基于BP神經(jīng)網(wǎng)絡(luò)的截齒磨損程度在線監(jiān)測

張 強(qiáng) 劉志恒 王海艦 黃傳輝 阮越宣

1.遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院，阜新，1230002.大連理工大學(xué)工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室，大連，1160233.四川理工學(xué)院材料腐蝕與防護(hù)四川省重點(diǎn)實(shí)驗(yàn)室，自貢，6430004.徐州工程學(xué)院機(jī)電工程學(xué)院，徐州，221111

基于BP神經(jīng)網(wǎng)絡(luò)的截齒磨損程度在線監(jiān)測

張 強(qiáng)1,2,3劉志恒1,4王海艦1黃傳輝4阮越宣1

1.遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院，阜新，1230002.大連理工大學(xué)工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室，大連，1160233.四川理工學(xué)院材料腐蝕與防護(hù)四川省重點(diǎn)實(shí)驗(yàn)室，自貢，6430004.徐州工程學(xué)院機(jī)電工程學(xué)院，徐州，221111

為實(shí)現(xiàn)截齒截割過程中磨損程度的實(shí)時精準(zhǔn)在線監(jiān)測，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的截齒磨損程度多特征信號融合的檢測方法。通過提取截割過程中不同磨損程度截齒的三向振動信號、紅外溫度信號和電流信號，建立了不同磨損程度截齒的多特征信號樣本數(shù)據(jù)庫，采用多特征信號樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，建立截齒磨損程度的識別模型，實(shí)現(xiàn)截齒磨損程度在線監(jiān)測與精確識別。實(shí)驗(yàn)結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的截齒磨損程度監(jiān)測系統(tǒng)，網(wǎng)絡(luò)判別結(jié)果和測試樣本的實(shí)際磨損程度類別相符，該BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠?qū)佚X磨損程度類型進(jìn)行準(zhǔn)確的監(jiān)測和識別。

截齒；磨損程度；三向振動；在線監(jiān)測

0 引言

截齒是在煤礦開采、巷道掘進(jìn)以及隧道建設(shè)等工程中采掘機(jī)械進(jìn)行破巖落煤的刀具[1-2]。由于井下開采條件復(fù)雜惡劣，截齒在破碎煤巖的過程中不僅要承受較大的壓應(yīng)力、剪切應(yīng)力以及摩擦力，而且要承受復(fù)雜多變的沖擊載荷以及煤巖的腐蝕作用，以上影響因素均會加速截齒的磨損。截齒作為采煤機(jī)截割過程中的重要零部件，其磨損程度直接影響相關(guān)機(jī)械設(shè)備關(guān)鍵部件的可靠性，并且對采煤機(jī)的截割性能、采煤效率及工作過程的平穩(wěn)性也會產(chǎn)生影響[3-4]。截齒的主要磨損形式為磨粒磨損和熱疲勞磨損，據(jù)不完全統(tǒng)計，截齒的失效形式中磨損失效的比例高達(dá)75%～90%[5],因此，針對采煤機(jī)截齒磨損程度進(jìn)行在線監(jiān)測和識別研究具有實(shí)際意義。

近年來，學(xué)者們針對截齒磨損進(jìn)行了一系列研究。王雁翔等[6]對鎬形截齒磨損形式進(jìn)行分析，得到鎬形截齒截割夾矸煤巖的磨損機(jī)制。劉春生等[7]利用ABAQUS軟件對截齒進(jìn)行熱力耦合分析，得到截齒磨損與齒尖錐角的關(guān)系。姚繼權(quán)等[8]利用ANSYS軟件模擬截齒實(shí)際工況，進(jìn)行力學(xué)、模態(tài)和熱力學(xué)分析，得出該型截齒在工作時刀頭部分的應(yīng)力、應(yīng)變最大，受溫度影響也最大的結(jié)論。張景異等[9]利用MATLAB處理截齒磨損圖像，并結(jié)合統(tǒng)計學(xué)的方法對截齒磨損率進(jìn)行研究。張大偉等[10]利用三維圖像重構(gòu)技術(shù)對截齒磨損率進(jìn)行分析和研究。鄔黔鳳等[11]利用Workbench建立截齒的有限元模型對截齒結(jié)構(gòu)進(jìn)行優(yōu)化，得到了更加合理的鎬形截齒結(jié)構(gòu)。以上針對截齒磨損的研究主要側(cè)重于軟件仿真以及磨損機(jī)理等方面，并沒有實(shí)現(xiàn)截齒截割過程中對截齒磨損程度的實(shí)時在線監(jiān)測。針對這一瓶頸，筆者提出了一種基于BP神經(jīng)網(wǎng)絡(luò)多特征信息融合的截齒磨損程度在線監(jiān)測方法，通過對截割過程中截齒的多傳感特征信息的提取、識別以及神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練，實(shí)現(xiàn)截齒截割過程中磨損程度的實(shí)時動態(tài)監(jiān)測和識別，獲取采煤機(jī)截齒的當(dāng)前磨損程度類型，為最佳截齒更換周期提供準(zhǔn)確依據(jù)。

1 截齒磨損機(jī)理

1.1 磨粒磨損

在截割煤巖過程中截齒磨損不可避免，根據(jù)磨損理論，煤巖對金屬的磨損屬于磨料磨損。在截割過程中煤或巖層中的硬質(zhì)物可被看作磨粒，磨粒與截齒表面間產(chǎn)生較大的壓應(yīng)力，帶有銳利棱角并具有合適迎角的磨粒對截齒表面產(chǎn)生切削力，在截齒表面形成顯微切削；如果磨粒不夠尖銳或刺入截齒表面角度不適當(dāng)，則在截齒表面擠出犁溝，隨著截齒工作時間的延長，磨粒反復(fù)對截齒表面推擠，產(chǎn)生嚴(yán)重的塑性變形流動，使得表面下層金屬發(fā)生相互作用，導(dǎo)致塑變區(qū)內(nèi)位錯密度增大，變形材料表面產(chǎn)生裂紋并加速裂紋擴(kuò)展，在截齒表面形成薄片狀磨屑[12-13]。因?yàn)槟チ佚X產(chǎn)生較大的切削力和擠壓力，會引起采煤機(jī)截齒截割過程中的振動變化，所以選取截齒三向振動信號作為特征信號。磨損的截齒截割煤巖過程中需要克服更大的阻力，從而引起截割電機(jī)電流的變化，因此,選用電流信號作為特征信號。

1.2 熱疲勞磨損

截齒在工作過程中受到間歇性載荷沖擊，在循環(huán)應(yīng)力的作用下，會發(fā)生疲勞磨損。截齒在截割煤巖時，磨損導(dǎo)致截齒表面產(chǎn)生大量摩擦熱，表層溫升可達(dá)600～800 ℃。由于截齒截割煤巖是周期性的回轉(zhuǎn)運(yùn)動，故溫升交替，溫升的交替作用使截齒產(chǎn)生高溫回火，其組織一般為回火索氏體和鐵素體，使截齒硬度下降50%，硬度的快速降低會加快截齒的磨損[14-15]。溫升導(dǎo)致截齒表層材料的軟化，塑性變形和位錯密度增大，形成裂紋或空穴。當(dāng)裂紋在一定深度形成后，一般在平行于表面的方向擴(kuò)展，裂紋每經(jīng)受一次循環(huán)應(yīng)力的作用，就會在同樣的深度向前進(jìn)行擴(kuò)展，當(dāng)裂紋擴(kuò)展到臨界尺寸后，裂紋與表面之間的材料將以片狀的形式剝落下來形成磨屑。截齒截割過程中沖擊載荷和摩擦熱都會引起截齒的溫度變化，不同磨損程度截齒截割過程中的紅外溫度也會有明顯變化，因此，選取截齒紅外溫度信號作為特征信號。

2 截齒磨損程度多特征信號測試與提取

2.1 截齒截割特征信號分析

采煤機(jī)截割頭在截割煤巖過程中各截齒所受的截割阻力可看作滾筒在x、y、z三個軸向上的分力，采煤機(jī)滾筒在截割過程中的振動形式與其截割阻力的方向一致，包括橫向振動(x方向)、縱向振動(y方向)和軸向振動(z方向)三種[16-17]，如圖1所示。

圖1 采煤機(jī)截割振動示意圖Fig.1 Schematic diagram of shearer’s cutting vibration

為了實(shí)現(xiàn)截齒磨損程度監(jiān)測和識別，建立截齒磨損程度與測試特征信號之間的關(guān)聯(lián)樣本庫。首先獲取新截齒截割過程中x、y、z軸振動信號、紅外溫度信號以及電流信號，測試時將三向振動信號采集模塊安裝在采煤機(jī)滾筒端搖臂上，測得三向振動曲線如圖2所示。電參數(shù)采集模塊安裝在采煤機(jī)電機(jī)三相電進(jìn)線端處，電流數(shù)據(jù)通過數(shù)據(jù)總線傳輸給系統(tǒng)，測得電流曲線如圖3所示。采用高熱靈敏度檢測專家型紅外熱像儀對截齒紅外溫度信號進(jìn)行采集，測得截齒紅外熱圖像如圖4所示。用上述方法再依次獲取中等磨損、中大磨損、嚴(yán)重磨損、截齒失效等狀態(tài)下的特征信號樣本，不作贅述。

(a)x方向振動曲線

(b)y方向振動曲線

(c)z方向振動曲線圖2 截齒x、y、z三向振動曲線Fig.2 Pick’s x、y、z three direction vibration curves

圖3 電機(jī)電流曲線Fig.3 Motor’s current curve

圖4 截齒截割紅外熱圖像Fig.4 Pick’s infrared thermal image

2.2 多截割信號特征樣本庫

測試截割過程中不同磨損程度截齒的特征信號，并定義不同磨損程度的語言描述：{新齒、中等磨損、中大磨損、嚴(yán)重磨損、截齒失效}，將以上變量定義為如下集合：{A1、A2、A3、A4、A5}，分別對上述五種磨損狀態(tài)下截齒截割煤巖過程中的x、y、z軸振動信號、紅外溫度信號以及電流信號進(jìn)行測試,建立各特征信號的樣本數(shù)據(jù)庫，通過分析得到各特征信號的典型特征樣本值，見表1～表5。

表1 x軸振動特征樣本值Tab.1 Sample value of x-axis vibration characteristics mm

表2 y軸振動特征樣本值Tab.2 Sample value of y-axis vibration characteristics mm

表3 z軸振動特征樣本值Tab.3 Sample value of z-axis vibration characteristics mm

表4 截齒截割溫度特征樣本值Tab.4 Sample values of pick’s cutting temperature characteristics ℃

表5 截齒截割電流特征樣本值Tab.5 Sample values of pick’s current characteristics A

3 基于BP神經(jīng)網(wǎng)絡(luò)的截齒磨損程度識別模型

3.1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意的連續(xù)函數(shù)。Hecht-Nielsen證明，具有1個隱藏層的3層前饋型網(wǎng)絡(luò)可以逼近任何多變量函數(shù)，故本文采用3層BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)截齒磨損程度的識別和監(jiān)測。

圖5所示為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。選擇截齒截割過程中的特征信號為三向振動信號Ax、Ay、

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 BP neural network structure

Az，截齒紅外溫度信號和電流信號，故BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)設(shè)置u個神經(jīng)元(u=5)；輸出層為截齒的磨損程度狀態(tài)，包括新齒、中等磨損、中大磨損、嚴(yán)重磨損、截齒失效五種狀態(tài)，故輸出層設(shè)置v個神經(jīng)元(v=5);最后根據(jù)Kolmogorov定理，綜合考慮網(wǎng)絡(luò)的學(xué)習(xí)速度和泛化能力，按照通用的經(jīng)驗(yàn)公式確定隱含層神經(jīng)元數(shù)目k(k=2u+1=11)，故隱含層神經(jīng)元數(shù)目為11個。

3.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法

BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則如下：對網(wǎng)絡(luò)權(quán)值和閾值的修正，要沿著表現(xiàn)函數(shù)下降最快的方向(負(fù)梯度方向)，即

xk+1=xk-akgk

(1)

式中，xk為當(dāng)前權(quán)值和閾值矩陣；gk為當(dāng)前表現(xiàn)函數(shù)的梯度；ak為學(xué)習(xí)速率。

上述三層BP網(wǎng)絡(luò)，輸入節(jié)點(diǎn)的輸入為xn，隱層節(jié)點(diǎn)的輸出為zk，輸出節(jié)點(diǎn)的輸出為ym，本文中BP網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)的輸入節(jié)點(diǎn)數(shù)為5，隱層節(jié)點(diǎn)數(shù)為11，輸出節(jié)點(diǎn)數(shù)為5。其中，輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wij(i=1,2,…,n，j=1,2, …,k)、閾值為θj；隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為vjl、閾值為θl，l=1,2, …,m。當(dāng)輸出節(jié)點(diǎn)的期望為t1時，模型的計算公式如下。隱層節(jié)點(diǎn)的輸出

(2)

輸出節(jié)點(diǎn)的計算輸出

(3)

輸出節(jié)點(diǎn)的誤差

(4)

3.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

由于BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出信號是非線性的映射關(guān)系，初始權(quán)值與訓(xùn)練能否達(dá)到局部最小或訓(xùn)練是否能夠收斂有很大關(guān)系，因此，初始權(quán)值應(yīng)選為均勻分布的小數(shù)經(jīng)驗(yàn)值，取初始化網(wǎng)絡(luò)權(quán)系數(shù)在[0,1]之間的隨機(jī)數(shù)。利用MATLAB的網(wǎng)絡(luò)仿真函數(shù)sim( )[18]進(jìn)一步對上述神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真與計算，即

y=sim(pnet,x)

(5)

x=[x1x2…x5]T

其中，pnet為神經(jīng)網(wǎng)絡(luò)設(shè)定參數(shù)；x為輸入變量，x1,x2,…,x5分別代表截齒的三向振動信號、電機(jī)電流信號和截齒紅外溫度信號，截齒磨損程度的BP網(wǎng)絡(luò)預(yù)測輸出層的識別結(jié)果為y1,y2,…,y5，當(dāng)輸出值為[0 0 0 0 1]，[0 0 0 1 0]，[0 0 1 0 0]，[0 1 0 0 0]，[1 0 0 0 0]時，對應(yīng)識別結(jié)果分別為新截齒、中等磨損截齒、中大磨損截齒、嚴(yán)重磨損截齒和失效截齒。圖6所示為截齒磨損程度神經(jīng)網(wǎng)絡(luò)特征信號融合模型。

圖6 截齒磨損程度神經(jīng)網(wǎng)絡(luò)特征信號融合模型Fig.6 Neural network characteristic signal fusion model of pick’s wear degree

BP網(wǎng)絡(luò)的隱含層和輸出層神經(jīng)元激活函數(shù)采用Sigmoid函數(shù)，它可以將整個BP網(wǎng)絡(luò)的輸出限制在[0,1]范圍之內(nèi)，與網(wǎng)絡(luò)的輸出目標(biāo)0或1接近，方便對輸出結(jié)果進(jìn)行判斷。在MATLAB軟件中用BP網(wǎng)絡(luò)模型的編程指令來實(shí)現(xiàn)網(wǎng)絡(luò)的建模，選取隱含層的傳遞函數(shù)為tansig函數(shù)，輸出層的傳遞函數(shù)為logsig函數(shù)。

在MATLAB中對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前應(yīng)先對參數(shù)進(jìn)行設(shè)置。網(wǎng)絡(luò)權(quán)系數(shù)在[0,1]之間，設(shè)置訓(xùn)練步長為1，訓(xùn)練步數(shù)為2000，訓(xùn)練誤差為0.0001，剩余參數(shù)采用軟件系統(tǒng)默認(rèn)值。經(jīng)過訓(xùn)練的函數(shù)執(zhí)行后，訓(xùn)練結(jié)果如圖7所示?？梢钥闯觯?0步已經(jīng)滿足誤差目標(biāo)要求，若網(wǎng)絡(luò)的

圖7 神經(jīng)網(wǎng)絡(luò)誤差性能曲線圖Fig.7 Neural network error performance curve

學(xué)習(xí)誤差為10-4，則將輸入樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)在第60步能夠收斂到所要求的精度。

4 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)截齒磨損程度在線監(jiān)測系統(tǒng)的精確性與可靠性，對已知磨損程度截齒進(jìn)行截割實(shí)驗(yàn)，實(shí)驗(yàn)截齒采用神東天隆公司生產(chǎn)的U85型截齒，三向振動傳感器采用ZXD-YB一體化振動變送器，量程為0～20mm/s，誤差精度為±1%；溫度信號的檢測采用德國英福泰克公司生產(chǎn)的VCiET780型高熱靈敏度檢測專家型紅外熱像儀，光譜范圍為7.5～14μm，熱靈敏度可達(dá)0.03 ℃；電流傳感器采用HNC005D電流傳感器，測量量程為0～5A，誤差精度為±0.5%；采集系統(tǒng)采用SIRIUSRACK8數(shù)據(jù)采集系統(tǒng)[19]。實(shí)測實(shí)驗(yàn)現(xiàn)場如圖8所示。

圖8 截齒磨損程度監(jiān)測實(shí)驗(yàn)臺Fig.8 Cutting wear degree monitoring experimental bench

將截齒5種不同磨損狀態(tài)下的2組檢驗(yàn)樣本輸入已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行截齒磨損程度的驗(yàn)證分析，其網(wǎng)絡(luò)目標(biāo)和網(wǎng)絡(luò)實(shí)際輸出的結(jié)果見表6。從表6可看出，這10組用于驗(yàn)證的樣本能夠非常準(zhǔn)確地被識別出來，BP神經(jīng)網(wǎng)絡(luò)的識別效果良好。

表6中，序號1、2截齒磨損狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)輸出識別結(jié)果接近[0 0 0 0 1]，因此判定為新截齒；序號3、4截齒磨損狀態(tài)輸出結(jié)果接近[0 0 0 1 0]，判定截齒磨損程度為中等磨損；序號5、6截齒磨損狀態(tài)輸出結(jié)果接近[0 0 1 0 0]，判定為中大磨損截齒；序號7、8截齒磨損狀態(tài)輸出結(jié)果接近[0 1 0 0 0]，判定為磨損程度為嚴(yán)重磨損；序號9、10截齒狀態(tài)輸出結(jié)果接近[1 0 0 0 0]，判定為失效截齒。輸出結(jié)果證明，基于BP神經(jīng)網(wǎng)絡(luò)的判別結(jié)果和測試樣本的實(shí)際輸出磨損狀態(tài)類別相符,因此，本文建立的BP神經(jīng)網(wǎng)絡(luò)能夠?qū)佚X磨損程度類型進(jìn)行準(zhǔn)確識別。

表6 截齒磨損程度識別結(jié)果Tab.6 Recognition results of pick’s wear degree

5 結(jié)論

基于BP神經(jīng)網(wǎng)絡(luò)的多特征信號融合技術(shù)是一種截齒磨損程度在線監(jiān)測識別的有效方法。利用BP神經(jīng)網(wǎng)絡(luò)對不同磨損程度截齒截割過程中的三向振動特征信號、電流特征信號和紅外溫度信號樣本進(jìn)行學(xué)習(xí)和訓(xùn)練，從而實(shí)現(xiàn)截齒磨損程度的監(jiān)測和識別。檢驗(yàn)樣本結(jié)果證明，BP神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確識別截齒磨損程度，為最佳截齒更換周期提供了參考，具有實(shí)際的應(yīng)用價值。

[1] 孫方紅,馬壯,董世知.礦用截齒表面強(qiáng)化技術(shù)[J].金屬熱處理,2011,36(11):99-102. SUN Fanghong, MA Zhuang, DONG Shizhi. Surface Strengthening of Mining Pick[J].Metal Heat Treatment,2011,36(11):99-102.

[2] 付林,杜長龍,劉送永,等.螺旋鉆采煤機(jī)鉆頭截齒載荷特性研究[J].中國機(jī)械工程,2013,24(15):2020-2024. FU Lin, DU Changlong, LIU Songyong, et al. Research on the Load Characteristics of the Spiral Drill Bit of the Shearer[J]. China Mechanical Engineering,2013,24(15):2020-2024.

[3] 吳虎城,黃孝龍.采煤機(jī)截齒的失效分析及改進(jìn)措施[J]. 煤礦機(jī)械,2013,34(5):200-201. WU Hucheng, HUANG Xiaolong. Failure Analysis and Improvement Measures of the Cutting Teeth of Shearer[J]. Coal Mine Machinery,2013,34(5):200-201.

[4] 尚慧嶺.采煤機(jī)滾筒截齒失效工況的影響分析及對策[J]. 煤炭科學(xué)技術(shù),2012,40(8):75-77. SHANG Huiling. Analysis and Countermeasures of Pick Failure Performance Influences of Cutting Drum in Coal Shearer[J]. Coal Science and Technology,2012,40(8):75-77.

[5] 朱華,吳兆宏,李剛,等.煤礦機(jī)械磨損失效研究[J].煤炭學(xué)報,2006,31(3):380-385. ZHU Hua, WU Zhaohong, LI Gang, et al. Study on Mechanical Wear Failure of Coal Mine[J].Journal of China Coal Society,2006,31(3):380-385.

[6] 王雁翔,楊道龍,王凌翔.鎬形截齒截割磨損研究[J]. 煤礦機(jī)械,2014,35(2):47-49. WANG Yanxiang, YANG Daolong, WANG Lingxiang. Study on Wear Performance of Pick Cutting[J]. Coal Mine Machinery,2014,35(2):47-49.

[7] 劉春生,宋楊,陳金國,等.鎬型截齒割巖過程的溫度場模擬[J].黑龍江科技學(xué)院學(xué)報,2013,23(4):337-340. LIU Chunsheng, SONG Yang, CHEN Jinguo, et al. Simulation of Temperature Fields on Conical Pick Cutting Rock[J]. Journal of Heilongjiang Institute of Science and Technology,2013,23(4):337-340.

[8] 姚繼權(quán),李曉豁,焦麗.基于Pro/E和ANSYS的鎬型截齒有限元分析[J].礦山機(jī)械,2008(21):17-19. YAO Jiquan, LI Xiaohuo, JIAO Li. Finite Element Analysis of Mining Machinery Based on Pro/E and ANSYS[J]. Mining & Processing Equipment,2008(21):17-19.

[9] 張景異,李高彩.基于圖像處理的對掘進(jìn)機(jī)截齒磨損率的研究[J].工業(yè)儀表與自動化裝置,2009(1):22-24. ZHANG Jingyi, LI Gaocai. Research on the Wear Rate of the Cutting Teeth of the Boring Machine Based on Image Processing[J]. Industrial Instrumentation and Automation Device,2009(1):22-24.

[10] 張大偉,周帆,蔣強(qiáng).圖像重構(gòu)技術(shù)在截齒磨損率分析中的應(yīng)用[J].微計算機(jī)信息,2009,25(24):175-176. ZHANG Dawei, ZHOU Fan, JIANG Qiang. Application of Image Reconstruction Technology in the Analysis of the Wear Rate of the Cutting Teeth[J]. Micro Computer Information,2009,25(24):175-176.

[11] 鄔黔鳳,劉英林,陳財.基于Workbench的采煤機(jī)鎬形截齒結(jié)構(gòu)優(yōu)化設(shè)計[J].煤礦機(jī)械,2014,35(11):177-179. WU Qianfeng, LIU Yinglin, CHEN Cai. Based on the Workbench of Shearer Pick Shaped Cutting Tooth Structure Optimization Design[J]. Coal Mine Machinery,2014,35(11):177-179.

[12] 王新,陰磊,原曄.截齒研究發(fā)展概況[J].科技情報開發(fā)與經(jīng)濟(jì),2008,18(4):137-138. WANG Xin, YIN Lei, YUAN Ye. The General Development Situation of Cutting Picks[J]. Science and Technology Information Development & Economy,2008,18(4):137-138.

[13] 姜增輝,王琳琳,石莉,等.硬質(zhì)合金刀具切削Ti6Al4V的磨損機(jī)理及特征[J].機(jī)械工程學(xué)報,2014,50(1): 178-184. JIANG Zenghui, WANG Linlin, SHI Li, et al. Wear Mechanism and Characteristics of Ti6Al4V Cemented Carbide Cutting Tool[J]. Journal of Mechanical Engineering,2014,50(1): 178-184.

[14] 申勝利.采煤機(jī)和掘進(jìn)機(jī)截齒的失效分析及對策[J].煤礦機(jī)械,2005(7):53-55. SHEN Shengli. Investigation and Development the Cut Tooth’s Invalidation of the Excavate Coal Machine and Advance Machine[J]. Mining Machinery,2005(7):53-55.

[15] 趙麗娟,田震,郭辰光. 礦用截齒失效形式及對策[J].金屬熱處理,2015,40(6):194-198. ZHAO Lijuan, TIAN Zhen, GUO Chenguang. The Form and Countermeasure of the Cutting Tooth Failure in Mining[J]. Metal Heat Treatment,2015,40 (6):194-198.

[16] 李曉豁,何洋,焦麗，等.基于參數(shù)識別的截割頭縱向隨機(jī)振動響應(yīng)優(yōu)化[J].中國機(jī)械工程,2015, 26 (6): 818-823. LI Xiaohuo, HE Yang, JIAO Li, et al. Optimization of Longitudinal Random Vibration Response of Cutting Head Based on Parameter Identification[J]. China Mechanical Engineering,2015,26(6):818-823.

[17] 張強(qiáng),王海艦,井旺，等.基于模糊神經(jīng)網(wǎng)絡(luò)信息融合的采煤機(jī)煤巖識別系統(tǒng)[J].中國機(jī)械工程,2016,27(2):201-208. ZHANG Qiang, WANG Haijian, JING Wang, et al. Information Fusion Based on Fuzzy Neural Network for Coal Mining Machine Coal Rock Recognition System[J]. China Mechanical Engineering,2016,27(2):201-208.

[18] 秦國華,謝文斌,王華敏.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的刀具磨損檢測與控制[J].光學(xué)精密工程,2015,23(5):1314-1321. QIN Guohua, XIE Wenbin, WANG Huamin.Tool Wear Detection and Control Based on Neural Network and Genetic Algorithm[J]. Optical Precision Engineering,2015,23(5):1314-1321.

[19] 張強(qiáng),王海艦,王兆，等.基于紅外熱像檢測的截齒煤巖截割特性與閃溫分析[J].傳感技術(shù)學(xué)報,2016,29(5):686-692. ZHANG Qiang, WANG Haijian, WANG Zhao, et al. Based on Infrared Thermography Testing of Cutting Teeth of Coal Rock Cut Cut Characteristics and Flash Temperature Analysis[J]. Journal of Transducer Technology,2016,29(5):686-692.

(編輯 陳 勇)

On-line Monitoring of Pick’s Wear Degrees Based on BP Neural Network

ZHANG Qiang1,2,3LIU Zhiheng1,4WANG Haijian1HUANG Chuanhui4Nguyen Viet Tuyen1

1.College of Mechanical Engineering, Liaoning Technical University,Fuxin, Liaoning,123000 2.State Key Laboratory of Structural Analysis for Industrial Equipment, Dalian University of Technology, Dalian, Liaoning,116023 3.Material Corrosion and Protection Key Laboratory of Sichuan Province,Sichuan University of Science & Engineering, Zigong,Sichuan,643000 4.College of Mechanical and Electrical Engineering,Xuzhou Instituteof Engineering,Xuzhou, Jiangsu,221111

In order to realize the real-time monitoring degrees of pick wear in cutting processes, based on BP neural network a method was proposed for detection of multi-feature signal fusion. By extracting different wear degrees pick signals,such as three direction vibration signals, infrared temperature signals and current signals during the cutting processes, A database of multi-feature signal samples of different pick wear degree was established, the BP neural network was learned and trained by using the multi characteristic pick wear degress signal samples, and the pick wear a recognition model for pick wear degress was established to achieve online monitoring and recognition.The results show that: Based on the BP neural network, the network discrimination results of monitoring system for the degree of pick wear is consistent with the actual wear degree category of the test samples, the establishment of BP neural network system may accurately monitor and identify the type of wear degrees.

pick;wear degree; three direction vibration; online monitoring

2016-06-28

國家自然科學(xué)基金資助項(xiàng)目(51504121); 高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20132121120011);材料腐蝕與防護(hù)四川省重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(2014CL18);工業(yè)裝備結(jié)構(gòu)分析重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(GZ1402);機(jī)械傳動國家重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目(SKLMT-KFKT-201515)

TP277

10.3969/j.issn.1004-132X.2017.09.010

張 強(qiáng)，男，1980年生。遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院教授、博士研究生導(dǎo)師，大連理工大學(xué)工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室、四川理工學(xué)院材料腐蝕與防護(hù)四川省重點(diǎn)實(shí)驗(yàn)室訪問學(xué)者。研究方向?yàn)榈V山機(jī)械動態(tài)設(shè)計及可靠性。發(fā)表論文100余篇。E-mail：lgdjx042@126.com。劉志恒，男，1992年生。遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院碩士研究生。王海艦，男，1987年生。遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院博士研究生。黃傳輝，男，1970年生。徐州工程學(xué)院機(jī)電工程學(xué)院教授、博士。阮越宣(Nguyen Viet Tuyen),男,1987年生。遼寧工程技術(shù)大學(xué)機(jī)械工程學(xué)院博士研究生。