[发明专利]麻花钻磨损监测方法

说明书

技术领域

本发明涉及机械切削加工工具的智能监测技术领域，特别涉及一种麻花钻磨损监 测方法。

背景技术

在自动化机械切削加工生产线上，钻孔动力头的麻花钻磨损会影响到工件的加工 质量和生产效率。现有的刀具磨损监测装置中，对刀具磨损状态的分类要么过于粗糙，要么 过于精细，过于粗糙时容易发生刀具因磨损而失效，造成被加工的工件尺寸偏差过大或者 停机，过于精细时提高了监测复杂性，实时性有所降低，监测存在一定的滞后性，监测结果 往往与刀具的实际磨损状态不一致，导致刀具过渡磨损，进而影响工件的加工精度。

发明内容

本发明的目的是解决目前刀具磨损监测装置对刀具磨损状态的分类要么过于粗 糙，要么过于精细，造成被加工的工件尺寸偏差过大的技术问题。

为实现以上发明目的，本发明提供一种麻花钻磨损监测方法，由主轴电机和进给 电机共同驱动所述麻花钻进行工件切削，包括如下步骤：

（1）设定切削参数：设所述主轴电机的转速为n；设当所述主轴电机转动一圈时，所述进 给电机的进给量为f；

（2）当所述主轴电机和所述进给电机以步骤（1）中所述切削参数工作时，分别采集所述 麻花钻的钻头在正常磨损、过度磨损和崩刃三种磨损状态下的以下四个参数：所述麻花钻 钻头的钻削力、所述麻花钻钻头的扭矩、所述主轴电机的电流和所述进给电机的电流；

（3）对步骤（2）所述四个参数按db4小波包进行三层小波包分解，得到8个频带能量谱， 取其中第2、3、4和5的四个频段的能量谱作为特征值作为条件属性，将所述麻花钻的钻头的 所述三种磨损状态作为决策属性，建立决策表；

（4）将步骤（3）所述四个频段的能量谱作为BP神经网络的输入向量，所述麻花钻的钻头 的所述三种磨损状态作为所述BP神经网络的输出向量，所述BP神经网络的每组输入向量和 输出向量构成一组数据样本，选取40组所述数据样本对所述BP神经网络进行训练学习，以 确定所述BP神经网络的各层神经元的系数；

（5）用训练好的所述BP神经网络对所述麻花钻的钻头的磨损状态进行预测。

进一步地，步骤（2）所述四个参数的采样频率为1kHz。

进一步地，步骤（2）所述麻花钻钻头的钻削力和所述麻花钻钻头的扭矩由四分力 压电式传感器采集。

进一步地，步骤（2）所述主轴电机的电流和所述进给电机的电流由三相交流互感 器采集。

进一步地，所述BP神经网络选择3层，输入神经元为4个节点，输出神经元为1个节 点。

进一步地，通过逐步改变所述BP神经网络的隐含层节点数来对BP神经网络进行训 练，将所述BP神经网络的输出误差最小时对应的隐含层节点数确定为训练后的所述BP神经 网络的隐含层节点数。

进一步地，对所述BP神经网络进行训练学习的步骤如下：

（a）初始化权值及阈值为(-1,1)区间的随机值；

（b）进入循环，计算隐含层各节点和输出层各节点的输入与输出；

（c）计算隐含层和输出层各节点的误差；

（d）使用有自适应逻辑回归的梯度下降法修正阈值；

（e）完成一个循环，判断全局误差是否小于指定值；若是，则退出循环，转到步骤(f)；若 否，则返回步骤(b)；

（f）计算输出层；

（g）训练结束。

进一步地，用训练好的所述BP神经网络对所述麻花钻的钻头磨损状态进行预测 时，当所述BP神经网络的输出值在[0.5,1.499]范围内时,则所述麻花钻的钻头磨损状态 为正常磨损；当所述BP神经网络的输出值在[1.5,2.499]范围内时，则所述麻花钻的钻头 磨损状态为过度磨损；当所述BP神经网络的输出值在[2.5,3.499]范围内时,则所述麻花 钻的钻头磨损状态为崩刃。

与现有技术相比，本发明的有益效果是：