發(fā)布時(shí)間：2020-12-26 13:17

　　由于具有加工材料的多樣性和能加工復(fù)雜三維曲面的獨(dú)特優(yōu)勢,微銑削已經(jīng)廣泛應(yīng)用于微小型零部件的加工領(lǐng)域。然而,較小的刀具尺寸和較高的主軸轉(zhuǎn)速導(dǎo)致微銑刀磨損較快,影響產(chǎn)品質(zhì)量的一致性。因此,以微銑削振動(dòng)信號(hào)為研究對(duì)象,提出了基于變分模態(tài)分解(Variational Mode Decomposition,VMD)與改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)的微銑刀磨損監(jiān)測方法。首先通過VMD對(duì)微銑削振動(dòng)信號(hào)進(jìn)行信號(hào)處理和特征提取,并選擇VMD分解后的內(nèi)稟模式函數(shù)(Intrinsic Mode Function, IMF)的峭度和偏態(tài)作為微銑刀磨損特征。接著利用基于Particle Swarm Optimization(PSO)優(yōu)化算法的BPNN模型對(duì)提取的微銑刀磨損特征進(jìn)行分類。結(jié)果表明,文中提出的微銑刀磨損監(jiān)測方法能夠快速準(zhǔn)確地識(shí)別微銑刀的5種磨損狀態(tài),具有一定的理論價(jià)值和實(shí)踐意義。 

【文章來源】：機(jī)械設(shè)計(jì)與研究. 2020年05期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

總體研究方案

BPNN屬于有監(jiān)督的學(xué)習(xí)方法,包括輸入層、隱藏層和輸出層的全連接的BPNN模型如圖2所示。可以看出,BPNN模型結(jié)構(gòu)簡單,但需要設(shè)置和調(diào)整的連接權(quán)值和閾值較多,如處理不當(dāng)會(huì)引起B(yǎng)PNN模型出現(xiàn)過擬合和局部最優(yōu)的問題,因此,本文借助PSO的空間搜索能力對(duì)各個(gè)連接權(quán)值和閾值進(jìn)行優(yōu)化,PSO不需要像遺傳算法一樣的編碼和解碼,易于編程,計(jì)算精度和效率更有優(yōu)勢。在PSO算法中,影響粒子飛行速度3個(gè)因素分別為:突進(jìn)部分、認(rèn)知部分和社會(huì)部分。假設(shè)全局最優(yōu)位置為Pg=(pg1,pg2,…,pgm),同時(shí)第i個(gè)粒子的速度為Vi=(vi1,vi2,…,vim),每個(gè)粒子的新速度和位置通過式(7)和式(8)進(jìn)行計(jì)算。

為得到微銑削過程的振動(dòng)信號(hào),將五軸加工中心Huron K2X5作為實(shí)驗(yàn)平臺(tái),進(jìn)行模具鋼NAK80的切削實(shí)驗(yàn),實(shí)驗(yàn)裝置如圖4所示。所用刀具材料為硬質(zhì)合金、直徑0.5mm、螺旋角30°。所選毛坯的長度、寬度和高度分比為70 cm、50 cm和20 cm;三向加速度傳感器1A110E:靈敏度10 mv/m.s-2,頻率范圍(10%)0.5 Hz～10 000 Hz;數(shù)據(jù)采集系統(tǒng):DH5922D。▲圖4 實(shí)驗(yàn)裝置

【參考文獻(xiàn)】：
期刊論文
[1]基于變分貝葉斯的軸承故障診斷方法[J]. 王巖,羅倩,鄧輝.  計(jì)算機(jī)科學(xué). 2019(11)
[2]深度支持向量機(jī)在齒輪故障診斷中的應(yīng)用[J]. 于磊,陳森,張瑞,李可,宿磊.  機(jī)械傳動(dòng). 2019(08)
[3]基于EEMD小波閾值去噪和CS-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電齒輪箱故障診斷[J]. 王紅君,趙元路,趙輝,岳有軍.  機(jī)械傳動(dòng). 2019(01)
[4]基于近鄰元分析的滾動(dòng)軸承故障診斷方法[J]. 周海韜,陳進(jìn),董廣明.  振動(dòng)與沖擊. 2015(02)
[5]基于粒子群優(yōu)化決策樹的齒輪箱故障診斷[J]. 程珩,黃超勇,張永剛.  振動(dòng).測試與診斷. 2013(01)



本文編號(hào)：2939773