提高智能制造过程中微铣削刀具状态监测的精度和效率,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和BP神经网络-遗传算法(Back-Propagation Neural Networks-Genetic Algorithm,BPNN-GA)的微铣刀磨损预测方法。在此方法中,首先对微铣削振动信号进行EMD分解,提取各个IMF分量的均值、均方根、峭度、偏态作为微铣刀磨损特征。然后通过相关性分析选择与微铣刀磨损特征密切相关的特征,并选择相互之间相关度最小的几个特征作为微铣刀磨损特征,这样既保证了特征对于研究对象的灵敏度,又保证了特征之间的独立性,不会造成信息冗余。最后利用BPNN-GA模型进行特征分类,实现微铣刀磨损的预测。结果表明,本文提出的微铣刀磨损预测方法能够准确识别各种磨损状态,可以为其它刀具状态监测方法提供必要的理论基础和实践意义。

本安设计是通过限制电火花和热效应两个可能的点燃源的能量来实现的。本安技术实际上是一种低功耗设计技术。从限制能量入手，可靠的将电路中的电压和电流限制在一个允许的范围内，以保证仪表在正常工作或发生短路和元器件损坏等故障情况下产生的电火花和热效应不至于引起周围可能存在的危险气体爆炸。