基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

发布时间：2021-07-11 09:50

　　搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。 

【文章来源】：机械设计与研究. 2020,36(02)北大核心CSCD

【文章页数】：4 页

【部分图文】：

传感器安装位置图

表3 钻头磨损状态的划分 序号 A5 D5 D4 频带/Hz 0～31.25 31.25～62.5 62.5～125 序号 D3 D2 D1 频带/Hz 125～250 250～500 500～1000为了更清楚得找出各频段的变化规律,需要对其进行量化。按照小波能量系数分析法进行计算,得到钻头不同磨损状态下的各频段小波能量系数分布,如图4所示。

由图4可知,随着钻头磨损程度的增加,轴向钻削力信号在高频频段的能量系数逐渐增大,其中D3,D4频段的变化最为明显,而低频频段A5的能量系数逐渐减小,与钻头磨损状态的变化之间具有良好的对应关系,因此与本文选取轴向钻削力信号小波分解后的D3、D4和A5三个频段的小波能量系数作为钻头磨损状态监测的特征参数。1.3.2 声发射信号特征提取

【参考文献】：
期刊论文
[1]基于小波包分析的调距桨桨毂体零件加工刀具磨损监测技术[J]. 李沨,华霖,施莹,刘红奇.  船舶工程. 2019(S1)
[2]基于切削电流系数的铣刀磨损状态监测[J]. 李宏坤,张孟哲,郝佰田,张志新.  振动.测试与诊断. 2019(04)
[3]基于BP神经网络的轴承套圈沟道磨削粗糙度识别[J]. 侯智,曾杰.  机械设计与研究. 2019(03)
[4]7075航空铝合金原位腐蚀-多轴疲劳行为分析[J]. 刘辰辰,陈亚军,李柯,王川.  中国机械工程. 2019(05)
[5]基于EMD的金刚石砂轮磨损状态声发射监测[J]. 郭力,霍可可,郭君涛.  湖南大学学报(自然科学版). 2019(02)
[6]基于响应曲面法的YG8硬质合金刀片化学机械抛光工艺参数优化[J]. 袁巨龙,毛美姣,李敏,刘舜,吴锋,胡自化,秦长江.  中国机械工程. 2018(19)
[7]基于BP神经网络的钻削力预测研究[J]. 陈菁瑶,苗鸿宾,刘兴芳,刘娜.  机械设计与研究. 2018(03)
[8]基于多传感器数据融合的刀具磨损状态监测研究[J]. 陈刚,焦黎,颜培,王西彬,史雪春,彭振新.  新技术新工艺. 2017(11)
[9]基于信息融合的刀具磨损状态智能识别[J]. 徐彦伟,陈立海,袁子皓,颉潭成.  振动与冲击. 2017(21)
[10]刀具磨损监测的一种数据处理方法[J]. 库祥臣,曹贝贝,郭跃飞,段明德.  机床与液压. 2017(17)



本文编号：3277857