基于小波理论和神经网络的微孔钻削在线实时监控系统

论文摘要

本文利用虚拟仪器技术在LabVIEW7.0 软件平台上研制开发了一套微孔钻削力在线实时监控系统。系统不但具备了采集钻削力数据和控制步进电机进给的功能,而且可对采集到的信号进行FFT 分析和小波分析。利用本系统可对采集到的数据进行神经网络训练,并利用训练好的神经网络进行微孔钻削过程的决策和判断。本文在对微孔钻削力信号采集实验的基础上,对轴向力信号和扭矩信号进行了经典频域分析,提取了轴向力信号和扭矩信号的低频分量作为表征钻头状态的特征向量,并利用小波变换理论对扭矩的高频分量进行了分析,加入了小波分解分量作为表征钻头状态的动态特征向量。在提取特征向量的基础上,引入神经网络技术。探讨了BP 神经网络的结构设计、训练样本的选取、训练次数的确定和输入数据的预处理等BP 网实际应用中必然遇到的问题,并将所得结论用于微孔钻削力的在线实时监测,实验结果证明利用BP 神经网络对微孔钻削力进行实时监测可以达到较高的准确水平。

论文目录

• 第1章 绪论
• 1.1 课题研究的目的及意义
• 1.2 国内外研究状况、水平及发展趋势
• 1.3 本课题主要的研究内容
• 第2章 微孔钻削在线监测系统的软硬件设计
• 2.1 微孔钻削在线监测的硬件系统
• 2.1.1 硬件系统的原理和组成
• 2.1.2 N16013 数据采集卡
• 2.2 微孔钻削在线监测系统的软件设计
• 2.2.1 系统的软件平台
• 2.2.2 系统软件设计
• 2.3 本章小结
• 第3章 微孔钻削力信号分析与特征向量提取
• 3.1 测力仪的标定
• 3.2 钻削力的频域分析
• 3.3 扭矩信号的小波分析
• 3.3.1 小波分析概述
• 3.3.2 小波变换的马拉算法
• 3.3.3 扭矩信号小波分析中小波基的选择
• 3.3.4 扭矩信号动态成分的特征量提取
• 3.4 本章小结
• 第4章 微孔钻削力监测系统的神经网络模型研究
• 4.1 人工神经网络概述
• 4.1.1 人工神经网络的基本特点
• 4.1.2 神经网络的拓扑结构
• 4.1.3 神经网络的激活函数
• 4.1.4 神经网络的学习方法
• 4.2 BP神经网络的设计及其算法改进
• 4.2.1 BP网络概述
• 4.2.2 BP网络算法
• 4.2.3 BP网络算法改进
• 4.2.4 BP网络设计
• 4.3 脱机实验
• 4.3.1 归一化处理
• 4.3.2 网络训练阶段
• 4.4 实时监测实验
• 4.5 本章小结
• 第5章 结论
• 参考文献
• 中英文摘要
• 致谢