基于主轴电机电流信号的表面粗糙度检测

针对表面粗糙度不能及时检测造成的工件浪费问题,首次提出根据主轴电机电流信号进行表面粗糙度检测分类。通过实验采集不同表面粗糙度加工时的主轴电机电流信号,采用小波包分解将电流信号分解成不同频段,借助能量特征和裕度因子对不同频段电流信号进行评估,过滤低相关性频段,再通过随机森林筛选特征,降低特征的冗余性。总谐波失真特征实现了积屑瘤检测,仅依赖构建的电流信号特征工程表面粗糙度检测准确率高达95%以上,并且检测时间在2 s以内,基本实现了工件表面粗糙度的快速准确检测。

基于SSA-BP算法的刀具破损状态在机识别技术

刀具的破损状态对机床的加工精度和加工表面质量有着重要的影响,若破损后未及时停机更换新刀,则会造成工件报废、机床损坏等严重后果。本文针对主轴电流信号,采用一种改进后的麻雀搜索优化BP神经网络算法(SSA-BP),对BP神经网络的权值和阈值进行优化,并对刀具破损状态进行识别。与传统BP神经网络和基于遗传算法优化的BP神经网络(GA-BP)相比,改进后的SSA-BP算法分类精度更高,耗费时间更短,神经网络稳定性更好,更适用于刀具破损状态的判断。