搭建了超聲軸向振動鉆削鉆頭磨損狀態(tài)的鉆削力和聲發(fā)射信號采集系統(tǒng),采集不同磨損狀態(tài)下鉆中區(qū)域的鉆削力和聲發(fā)射信號進(jìn)行小波分解,得到與鉆頭磨損狀態(tài)相關(guān)的特征量作為識別鉆頭磨損狀態(tài)的特征參數(shù),輸入到建立的6-13-3的三層BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行融合,識別鉆頭磨損狀態(tài)。試驗結(jié)果表明,通過BP神經(jīng)網(wǎng)絡(luò)技術(shù)將鉆削力和聲發(fā)射信號融合識別鉆頭磨損的準(zhǔn)確率約88.9%,能夠有效監(jiān)測鉆頭磨損狀態(tài)。 

【文章來源】：機(jī)械設(shè)計與研究. 2020,36(02)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

傳感器安裝位置圖

表3 鉆頭磨損狀態(tài)的劃分 序號 A5 D5 D4 頻帶/Hz 0～31.25 31.25～62.5 62.5～125 序號 D3 D2 D1 頻帶/Hz 125～250 250～500 500～1000為了更清楚得找出各頻段的變化規(guī)律,需要對其進(jìn)行量化。按照小波能量系數(shù)分析法進(jìn)行計算,得到鉆頭不同磨損狀態(tài)下的各頻段小波能量系數(shù)分布,如圖4所示。

由圖4可知,隨著鉆頭磨損程度的增加,軸向鉆削力信號在高頻頻段的能量系數(shù)逐漸增大,其中D3,D4頻段的變化最為明顯,而低頻頻段A5的能量系數(shù)逐漸減小,與鉆頭磨損狀態(tài)的變化之間具有良好的對應(yīng)關(guān)系,因此與本文選取軸向鉆削力信號小波分解后的D3、D4和A5三個頻段的小波能量系數(shù)作為鉆頭磨損狀態(tài)監(jiān)測的特征參數(shù)。1.3.2 聲發(fā)射信號特征提取

【參考文獻(xiàn)】：
期刊論文
[1]基于小波包分析的調(diào)距槳槳轂體零件加工刀具磨損監(jiān)測技術(shù)[J]. 李沨,華霖,施瑩,劉紅奇.  船舶工程. 2019(S1)
[2]基于切削電流系數(shù)的銑刀磨損狀態(tài)監(jiān)測[J]. 李宏坤,張孟哲,郝佰田,張志新.  振動.測試與診斷. 2019(04)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的軸承套圈溝道磨削粗糙度識別[J]. 侯智,曾杰.  機(jī)械設(shè)計與研究. 2019(03)
[4]7075航空鋁合金原位腐蝕-多軸疲勞行為分析[J]. 劉辰辰,陳亞軍,李柯,王川.  中國機(jī)械工程. 2019(05)
[5]基于EMD的金剛石砂輪磨損狀態(tài)聲發(fā)射監(jiān)測[J]. 郭力,霍可可,郭君濤.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[6]基于響應(yīng)曲面法的YG8硬質(zhì)合金刀片化學(xué)機(jī)械拋光工藝參數(shù)優(yōu)化[J]. 袁巨龍,毛美姣,李敏,劉舜,吳鋒,胡自化,秦長江.  中國機(jī)械工程. 2018(19)
[7]基于BP神經(jīng)網(wǎng)絡(luò)的鉆削力預(yù)測研究[J]. 陳菁瑤,苗鴻賓,劉興芳,劉娜.  機(jī)械設(shè)計與研究. 2018(03)
[8]基于多傳感器數(shù)據(jù)融合的刀具磨損狀態(tài)監(jiān)測研究[J]. 陳剛,焦黎,顏培,王西彬,史雪春,彭振新.  新技術(shù)新工藝. 2017(11)
[9]基于信息融合的刀具磨損狀態(tài)智能識別[J]. 徐彥偉,陳立海,袁子皓,頡潭成.  振動與沖擊. 2017(21)
[10]刀具磨損監(jiān)測的一種數(shù)據(jù)處理方法[J]. 庫祥臣,曹貝貝,郭躍飛,段明德.  機(jī)床與液壓. 2017(17)



本文編號：3277857