传感器|智能主轴技术发展综述( 六 ) 算法|CNN|机械

提出了基于深度LSTM网络的预测方法，将多个传感数据信号直接输入同一网络层实现数据自动融合，同时通过多层结构捕获退化特征。不论是传统的信号处理方法，还是深度学习模型，其未来发展都离不开多传感器信息融合的要求，但大多数研究仍处于早期阶段，只是将多个传感器的数据拼接重构后提取对应的特征并输入模型进行检测，这会导致多个传感器数据的耦合信息丢失，同时也无法挖掘信号更深层的特征信息：因此，有必要在深度学习模型超强特征提取能力的基础上，结合多源信息融合的优势，设计合理的信息融合算法和框架，实现信息的互补融合，提高主轴状态监测的效果。
3.3 主轴状态决策及调控在对智能主轴状态进行全面感知后，需要根据其状态进行一定的决策和控制，目前的研究主要针对刀具控制、颤振抑制、碰撞预防、热补偿、动平衡以及自动润滑控制等。 3.3.1 刀具状态调整在基于测量的方法中，大多数方法会直接或间接地从测量信号中获得切削力，并对刀具的偏转或磨损进行补偿。文献[50
通过倾斜调整刀具位置，减小刀具偏转导致的加工误差。文献[51
开发了一种自适应主轴系统，用于补偿振动引起的刀具偏转和振动-过程力，根据测量的加工力和刀具刚度计算刀具挠度，主轴由压电驱动器在3个轴向定位，实现了铣削过程中刀具偏转的自动在线补偿。除控制刀具的偏转外，文献[52
还考虑了对工件进行偏转，以控制薄壁结构周边铣削过程中力引起的表面尺寸误差。基于模型的方法在加工过程中使用一个力模型估计切削力，刀具被建模为一个悬臂梁，用估计的切削力计算刀具的挠度[53-58
。此外，刀具磨损引起的加工误差也可以用基于模型的方法控制：文献[59
提出了一种球头铣刀磨损模型预测切削刃的磨损，其通过计算刀具的实际路径提前预测加工误差，并在制造前对程序进行修正；文献[60
发现刀具偏转引起的表面倾斜是由刀具路径两侧的切削载荷不平衡所引起，其开发了一种刀具负载平衡算法，通过调整刀具路径和/或进给速度减小表面变化。基于模型的方法通常在模拟环境中进行研究[61
，通过各种补偿方案计算、修正刀具路径，直到得到所需的轮廓，为实际加工中的加工误差补偿奠定了理论基础。 3.3.2 颤振决策与控制颤振是主轴的重要状态，识别后需进行调控抑制。文献[62
对不同的颤振抑制技术进行了评述。第1类方法通过优化工艺参数(如主轴速度、每齿进给量、切削深度或切屑负载)缓解颤振[63-65
，这类方法主要依靠经验，缺乏适应性和鲁棒性，不能扩大稳定波瓣图中的颤振稳定区域。第2类方法通过连续的主轴转速调制干扰再生效果[66
，其需要极快的主轴转速变化以缓解颤振，但主轴变化速度受主轴惯性和驱动功率的限制，而且主轴转速调节改变了稳定性边界[67
，此类方法不适用于高速铣削。第3类方法是主动/半主动颤振控制，通过作动器(压电堆、主动磁轴承等)或主动阻尼元件(磁流变流体、电流变流体等)改变主轴动力学特性。主动颤振控制是一种很有前途的智能主轴控制方法，可以根据不同的主轴转速和切削深度动态改善稳定区域。实际应用中，普遍采用安装外部作动装置的方式对主轴系统的振动进行控制，如图4所示的自适应主轴系统(Adaptive Spindle)[68
，通过安装在主轴外部的压电作动器向主轴施加主动控制力保证工件加工质量，国内学者也利用安装在轴承径向上的压电装置对主轴的振动进行抑制。然而，上述方案受限于安装空间的同时，容易给主轴系统机能带来负面影响(压电作动装置施加的径向力会影响轴承内部的接触应力进而影响主轴寿命) 。