关键因素。因此,及时准确的在线颤振检测对于实现高精度和高效率的加工至关重要。然而,铣削机器人的动态特性高度依赖于姿态,这显著增加了颤振的随机性和复杂性。此外,由于铣削机器人的强非线性和灵活性,颤振会引起耦合的三维振动。因此,仅依赖单一方向的振动信号不足以实现可靠的颤振检测。本文提出了一种基于连续多变量变分模态分解(SMVMD)和混合深度卷积神经网络(ICR-DCN)的机器人铣削多通道在线颤振检测方法。首先,使用结合无量纲颤振指数的SMVMD方法自适应地提取三通道加速度信号中的颤振成分。然后,计算重构的颤振信号与铣削信号之间的能量比序列。最后,构建了一个由Inception、卷积块注意力模块(CBAM)、残差网络(ResNet)和分类模块组成的混合深度卷积神经网络(ICR-DCN),以自动从能量比序列中提取颤振特征并实现在线颤振检测。实验结果表明,所提出的方法能够在不同的机器人姿态、切削参数、工件材料和工具变化下实现高精度的在线颤振检测。比较研究进一步验证了该方法在各种场景下的准确性和稳定性。

引言

近年来,机器人铣削技术在大规模组件的加工中越来越应用于航空航天和汽车制造等工业领域[1]、[2]、[3]。与传统机床相比,铣削机器人在加工大型和复杂零件方面具有显著优势,包括更低的成本和更高的灵活性[4]、[5]。然而,由于铣削机器人的刚性较弱,在铣削过程中容易发生颤振[6]、[7]。为了确保加工质量和效率,在学术界和工业界,在线颤振检测已成为一个共同关注的关键问题[8]、[9]、[10]。
尽管在机床铣削过程中已经进行了大量的颤振检测研究[11]、[12]、[13],但在机器人铣削领域的研究仍然相对有限。由于铣削机器人的动态特性高度依赖于姿态[14]、[15],在加工大型工件时更容易发生颤振,表现出更复杂的行为,使得颤振检测更加具有挑战性。因此,研究不同姿态下的机器人铣削颤振检测方法具有重要的理论意义和实际工程价值。
研究人员提出了基于不同类型信号的各种颤振检测方法[16],包括声音[17]、[18]、[19]、切削力[20]、[21]、[22]和加速度[23]、[24]、[25]。然而,在实践中,获取的信号包含铣削信号和环境噪声,噪声的存在会不利地影响颤振检测的性能。因此,在进行颤振识别之前,识别和隔离包含丰富颤振信息的频率带至关重要。曹等人[26]使用集合经验模态分解(EEMD)来分解加速度信号,并使用功率谱熵和C0复杂度值作为颤振检测的标准,有效识别了颤振状态。张等人[27]结合小波包分解(WPD)和变分模态分解(VMD)来分解切削力信号,然后使用能量熵来表征不同的铣削状态,从而实现了高精度的颤振检测。杨等人[20]应用优化的VMD来分解切削力信号,并使用模拟退火算法提取颤振成分。通过计算样本熵和近似熵实现了有效的颤振检测。上述基于单通道信号的传统方法依赖于手动设置颤振阈值进行状态分类,在不同的加工条件下可能较为复杂且耗时。
一些研究表明,使用多通道信号可以更全面地反映加工状态,从而提高颤振检测的准确性和稳定性。潘等人[28]分别对声压、加速度和位移信号应用经验模态分解,然后使用流形学习算法降低特征维度。最后使用支持向量机(SVM)构建了颤振检测模型。陈等人[29]使用EEMD将三个正交方向的振动信号分解为具有不同中心频率的固有模态函数(IMFs),并从这些IMFs中提取具有高Fisher判别比的特征,然后将这些特征输入SVM进行状态分类。王等人[11]融合了具有不同特征分布的多通道信号,同时识别刀具磨损和颤振。
为了进一步提高颤振检测的准确性,越来越多的研究人员将深度学习引入该领域[30]、[31]、[32]。韩等人[33]开发了一种基于时间注意力机制的新网络,以加速度和切削力信号的特征作为输入,在各种条件下实现了薄壁零件铣削的准确颤振检测。张等人[34]提出了一种新的混合深度卷积神经网络,用于提取三个方向上切削力信号的多尺度特征,然后基于小概率假设识别不同的加工状态。孙等人[35]结合连续变分模态分解(SVMD)和两个标准化的颤振指标从双分量切削力信号中提取颤振成分,然后使用一种新的深度注意力信息融合网络提取颤振特征,从而实现了高精度的颤振检测。
随着机器人应用领域的不断扩大,越来越多的研究人员开始关注机器人铣削中的颤振检测。然而,大多数现有方法仍存在一定的局限性。王等人[36]基于信息熵建立了一个VMD-SVM模型来识别四种不同的加工状态,并使用kMap方法优化了VMD和SVM的超参数。陈等人[37]使用飞虫优化算法获得全局最优的VMD参数,并使用图像的交叉熵作为颤振指标来识别颤振,有效克服了机器人铣削中颤振频率的频带偏移问题。然而,这两种方法在加工条件变化时都需要重新优化VMD参数;否则,可能会发生模态混叠。杨等人[38]使用惯性频率响应函数(FRF)过滤振动信号,然后应用双树复杂小波包变换从不同频率带中提取能量,最后计算分数阶能量熵来表示颤振状态。这种方法消除了手动设置颤振阈值的需要,实现了机器人铣削中的早期颤振检测。然而,实验仅在两种机器人姿态下得到了验证,当机器人在大工作空间内需要频繁改变姿态时,通过模态冲击测试获取FRF变得耗时。张等人[39]使用加工表面点云信息和功率谱密度作为输入,构建了一个多尺度颤振检测网络模型,可以准确识别不同机器人姿态下的低频和高频颤振。然而,这种方法没有考虑径向切削深度和刀具变化对铣削信号的影响。
总之,现有的机器人铣削颤振检测方法存在以下局限性:
  • •
    由于铣削机器人是一个强非线性和灵活的系统[40],当发生颤振时,其三个方向的振动信号会耦合。将每个方向信号视为独立成分会忽略它们之间的物理相关性,从而影响颤振检测的准确性。
  • •
    铣削机器人的动态特性依赖于姿态,导致在不同姿态下获得的振动信号存在显著差异。因此,依赖手动设置的颤振指数阈值的传统检测方法不适合用于机器人铣削中的颤振检测。
  • •
    大多数现有的颤振检测方法仅在使用相同的工件材料和工具的情况下进行了验证,这不足以证明它们在不同工件材料和工具下的有效性。
  • 为了解决上述问题,本文提出了一种基于SMVMD[41]和ICR-DCN模型的机器人铣削多通道在线颤振检测方法。主要贡献如下:
  • •
    为了保留不同通道之间的相关性并避免模态混叠,本文采用SMVMD将测量的三通道加速度信号分解为具有模态对齐特性的多组IMFs,从而提取跨通道的公共频率成分。该方法不仅自适应地分解信号以防止模态混叠,还捕捉了不同通道之间的物理相关性。
  • •
    为了避免手动设置颤振指数阈值,从而提高颤振检测的准确性和泛化能力,本文提出了一种称为频率比(FR)的无量纲颤振指数,用于从分解的信号中自动提取颤振成分。然后使用颤振信号和铣削信号之间的能量比序列作为输入来训练ICR-DCN模型进行颤振检测。
  • •
    在不同的机器人姿态、切削参数、工件材料和工具下进行的一系列实验验证了所提出方法的准确性和鲁棒性,以及其在不同工件材料和工具下的有效性。
  • 本文的结构如下。第2节描述了机器人铣削中颤振检测的总体流程,随后介绍了颤振信号重构、能量比序列计算和ICR-DCN模型的架构设计。第3节提供了该研究的实验验证结果。

    实验设备

    使用多种工具在不同机器人姿态下对不同材料进行了一系列铣削实验,以验证所提出的机器人铣削颤振检测方法的有效性。图4(a)展示了铣削机器人关节的示意图,其中A1、A2、A3、A4、A5和A6代表关节角度。如图4(b)所示,实验中使用的机器人是KUKA KR210。工件材料为Al7050和镍铝青铜(NiAB)。

    结论

    由于铣削机器人的固有非线性和灵活性,当发生颤振时,三个方向的振动信号会强烈耦合。将这些信号视为独立输入会忽略它们之间的相互依赖性,从而降低颤振识别的可靠性。此外,机器人的动态行为高度依赖于姿态,使得低频和高频颤振更加随机和复杂。为了解决这个问题,本文提出了一种多通道在线

    CRediT作者贡献声明

    范文宏:撰写——原始草稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。肖振奎:可视化、软件、数据整理。聂高星:验证、软件、数据整理。杨云:撰写——审稿与编辑、监督、资源管理、项目管理、调查、资金获取。李登辉:撰写——审稿与编辑、项目管理、方法论。万敏:监督、项目管理、形式

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

    致谢

    本研究得到了国家自然科学基金(资助编号:52175437)、陕西省重点研发计划(资助编号:2025CY-GJHX-04)、陕西省重点科技创新团队(2023-CX-TD-14)以及教育部基础与交叉学科突破计划(JYB2025XDXM207)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号