[发明专利]基于BP神经网络外圆磨削颤振在线识别和监测方法

权利要求书

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；具体为：

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；

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；

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，采样率为f，频带总数为2^j个，第i个频带范围为分解层数越多，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：

式中和分别是第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：

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；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，根据柯尔莫哥洛夫定理，综合考虑泛化学习能力，确定隐含层神经元数目k＝2n+1；

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

x_k+1＝x_k-a_kg_k，

式子中g_k为表现函数的梯度；a_k为学习速率；x_k为权值阈值矩阵，在BP神经网络中，输入节点为x_n，隐层节点的输出为Z_k，输出节点为y_m；

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w_ij，i＝1，2…n,j＝1,2…k，阈值为θ_j；隐层节点与输出节点之间的网络权值为v_jl，阈值为θ_l，_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

输出节点的输出

输出节点的误差

式中：t₁为迭代时间；

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；

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。