为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。

表面粗糙度是影响凸轮的耐磨性、配合的稳定性、疲劳强度的关键因素,因此提高凸轮表面粗糙度至关重要。对切屑的厚度进行了假设,考虑了特定磨粒形状对凸轮表面粗糙度的影响,研究了凸轮粗糙度、砂轮转速、凸轮轮廓曲率、磨削点速度、磨削余量之间的关系,推导出凸轮表面粗糙度的数学模型,模型包括了砂轮线速度、曲率半径、磨削点线速度、磨削余量、砂轮相关系数、凸轮轮廓相关系数,这使得粗糙度模型可应用于不同的磨削条件。在数控非圆磨床上,根据X-C磨削凸轮模型加工某型号凸轮,磨削结果证明所推导的凸轮粗糙度模型是正确的。

针对曲轴数控加工的工艺特点,提出了在西门子840D sl系统上开发曲轴磨削软件的方案。运用Sinumerik OPERATE程序包开发软件的原理,建立了曲轴磨削控制数学模型;利用Visual Studio2008和QT Designer编程工具结合C＋＋和QT语言开发出曲轴磨削软件并通过Sinumerik Operate编程包将开发的软件嵌入到840D sl数控系统中。最后用Open GL的刀具轨迹仿真模块对连杆颈磨削过程进行仿真验证。