首页|EMD和BPNN-GA在微铣刀磨损预测中的应用

EMD和BPNN-GA在微铣刀磨损预测中的应用

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
提高智能制造过程中微铣削刀具状态监测的精度和效率,提出了一种基于经验模态分解(Empirical Mode Decom-position,EMD)和 BP神经网 络-遗传算法(Back-Propagation Neural Networks-Genetic Algorithm,BPNN-GA)的微铣刀磨损预测方法.在此方法中,首先对微铣削振动信号进行EMD分解,提取各个IMF分量的均值、均方根、峭度、偏态作为微铣刀磨损特征.然后通过相关性分析选择与微铣刀磨损特征密切相关的特征,并选择相互之间相关度最小的几个特征作为微铣刀磨损特征,这样既保证了特征对于研究对象的灵敏度,又保证了特征之间的独立性,不会造成信息冗余.最后利用BPNN-GA模型进行特征分类,实现微铣刀磨损的预测.结果表明,本文提出的微铣刀磨损预测方法能够准确识别各种磨损状态,可以为其它刀具状态监测方法提供必要的理论基础和实践意义.
Application of EMD and BPNN-GA in Wear Prediction of Micro Milling Tool

王二化、郭伟、赵宇航、刘颉

展开 >

常州信息职业技术学院常州市高端制造装备智能化技术重点实验室,江苏 常州 213164

华中科技大学水电与数字化工程学院,湖北 武汉 430074

微铣刀 刀具磨损 经验模态分解 BP神经网络 遗传算法

国家重点基础研究发展计划(973计划)常州市高端制造装备智能化技术重点实验室项目江苏省高等学校"青蓝工程"中青年学术带头人项目常州信息职业技术学院"1+1+1"协同培育工程建设项目

2011CB706803CM20183004

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.(12)
  • 1
  • 1