基于小波神经网络的航空刀具磨损状态识别

被引：12

作者：

聂鹏

谌鑫

徐涛

孙宝林

机构：

[1] 沈阳航空航天大学机电工程学院

来源：

北京航空航天大学学报 | 2011年 / 01期

关键词：

航空加工; 刀具磨损; 小波神经网络; 状态识别;

D O I：

10.13700/j.bh.1001-5965.2011.01.026

中图分类号：

TP183 [人工神经网络与计算]; V261 [制造工艺过程及设备];

学科分类号：

摘要：

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT,Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10～150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别。

引用

页码：106 / 109

页数：4

共 7 条

[1] 基于小波神经网络航空发动机滑油系统故障诊断方法研究 [J].

张蓉 ;

谢武杰 .

航空制造技术, 2009, (06) :85-89

[2] 小波分析方法应用于故障诊断的研究 [J].

李艳兰 ;

蔚文杰 .

机械管理开发, 2007, (02) :40-41+43

[3] 一种新的声发射刀具磨损小波分析方法 [J].

陈晓智 ;

李蓓智 ;

杨建国 .

无损检测, 2007, (01) :12-15+35

[4] 基于小波-神经网络的电机振动故障诊断 [J].

吴桂峰 ;

翟玉庆 ;

陈虹 ;

曹卫 .

控制工程, 2004, (02) :152-154+176

[5]

MATLAB神经网络应用设计[M]. 机械工业出版社 , 张德丰等, 2009

[6] Fault detection using transient machine signals [J].

Timusk, Markus ;

Lipsett, Mike ;

Mechefske, Chris K. .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2008, 22 (07) :1724-1749

[7]

Monitoring of flank wear of coated tools in high speed machining with a neural network ART2[J] . Toshiyuki Obikawa,Jun Shinozuka.International Journal of Machine Tools and Manufacture . 2004 (12)

← 1 →