[發明專利]麻花鉆磨損監測方法

在審

• 申請號: 201610042351.8
• 申請日: 2016-01-22
• 公開（公告）號: CN105563234A
• 公開（公告）日: 2016-05-11
• 發明（設計）人: 武建偉;羅維朗;鄭宣;金麗麗;鳳迎迎
• 申請（專利權）人: 浙江大學臺州研究院
• 主分類號: B23Q17/09
• 分類號: B23Q17/09
• 代理公司: 臺州市南方商標專利事務所(普通合伙) 33225
• 代理人: 郭建平

技術領域

本發明涉及機械切削加工工具的智能監測技術領域，特別涉及一種麻花鉆磨損監 測方法。

背景技術

在自動化機械切削加工生產線上，鉆孔動力頭的麻花鉆磨損會影響到工件的加工 質量和生產效率。現有的刀具磨損監測裝置中，對刀具磨損狀態的分類要么過于粗糙，要么 過于精細，過于粗糙時容易發生刀具因磨損而失效，造成被加工的工件尺寸偏差過大或者 停機，過于精細時提高了監測復雜性，實時性有所降低，監測存在一定的滯后性，監測結果 往往與刀具的實際磨損狀態不一致，導致刀具過渡磨損，進而影響工件的加工精度。

發明內容

本發明的目的是解決目前刀具磨損監測裝置對刀具磨損狀態的分類要么過于粗 糙，要么過于精細，造成被加工的工件尺寸偏差過大的技術問題。

為實現以上發明目的，本發明提供一種麻花鉆磨損監測方法，由主軸電機和進給 電機共同驅動所述麻花鉆進行工件切削，包括如下步驟：

（1）設定切削參數：設所述主軸電機的轉速為n；設當所述主軸電機轉動一圈時，所述進 給電機的進給量為f；

（2）當所述主軸電機和所述進給電機以步驟（1）中所述切削參數工作時，分別采集所述 麻花鉆的鉆頭在正常磨損、過度磨損和崩刃三種磨損狀態下的以下四個參數：所述麻花鉆 鉆頭的鉆削力、所述麻花鉆鉆頭的扭矩、所述主軸電機的電流和所述進給電機的電流；

（3）對步驟（2）所述四個參數按db4小波包進行三層小波包分解，得到8個頻帶能量譜， 取其中第2、3、4和5的四個頻段的能量譜作為特征值作為條件屬性，將所述麻花鉆的鉆頭的 所述三種磨損狀態作為決策屬性，建立決策表；

（4）將步驟（3）所述四個頻段的能量譜作為BP神經網絡的輸入向量，所述麻花鉆的鉆頭 的所述三種磨損狀態作為所述BP神經網絡的輸出向量，所述BP神經網絡的每組輸入向量和 輸出向量構成一組數據樣本，選取40組所述數據樣本對所述BP神經網絡進行訓練學習，以 確定所述BP神經網絡的各層神經元的系數；

（5）用訓練好的所述BP神經網絡對所述麻花鉆的鉆頭的磨損狀態進行預測。

進一步地，步驟（2）所述四個參數的采樣頻率為1kHz。

進一步地，步驟（2）所述麻花鉆鉆頭的鉆削力和所述麻花鉆鉆頭的扭矩由四分力 壓電式傳感器采集。

進一步地，步驟（2）所述主軸電機的電流和所述進給電機的電流由三相交流互感 器采集。

進一步地，所述BP神經網絡選擇3層，輸入神經元為4個節點，輸出神經元為1個節 點。

進一步地，通過逐步改變所述BP神經網絡的隱含層節點數來對BP神經網絡進行訓 練，將所述BP神經網絡的輸出誤差最小時對應的隱含層節點數確定為訓練后的所述BP神經 網絡的隱含層節點數。

進一步地，對所述BP神經網絡進行訓練學習的步驟如下：

（a）初始化權值及閾值為(-1,1)區間的隨機值；

（b）進入循環，計算隱含層各節點和輸出層各節點的輸入與輸出；

（c）計算隱含層和輸出層各節點的誤差；

（d）使用有自適應邏輯回歸的梯度下降法修正閾值；

（e）完成一個循環，判斷全局誤差是否小于指定值；若是，則退出循環，轉到步驟(f)；若 否，則返回步驟(b)；

（f）計算輸出層；

（g）訓練結束。

進一步地，用訓練好的所述BP神經網絡對所述麻花鉆的鉆頭磨損狀態進行預測 時，當所述BP神經網絡的輸出值在[0.5,1.499]范圍內時,則所述麻花鉆的鉆頭磨損狀態 為正常磨損；當所述BP神經網絡的輸出值在[1.5,2.499]范圍內時，則所述麻花鉆的鉆頭 磨損狀態為過度磨損；當所述BP神經網絡的輸出值在[2.5,3.499]范圍內時,則所述麻花 鉆的鉆頭磨損狀態為崩刃。

與現有技術相比，本發明的有益效果是：