[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

说明书

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。

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，