论文部分内容阅读
数控导轨磨床是机床以及其它机械装备制造仪器的关键设备,属于高精密、大吨位的机床。对这类设备进行状态监测和故障诊断以保证设备安全运行具有重要现实意义和经济价值。磨床工作过程中的磨削颤振是磨床主机故障的主要表现形式之一,而机床的振动信号则是设备故障特征信号的载体,磨床出现颤振征兆时,大多会在机床振动信号中有所反映。故可以通过对磨床振动信号的监测实现磨床颤振的预报。磨床振动信号大多为非线性、非平稳的信号,传统的傅里叶分析并不能有效地反映振动信号的特征,经验模态分解方法具有优良的时频分析特性以及针对不同信号的自适应特性,可以有效地分析并提取非平稳的磨床颤振信号特征。实验以杭州杭机股份有限公司的KD4020X16数控动梁龙门导轨磨床为研究对象,对磨床在不同磨削参数情况下的振动状态进行试验测试。使用IEPE压电加速度传感器和配套的TST5912动态信号测试分析系统采集磨床的磨削振动信号,最后得到不同振动状态下的振动信号80组,其中46组平稳磨削信号以及34组颤振磨削信号。论文结合磨床的磨削机理以及振动特性,首先对上述实验采集到的磨床振动信号进行经验模态分解得到IMF分量,并通过基于相关系数的固有模态有效性检验方法排除虚假振动模式;然后提取对磨床颤振敏感的信号特征—实时方差以及瞬时能量,构造颤振特征向量;最后以BP神经网络作为磨床振动信号的分类器,于特征向量中随机选取不同振动状态的60组数据对BP网络进行训练,剩下的20组数据作为检验样本对训练好的网络进行测试。BP网络的测试结果表明,本论文所设计的基于EMD和ANN方法的颤振预报系统具有较好的识别率,同时也证明了BP神经网络技术用于磨床颤振识别的可行性。