【摘要】：為了提高刀具磨損狀態(tài)監(jiān)測準確度,提出基于人工蜂群-BP神經(jīng)網(wǎng)絡算法的刀具磨損狀態(tài)監(jiān)測方法。使用力傳感器和振動傳感器設計了磨損狀態(tài)監(jiān)測平臺;使用匹配追蹤算法對信號進行了去噪;提取了信號時域、頻域、時頻域的特征參數(shù),使用核主成分分析法對特征參數(shù)進行了降維,確定了反應刀具磨損狀態(tài)的15個特征參數(shù);提出了人工蜂群-BP神經(jīng)網(wǎng)絡算法的刀具磨損狀態(tài)識別方法,使用人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡算法參數(shù);經(jīng)實驗驗證,傳統(tǒng)BP神經(jīng)網(wǎng)絡識別準確率為78.75%,優(yōu)化BP神經(jīng)網(wǎng)絡算法識別準確率為100%。
[Abstract]:In order to improve the accuracy of tool wear monitoring, a new tool wear monitoring method based on artificial bee colony-BP neural network algorithm was proposed. The wear monitoring platform is designed by using force sensor and vibration sensor, and the signal is de-noised by matching tracking algorithm. The characteristic parameters in time domain, frequency domain and time-frequency domain of the signal are extracted. The dimension of the characteristic parameters is reduced by using the kernel principal component analysis, and the 15 characteristic parameters of the wear state of the reactive tool are determined. A method of tool wear status recognition based on artificial honeybee colony-BP neural network algorithm is proposed. The parameters of BP neural network algorithm are optimized by using artificial bee colony algorithm. The experimental results show that the recognition accuracy of traditional BP neural network is 78.75%, and the recognition accuracy of optimized BP neural network algorithm is 100%.
【作者單位】： 無錫商業(yè)職業(yè)技術學院機電工程系;
【基金】：國家重點基礎研究發(fā)展計劃(2013CB035800)資助~~
【分類號】：TG71;TP18

【相似文獻】

相關期刊論文 前10條

1 曾燕,張道富,周曉軍;基于神經(jīng)網(wǎng)絡算法的軸承外徑參數(shù)的測量[J];機床與液壓;2003年03期

2 李曉剛,付冬梅,董超芳,金鷹;用神經(jīng)網(wǎng)絡算法分析環(huán)烷酸的腐蝕行為[J];腐蝕科學與防護技術;2001年01期

3 馬曉君;齊英杰;胡萬明;;基于BP神經(jīng)網(wǎng)絡算法的木門鎖孔槽加工機床熱誤差建模方法[J];林業(yè)科學;2013年12期

4 金鷹,董超芳,付冬梅,李曉剛;用神經(jīng)網(wǎng)絡算法預測氫蝕孕育期[J];中國腐蝕與防護學報;2001年06期

5 宋丹;金文兵;田志勇;;基于BP神經(jīng)網(wǎng)絡的數(shù)控機床故障診斷系統(tǒng)研究[J];新技術新工藝;2006年02期

6 朱先勇;劉耀輝;張英波;宋雨來;于思榮;;基于BP神經(jīng)網(wǎng)絡的球墨鑄鐵組織和力學性能預測[J];湖南大學學報(自然科學版);2007年10期

7 蔡安江;姚艷;郭師虹;豆衛(wèi)濤;;基于BP神經(jīng)網(wǎng)絡的數(shù)控加工銑削參數(shù)優(yōu)化[J];模具工業(yè);2010年09期

8 姚小飛;劉潔;葛東生;趙耀華;;基于BP神經(jīng)網(wǎng)絡不銹鋼鍛造再結晶的晶粒尺寸模型[J];山西冶金;2009年01期

9 張延華,劉相華,王國棟;基于模糊聚類的BP神經(jīng)網(wǎng)絡模型預報中厚板軋制力[J];材料與冶金學報;2004年03期

10 季穎;張秀玲;;BP神經(jīng)網(wǎng)絡在板形控制影響矩陣中的應用[J];信息技術;2008年11期

相關會議論文 前1條

1 余萬華;翁瑋;韓靜濤;張永軍;劉靖;;基于BP神經(jīng)網(wǎng)絡的板材熱軋軋制壓力和變形抗力預報模型[A];第四屆中國金屬學會青年學術年會論文集[C];2008年

相關碩士學位論文 前4條

1 魏漢軍;BP神經(jīng)網(wǎng)絡算法及Ni-TiC復合鍍層工藝—性能模型預測[D];西安科技大學;2015年

2 王雷;基于BP神經(jīng)網(wǎng)絡的鈦合金加工切削力預測模型研究[D];天津理工大學;2016年

3 談芬芳;基于BP神經(jīng)網(wǎng)絡的冷軋軋制壓力預報[D];武漢科技大學;2005年

4 龍玉陽;基于BP神經(jīng)網(wǎng)絡鑄鐵性能的快速預測[D];武漢工程大學;2012年

，

本文編號：2441488