CN 41-1243/TG ISSN 1006-852X

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于BP神经网络的外圆磨削颤振在线识别和监测方法

朱欢欢 李厚佳 张梦梦 谭绍东 迟玉伦

朱欢欢, 李厚佳, 张梦梦, 谭绍东, 迟玉伦. 基于BP神经网络的外圆磨削颤振在线识别和监测方法[J]. 金刚石与磨料磨具工程, 2022, 42(1): 104-111. doi: 10.13394/j.cnki.jgszz.2021.0097
引用本文: 朱欢欢, 李厚佳, 张梦梦, 谭绍东, 迟玉伦. 基于BP神经网络的外圆磨削颤振在线识别和监测方法[J]. 金刚石与磨料磨具工程, 2022, 42(1): 104-111. doi: 10.13394/j.cnki.jgszz.2021.0097
ZHU Huanhuan, LI Houjia, ZHANG Mengmeng, TAN Shaodong, CHI Yulun. On-line identification and monitoring method for external grinding flutter based on BP neural network[J]. Diamond &Abrasives Engineering, 2022, 42(1): 104-111. doi: 10.13394/j.cnki.jgszz.2021.0097
Citation: ZHU Huanhuan, LI Houjia, ZHANG Mengmeng, TAN Shaodong, CHI Yulun. On-line identification and monitoring method for external grinding flutter based on BP neural network[J]. Diamond &Abrasives Engineering, 2022, 42(1): 104-111. doi: 10.13394/j.cnki.jgszz.2021.0097

基于BP神经网络的外圆磨削颤振在线识别和监测方法

doi: 10.13394/j.cnki.jgszz.2021.0097
详细信息
    通讯作者:

    朱欢欢,女,1984年生,实验师。主要研究方向:机械结构仿真,机械制造技术等。Email: zhuhuanhuan315@126.com

  • 中图分类号: TG581+.1

On-line identification and monitoring method for external grinding flutter based on BP neural network

  • 摘要: 为提高机床磨削加工过程中对颤振现象识别的能力,提出一种基于BP(back propagation)神经网络模型的颤振识别方法。通过对加工过程中传感器采集到的高频声发射信号以及振动信号相关特征值的提取,获得关于颤振的多特征参数样本库,并用其对BP神经网络模型进行学习和训练,建立BP神经网络在线识别颤振的算法模型,实现对机床加工过程中是否发生颤振的在线监测和识别。试验结果表明:这种基于BP神经网络模型的颤振识别测试结果与磨削加工试验中的磨削颤振现象结果相符合。该方法能够有效地识别磨削加工过程中的颤振,并起到在线监测识别的作用。

     

  • 图  1  动态切削厚度产生示意图

    Figure  1.  Dynamic cutting thickness generation diagram

    图  2  状态监测框架

    Figure  2.  Condition monitoring framework

    图  3  小波包变换示意图

    Figure  3.  Wavelet packet transform diagram

    图  4  BP神经网络结构

    Figure  4.  BP neural network structure

    图  5  BP神经网络训练过程

    Figure  5.  BP neural network training process

    图  6  试验现场图

    Figure  6.  Experiment site map

    图  7  试验测试流程简图

    Figure  7.  Experimental test flow diagram

    图  8  低速加工AE信号能量占比

    Figure  8.  Low-speed processing AE signal energy ratio

    图  9  高速加工AE信号能量占比

    Figure  9.  High-speed processing AE signal energy ratio

    图  10  x方向振动传感器信号

    Figure  10.  x-direction vibration sensor signal

    图  11  y方向振动传感器信号

    Figure  11.  y-direction vibration sensor signal

    图  12  z方向振动传感器信号

    Figure  12.  z-direction vibration sensor signal

    图  13  BP神经网络训练模型

    Figure  13.  BP neural network training model

    图  14  BP神经网络训练过程

    Figure  14.  BP neural network training process

    图  15  BP神经网络颤振识别结果图

    Figure  15.  BP neural network chatter recognition result graph

    表  1  时域特征参数计算公式

    Table  1.   Calculation formula of time domain characteristic parameter

    参数计算公式参数计算公式
    标准差$\sigma {\text{ = }}\sqrt {\dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} } $方差${\sigma^2} = \dfrac{1}{{n - 1}}\displaystyle\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} $
    极差$R = {x_{\max }} - {x_{\min }}$均方根${X_{RMS}} = \sqrt {\left(\dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {x_i^2} \right)} $
    均值$\bar x = \dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{x_i}} $偏态系数
    $C_{\rm s} = \dfrac{{\dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^3}} }}{{{{\left(\dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} \right)}^{\textstyle\frac{3}{2}}}}}$
    峰值${X_{\text{p}}} = \max \left| {x(n)} \right|$峰值
    因子
    $C = \dfrac{{{X_P}}}{{\sqrt {\left(\dfrac{1}{n}\displaystyle\sum\limits_{i = 1}^n {x_i^2} \right)} }}$
    下载: 导出CSV

    表  2  工件磨削AE频谱能量分布占比

    Table  2.   AE spectrum energy distribution occupation of workpiece grinding

    节点低速时能量占比 η1 / %高速时能量占比 η2 / %
    1 77.127 7 36.612 5
    2 2.842 3 27.440 2
    3 5.690 3 9.365 1
    4 1.766 0 4.963 5
    5 2.751 3 4.787 6
    6 2.292 2 3.981 8
    7 5.201 5 8.793 2
    8 2.328 7 4.056 1
    下载: 导出CSV

    表  3  高频声发射小波包能量占比(高速)

    Table  3.   High frequency acoustic emission wavelet packet energy ratio (high speed)


    序号
    能量占比 η3 / %
    现象
    节点1节点2节点3
    1 36.6 22.0 10.5 有颤振
    2 34.3 21.9 11.1 有颤振
    3 30.9 13.8 14.7 有颤振
    ··· ··· ··· ··· ···
    78 36.1 21.9 10.3 有颤振
    79 35.3 21.8 10.5 有颤振
    80 29.7 14.3 14.3 有颤振
    下载: 导出CSV

    表  4  高频声发射小波包能量占比(低速)

    Table  4.   High frequency acoustic emission wavelet packet energy ratio (high speed)


    序号
    能量占比 η4 / %
    现象
    节点1节点2节点3
    178.51.785.33无颤振
    278.02.005.40无颤振
    378.51.815.30无颤振
    ··· ··· ··· ··· ···
    7878.21.575.47无颤振
    7978.01.655.55无颤振
    8077.71.875.56无颤振
    下载: 导出CSV

    表  5  三向振动信号特征值提取

    Table  5.   Eigenvalue extraction of three-way vibration signal

    序号x轴振动信号
    均方根XRMS
    y轴振动信号
    偏态系数$Cs$
    z轴振动信号
    标准差$\sigma $
    现象
    10.022 80.005 60.021 6有颤振
    20.021 40.030 50.017 3有颤振
    30.019 6−0.082 70.014 9有颤振
    ··· ··· ··· ··· ···
    1580.141 80.035 90.012 1无颤振
    1590.141 70.087 00.011 7无颤振
    1600.141 8−0.011 00.011 8无颤振
    下载: 导出CSV

    表  6  预测结果数据

    Table  6.   Forecast result data

    序号真实值预测值算法误差现象预测结果
    1 2.000 0 1.991 5 0.42% 无颤振 正确
    2 1.000 0 1.001 2 0.12% 有颤振 正确
    3 2.000 0 1.992 8 0.36% 无颤振 正确
    4 1.000 0 1.008 0 0.80% 有颤振 正确
    5 2.000 0 1.992 3 0.39% 无颤振 正确
    6 1.000 0 0.994 6 0.54% 有颤振 正确
    7 1.000 0 1.005 4 0.54% 有颤振 正确
    8 2.000 0 1.992 6 0.37% 无颤振 正确
    9 2.000 0 1.982 9 0.85% 无颤振 正确
    10 2.000 0 1.990 5 0.47% 无颤振 正确
    下载: 导出CSV
  • [1] MUNOA J, BEUDAERT X, DOMBOVVARIZ, et al. Chatter suppression techniques in metal cutting [J]. CIRP Annals-Manufacturing Technology,2016,65(2):785-808. doi: 10.1016/j.cirp.2016.06.004
    [2] 江卓达, 何永义. 磨削颤振特性研究进展 [J]. 制造技术与机床, 2012(9): 35-42.

    JIANG Zhuoda, HE YongYi. Advances of research on the character of grinding chatter [J]. Manufacturing Technology and Machine Tools, 2012(9): 35-42.
    [3] 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.

    YU Junyi, ZHOU Xiaoqin. Predictive control of cutting chatter [J]. China Mechanical Engineering, 1999, 10(9): 1028-1032.
    [4] 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(3): 81-85.

    KONG Fansen, YU Junyi, GOU Zhijian. Fuzzy identification of flutter state [J]. Journal of Vibration Engineering, 1998(3): 81-85.
    [5] 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, 2015(20): 1-8.

    QIAN Shicai, SUN Yuxin, XIONG Zhenhua. Support vector machine based online intelligent chatter detection [J]. Journal of Mechanical Engineering, 2015(20): 1-8.
    [6] 吕长飞, 吴小玉, 王茵, 等. 外圆磨削颤振监测方法设计 [J]. 机床与液压, 2019, 47(8): 166-168, 66.

    LYU Changfei, WU Xiaoyu, WANG Yin, et al. Design of chatter detection in external cylindrical grinding [J]. Machine Tools and Hydraulics, 2019, 47(8): 166-168, 66.
    [7] KULJANIC E, TOTIS G, SORTINO M. Development of an intelligent multisensor chatter detection system in milling [J]. Mechanical Systems and Signal Processing,2009,23(5):1704-1718. doi: 10.1016/j.ymssp.2009.01.003
    [8] 黄强, 张根保, 张新玉. 对再生型切削颤振模型的试验分析 [J]. 振动工程学报, 2008, 21(6): 547-552.

    HUANG Qiang, ZHANG Genbao, ZHANG Xinyu. Experimental analysis on regenerative chatter model [J]. Journal of Vibration Engineering, 2008, 21(6): 547-552.
    [9] 王海龙. 机床颤振分析及抑制方法研究 [D]. 哈尔滨: 哈尔滨工程大学, 2013.

    WANG Hailong. Research on chatter analysis and suppression method of machine tool [D]. Harbin: Harbin Engineering University, 2013.
    [10] 李泽阳, 郑飂默, 李备备, 等. 基于改进BP神经网络的机床温度预警 [J]. 组合机床与自动化加工技术, 2021(9): 81-84, 89.

    LI Zeyang, ZHENG Liaomo, LI Beibe, et al. Temperature warning of machine tool based on improved BP neural network [J]. Modular Machine Tool and Automatic Machining Technology, 22021(9): 81-84, 89.
    [11] 谢峰云, 曹青松, 黄志刚. 基于小波包-BP神经网络的切削颤振监测 [J]. 仪表仪器与传感器, 2015(10): 88-90.

    XIE Fengyun, CAO Qingsong, HUANG Zhigang. Chatter monitoring based on wavelet packet and BP neural network [J]. Instruments and Sensors, 2015(10): 88-90.
    [12] 张强, 刘志恒, 王海舰, 等. 基于BP神经网络的截齿磨损程度在线监测 [J]. 中国机械工程, 2017, 28(9): 1062-1068.

    ZHANG Qiang, LIU Zhiheng, WANG Haijian, et al. On-line monitoring of pick’s wear degrees based on BP neural network [J]. China Mechanical Engineering, 2017, 28(9): 1062-1068.
    [13] 侯智, 曾杰. 基于BP神经网络的轴承套圈沟道磨削粗糙度识别 [J]. 机械设计与研究, 2019, 35(3): 119-122.

    HOU Zhi, ZENG Jie. Roughness identification of bearing ring groove grinding based on bp neural network [J]. Mechanical Design and Research, 2019, 35(3): 119-122.
    [14] 谢锋云, 江炜文, 陈红年, 等. 基于广义BP神经网络的切削颤振识别研究 [J]. 振动与冲击, 2018, 37(5): 65-70, 78.

    XIE Fengyun, JIANG Weiwen, CHEN Hongnian, et al. Cutting chatter recognition based on generalized BP neural network [J]. Vibration and Shock, 2018, 37(5): 65-70, 78.
  • 加载中
图(15) / 表(6)
计量
  • 文章访问数:  353
  • HTML全文浏览量:  45
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 录用日期:  2021-10-18
  • 收稿日期:  2021-08-11
  • 修回日期:  2021-09-21

目录

    /

    返回文章
    返回