VMD和改进型BPNN模型在微铣刀磨损监测中的应用

发布时间：2020-12-26 13:17

　　由于具有加工材料的多样性和能加工复杂三维曲面的独特优势,微铣削已经广泛应用于微小型零部件的加工领域。然而,较小的刀具尺寸和较高的主轴转速导致微铣刀磨损较快,影响产品质量的一致性。因此,以微铣削振动信号为研究对象,提出了基于变分模态分解(Variational Mode Decomposition,VMD)与改进型BP神经网络(Back Propagation Neural Network, BPNN)的微铣刀磨损监测方法。首先通过VMD对微铣削振动信号进行信号处理和特征提取,并选择VMD分解后的内禀模式函数(Intrinsic Mode Function, IMF)的峭度和偏态作为微铣刀磨损特征。接着利用基于Particle Swarm Optimization(PSO)优化算法的BPNN模型对提取的微铣刀磨损特征进行分类。结果表明,文中提出的微铣刀磨损监测方法能够快速准确地识别微铣刀的5种磨损状态,具有一定的理论价值和实践意义。 

【文章来源】：机械设计与研究. 2020年05期 北大核心

【文章页数】：6 页

【部分图文】：

总体研究方案

BPNN属于有监督的学习方法,包括输入层、隐藏层和输出层的全连接的BPNN模型如图2所示。可以看出,BPNN模型结构简单,但需要设置和调整的连接权值和阈值较多,如处理不当会引起BPNN模型出现过拟合和局部最优的问题,因此,本文借助PSO的空间搜索能力对各个连接权值和阈值进行优化,PSO不需要像遗传算法一样的编码和解码,易于编程,计算精度和效率更有优势。在PSO算法中,影响粒子飞行速度3个因素分别为:突进部分、认知部分和社会部分。假设全局最优位置为Pg=(pg1,pg2,…,pgm),同时第i个粒子的速度为Vi=(vi1,vi2,…,vim),每个粒子的新速度和位置通过式(7)和式(8)进行计算。

为得到微铣削过程的振动信号,将五轴加工中心Huron K2X5作为实验平台,进行模具钢NAK80的切削实验,实验装置如图4所示。所用刀具材料为硬质合金、直径0.5mm、螺旋角30°。所选毛坯的长度、宽度和高度分比为70 cm、50 cm和20 cm;三向加速度传感器1A110E:灵敏度10 mv/m.s-2,频率范围(10%)0.5 Hz～10 000 Hz;数据采集系统:DH5922D。▲图4 实验装置

【参考文献】：
期刊论文
[1]基于变分贝叶斯的轴承故障诊断方法[J]. 王岩,罗倩,邓辉.  计算机科学. 2019(11)
[2]深度支持向量机在齿轮故障诊断中的应用[J]. 于磊,陈森,张瑞,李可,宿磊.  机械传动. 2019(08)
[3]基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断[J]. 王红君,赵元路,赵辉,岳有军.  机械传动. 2019(01)
[4]基于近邻元分析的滚动轴承故障诊断方法[J]. 周海韬,陈进,董广明.  振动与冲击. 2015(02)
[5]基于粒子群优化决策树的齿轮箱故障诊断[J]. 程珩,黄超勇,张永刚.  振动.测试与诊断. 2013(01)



本文编号：2939773