刃磨成为一种提升钻削刀具加工精度的高效方法,设计了一种刃磨大长径比刀具。通过六轴数控工具磨床以刃磨方式制备外径尺寸0.5mm与长径比为10的大长径比刀具。利用4Cr13不锈钢开展微孔钻削测试,再根据钻削力、刀具磨损程度、微孔加工水平进行刀具钻削特性评估。研究结果表明当微孔数量增加后,采用刃磨大长径比刀具方式则发生了钻削轴向力的明显减小,形成了更平缓的上升趋势。刃磨方法能够大幅减小大长径比刀具横刃与后刀面磨损宽度。刃磨大长径比刀具形成负前角横刃并对挤压工件形成更小的刮削,采用正前角的内切削刃处理时形成了更大的切削工件区域,引起钻削轴向力的明显减小,有效控制刀具钻尖发生磨损程度。刃磨大刀具方式形成了外形更规则的孔口,微孔形成了更小圆度误差,刃磨大长径比刀具形成孔壁粗糙度更小的微孔。

为了更好地识别噪声与时变转速条件对变工况齿轮箱的故障,开发了一种通过深度小波自动编码器(DWAE)与门控循环单元神经网络(GRUNN)相结合的变工况齿轮箱故障识别方法,其能够从含噪样本自主提取得到鲁棒故障特征;通过Adam与Dropout方法进行训练,通过Softmax分类器对待诊样本的变工况齿轮箱运行状态进行了准确识别。研究结果表明,采用该模型识别齿轮故障时,能够达到有效分离齿轮的6种故障状态,从而满足齿轮状态聚类的优化功能;该模型能够提取出DWAE的鲁棒特征参数,也可以发挥GRUNN以实现消除梯度的效果。当训练样本数增加,待诊样本的准确率也发生了明显提升。样本数超过200后,测试待诊样本可获得稳定准确率,通过DWAEGRUNN方法识别得到的准确率最高。针对变转速工况,该模型可以保持很好的准确率。