DART750铣削加工中心刀具磨损在线监测系统

论文摘要

随着生产自动化程度的提高,特别是柔性制造系统(FMS)技术的出现,对加工过程的在线监测越来越受重视。加工过程中刀具的磨损将造成工件的精度及粗糙度变差,甚至导致工件报废、机床停机等故障。据统计,加工过程中75%以上的设备故障是由于刀具失效引起,因此对刀具状态进行在线监测显得尤为重要。信号处理方法和模式识别是刀具监测中重要的两个环节。在众多的信号处理方法中小波变换以其在时域和频域所具有的良好的局部化性质,而特别适合于刀具磨损产生的非平稳信号的分析,因此在刀具状态监测中得到了广泛的应用。神经网络又因其极强的非线性映射能力,特别适合于复杂模式识别,所以本文选择其作为刀具状态识别的工具。本文以Cincinnati DART750的铣削加工过程为研究对象,论述了切削过程监测的信号处理方法,包括时域分析、频域分析、小波分析;通过小波分析对切削力和振动信号进行了频段能量统计,并得到了与刀具磨损敏感的频段特征。通过相应频段内能量的变化,实现对刀具磨损状态的监测。利用神经网络的非线性映射功能建立神经网络,实现刀具磨损状态与切削力信号和振动信号特征向量之间的映射关系,实现了刀具磨损状态的识别。同时,还讨论了网络隐层数、隐层神经元数的选取和网络训练等问题。论文通过实验分别建立了切削力和振动信号的训练样本和测试样本,并应用论文中建立的BP网络进行验证,结果证明:实验数据可以反映刀具的磨损状态,设计构造的BP神经网络能准确识别刀具磨损状态。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 刀具磨损监测技术发展概况
• 1.1.2 刀具磨损监测系统简介
• 1.2 研究现状与未来研究发展方向
• 1.3 论文的研究意义
• 1.4 论文章节安排
• 第二章 刀具检测信号的获取及其分析处理方法研究
• 2.1 刀具磨损的基本特征和形态分析
• 2.2 刀具的磨损过程和磨钝标准
• 2.2.1 刀具的磨损过程
• 2.2.2 刀具的磨钝标准
• 2.3 信号分析处理方法基础
• 2.3.1 信号的时域统计特性
• 2.3.2 信号的频域分析
• 2.4 短时傅里叶变换（STFT）
• 2.5 小波分析
• 2.5.1 小波函数及小波变换
• 2.5.2 多分辨率分析及小波包分解
• 2.5.3 基于小波包的信号特征提取
• 2.5.4 小波包分解的能量特征分析方法
• 2.6 本章小结
• 第三章 刀具检测信号的特征提取
• 3.1 DART750铣削加工中心及实验条件
• 3.2 切削力信号的特征提取
• 3.2.1 切削力时频分析
• 3.2.2 切削力小波分析
• 3.2.3 切削力信号特征提取
• 3.3 振动信号的特征提取
• 3.3.1 振动信号的时频分析
• 3.3.2 振动信号的小波分析
• 3.3.3 振动信号的特征提取体
• 3.4 本章小结
• 第四章 基于多传感器的刀具磨损状态识别研究
• 4.1 多传感器信息融合技术
• 4.2 神经网络
• 4.3 DART750铣削加工中心刀具磨损检测系统的 BP网络
• 4.3.1 网络结构
• 4.3.2 BP算法
• 4.3.3 DART750加工中心多传感器的刀具磨损状态识别
• 4.4 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文