关键词:
机器人砂带磨削
声信号
Archard模型
遗传算法优化BP神经网络
摘要:
目的金字塔砂带连续磨损会引发钝峰、材料去除能力差和产热多等问题,为避免砂带磨损造成加工效率持续降低和工件表面质量逐渐恶化,需提高金字塔砂带磨损预测能力。方法在配有声音采集系统的力控机器人磨削系统中对钛合金工件进行了砂带磨损试验;基于Archard模型建立了金字塔砂带磨损模型,并对金字塔砂带磨损程度进行量化;然后利用短时傅里叶和小波包分解分析、提取砂带磨损相关的声音特征;基于声音信号特征建立GA-BP模型,并对金字塔砂带磨损状态进行预测。结果K_(r)与R_(0)规律相近,随着磨削速度的增大而略微增大。对磨削声音进行小波包分解,DD2频段的声音特征随磨削时间逐渐降低,相较于其他频段更具有规律性。提取DD2频段的声音信号特征建立GA-BP模型,并对金字塔砂带磨损状态进行预测。结果表明,决定系数(R^(2))大于0.8,平均绝对误差(MAE)小于0.04,平均偏差误差(MBE)在±0.002之间,均方误差(RMSE)小于0.05。结论随着砂带的磨损,金字塔尖锐的胞体开始磨平,单颗胞体的局部压力逐渐减小,材料去除能力减弱,产生的微振荡越来越弱,高频信号的声音特征逐渐下降。通过DD2频段声音信号特征建立的GA-BP模型对金字塔砂带磨损状态进行预测,具有准确性和稳定性。