CN114378653A - 基于bp神经网络外圆磨削颤振在线识别和监测方法 - Google Patents

基于bp神经网络外圆磨削颤振在线识别和监测方法 Download PDF

Info

Publication number
CN114378653A
CN114378653A CN202210098079.0A CN202210098079A CN114378653A CN 114378653 A CN114378653 A CN 114378653A CN 202210098079 A CN202210098079 A CN 202210098079A CN 114378653 A CN114378653 A CN 114378653A
Authority
CN
China
Prior art keywords
neural network
signal
sensor
flutter
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210098079.0A
Other languages
English (en)
Other versions
CN114378653B (zh
Inventor
芦华
迟玉伦
崔晓晴
徐家晴
陈辉
卢典庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Machine Tool Factory Co Ltd
University of Shanghai for Science and Technology
Original Assignee
Shanghai Machine Tool Factory Co Ltd
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Machine Tool Factory Co Ltd, University of Shanghai for Science and Technology filed Critical Shanghai Machine Tool Factory Co Ltd
Priority to CN202210098079.0A priority Critical patent/CN114378653B/zh
Publication of CN114378653A publication Critical patent/CN114378653A/zh
Application granted granted Critical
Publication of CN114378653B publication Critical patent/CN114378653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B5/00—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor
    • B24B5/02—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor involving centres or chucks for holding work
    • B24B5/04—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor involving centres or chucks for holding work for grinding cylindrical surfaces externally
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Automatic Control Of Machine Tools (AREA)
  • Numerical Control (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于BP神经网络外圆磨削颤振在线识别和监测方法，首先，建立监测系统，将声发射传感器吸附在机床的尾架顶尖上，三向振动传感器吸附在机床尾架上，通过声发射传感器来采集声音原始信号和通过三向振动传感器采集振动信号，利用BP神经网络对加工过程中的声发射传感器和三向振动传感器采集振动信号采集到的高频声发射信号和振动信号进行提取相关特征值，获得关于颤振的多特征信号样本，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合，实现对机床加工过程中是否发生颤振的在线监测和精确识别。

Description

基于BP神经网络外圆磨削颤振在线识别和监测方法
技术领域
本发明涉及一种机床颤振的在线监测识别方法，尤其是一种外圆磨削颤振在线识别和监测方法。
背景技术
磨削是对精度要求最高的一道工序，而颤振是磨削过程中影响加工质量的关键因素。工件形位误差、尺寸误差、表面粗糙度等指标的恶化都可能是颤振导致[1]。颤振产生不可控，且机理复杂，从根源上分析有一定的盲目性和局限性。故针对外圆磨削颤振现象进行在线监测识别，做出工艺调整，对改善工件表面质量、提高加工效率具有重要意义。
近年来，国内外学者对颤振监测做了许多研究。通过“脱机操作”对工件表面进行光学测量来提高效率。于骏一等在切削颤振发生之前对颤振进行预报(于骏一，周晓勤.切削颤振的预报控制[J].中国机械工程，1999，10(9)：1028-1032)孔繁森等利用模糊数学原理将理论信号与实验数据经验进行贴合度分析进行颤振识别(孔繁森，于骏一，勾治践.颤振状态的模糊识别[J].振动工程学报，1998，13(3):328-332)；钱士才(钱士才,孙宇昕,熊振华.基于支持向量机的颤振在线智能检测[J]机械工程学报10.3901(2015).20.001)通过支持向量机对颤振进行识别，这些方法有一定的效果但是传感器信号太单一，数据、特征参数少。吕长飞等通过幅值法和小波分析实现了颤振的预测[5]，但是小波分析局限于信号低频部分，而且没有深入考虑算法模型与数据适配问题，对结果的准确性影响较大。
磨削具有高度复杂性，为研究磨削颤振，利用以任意精度都可逼近非线性连续函数的BP神经网络，实现输入到输出的映射，适用于求解这种机制复杂的问题，训练时能够合理提取和传输数据，不断反向传播达到预期值，达到最优模型。故需要采用多传感器结合BP神经网络模型，实现对机床颤振的在线监测识别。
发明内容
本发明是要提出一种基于BP神经网络外圆磨削颤振在线识别和监测方法，通过对加工过程中的传感器采集到的高频声发射信号，振动信号进行提取相关特征值，获得了关于颤振的多特征信号样本，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，实现了对机床加工过程中是否发生颤振在线监测和精确识别。
为实现上述目的，本发明采用的技术方案是：一种基于BP神经网络外圆磨削颤振在线识别和监测方法，首先，建立监测系统，将声发射传感器吸附在机床的尾架顶尖上，三向振动传感器吸附在机床尾架上，通过声发射传感器来采集声音原始信号和通过三向振动传感器采集振动信号，利用BP神经网络对加工过程中的声发射传感器和三向振动传感器采集振动信号采集到的高频声发射信号和振动信号进行提取相关特征值，获得关于颤振的多特征信号样本，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合，实现对机床加工过程中是否发生颤振的在线监测和精确识别。
进一步，所述利用BP神经网络对加工过程中的声发射传感器和三向振动传感器采集振动信号采集到的高频声发射信号和振动信号进行提取相关特征值包括对原始数据进行时域分析、小波包分解。
进一步，所述对原始数据进行时域分析时，首先对信号波形、幅值和周期性进行初步判断，其次利用极差、方差、标准差公式进行分析。
进一步，所述小波包分解：声音原始信号通过分解得到低频和高频分量，高频分量中含有大量的信号细节通过小波包提取，对原始信号进行3层小波包变换，信号被分配到8个节点中，
若声音原始信号被分解到第j层(i＝1,2,3…n),采样率为f，频带总数为2j个，第i个频带范围为
Figure BDA0003491305130000021
分解层数越多，信号处理越精细；
每个节点系数中存储的能量称为小波包节点能量，表达式为：
Figure BDA0003491305130000031
式中
Figure BDA0003491305130000032
和
Figure BDA0003491305130000033
分别是第j层第i个节点的小波系数和该系数的能量值，各系数能量值与总能量的比值为
Figure BDA0003491305130000034
当颤振发生时，某个节点的能量值会骤增，因此能量占比适合作为输入型特征参数用到识别算法模型中去。
进一步，所述BP神经网络采用3层BP神经网络对外圆磨床颤振在线识别，选择三向振动传感器、声发射传感器信号作为原始信号，BP神经网络输入层神经元数目设为n个，n＝6，根据Kolmogorov定理，综合考虑泛化学习能力，确定隐含层神经元数目k＝2n+1。
进一步，所述BP神经网络的算法学习规则如下，表现函数沿着最快下降梯度方向，并不断修正权值阈值
xk+1＝xk-akgk (3)
式子中gk为表现函数的梯度；ak为学习速率；xk为权值阈值矩阵。在BP神经网络中，输入节点为xn，隐层节点的输出为Zk，输出节点为ym；
输入节点数共6个，隐层节点数13个，输出节点数1个，其中输入层与隐层间的网络权值为wij(i＝1，2…n,j＝1,2…k)阈值为θj；隐层节点与输出节点之间的网络权值为vjl，阈值为θl(l＝1，2…m)设定好期望后模型的计算公式如下：
隐层节点的输出
Figure BDA0003491305130000035
输出节点的输出
Figure BDA0003491305130000036
输出节点的误差
Figure BDA0003491305130000041
进一步，所述BP神经网络的训练过程：通过建立样本库，利用迭代函数开始训练学习，不断地输出结果，如果输出结果与期望值相比超出设置精度，则反向传播，通过输出层不断逼近期望值，最终训练成最优的BP神经网络模型。
进一步，所述检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合的具体方法，包括：
1)实验设计
利用传感器底座的强磁特性，将声发射传感器吸附在机床尾架顶尖上，三向振动传感器吸附在机床尾架上，声发射传感器和三向振动传感器的采集的信号经过处理后输出到采集卡，并显示到PC端通过采集软件进行分析，当磨削过程有颤振时信号会发生变化，信号的时域，频域都能提供相应的信息；
2)传感器信号分析
砂轮主轴和工件轴转速保持不变，控制机床电机处于低速和高速两种状态，对声发射传感器采集的原始信号进行小波包分解，采用db4小波基分解得到与频段相对应的八个节点，频段间隔为62.5KHz，频段为0-62.5KHz…437.5-500KHz，低速与高速下高频AE信号各频段能量占比图，通过汇比机床电机低速与高速两种状态下小波包能量占比数据，得出低速和高速两种状态对比下前两个节点处能量占比变化显著，后续节点中变化不明显的结论；
3)信号特征值提取
已知BP神经网络模型输出结果仅为有无颤振现象，将有无颤振现象赋值为{1，2}的集合对应监测的颤振结果，对传感器信号进行特征值提取，建立样本数据库，不同现象下的各信号值明显不同，选取为AE信号小波包能量占比、x方向振动的均方根、y方向振动的偏态系数，z方向振动的标准差作为特征参数，通过计算得到各特征值；
4)网络训练及识别结果
通过BP神经网络算法将160组信号特征值样本随机排列后分为150组训练样本和10组预测样本，模型输入为6个特征向量，输出为1个结果向量；BP神经网络训练时，训练次数设为1000次，误差精度为10-3，结果中R2的值越接近于1，模型效果越好，训练和识别过程以及10组预测样本得到的外圆磨削颤振真实值和预测值对比图；将预测样本结果汇于统计表，从统计表中直接看出BP神经网络模型对外圆磨削颤振现象有效的在线监测和识别，同时算法平均误差百分比在0.49％，预测结果均正确。
本发明的有益效果是：
本发明通过对加工过程中的传感器采集到的高频声发射信号，振动信号进行提取相关特征值，获得了关于颤振的多特征信号样本，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，实现了对机床加工过程中是否发生颤振在线监测和精确识别。实验结果表明：基于BP神经网络模型的颤振识别，检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合，所以该方法能够有效的识别加工过程中的颤振现象，并起到了在线智能监控的作用。
附图说明
图1为动态切削厚度产生示意图；
图2为状态监测框架图；
图3为小波包变换示意图；
图4为BP神经网络结构；
图5为BP神经网络训练过程；
图6为实验测试流程简图；
图7为低速加工AE信号能量占比；
图8为高速加工AE信号能量占比；
图9为x方向振动传感器信号；
图10为y方向振动传感器信号；
图11为z方向振动传感器信号
图12为BP神经网络训练模型；
图13为BP神经网络训练过程；
图14为BP神经网络颤振识别结果图。
具体实施方式
下面结构附图与实施例对本发明作进一步说明。
本发明的一种基于BP神经网络外圆磨削颤振在线识别和监测方法，通过实验设置中的传感器对机床外圆磨削信号进行采集，针对实验加工有无颤振，利用BP神经网络对声发射传感器、三向振动传感器进行多种特征样本信号提取，通过学习训练，建立识别模型并且通过预测样本证明了多种传感器采集结合BP神经网络模型能够准确的对外圆磨削颤振进行在线识别和监测。这在生产加工过程中为了防止发生颤振提供了重要的实时信息，于是可以迅速对机床，工件进行相应保护措施，提高了机床使用效率以及延长了使用寿命。
具体方法如下：
1.颤振机理与监测
金属加工过程中的振动分为强迫振动和自激振动。强迫振动是受到系统外周期性的扰动。刀具和工件在加工过程没有周期性外力作用也会产生强烈的相对振动，该振动称为自激振动，也称颤振。
再生型颤振是自激振动的一种，几乎在所有的机床加工中都有发生，其产生机理是由于上次切削所形成的振纹与本次切削的振动位移之间产生了一定的相位差，动态切削厚度发生变化。当厚度达到一定程度，就会发生再生型颤振。
如图1所示，当连续两次磨削产生振纹的相位差ε为0或2π，动态切削厚度都不会发生变化，当相位差为π时，动态切削厚度变化到最大值，颤振也最严重[7]。由于振源来自机床内部，即使严格选取工艺参数，也不能完全避免颤振的发生，最好的方法就是对其进行监测识别。
监测系统主要通过传感器来采集振动、声音等原始信号，对信号进行特征提取再利用算法判别状态，框架如图2所示。
监测系统中对于采集信号的传感器带宽、安放位置也有着严格的要求。传感器带宽要能准确覆盖颤振频率。安放位置原则上是必须离振源足够近才能采集到优质的信号。
2.特征参数预处理
2.1.相关分析
对原始信号预处理是信号分析的前提。AE、振动和功率等传感器在采集中被广泛应用，但各类传感器有利有弊，功率传感器灵敏度较低反应不够迅速；振动传感器信号强度易受外界影响；AE传感器更是会受到周围噪声干扰。所以采用单一的传感信号进行监测难免会有弊端，从而使用多种传感器监测能够弥补信号单一的缺点。
2.2.时域特征参数
对原始数据进行时域分析时，首先对信号波形、幅值和周期性进行初步判断，其次利用公式进行分析，常见的参数有极差、方差、标准差等，表1是有关时域特征参数的计算公式。
表1时域特征参数计算公式
Figure BDA0003491305130000071
Figure BDA0003491305130000081
2.3.小波包分解
原始信号通过分解得到低频和高频分量，高频分量中含有大量的信号细节可以通过小波包提取。通常对原始信号进行3层小波包变换，信号被分配到8个节点中，分解结构如图3所示。
若原始信号被分解到第j层(i＝1,2,3…n),采样率为f，频带总数为2j个，第i个频带范围为
Figure BDA0003491305130000082
分解层数越多，信号处理越精细。
每个节点系数中存储的能量称为小波包节点能量，表达式为：
Figure BDA0003491305130000083
式中
Figure BDA0003491305130000084
和
Figure BDA0003491305130000085
分别是第j层第i个节点的小波系数和该系数的能量值。各系数能量值与总能量的比值为
Figure BDA0003491305130000086
当颤振发生时，某个节点的能量值会骤增，因此能量占比很适合作为输入型特征参数用到一些算法模型中去。
3.BP神经网络结构
3.1.基本原理
本发明的实施例采用3层BP神经网络对外圆磨床颤振在线识别。选择三向振动、AE传感器信号作为原始信号，BP神经网络输入层神经元数目设为n个(n＝6)。根据Kolmogorov定理，综合考虑泛化学习能力，确定隐含层神经元数目k(k＝2n+1，k＝13)。BP神经网络结构如图4所示。
BP神经网络算法学习规则如下，表现函数沿着最快下降梯度方向，并不断修正权值阈值
xk+1＝xk-akgk (3)
式子中gk为表现函数的梯度；ak为学习速率；xk为权值阈值矩阵。在BP神经网络中，输入节点为xn，隐层节点的输出为Zk，输出节点为ym
本实施例输入节点数共6个，隐层节点数13个，输出节点数1个。其中输入层与隐层间的网络权值为wij(i＝1，2…n,j＝1,2…k)阈值为θj；隐层节点与输出节点之间的网络权值为vjl，阈值为θl(l＝1，2…m)设定好期望后模型的计算公式如下：
隐层节点的输出
Figure BDA0003491305130000091
输出节点的输出
Figure BDA0003491305130000092
输出节点的误差
Figure BDA0003491305130000093
3.2.训练过程
在BP神经网络迭代算法中选择的是泛化精确度高的Levenberg-Marquardt函数，隐藏层选择的是双曲正切S型传递函数(tansig)，输出层选择线性传输函数(purelin)，训练函数和自适应学习函数分别是默认的trainlm和learngdm函数。
BP神经网络的自适应学习能力很强。通过建立样本库，利用迭代函数开始训练学习，不断地输出结果，如果输出结果与期望值相比超出设置精度，则反向传播，通过输出层不断逼近期望值。最终训练成最优的BP神经网络模型，过程如图5所示。
4.实验设计和信号特征值提取
4.1.实验设计
实验中利用高频AE、三向振动传感器进行信号采集，外圆磨床型号M1432BX1500；砂轮直径400mm，磨削速度35m/s，磨削方式为外圆磨削，修整方式为金刚笔修整；加工工件为普通轴承，工件材料为标准轴承钢。利用传感器底座有强磁特性，将AE传感器吸附在尾架顶尖上，三向振动传感器吸附在机床尾架上。传感器信号经过处理后输出到采集卡，并显示到PC端通过采集软件进行下步分析，总的测试流程如图6所示。
当磨削过程有颤振时信号会发生变化，信号的时域，频域都能提供相应的信息。在实验中利用了AE传感器采集，所以可以通过小波包分解求出各频段的能量占比作为特征参数。
4.2.传感器信号分析
砂轮主轴和工件轴转速分别为53m/s和110r/min并保持不变，控制机床电机处于低速和高速两种状态。对AE传感器采集的原始信号进行小波包分解，采用db4小波基分解得到与频段相对应的八个节点，频段间隔为62.5KHz，频段为0-62.5KHz…437.5-500KHz，低速与高速下高频AE信号各频段能量占比图分别如图7、8所示。
将机床电机低速与高速两种状态下小波包能量占比数据汇于表2中。
表2工件磨削AE频谱能量分布百分比
节点 低速时能量占比 高速时能量占比
1 76.7％ 38.5％
2 2.39％ 28.3％
3 5.75％ 7.85％
4 1.91％ 6.74％
5 2.86％ 4.04％
6 2.37％ 3.47％
7 5.65％ 7.6％
8 2.42％ 3.56％
由表2可知，低速和高速两种状态对比下前两个节点处能量占比变化显著，后续节点中变化不明显。
机床尾架处的振动信号由三向振动传感器采集，下图9、10、11是振动时域信号图。
4.3.信号特征值提取
已知BP神经网络模型输出结果仅为有无颤振现象，将有无颤振现象赋值为{1，2}的集合对应监测的颤振结果。对传感器信号进行特征值提取，建立样本数据库。不同现象下的各信号值明显不同，选取为AE信号小波包能量占比、x方向振动的均方根、y方向振动的偏态系数，z方向振动的标准差作为特征参数，通过计算得到各特征值见下表3、4、5。
表3高频声发射小波包能量占比(高速)
Figure BDA0003491305130000111
表4高频声发射小波包能量占比(低速)
Figure BDA0003491305130000112
表5三向振动信号特征值提取
Figure BDA0003491305130000113
Figure BDA0003491305130000121
5.网络训练及识别结果
通过BP神经网络算法将160组信号特征值样本随机排列后分为150组训练样本和10组预测样本。模型输入为6个特征向量，输出为1个结果向量。BP神经网络训练时，训练次数设为1000次，误差精度为10-3，结果中R2的值越接近于1，模型效果越好，训练和识别过程以及10组预测样本得到的外圆磨削颤振真实值和预测值对比图如下图12、13、14所示。
将预测样本结果汇于下表6：
表6预测结果数据
Figure BDA0003491305130000122
从表6直接看出BP神经网络模型可以对外圆磨削颤振现象有效的在线监测和识别，同时算法平均误差百分比在0.49％左右，预测结果均正确。

Claims (8)

1.一种基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：首先，建立监测系统，将声发射传感器吸附在机床的尾架顶尖上，三向振动传感器吸附在机床尾架上，通过声发射传感器来采集声音原始信号和通过三向振动传感器采集振动信号，利用BP神经网络对加工过程中的声发射传感器和三向振动传感器采集振动信号采集到的高频声发射信号和振动信号进行提取相关特征值，获得关于颤振的多特征信号样本，采用多特征信号样本库对BP神经网络进行学习和训练，建立识别模型，最后，检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合，实现对机床加工过程中是否发生颤振的在线监测和精确识别。
2.根据权利要求1所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述利用BP神经网络对加工过程中的声发射传感器和三向振动传感器采集振动信号采集到的高频声发射信号和振动信号进行提取相关特征值包括对原始数据进行时域分析、小波包分解。
3.根据权利要求2所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述对原始数据进行时域分析时，首先对信号波形、幅值和周期性进行初步判断，其次利用极差、方差、标准差公式进行分析。
4.根据权利要求2所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述小波包分解：声音原始信号通过分解得到低频和高频分量，高频分量中含有大量的信号细节通过小波包提取，对原始信号进行3层小波包变换，信号被分配到8个节点中，
若声音原始信号被分解到第j层(i＝1,2,3…n),采样率为f，频带总数为2j个，第i个频带范围为
Figure FDA0003491305120000011
分解层数越多，信号处理越精细；
每个节点系数中存储的能量称为小波包节点能量，表达式为：
Figure FDA0003491305120000012
式中
Figure FDA0003491305120000013
和
Figure FDA0003491305120000014
分别是第j层第i个节点的小波系数和该系数的能量值，各系数能量值与总能量的比值为：
Figure FDA0003491305120000021
当颤振发生时，某个节点的能量值会骤增，因此能量占比适合作为输入型特征参数用到识别算法模型中去。
5.根据权利要求1所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述BP神经网络采用3层BP神经网络对外圆磨床颤振在线识别，选择三向振动传感器、声发射传感器信号作为原始信号，BP神经网络输入层神经元数目设为n个，n＝6，根据Kolmogorov定理，综合考虑泛化学习能力，确定隐含层神经元数目k＝2n+1。
6.根据权利要求1所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述BP神经网络的算法学习规则如下，表现函数沿着最快下降梯度方向，并不断修正权值阈值
xk+1＝xk-akgk (3)
式子中gk为表现函数的梯度；ak为学习速率；xk为权值阈值矩阵。在BP神经网络中，输入节点为xn，隐层节点的输出为Zk，输出节点为ym；
输入节点数共6个，隐层节点数13个，输出节点数1个，其中输入层与隐层间的网络权值为wij(i＝1，2…n,j＝1,2…k)阈值为θj；隐层节点与输出节点之间的网络权值为vjl，阈值为θl(l＝1，2…m)设定好期望后模型的计算公式如下：
隐层节点的输出
Figure FDA0003491305120000022
输出节点的输出
Figure FDA0003491305120000023
输出节点的误差
Figure FDA0003491305120000031
7.根据权利要求1所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述BP神经网络的训练过程：通过建立样本库，利用迭代函数开始训练学习，不断地输出结果，如果输出结果与期望值相比超出设置精度，则反向传播，通过输出层不断逼近期望值，最终训练成最优的BP神经网络模型。
8.根据权利要求1所述的基于BP神经网络外圆磨削颤振在线识别和监测方法，其特征在于：所述检验测得的测试样本结果与实际是否发生颤振和网络识别的结果相符合的具体方法，包括：
1)实验设计
利用传感器底座的强磁特性，将声发射传感器吸附在机床尾架顶尖上，三向振动传感器吸附在机床尾架上，声发射传感器和三向振动传感器的采集的信号经过处理后输出到采集卡，并显示到PC端通过采集软件进行分析，当磨削过程有颤振时信号会发生变化，信号的时域，频域都能提供相应的信息；
2)传感器信号分析
砂轮主轴和工件轴转速保持不变，控制机床电机处于低速和高速两种状态，对声发射传感器采集的原始信号进行小波包分解，采用db4小波基分解得到与频段相对应的八个节点，频段间隔为62.5KHz，频段为0-62.5KHz…437.5-500KHz，低速与高速下高频AE信号各频段能量占比图，通过汇比机床电机低速与高速两种状态下小波包能量占比数据，得出低速和高速两种状态对比下前两个节点处能量占比变化显著，后续节点中变化不明显的结论；
3)信号特征值提取
已知BP神经网络模型输出结果仅为有无颤振现象，将有无颤振现象赋值为{1，2}的集合对应监测的颤振结果，对传感器信号进行特征值提取，建立样本数据库，不同现象下的各信号值明显不同，选取为AE信号小波包能量占比、x方向振动的均方根、y方向振动的偏态系数，z方向振动的标准差作为特征参数，通过计算得到各特征值；
4)网络训练及识别结果
通过BP神经网络算法将160组信号特征值样本随机排列后分为150组训练样本和10组预测样本，模型输入为6个特征向量，输出为1个结果向量；BP神经网络训练时，训练次数设为1000次，误差精度为10-3，结果中R2的值越接近于1，模型效果越好，训练和识别过程以及10组预测样本得到的外圆磨削颤振真实值和预测值对比图；将预测样本结果汇于统计表，从统计表中直接得出BP神经网络模型对外圆磨削颤振现象有效的在线监测和识别，同时算法平均误差百分比在0.49％，预测结果均正确。
CN202210098079.0A 2022-01-27 2022-01-27 基于bp神经网络外圆磨削颤振在线识别和监测方法 Active CN114378653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210098079.0A CN114378653B (zh) 2022-01-27 2022-01-27 基于bp神经网络外圆磨削颤振在线识别和监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210098079.0A CN114378653B (zh) 2022-01-27 2022-01-27 基于bp神经网络外圆磨削颤振在线识别和监测方法

Publications (2)

Publication Number Publication Date
CN114378653A true CN114378653A (zh) 2022-04-22
CN114378653B CN114378653B (zh) 2022-12-13

Family

ID=81204182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210098079.0A Active CN114378653B (zh) 2022-01-27 2022-01-27 基于bp神经网络外圆磨削颤振在线识别和监测方法

Country Status (1)

Country Link
CN (1) CN114378653B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195440A (zh) * 2023-11-08 2023-12-08 上海诺倬力机电科技有限公司 主轴系统结构优化方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886373A (zh) * 2014-04-18 2014-06-25 天津理工大学 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法
CN107199506A (zh) * 2017-06-05 2017-09-26 苏州微著设备诊断技术有限公司 一种基于栈式自编码器和支持向量机的磨削颤振检测方法
CN107378779A (zh) * 2017-06-29 2017-11-24 西安交通大学 一种基于主轴进给电机电流信号的磨削颤振检测方法
US20180164757A1 (en) * 2016-12-14 2018-06-14 Fanuc Corporation Machine learning device, cnc device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool
CN108356606A (zh) * 2018-03-19 2018-08-03 西北工业大学 基于小波包分析与rbf神经网络的刀具磨损在线监测方法
CN111694320A (zh) * 2020-06-10 2020-09-22 大连理工大学 一种虑及颤振抑制的机床自适应控制方法
WO2021128576A1 (zh) * 2019-12-26 2021-07-01 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法
CN113761678A (zh) * 2021-08-17 2021-12-07 上海机床厂有限公司 一种外圆磨削颤振通用模型与稳定性分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886373A (zh) * 2014-04-18 2014-06-25 天津理工大学 基于bp神经网络的高速冷轧机第三倍频程颤振预测方法
US20180164757A1 (en) * 2016-12-14 2018-06-14 Fanuc Corporation Machine learning device, cnc device and machine learning method for detecting indication of occurrence of chatter in tool for machine tool
CN107199506A (zh) * 2017-06-05 2017-09-26 苏州微著设备诊断技术有限公司 一种基于栈式自编码器和支持向量机的磨削颤振检测方法
CN107378779A (zh) * 2017-06-29 2017-11-24 西安交通大学 一种基于主轴进给电机电流信号的磨削颤振检测方法
CN108356606A (zh) * 2018-03-19 2018-08-03 西北工业大学 基于小波包分析与rbf神经网络的刀具磨损在线监测方法
WO2021128576A1 (zh) * 2019-12-26 2021-07-01 大连理工大学 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111694320A (zh) * 2020-06-10 2020-09-22 大连理工大学 一种虑及颤振抑制的机床自适应控制方法
CN113761678A (zh) * 2021-08-17 2021-12-07 上海机床厂有限公司 一种外圆磨削颤振通用模型与稳定性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢锋云等: "《基于小波包－ BP 神经网络的切削颤振监测》", 《仪表技术与传感器》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195440A (zh) * 2023-11-08 2023-12-08 上海诺倬力机电科技有限公司 主轴系统结构优化方法、装置、设备及存储介质
CN117195440B (zh) * 2023-11-08 2024-01-30 上海诺倬力机电科技有限公司 主轴系统结构优化方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114378653B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
US12026625B2 (en) On-line prediction method of surface roughness of parts based on SDAE-DBN algorithm
Tran et al. Effective multi-sensor data fusion for chatter detection in milling process
CN111366123B (zh) 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法
CN111037365B (zh) 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111716150B (zh) 一种刀具状态智能监测的进化学习方法
Peng et al. A new method for the prediction of chatter stability lobes based on dynamic cutting force simulation model and support vector machine
CN109158953B (zh) 一种刀具磨损状态在线监测方法及系统
CN111687689A (zh) 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN110405537B (zh) 一种基于深度学习的导轨精度预测模型的建立方法
CN110059442A (zh) 一种基于零件表面粗糙度和功率信息的车削加工换刀方法
CN111136509B (zh) 一种基于elm-sdae算法的刀具状态监测方法
CN110561191B (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
CN111832432B (zh) 一种基于小波包分解和深度学习的刀具磨损实时预测方法
Liu et al. Online monitoring and measurements of tool wear for precision turning of stainless steel parts
CN112247673B (zh) 一种基于遗传bp神经网络的木工刀具磨损状态诊断方法
CN114619292A (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN114378653B (zh) 基于bp神经网络外圆磨削颤振在线识别和监测方法
CN110509186B (zh) 一种基于加工振动特征的机器人磨抛质量表征方法
CN110682159A (zh) 一种刀具磨损状态识别方法及装置
CN111126255A (zh) 基于深度学习回归算法的数控机床刀具磨损值预测方法
CN114297912A (zh) 基于深度学习的刀具磨损预测方法
CN115890366A (zh) 对轴承套圈内圆切入磨削加工早期颤振在线监测方法
CN111723765A (zh) 一种基于变分模态分解与改进型bp神经网络的微铣刀磨损监测方法
CN116423292A (zh) 一种综合能量比和幅值标准差的铣削颤振在线监测方法
Kuo et al. Study on bandwidth analyzed adaptive boosting machine tool chatter diagnosis system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant