基于自适应变分模态分解与功...机器人铣削加工颤振类型辨识_孙朝阳.pdf

第 59 卷第 9 期 2023 年 5 月 机 械 工 程 学 报 JOURNAL OF MECHANICAL ENGINEERING Vol.59 No.9 May 2023 DOI：10.3901/JME.2023.09.090 基于自适应变分模态分解与功率谱熵差的机器人 铣削加工颤振类型辨识 孙朝阳1 彭芳瑜1,2 唐小卫1 闫 蓉1 辛世豪1 吴嘉伟1(1.华中科技大学机械科学与工程学院 武汉 430074；2.华中科技大学智能制造装备与技术全国重点实验室 武汉 430074)摘要：机器人铣削加工存在模态耦合颤振和再生颤振现象，有效地进行机器人铣削加工颤振类型的辨识是进行颤振精准抑制和保证加工质量的基础。为此，提出一种基于自适应变分模态分解与功率谱熵差的颤振类型辨识(AVMD-PSE)方法。通过分析机器人铣削加工颤振特性和主导模态，将机器人铣削颤振分为机器人结构模态主导的模态耦合颤振和刀具-主轴结构模态主导的再生颤振两种类型。为了提取颤振敏感子信号，利用自适应变分模态分解方法对原始信号进行分解，根据功率谱熵和频率消除算法设计功率谱熵差颤振类型辨识指标，结合多组试验数据采用高斯混合模型自适应地确定辨识指标最佳分类阈值。颤振辨识试验表明机床铣削加工颤振辨识方法运用于机器人铣削加工中仅能识别颤振却无法区分不同的颤振类型，而AVMD-PSE方法能准确有效地辨识和区分机器人铣削加工中的模态耦合颤振和再生颤振，为机器人铣削颤振的针对性抑制提供理论指导。关键词：机器人铣削颤振；颤振类型辨识；自适应变分模态分解；功率谱熵差 中图分类号：TH113 Robotic Milling Chatter Types Detection Based on Adaptive Variational Mode Decomposition and Difference of Power Spectral Entropy SUN Zhaoyang1 PENG Fangyu1,2 TANG Xiaowei1 YAN Rong1 XIN Shihao1 WU Jiawei1(1.School of Mechanical Science and Engineering,Huazhong University of Science and Technology,Wuhan 430074;2.State Key Laboratory of Intelligent Manufacturing Equipment and Technology,Huazhong University of Science and Technology,Wuhan 430074)Abstract：Robotic milling exists both mode coupling chatter and regenerative chatter.Effective chatter types detection in robotic milling is the basis for accurate chatter suppression and guarantee of machining quality.Therefore,a new method for chatter types detection based on adaptive variational mode decomposition and difference of power spectral entropy(AVMD-PSE)is proposed.By analyzing the chatter characteristics and dominant modes of robotic milling,the chatter of robotic milling is divided into two types:mode coupling chatter dominated by robot mode and regenerative chatter dominated by tool-spindle mode.In order to extract the sensitive chatter signals,the original signals are decomposed by adaptive variational mode decomposition method.According to the power spectral entropy and frequency elimination algorithm,the chatter types detection indicators about difference of power spectral entropy is designed,and the optimal classification thresholds of the identification indicators are determined by using gaussian mixture model adaptively combined with many experimental data.Chatter detection experiments show that milling machine chatter detection 国家自然科学基金(52175463,U20A20294)和中央高校基本科研业务费专项资金(2020kfyXJJS066)资助项目。20220504 收到初稿，20221112 收到修改稿 月 2023 年 5 月 孙朝阳等：基于自适应变分模态分解与功率谱熵差的机器人铣削加工颤振类型辨识 91 method is applied to robotic milling can only identify chatter cannot distinguish between different types of chatter,and AVMD-PSE method can accurately recognize and distinguish between mode coupling chatter and regenerative chatter,which provides theoretical guidance for the suppression of chatter in robotic milling.Key words：robotic milling chatter；chatter types detection；AVMD；difference of power spectral entropy 0 前言 工业机器人由于灵活性强、工作空间广和成本低等优点，被广泛应用于大型复杂构件的铣削加工中。但是相比于机床，机器人串联结构的相对弱刚性使得颤振更容易发生，进而导致工件表面质量差、加工效率降低和刀具寿命缩短等问题，颤振是实现稳定高效的机器人铣削加工的主要障碍之一1。为了避免颤振，研究人员对机器人铣削加工颤振特性进行了深入的研究，发现其存在不同类型的颤振，不同于机床铣削加工中经典的再生颤振问题，机器人铣削加工还存在模态耦合颤振4。特别注意的是，模态耦合效应是指结构在自由振动时，固有频率间隔较近的振动模态耦合现象，是结构本身固有特性。然而，模态耦合颤振是一种特殊类型的自激振动，它是由于铣削加工中的模态耦合现象而导致的不稳定6。当机器人装夹细长型刚性较差刀具加工时，振动集中在刀具-主轴端，传递至机器人结构的振动能量较少，机器人结构模态不易被激起，此时发生刀具-主轴结构模态主导的再生颤振，颤振频率出现在较高频段7-8；当机器人装夹短粗型刚性较好刀具加工时，机器人结构模态被激起，受模态耦合效应的影响，形成自激振动，此时发生机器人结构模态主导的模态耦合颤振，颤振频率出现在较低频段9。由于不同加工条件下机器人铣削加工的颤振机理和引起颤振的振动部位不同，不同类型颤振需要不同的抑振策略，准确识别颤振类型可以实现针对性的抑振策略，因此进行机器人铣削加工颤振类型辨识的研究可以准确快速地进行颤振类型的辨识，为颤振抑制提供理论指导。为了准确可靠地识别颤振状态，需要采集铣削过程中敏感的切削信号，利用信号分析处理方法进行特征提取，并设计有效的颤振辨识指标。由于振动信号对加工颤振的发生非常敏感，且具有成本低和测量方便等优点，所以常用于加工颤振状态的监测中11。当加工颤振发生时，颤振频率会出现在加工系统的主导模态频率附近，并且存在能量集中的现象，因此可以利用信号分析处理方法提取颤振特征。由于颤振信号具有非平稳和非线性的特点，为了同时保留信号在时域和频域上的特征，研究人员常采用时频分析方法进行研究分析12。经验模态分解(Empirical mode decomposition,EMD)和集合经验模态分解(Ensemble empirical mode decomposition,EEMD)被广泛应用于颤振监测中。LI 等13利用EMD 方法将镗削加工颤振信号分解为多个本征模态函数(Intrinsic mode functions,IMFs)，通过计算每个本征模态函数的能量熵成功提取信号中的颤振特征。但是 EMD 方法存在模态混叠等问题，EEMD是一种噪声辅助的信号分析方法，通过在信号中加入有限的白噪声可以改善 EMD 方法的不足。CAO等14利用 EEMD 方法提取铣削再生颤振特征信号，利用时域上 C0复杂度以及频域上功率谱熵的两种非线性指标进行颤振状态的辨识，但未给出不同状态的分类阈值。虽然 EEMD 方法能在一定程度上抑制了模态混淆现象，但是仍存在包络超调和理论基础不足等问题。DRAGOMIRETSKIY等15对维纳滤波器进行推广，提出了变分模态分解(Variational mode decomposition,VMD)方法，它是一种非递归且准正交的信号自适应分解方法，具有坚实的理论基础，已在机床铣削加工颤振监测中应用。LI 等16利用 VMD 方法提取再生颤振敏感子信号，并设计了功率谱熵差颤振判断指标和分类阈值，试验表明功率谱熵差能有效区分机床铣削颤振和稳定状态。LIU 等17研究表明对于颤振信号处理，VMD 方法比 EMD 和 EEMD 方法具有更强的噪声鲁棒性。目前，铣削颤振监测的研究主要集中在机床领域，由于机床结构刚性较强，模态耦合颤振几乎不会发生，所提出的颤振辨识方法仅考虑了再生效应引起的颤振，而机器人铣削系统根据加工工况不同存在刀具-主轴结构柔性引起的再生颤振和机器人结构刚度不足导致的模态耦合颤振两种颤振类型，故机床铣削加工中的颤振辨识方法难以适用于机器人铣削加工颤振的精确辨识。因此，本文通过分析机器人铣削加工颤振特性和主导模态，将机器人铣 机 械 工 程 学 报 第 59 卷第 9 期期 92 削颤振分为机器人结构模态主导的模态耦合颤振和刀具-主轴结构模态主导的再生颤振两种类型，并提出一种基于自适应变分模态分解与功率谱熵差的方法以实现机器人铣削加工颤振类型的精确辨识。1 机器人铣削加工颤振特性分析 1.1 颤振状态信号特征分析 机器人铣削加工的颤振状态信号分析是进行颤振辨识的基础，本文利用机器人铣削加工颤振试验，采集试验过程中的振动信号，对机器人铣削加工颤振特性进行分析。铣削试验在 ABB IRB6660 机器人铣削平台上进行，机器人的重量为 1730 kg，负载可达 205 kg，工作范围 1.93 m。试验整体的配置如图 1 所示，刀具为 SANDVIK 16 平底刀，长度为 115 mm，刀齿数为 4；切削材料为铝合金 7075；机器人铣削振动信号测量系统由 DYTRAN 加速度传感器和 M+P 振动采集软硬件系统组成，采样频率设置为 3 200 Hz。图 1 机器人铣削颤振实验平台 根据机器人铣削