本发明涉及精密制造加工领域，具体涉及一种基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法。
背景技术：
1、颤振是一种自激振动，是由于在切削过程中，刀具和工件之间产生激励并导致初始振动，且这种振动能够从系统中获得能量并不断维持。它对刀具寿命、表面质量和加工生产率有不利影响，也会产生巨大的噪音影响加工环境。尽管与传统的手动车床相比，复杂的数控机床在制造高精度方面有很大的优势，但由于颤振现象，它的性能受到了限制。颤振被认为是切削过程中最重要的波动原因之一。它不仅限制了加工过程的生产率，而且还导致加工表面光洁度变差并缩短了刀具寿命。因此为了减少颤振对加工质量造成的影响，往往会选取较为保守的切削参数，导致加工效率的降低。
2、随着加工朝着高速精密的方向快速发展，如何确定一个最佳的切削区域以达到同时减少刀具颤振和增加材料去除率来提高生产率成为关注的问题。相比于加速度或者力信号，切削过程中的声音信号存在以下缺陷：噪声信号多且成分复杂，切削加工行为在颤振发生的过程会改变其频率特性，导致声音信号存在非平稳，非线性的特性，不能如加速度或者力信号一般直接反应颤振特征。因此，从声音信号中提取颤振特征通常较为困难，现有技术中一般仍是从加速度或者力信号中采集颤振信号。然而，加速度信号或者加速度或者力信号的采集过程避免不了需要和工件进行接触，对切削结果和加工效率均存在较大的影响。
3、公开号为cn116690310a的发明中公开了一种基于加速度信号的铣削加工过程振动状态监测方法及系统，对加工中的信号进行emd分解，选择对颤振敏感的imf分量。除了信号提取过程会对切削结果造成影响外，emd分解还存在模态混叠，端点效应等问题，容易将颤振信号丢失。
技术实现思路
1、本发明的目的是为了提供一种基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，只需要对切削加工过程中的声音信号进行采集和处理，就能够建立切削参数与颤振指数与材料去除率之间的映射关系，得到既保证不会发生颤振又兼顾加工效率的最佳切削参数区域；整个采集过程无需接触工件，对切削结果无影响。
2、为实现上述技术目的，本发明采取的技术方案为：
3、一种基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，所述最佳切削参数区域确定方法包括以下步骤：
4、s1，在数控机床的切削区域附近放置麦克风传感器，选取若干组不同加工参数进行切削，采集原始加工声音信号，并记录加工参数；加工参数包括切削深度d、切削速度s和进给速度f；
5、s2，对原始加工声音信号进行小波包分解，选择软阈值法对小波包变换后的小波系数进行滤波，对滤波处理后的小波系数进行重构得到降噪后的声音信号；
6、s3，采用傅里叶分解对降噪后的声音信号进行处理，获得fibf分量；
7、s4，对每个fibf分量进行快速傅里叶变换，找到振幅最高的fibf分量，作为声音信号的主导fibf分量，根据主导fibf分量计算颤振指数ci；
8、s5，通过切削参数获得材料去除率mmr；
9、s6，基于bp神经网络构建切削区域确定模型，以选取的若干组切削深度d、切削速度s、进给速度f作为输入，以每组加工参数对应的颤振指数ci作为输出，对切削区域确定模型进行训练；
10、s7，将待加工工件的切削深度d、切削速度s、进给速度f导入训练完成的切削区域确定模型，预测得到颤振指数ci；将待加工工件的切削深度d、切削速度s、进给速度f与预测得到的颤振指数ci和材料去除率mrr分别做等高线图，选取ci值小于预设ci阈值且mrr值大于预设mrr阈值的区域作为最佳切削参数区域。
11、步骤s2进一步包括：
12、s21，选择db8小波，分解层数为4层，对原始加工声音信号进行小波包分解；具体包括以下子步骤：
13、设原始加工声音信号的信号长度为n，取向量p＝[p1,p2,…,pn],并且p1<p2…<pn，向量p中的元素为小波包分解系数的平方；
14、定义风险向量r＝[r1,r2,…,rn]，其中元素ri为：
15、
16、用风险向量r中的最小ri作为风险值,由ri的下标量i得到对应的pi；
17、s22，选择软阈值法对信号进行滤波，采用的软阈值函数为：
18、
19、其中，sign为符号函数，wjk为原始加工声音信号经过小波包变换后的第j行第k列的小波系数，wjk′为经过阈值函数处理后的小波系数，λ为阈值，σ是噪声的标准方差；
20、s23，将处理后的小波系数进行重构得到降噪后的声音信号。
21、步骤s3进一步包括：
22、对降噪后的声音信号x(n)进行离散傅里叶变换，得到x[k]：
23、
24、式中，n为信号x(n)的数据长度，
25、由高频向低频方向对x[k]进行连续叠加，获得原始分量的解析函数形式afibfs：
26、
27、式中，t＝1,2,…,m，m为原始分量个数，φ1[n]为离散傅里叶变换的相位，第一个边界n0＝n/2，最后一个边界nm＝1；对于每个t，将从(nt-1-1)扫描到1，以获得最小的nt，满足1≤nt≤(nt-1-1)；
28、通过连续的频谱扫描获得(m+1)个频带边界bi：
29、
30、式中，m为原始分量的个数；
31、求取频带边界bt中每两个相邻边界内信号afibf的实部，从而获得傅里叶固有频带函数fibf。
32、进一步地，步骤s4中，采用下述公式计算得到颤振指数ci：
33、
34、其中，n为信号长度，μ是信号的平均值。
35、进一步地，步骤s5中，通过切削参数获得材料去除率mmr：
36、
37、其中，wi是工件初始质量，为工件在切削前的质量；wf是工件的最终质量，为工件在切削后的质量；t是一次切削的时间。
38、进一步地，步骤s6中，在bp神经网络中，隐层节点的输出zj为：
39、
40、输出节点的输出yl为：
41、
42、式中，xi为输入节点，wij为输入层与隐层间的网络权值，θl为阈值；vjl为隐层节点与输出节点之间的网络权值；
43、使用以下关系式评估百分比差异：
44、
45、其中，eai表示平均个体差异，ve和vp分别为实验值和预测值。
46、与现有技术相比，本发明的有益效果如下：
47、第一，本发明的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，声音信号的采集不要需要和工件进行接触，对结果的影响小，采集过程更加便捷，成本也更低。
48、第二，本发明的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，使用傅里叶分解算法分解信号，分解后各个分量相加能够完整的还原原始信号的性质，包含了原始信号在不同时间尺度下的局部特征信号，在处理非线性、非平稳的颤振信号上比起其他方法有着显著的优势。
49、第三，本发明的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，通过傅里叶分解对采集到的信号进行分解，并将得到的fibf分量进行快速傅里叶变换，得到信号的时频图，对其幅值进行比较，找到对颤振影响最大的分量，这种方法减少了神经网络的学习难度，并提高了其识别准确度。
50、第四，本发明的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，能够快速确定最佳切削参数区域，不需要为防止颤振的发生选择较为保守的切削参数导致切削效率下降，可以在稳定切削的前提下，尽可能的提高切削效率。
1.一种基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，所述最佳切削参数区域确定方法包括以下步骤：
2.根据权利要求1所述的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，步骤s2进一步包括：
3.根据权利要求1所述的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，步骤s3进一步包括：
4.根据权利要求1所述的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，步骤s4中，采用下述公式计算得到颤振指数ci：
5.根据权利要求1所述的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，步骤s5中，通过切削参数获得材料去除率mmr：
6.根据权利要求1所述的基于傅里叶分解和人工神经网络的最佳切削参数区域确定方法，其特征在于，步骤s6中，在bp神经网络中，隐层节点的输出zj为：
