买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于优化变分模态分解和模糊熵的铣削颤振识别方法，步骤如下：力信号的获取后，去除铣削过程中力信号的直流分量，然后将其分割成等长度的时间序列；构建鲸鱼优化算法的优化函数，将各个分量中的最大峰度值作为优化函数，使用最大峰度的倒数进行搜索；结合WOA算法寻找最优分解参数[Kα]，设置分解层数和惩罚因子的迭代范围与精度，初始化搜索参数，使用收缩包络算法、随机探索算法和螺旋收缩算法输出最优的参数组合[Kα]，作为输入参数对力信号进行VMD分解，选择特征分量计算模糊熵指标，实现颤振的快速识别。本发明有效地实现颤振的准确识别，摆脱传统颤振识别技术对专家经验的依赖，具有多维度的分析能力，提高准确性。

主权项：1.一种基于优化变分模态分解和模糊熵的铣削颤振识别方法，其特征在于，包括以下步骤：步骤1：力信号的获取和预处理：利用力传感器采集铣削加工过程中的三个方向的力信号，去除切削力信号中的直流分量只保存其交流分量；为了保证信号分辨率，将采集的切削力信号进行分割，得到多个等长度的时间序列样本数列；步骤2：构建WOA优化函数：将峰度作为WOA的优化函数，峰度反映切削力信号的概率分布，描述信号的陡度，峰度值越大，相同标准差的正态分布峰值越陡峭；峰度Ri在数学上定义为标准的四阶中心矩，公式如下： 其中x是收集的切削力信号，μ是切削力信号的平均值，σ是切削力信号的标准差，i是第i个模态分量；鲸鱼优化算法的适应度函数是最小类型的函数，而铣削颤振识别的优化函数为最大峰度，因此定义适应度函数为： 步骤3：基于WOA算法寻找最优分解参数[Kα]：首先，基于切削力信号的特征设置分解层数和惩罚因子的迭代范围，将模态分解次数的范围K设置为[kmin，kmax]，并将惩罚因子α的范围设置为[αmin，αmax]，构建wmin＝[kmin；αmin]，wmax＝[kmax，αmax]，然后初始化随机分量与方程组合：p＝Y*wmax-wmin+wmin其中p表示初始化的参数矩阵，Y表示区间[0，1]中的随机数，wmax表示优化参数的最大值，wmin表示优化参数的最小值；其次，对切削力信号使用收缩包络算法、螺旋收缩算法和随机探索算法对参数进行优化；最后，为了避免VMD优化过程中的局部最优问题，使用搜索猎物进行全局搜索；位置向量是矩阵p的索引，得到其对应的[K，α]，然后将其作为变分模态分解的输入参数，对采集的切削力信号进行VMD分解，计算各个模态分量的峰度值Ri与适应的函数Q；以上计算过程作为一次迭代计算过程，每次迭代计算输出对应的K，α和Ri；设置迭代次数，当达到最大迭代系数时，退出迭代循环并输出最大的峰度值Ri和与其对应的[K，α]，得到最优分解参数[K，α]；步骤4：基于模糊熵算法的颤振识别使用步骤3得到的最优分解参数[K，α]作为输入参数，对采集的切削力信号进行VMD分解，得到多个特征模态分量；设定模糊熵的嵌入维度，计算特征模态分量的模糊熵；根据不同的切削状态和切削力的方向设置相应的模糊熵阈值，当某阶段的模糊熵大于阈值时执行颤振报警，以此实时监测铣削过程中是否发生铣刀颤振。

全文数据：

权利要求：

百度查询： 大连理工大学 基于优化变分模态分解和模糊熵的铣削颤振识别方法