CN116954158B - 基于数据分析的快速义齿切削速度控制方法 - Google Patents

Abstract

本发明涉及数字数据处理技术领域，提出了基于数据分析的快速义齿切削速度控制方法，包括：获取加工速度矩阵；根据加工速度过大以及变化过大易使机床轴产生抖动现象以及运动负荷超重的现象获取每个机床轴的每个局部速度极值数据点对应加工时刻的抖动效应指数及每个机床轴的每个加工速度对应加工时刻的运动负荷超重程度；采用数据融合以及数据预测的方法获取每个对应加工时刻的联合负荷超重程度；将联合负荷超重程度高于预设参数的加工时刻进行标记，根据被标记义齿加工时刻实现对切削加工速度的调控。本发明有效避免机床的机床轴抖动现象以及运动负荷超重现象，降低对快速义齿切削加工精度的影响。

Description

基于数据分析的快速义齿切削速度控制方法

技术领域

本发明涉及数字数据处理技术领域，具体涉及基于数据分析的快速义齿切削速度控制方法。

背景技术

针对义齿的快速加工，大多选用五轴数控双转台对其进行加工。在所需要目标义齿的切削加工过程中，对义齿加工的后置处理上，需要在不同的加工位置采取不同的速度，同时要避免加工时机床产生剧烈抖动，否则会对义齿造成损坏，同时导致机床的损坏。因此，需要保证机床各个轴速度的平稳运行。

目前，主要是通过实际运动中机床轴的速度进行调节避免超过最大许用速度，通过数据处理的方式对机床轴的速度进行调整，保证各个机床轴的速度的平稳运行，同时数控机床的平稳运行。现阶段对机床轴速度的检测调整主要包括异常数据检测LOF算法、CURE聚类算法等。但是，异常数据检测LOF算法难以定义最小近邻域，异常检测的结果准确性较低，而CURE聚类算法中代表点的选择较为困难。

发明内容

本发明提供基于数据分析的快速义齿切削速度控制方法，以解决数控机床的运行不平稳导致义齿加工精度较低的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于数据分析的快速义齿切削速度控制方法，该方法包括以下步骤：

获取加工速度数据，利用加工速度数据得到加工速度矩阵；

根据加工速度矩阵获取每个机床轴的加工速度序列中的局部速度极值数据点；根据每个机床轴的加工速度序列中的局部速度极值数据点获取每个机床轴的局部速度极值数据点对应加工时刻的抖动效应指数；根据每个机床轴的加工速度序列中相邻加工时刻的加工速度变化获取每个机床轴的速度差分序列，根据每个机床轴的速度差分序列获取每个机床轴的速度差分序列中每个元素的距离特征序列；根据每个机床轴的速度差分序列中相邻元素的距离特征序列之间的相似性获取每个机床轴的速度差分序列中每个元素的运动负荷超重程度；

根据每个机床轴的速度差分序列中每个数据点的运动负荷超重程度获取每个机床轴的运动负荷超重程度序列；根据每个机床轴的运动负荷超重程度序列获取每个机床轴的每个加工时刻的更新运动负荷超重程度；根据每个机床轴的每个加工时刻的更新运动负荷超重程度获取每个对应加工时刻的联合负荷超重程度；

将联合负荷超重程度高于预设参数的加工时刻进行标记，根据被标记义齿加工时刻实现对切削加工速度的调控。

优选的，所述根据加工速度矩阵获取每个机床轴的加工速度序列中的局部速度极值数据点的方法为：

根据加工速度矩阵获取每个机床轴的加工速度序列；利用非线性拟合算法获取每个机床轴的加工速度序列对应的加工速度函数；将加工速度函数中的极大值点作为每个机床轴的加工速度序列中的局部速度极值数据点。

优选的，所述根据每个机床轴的加工速度序列中的每个局部速度极值数据点获取每个机床轴的每个局部速度极值数据点对应加工时刻的抖动效应指数的方法为：

根据每个机床轴的每个局部速度极值数据点的加工速度获取每个机床轴的每个局部速度极值数据点的超速效应指数；

根据所获每个机床轴的加工速度序列，以每个机床轴的加工速度序列的每个局部速度极值数据点为中心，设置预设大小的序列窗口；

根据每个机床轴的每个局部速度极值数据点的序列窗口内的加工速度获取每个机床轴中每个局部速度极值数据点的序列窗口内每个目标数据点的变化程度；

将每个机床轴中每个局部速度极值数据点的序列窗口内目标数据点的数目作为分母，将变化程度在所述序列窗口上的累加作为分子，将分子与分母的比值作为每个机床轴中每个局部速度极值数据点的平均变化程度；

将每个机床轴中每个局部速度极值数据点的超速效应指数与每个机床轴中每个局部速度极值数据点的平均变化程度的乘积的归一化结果作为每个机床轴的每个局部速度极值数据点对应加工时刻的抖动效应指数。

优选的，所述根据每个机床轴局部速度极值数据点的加工速度获取每个机床轴局部速度极值数据点的超速效应指数的方法为：

式中，表示第i个机床轴的第j个局部速度极值数据点的超速效应指数，/>表示第i个机床轴的第j个局部速度极值数据点的加工速度，/>表示第i个机床轴的最大许用速度。

优选的，所述根据每个机床轴的每个局部速度极值数据点的序列窗口内的加工速度获取每个机床轴中每个局部速度极值数据点的序列窗口内每个目标数据点的变化程度的方法为：

式中，表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s个目标数据点的变化程度，/>和/>分别表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s、第(s-1)个目标数据点的加工速度。

优选的，所述根据每个机床轴的加工速度序列中相邻加工时刻的加工速度变化获取每个机床轴的速度差分序列，根据每个机床轴的速度差分序列获取每个机床轴的速度差分序列中每个速度差分位置上的距离特征序列的方法为：

对于每个机床轴的加工速度序列，将所述加工速度序列中后一时刻加工速度与前一时刻加工速度的差值组成的序列作为每个机床轴的速度差分序列；

根据每个机床轴的速度差分序列，利用突变点检测获取对应机床轴的突变速度差分序列；

根据所获的每个机床轴的速度差分序列以及每个机床轴的突变速度差分序列，基于每个机床轴的速度差分序列中的每个速度差分位置上的数据点与每个机床轴的突变速度差分序列中每个数据点之间的欧式距离获取每个机床轴的速度差分序列中每个速度差分位置上的距离特征序列。

优选的，所述根据每个机床轴的速度差分序列中相邻速度差分位置上的距离特征序列之间的相似性获取每个机床轴的速度差分序列中每个数据点的运动负荷超重程度的方法为：

将所述每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的DTW距离作为每个机床轴的速度差分序列中每个数据点与其每个相邻数据点的变异程度；

根据每个机床轴的速度差分序列中每个数据点与其相邻数据点的距离特征序列中的每个距离特征值获取每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的平均绝对差异；

将所述每个机床轴的速度差分序列中每个数据点与其每个相邻数据点的变异程度与其平均绝对差异的乘积在所述每个数据点的相邻数据点累加作为分子，将所述数据点的相邻数据点的数目作为分母，将分子与分母比值的归一化值作为每个机床轴的速度差分序列中每个数据点的运动负荷超重程度。

优选的，所述根据每个机床轴的速度差分序列中每个数据点与其相邻数据点的距离特征序列中的每个距离特征值获取每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的平均绝对差异的方法为：

式中，表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列与其第q个相邻数据点的距离特征序列之间的平均绝对差异，/>表示第i个机床轴的速度差分序列中的距离特征序列的长度，/>表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列中的第h个距离特征值，/> 表示第i个机床轴的速度差分序列中第/>个数据点的第q个相邻数据点的距离特征序列中第h个距离特征值。

优选的，所述根据每个机床轴的运动负荷超重程度序列获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度的方法为：

将连续预设数量个时刻的运动负荷超重程度作为预测模型的输入，将预测模型的输出作为预测时刻的运动负荷超重程度；

获取局部速度极值数据点所对应加工时刻的运动负荷超重程度和抖动效应指数的均值，将所述均值作为对运动负荷超重程度进行更新，获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度。

优选的，所述根据每个机床轴的每个对应加工时刻的更新运动负荷超重程度获取每个对应加工时刻的联合负荷超重程度的方法为：

分别获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度；

将所述机床轴的每个对应加工时刻的更新运动负荷超重程度的和作为向下取整函数的输入，将向下取整函数的输出作为每个对应加工时刻的联合负荷超重程度。

本发明的有益效果是：根据机床轴的加工速度过大以及加工速度变化过大的数据特征，易使机床轴产生抖动现象，并产生机床轴运动负荷的现象，根据上述特征获取抖动效应指数和运动负荷超重程度。结合抖动效应指数以及运动负荷超重程度，采用数据融合以及数据预测的方法，获取每个加工速度对应加工时刻的运动负荷超重程度，进而获取加工机床每个加工速度加工时刻对应的联合负荷超重程度，设置预设参数，筛选联合负荷超重程度指标较大值所对应的加工时刻，进而在下次加工相同义齿时进行加工速度调控，协助对义齿的快速切削加工。其有益效果在于，使选取调控的加工时刻更加准确，有效避免机床的运动负荷超重现象以及机床轴抖动现象，进而有效避免运动负荷超重现象以及机床轴抖动现象对快速义齿切削加工精度的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于数据分析的快速义齿切削速度控制方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于数据分析的快速义齿切削速度控制方法流程图，该方法包括以下步骤：

步骤S001，使用传感器装置获取实际加工速度，构造速度矩阵。

在此，利用五轴数控机床对义齿进行加工，依据某次实际加工程序，对义齿加工的后置处理中，通过速度传感器获取五轴进行加工时的实际加工速度，所述的五轴记为X轴、Y轴、Z轴、L轴以及M轴。采集实际加工速度的时间间隔为t，采集次数为n，t的经验取值为5s，n的经验取值为500。由此，获取到所述5个机床轴的加工速度序列。为了避免环境噪声对后续预测的影响，对所获加工速度序列进行数据清洗，并构建速度矩阵，数据清洗为公知技术，不做多余赘述。

所述速度矩阵为：

式中，为所述的速度矩阵，/>表示第m个机床轴的第n次的采集数据。需要说明的是，每个采集数据都对应一个机床轴加工义齿的加工时刻。

至此，获取了速度矩阵。

步骤S002，获取每个机床轴的局部速度极值数据点对应加工时刻的抖动效应指数，通过获取速度差分序列得到每个机床轴的速度差分序列中每个速度差分位置上的距离特征序列，进而计算运动负荷超重程度。

根据所获速度矩阵，由于对义齿的加工需要保证机床轴速度的稳定性，在此先对每个机床轴的加工速度进行分析，获取第i个机床轴的加工速度序列，记为：

式中，为第i个机床轴的加工速度序列，/>和/>分别表示第i个机床轴第1个、第n个加工时刻的加工速度。

由于需要避免机床轴的剧烈抖动，即加工速度不能过大，同时速度变化需要避免变化过大。

具体地，根据第i个机床轴的加工速度序列，利用非线性拟合算法获取加工速度函数，非线性拟合算法为公知技术，不做多余赘述。根据所获加工速度函数，通过令其一阶导为0，二阶导大于零的方法，获取加工速度函数中的极大值点。由此，获取了加工速度序列中局部速度极值数据点。另外，机床轴产生剧烈抖动现象，一般是由于速度过大以及速度变化过大而产生的，在此为了获取较大可能产生机床轴抖动现象的加工速度，根据所获加工速度序列，以每个局部速度极值数据点为中心，设置大小为的序列窗口，实施者可根据实际情况选择合适的窗口大小。

计算第i个机床轴的第j局部速度极值数据点对应加工时刻的抖动效应指数：

式中，表示第i个机床轴的第j个局部速度极值数据点的超速效应指数，/>表示第i个机床轴的第j个局部速度极值数据点的加工速度，/>表示第i个机床轴的最大许用速度，/>表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s个目标数据点的变化程度，/>和/>分别表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s、第(s-1)个目标数据点的加工速度，/>为第i个机床轴的第j局部速度极值数据点对应加工时刻的抖动效应指数，/>为第i个机床轴的第j个局部速度极值数据点的序列窗口内数据点的数目, />为归一化函数。

第i个机床轴的第j个局部速度极值数据点的加工速度越大，且最大许用速度与局部速度极值数据点的加工速度之间的差值/>越小，说明该机床轴越有可能超出运动的极限，则抖动效应指数/>越大。同时，第i个机床轴的第j个局部速度极值数据点的序列窗口内平均变化程度/>越大，说明在第i个机床轴的第j个局部速度极值数据点的加工速度变化越剧烈，越有较大的可能产生机床轴的抖动，则抖动效应指数/>越大。

从相邻加工时刻时间点的速度变化量的角度，由于相邻加工时刻的时间间隔较短，速度变化量较大时，机床的运动负荷突然增大，易使机床轴产生抖动。因此，需要运动负荷需要保持较为稳定的水平，应避免运动负荷突然增大的现象。

具体地，为了分析运动负荷超重的现象，根据所获第i个机床轴的加工速度序列，相邻两个加工时刻的加工速度作差，即后一时刻的加工速度减去前一时刻的加工速度，获取速度差分序列：

式中，表示第i个机床轴的速度差分序列，/>表示第i个机床轴的速度差分序列中第(n-1)个速度差分值，(n-1)为速度差分序列中速度差分的数目。

通过速度差分序列，速度差分序列中的速度差分一定程度上可以代表对应位置上的速度变化量。为通过速度差分序列衡量机床轴的运动负荷超重程度，在此根据所获速度差分序列，利用BG分割算法获取速度差分序列中的突变速度差分，进而获取突变速度差分序列，BG分割算法为公知技术，不做多余赘述。

所述突变速度差分序列：

式中，为第i个机床轴的突变速度差分序列，/>为第i个机床轴的突变速度差分序列中第r个突变速度差分，r为第i个机床轴的突变速度差分序列中突变速度差分的数目。

根据所获的第i个机床轴的速度差分序列以及第i个机床轴的突变速度差分序列，构建第i个机床轴的速度差分序列中第g个速度差分位置上的距离特征序列，即

式中，表示第i个机床轴的速度差分序列中第g个速度差分位置的特征序列中第h个距离特征值，/>为欧氏距离函数，/>表示第i个机床轴的速度差分序列中第g个速度差分值，/>表示第i个机床轴的突变速度差分序列中第h个突变速度差分值，/>表示第i个机床轴的速度差分序列中第g个速度差分位置的距离特征序列。

具体地，获取速度差分序列中每个速度差分位置上的距离特征序列，通过相邻速度差分的距离特征序列。计算第i个机床轴的速度差分序列中第个数据点位置上的运动负荷超重程度/>：

式中，表示第i个机床轴的速度差分序列中第/>个数据点与其第q个相邻数据点的变异程度，/>表示计算括号内两个距离特征序列/>距离，/>表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列，/>表示第i个机床轴的速度差分序列中第/>个数据点的第q个相邻数据点的距离特征序列，/>表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列与其第q个相邻数据点的距离特征序列之间的平均绝对差异，/>表示第i个机床轴的速度差分序列中的距离特征序列的长度，/>表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列中的第h个距离特征值，/> 表示第i个机床轴的速度差分序列中第/>个数据点的第q个相邻数据点的距离特征序列中第h个距离特征值，/>表示第i个机床轴的速度差分序列中第/>个数据点的运动负荷超重程度，表示第i个机床轴的速度差分序列中第/>个数据点的相邻数据点的数目, />为归一化函数。需要说明的是，第i个机床轴的速度差分序列中第/>个数据点的第q个相邻数据点，此处的相邻数据点是按照速度差分序列中数据的顺序定义的，如速度差分序列的第1个数据点的相邻数据点为第2个数据点，有且只有一个相邻数据点；第20个数据点的相邻数据点为第19、第20个数据点，有且只有两个数据点，即速度差分序列中除了第1个数据点和最后一个数据点只有一个相邻数据点，其他数据点都有两个相邻数据点。

相邻数据点距离特征序列之间的相似性越低，即距离越大，说明在该数据点的加工时刻速度的波动变化越大，机床轴的运动负荷可能越严重，则运动负荷超重程度越大。相邻数据点距离特征序列之间平均绝对差异/>越大，越能说明速度变化较大，机床轴的运动负荷可能越严重，则运动负荷超重程度/>越大。

步骤S003，根据运动负荷超重程度获取每个机床轴的运动负荷超重程度序列，以及局部速度极值数据点对应加工时刻的抖动效应指数，获取每个机床轴每个对应加工时刻的运动负荷超重程度，进而获取每个对应加工时刻的联合超重程度。

由此，获取第i个机床轴的速度差分序列中每个数据点的运动负荷超重程度。因为速度差分序列的长度比加工速度序列长度少1个，不足以表示加工速度序列中每个数据点的运动负荷特征。在此，为了使运动负荷超重程度能够代表加工速度序列中每个加工时刻数据点的运动负荷特征，根据所获第i个机床轴的速度差分序列中每个数据点的运动负荷超重程度，构建长度为(n-1)的运动负荷超重程度序列：

式中，表示第i个机床轴的运动负荷超重程度序列，/>和/>分别表示第i个机床轴的速度差分序列中第1、第(n-1)个数据点的运动负荷超重程度。

为了使运动负荷超重程度能够代表加工速度序列中每个加工时刻数据点的运动负荷特征，在此将运动负荷超重程度序列作为一组时间序列数据，根据运动负荷超重程度序列中(n-1)个时刻的运动负荷超重程度，利用神经网络预测第n个时刻的运动负荷超重程度。所述神经网络为LSTM神经网络，以交叉熵函数为损失函数，以Adam算法为优化算法，神经网络的输入是第i个机床轴的运动负荷超重程度序列中(n-1)个时刻的运动负荷超重程度，神经网络的输出为第i个机床轴的运动负荷超重程度序列中第n个时刻的运动负荷超重程度，将获取的第n个时刻的运动负荷超重程度记为，神经网络的训练为公知技术，具体过程不做赘述。

具体地，获取序列长度为n的运动负荷超重程度序列，与第i个机床轴的机床轴的加工速度序列一一对应，即表示第i个机床轴的机床轴的加工速度序列的第1个加工速度对应加工时刻的运动负荷超重程度，/>表示第i个机床轴的机床轴的加工速度序列的第2个加工速度对应加工时刻的运动负荷超重程度，…，/>第i个机床轴的机床轴的加工速度序列的第n个加工速度对应加工时刻的运动负荷超重程度。

至此，获取了每个机床轴的每个加工速度对应加工时刻的运动负荷超重程度，以及每个局部速度极值数据点对应加工时刻的抖动效应指数。由于局部速度极值数据点是通过加工速度序列中的极值点确定的，因此通过遍历加工速度序列中局部速度极值数据点的位置，可以获取局部速度极值数据点所对应的加工时刻，同时获取对应加工时刻的运动负荷超重程度和抖动效应指数。由于运动负荷超重程度和抖动效应指数一定程度上都能反映了机床轴异常信息，而抖动效应越大，运动负荷程度越大，在此通过将局部速度极值数据点所对应的加工时刻运动负荷超重程度和抖动效应指数相加求平均，将局部速度极值数据点所对应的加工时刻运动负荷超重程度和抖动效应指数的平均值对对应加工时刻的运动负荷超重程度进行更新。

至此，获取每个机床轴的加工速度序列中每个加工速度对应加工时刻的更新运动负荷超重程度，将第i个机床轴的加工速度序列中第x个加工速度对应加工时刻的更新运动负荷超重程度记为。由于义齿切削加工中应尽可能机床轴同时负荷超重的情况，这种情况有较大可能会导致机床的损坏。

在此，计算加工速度序列中第x个加工速度对应加工时刻的联合负荷超重程度：

式中，表示加工速度序列中第x个加工速度对应加工时刻的联合负荷超重程度，/>为向下取整函数，/>分别表示第1、第2、第3、第4和第5个机床轴的加工速度序列中第x个加工速度对应加工时刻的更新运动负荷超重程度。

步骤S004，将联合负荷超重程度过高的加工时刻进行标记，对其加工速度进行缓慢的调整完成快速义齿切削速度的控制。

联合负荷超重程度越大，越有可能对机床产生损坏。对于联合负荷超重程度，设置判断阈值，判断阈值的经验取值为3，将对应加工时刻的联合负荷超重程度高于3的时刻标记下来，在下次生产相同的义齿时，在被标记的加工时刻降低对义齿的加工速度，实现对义齿加工中机床加工速度的管控。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于数据分析的快速义齿切削速度控制方法，其特征在于，该方法包括以下步骤：

获取加工速度数据，利用加工速度数据得到加工速度矩阵；

根据加工速度矩阵获取每个机床轴的加工速度序列中的局部速度极值数据点；根据每个机床轴的加工速度序列中的局部速度极值数据点获取每个机床轴的局部速度极值数据点对应加工时刻的抖动效应指数；根据每个机床轴的加工速度序列中相邻加工时刻的加工速度变化获取每个机床轴的速度差分序列，根据每个机床轴的速度差分序列获取每个机床轴的速度差分序列中每个元素的距离特征序列；根据每个机床轴的速度差分序列中相邻元素的距离特征序列之间的相似性获取每个机床轴的速度差分序列中每个元素的运动负荷超重程度；

根据每个机床轴的速度差分序列中每个数据点的运动负荷超重程度获取每个机床轴的运动负荷超重程度序列；根据每个机床轴的运动负荷超重程度序列获取每个机床轴的每个加工时刻的更新运动负荷超重程度；根据每个机床轴的每个加工时刻的更新运动负荷超重程度获取每个对应加工时刻的联合负荷超重程度；

将联合负荷超重程度高于预设参数的加工时刻进行标记，根据被标记义齿加工时刻实现对切削加工速度的调控；

所述根据每个机床轴的加工速度序列中的每个局部速度极值数据点获取每个机床轴的每个局部速度极值数据点对应加工时刻的抖动效应指数的方法为：

根据每个机床轴的每个局部速度极值数据点的加工速度获取每个机床轴的每个局部速度极值数据点的超速效应指数；

根据所获每个机床轴的加工速度序列，以每个机床轴的加工速度序列的每个局部速度极值数据点为中心，设置预设大小的序列窗口；

根据每个机床轴的每个局部速度极值数据点的序列窗口内的加工速度获取每个机床轴中每个局部速度极值数据点的序列窗口内每个目标数据点的变化程度；

将每个机床轴中每个局部速度极值数据点的序列窗口内目标数据点的数目作为分母，将变化程度在所述序列窗口上的累加作为分子，将分子与分母的比值作为每个机床轴中每个局部速度极值数据点的平均变化程度；

将每个机床轴中每个局部速度极值数据点的超速效应指数与每个机床轴中每个局部速度极值数据点的平均变化程度的乘积的归一化结果作为每个机床轴的每个局部速度极值数据点对应加工时刻的抖动效应指数；

所述根据每个机床轴局部速度极值数据点的加工速度获取每个机床轴局部速度极值数据点的超速效应指数的方法为：

式中，表示第i个机床轴的第j个局部速度极值数据点的超速效应指数，/>表示第i个机床轴的第j个局部速度极值数据点的加工速度，/>表示第i个机床轴的最大许用速度；

所述根据每个机床轴的运动负荷超重程度序列获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度的方法为：

将连续预设数量个时刻的运动负荷超重程度作为预测模型的输入，将预测模型的输出作为预测时刻的运动负荷超重程度；

获取局部速度极值数据点所对应加工时刻的运动负荷超重程度和抖动效应指数的均值，将所述均值作为对运动负荷超重程度进行更新，获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度。

2.根据权利要求1所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据加工速度矩阵获取每个机床轴的加工速度序列中的局部速度极值数据点的方法为：

根据加工速度矩阵获取每个机床轴的加工速度序列；利用非线性拟合算法获取每个机床轴的加工速度序列对应的加工速度函数；将加工速度函数中的极大值点作为每个机床轴的加工速度序列中的局部速度极值数据点。

3.根据权利要求1所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据每个机床轴的每个局部速度极值数据点的序列窗口内的加工速度获取每个机床轴中每个局部速度极值数据点的序列窗口内每个目标数据点的变化程度的方法为：

式中，表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s个目标数据点的变化程度，/>和/>分别表示第i个机床轴的第j个局部速度极值数据点的序列窗口内第s、第(s-1)个目标数据点的加工速度。

4.根据权利要求1所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据每个机床轴的加工速度序列中相邻加工时刻的加工速度变化获取每个机床轴的速度差分序列，根据每个机床轴的速度差分序列获取每个机床轴的速度差分序列中每个速度差分位置上的距离特征序列的方法为：

对于每个机床轴的加工速度序列，将所述加工速度序列中后一时刻加工速度与前一时刻加工速度的差值组成的序列作为每个机床轴的速度差分序列；

根据每个机床轴的速度差分序列，利用突变点检测获取对应机床轴的突变速度差分序列；

根据所获的每个机床轴的速度差分序列以及每个机床轴的突变速度差分序列，基于每个机床轴的速度差分序列中的每个速度差分位置上的数据点与每个机床轴的突变速度差分序列中每个数据点之间的欧式距离获取每个机床轴的速度差分序列中每个速度差分位置上的距离特征序列。

5.根据权利要求1所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据每个机床轴的速度差分序列中相邻速度差分位置上的距离特征序列之间的相似性获取每个机床轴的速度差分序列中每个数据点的运动负荷超重程度的方法为：

将所述每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的DTW距离作为每个机床轴的速度差分序列中每个数据点与其每个相邻数据点的变异程度；

根据每个机床轴的速度差分序列中每个数据点与其相邻数据点的距离特征序列中的每个距离特征值获取每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的平均绝对差异；

将所述每个机床轴的速度差分序列中每个数据点与其每个相邻数据点的变异程度与其平均绝对差异的乘积在所述每个数据点的相邻数据点累加作为分子，将所述数据点的相邻数据点的数目作为分母，将分子与分母比值的归一化值作为每个机床轴的速度差分序列中每个数据点的运动负荷超重程度。

6.根据权利要求5所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据每个机床轴的速度差分序列中每个数据点与其相邻数据点的距离特征序列中的每个距离特征值获取每个机床轴的速度差分序列中每个数据点的距离特征序列与其每个相邻数据点的距离特征序列之间的平均绝对差异的方法为：

式中，表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列与其第q个相邻数据点的距离特征序列之间的平均绝对差异，/>表示第i个机床轴的速度差分序列中的距离特征序列的长度，/>表示第i个机床轴的速度差分序列中第/>个数据点的距离特征序列中的第h个距离特征值，/> 表示第i个机床轴的速度差分序列中第/>个数据点的第q个相邻数据点的距离特征序列中第h个距离特征值。

7.根据权利要求1所述的基于数据分析的快速义齿切削速度控制方法，其特征在于，所述根据每个机床轴的每个对应加工时刻的更新运动负荷超重程度获取每个对应加工时刻的联合负荷超重程度的方法为：

分别获取每个机床轴的每个对应加工时刻的更新运动负荷超重程度；

将所述机床轴的每个对应加工时刻的更新运动负荷超重程度的和作为向下取整函数的输入，将向下取整函数的输出作为每个对应加工时刻的联合负荷超重程度。