导读:本文包含了磨削状态监测论文开题报告文献综述及选题提纲参考文献，主要关键词:点磨削,新型砂轮,AE信号,表面粗糙度
磨削状态监测论文文献综述
尹国强,巩亚东,李宥玮,王飞[1]（2018）在《基于AE信号的新型砂轮点磨削状态监测方法》一文中研究指出提出了一种基于声发射(AE)信号对新型点磨削砂轮磨削状态进行实时监测方法.建立了表面粗糙度与AE信号的对应关系,为监测磨削加工表面粗糙度提供了条件.采用单因素实验研究了各参数对AE信号RMS值的影响规律,结果进一步证明了AE信号与表面粗糙度的对应关系.对比分析了砂轮不同磨损状况下的AE信号,依据此信号可对磨削状态进行实时监测.为了区分声发射源性质的异同,对磨削过程中的AE信号进行了频谱分析,砂轮发生磨损时,AE信号在45~65 k Hz,80~90 k Hz,100~110 k Hz频段的能量升高显着,并且在15 k Hz附近出现了很高的尖峰,为监测磨削状态提供了一种可行且有效的方法.(本文来源于《东北大学学报(自然科学版)》期刊2018年09期）
陈俊奇[2]（2018）在《基于磨削声音信号特征的砂带磨损状态监测方法研究》一文中研究指出镍基高温合金具有良好的机械和耐腐蚀性能,特别在高温且受载极端的工作环境中可保持很高的强度和抗疲劳性。机器人砂带磨削加工具有材料去除能力强,成形质量稳定且易实现柔性加工等优点,常用于镍基高温合金材料加工。利用砂带对镍基高温合金工件进行磨削加工时,良好的材料性能会使砂带磨损更快,进而导致加工效率和成形质量的下降,所以砂带磨损状态监测是实现磨削加工智能化的重要一环。本文针对镍基高温合金的砂带磨削,建立了一套基于磨削声音信号特征的机器人磨削砂带状态监测系统。试验过程采用恒力磨削的方式,在恒定的磨削力和砂带线速度等工艺参数下,进行连续多道次磨削,采集磨削过程中的声音信号,研究磨削声音信号与砂带磨损状态之间的相关性,通过对原始信号进行时域和频域分析,获取声音信号的时域特征和频谱,结果表明声音信号强度和能量随磨损增加而减小,且在1200~20000Hz频率段的能量与砂带状态相关性明显。为了进一步获取磨削声音在不同频段与砂带磨损状态之间的关系,本文利用小波变换将声音信号在七个不同频率段的信号分量提取出来并对能量进行计算。通过对比不同状态下的声音信号在上述不同频段的能量变化后,发现磨削声音在D6(312.5~625Hz)、D5(625~1250Hz)、D2(5000~10000Hz)、D1(10000~20000Hz)四个频段的信号分量与砂带状态之间的相关性最明显。砂带磨损可以分成初期快速磨损、中期稳定磨损阶段和后期加速磨损阶段叁个阶段。以磨削声音信号小波分解后得到的D6、D5、D2、D1这四个频率段的能量和标准差为砂带状态识别的输入特征,利用神经网络和随机森林两种算法分别建立了两个识别模型对磨损的叁个阶段进行识别,神经网络模型和随机森林模型识别平均准确率为90%和94%。为了进一步提高砂带的有效利用率,在砂带后期加速磨损阶段,建立了一个多元线性回归预测模型进行磨削能力预测,预测结果的平均误差为5.3%。围绕镍基高温合金工件砂带磨削加工中砂带磨损状态监测,基于磨削声音信号的采集和特征分析,建立随机森林分类模型和多元线性回归模型,初步实现砂带磨损叁个阶段的识别和加速磨损阶段砂带磨削能力的评估。(本文来源于《上海交通大学》期刊2018-01-01）
梅益铭[3]（2017）在《单磨粒磨削中的磨粒磨损过程及磨损状态监测方法研究》一文中研究指出新型磨削刀具的出现,为精密磨削加工领域注入了新的血液,尤其是磨粒位置可预排布且磨粒形状一致的新型磨具成为了精密磨削加工领域关注的热点。为了提升新型磨削刀具的性能,学者们对单磨粒磨削过程中的磨粒形状优选展开了大量的试验研究,但是在试验中发现尽管相比传统砂轮,这类新型磨具有效地降低了磨粒脱落的发生概率,其抗磨损性能有了很大的提高,但是在磨削过程中磨粒依旧会发生钝化、断裂乃至破碎。因此,本文针对磨削过程中磨粒的磨损现象,对单磨粒磨削中的材料去除过程、磨粒的磨损形式、磨损磨粒的形貌表征方法展开研究,在此基础上,对磨粒在磨损过程中的声发射(AE)信号特征进行了提取,对磨粒的磨损状态的识别方法进行了深入的研究,提出了一种基于AE传感技术的磨粒的磨损状态监测方法,为新型磨具的磨损监测奠定了基础。本文的主要工作包括以下几个方面:第一章:介绍了本课题的研究背景和意义、本研究领域内与本课题密切相关的国内外技术研究现状、本研究领域存在的科学问题以及本文的研究内容等。第二章:针对单磨粒磨削过程建模中存在的磨粒几何模型过度简化问题,基于磨粒的真实显微形貌,建立了 PCBN磨粒磨削AISI4340钢的有限元仿真模型,并对不同磨削深度下的磨削力、磨削能和磨削划痕进行了仿真,根据仿真结果对磨削深度不同所引起的磨削行为变化进行了分析,设计和开展了单磨粒磨削实验,并根据实验结果对模型的精度进行了检验。第叁章:针对PCBN磨粒在磨削过程中存在的多种磨损形式,设计并开展了磨粒的磨损实验,对单磨粒磨削过程中磨粒的磨损形貌的演化进行了观测和分析,对磨粒体积和表面粗糙度进行了测量,并基于分形理论对磨粒表面的复杂形貌作了进一步的表征,在此基础上,得到了 PCBN磨粒在磨削试验中的主要磨损形式,分析了磨损形貌和磨损形式间的关系,结合第二章中的单磨粒磨削仿真模型,对磨粒在磨损过程中的磨削力和磨削划痕进行了仿真,根据磨削力和磨削力比的仿真结果对磨粒的磨损形式和主要磨损原因作了进一步的论证。第四章:针对磨削过程中的磨耗磨损所引起的磨粒钝化及钝化磨粒可能引起的磨削烧伤、宏观破碎等问题,对磨粒的磨损状态与AE信号特征间的关系进行了深入的研究,分析了磨粒形貌与AE信号波形参数间的关系,设计并开展了钝、锐磨粒的单磨粒磨削对比实验,对磨粒磨耗磨损的AE特征进行了探究,确定了单磨粒磨削过程中所产生的AE信号的频谱范围及各频段所对应的主要AE信号源,采用DWT对AE信号进行了分解,根据分解后的节点系数重构得到了 AE信号在时频域上的能量分布,并在此基础上分析了钝、锐磨粒的AE信号在时域、频域和时频域上的差异,为后续的特征提取提供支持。第五章:在前述的磨粒的磨损状态与AE信号特征的关系研究基础上,对包括振铃计数、RMS值、频谱上的能量占比等特征在内的AE信号特征进行了提取,并对相关特征的有效性进行了试验检验,在此基础上采用最小二乘线性分类器,对复合磨损形式下的磨粒状态进行了初步的分类。第六章:引入自组织地图(SOM)聚类算法,深入研究并细化了磨粒的磨损状态类别,基于随机森林算法创建了磨粒的磨损状态分类器,联合SOM和随机森林分类器对磨粒的磨损状态进行了识别,在前述研究的基础上,进行了面向单磨粒磨削过程的磨粒的磨损状态AE监测系统的开发,完成了系统的需求分析、框架构建、硬件设计和选型、工作流程设计等工作,并结合试验数据对监测系统的识别准确率进行了检测。(本文来源于《浙江大学》期刊2017-10-01）
刘森,李静,高华珏,沈南燕[4]（2015）在《钛合金磨削中砂轮磨损状态在线监测技术研究》一文中研究指出钛合金是一种典型的难加工材料,在磨削时容易造成砂轮粘附导致磨粒的破碎与脱落,使砂轮发生磨损,影响工件的加工质量。基于振动信号研究了钛合金磨削砂轮磨损状态的在线监测,分析了砂轮磨损过程及振动与磨损的内在联系,通过试验提取出反映砂轮磨损状态的特征值,制定了砂轮磨损的判别流程,设计了砂轮磨损判别阈值,用上位机软件开发了砂轮磨损在线监测软件,最后通过试验验证了砂轮磨损判别方法的可靠性,为以后使用普通外圆磨床中低速磨削钛合金提供一些参考。(本文来源于《精密制造与自动化》期刊2015年04期）
林峰,焦慧锋,傅建中[5]（2011）在《基于贝叶斯网络的平面磨削状态智能监测技术研究》一文中研究指出为解决平面磨削过程中工件表面粗糙度预测和砂轮钝化监测困难的问题,利用贝叶斯网络建立了平面磨削状态智能监测模型。该模型在获取系统磨削用量和工件材料的基础上,在线提取磨削声发射信号的峭度系数,可以有效预测工件粗糙度和识别砂轮钝化状态,为数控系统调节加工参数提供参考。该模型在平面磨床的磨削监测试验中取得了良好的效果。(本文来源于《中国机械工程》期刊2011年11期）
田凯[6]（2011）在《基于LabVIEW的内圆磨削状态网络监测系统研究》一文中研究指出介绍了虚拟仪器及LabVIEW软件的原理和特点,提出通过网络监测内圆磨削状态的方案,利用Intranet、Internet、ActiveX等技术建立基于LabVIEW的监测系统。(本文来源于《机电信息》期刊2011年12期）
焦慧锋[7]（2011）在《基于贝叶斯网络的数控平面磨床磨削状态智能监测研究》一文中研究指出本文建立了数控平面磨床磨削状态智能监测的贝叶斯网络模型,结合国家“高档数控机床与基础制造装备”科技重大专项(No.2009ZX04001-131)项目的科研任务,分析了贝叶斯网络方法研究不确定性问题所具有的优势,设计并实现了以数控平面磨床工件质量、砂轮接触和钝化为研究对象的智能监测系统。同时,还完成了数控平面磨床磨削状态智能监测软件。为了实现平面磨削状态智能监测,首先阐述了智能监测系统的研究意义,详细介绍了磨削状态智能监测的研究现状,分析了当前智能监测采用的主要方法及其优缺点,提出采用贝叶斯网络方法进行磨削监测。然后介绍了贝叶斯网络的相关理论,包括网络构建步骤、网络推理的变量消元算法和团树传播算法,及网络的参数学习。此外,讨论了磨削声发射产生的原理、来源和影响因素,并介绍了本文所用的声发射采集系统的硬件设计,并基于Matlab实现了对平面磨削声发射信号的预处理、时域分析及频谱分析。本文以建立平面磨削状态智能监测系统为核心内容,在阐述了贝叶斯网络实现平面磨削智能监测的优势的基础上,以数控平面磨床的工件表面质量、砂轮钝化和接触状态识别为对象来建立贝叶斯网络,并重点论述了建立模型、模型推理和参数学习的过程。然后对实现平面磨削监测的软件进行功能需求分析,介绍了整个监测系统的程序结构,基于VC++设计了网络构建、推理、学习等功能模块和图形界面。最后通过实验来建立平面磨削监测网络的样本数据库,对其进行网络学习得到各个节点的后验条件概率表,并取得节点最大概率的状态,通过后续实验证明了模型的推理精确度较高,贝叶斯网络方法适宜于数控平面磨床的磨削状态监测。本文为贝叶斯网络方法应用于数控机床的加工状态智能监测提供了参考。(本文来源于《浙江大学》期刊2011-01-10）
迟玉伦,李郝林[8]（2010）在《光学玻璃磨削状态的声发射监测技术》一文中研究指出本文通过建立光学玻璃磨削声发射状态监测系统,研究分析了光学玻璃超精密磨削过程中不同磨削工艺参数所对应声发射信号变化之间的关系。并通过该研究结果优化磨削工艺参数,使磨削后的光学玻璃表面粗糙度达到0.02μm,实验结果证明了声发射监测系统在光学玻璃超精密磨削过程中的实用性。(本文来源于《制造业自动化》期刊2010年10期）
郑乾[9]（2010）在《套圈沟道磨削状态多参数监测与质量分析系统研究》一文中研究指出套圈沟道加工质量直接影响到滚动轴承的工作性能和使用寿命。目前,对于保证套圈沟道质量的重要工序——沟道磨削,许多轴承制造企业仍存在质量一致性差、质量检测手段原始等不足,这给产品质量控制与生产管理带来了不便。为此,本文研究开发了套圈沟道磨削状态多参数监测与质量分析系统,通过监测磨削过程中的砂轮横向进给量、主电机功率、砂轮振动以及磨削区AE等四个信号,基于BP神经网络直接建立这些信号特征与磨削质量的映射模型,准确地解决了磨削质量的识别问题。该系统的应用能显着提高套圈沟道磨削质量监测的自动化水平以及精度,为轴承生产过程的质量控制提供有力支持。论文的主要章节和内容如下:第一章:提出课题研究的背景,综述磨削技术以及磨削状态监测技术的国内外研究现状和发展趋势,指出现阶段套圈沟道磨削状态监测技术存在的不足,提出了本文主要研究内容。第二章:讨论目前深沟球轴承套圈加工的关键技术,重点分析沟道磨削过程中磨削质量的影响因素。在此基础上,阐述本文系统的监测策略,为后续搭建系统提供理论依据。第叁章:基于对测试系统总线技术的讨论,建立本文系统基于PC-DAQ架构的总体方案。在此基础上,详细介绍本文系统硬件部分的设计。第四章:分析本文质量分析系统的功能需求,介绍其软件开发环境及主要技术,详细说明系统主要功能模块的实现方法及其理论基础,包括信号采集存储、数据处理分析以及状态判断识别等。第五章:应用系统对一组实测数据进行处理与分析,优选信号特征,基于BP神经网络建立信号特征与沟道磨削粗糙度的映射关系模型,并通过验证该关系模型的有效性说明本文系统的可用性和可靠性。第六章:总结全文,并对今后的进一步研究工作予以展望。(本文来源于《浙江大学》期刊2010-01-01）
严思晗[10]（2008）在《轴承套圈沟道磨削的进给状态参数监测及其工艺试验研究》一文中研究指出套圈的沟道是滚动轴承使用时承受负荷的工作表面,沟道加工质量的好坏直接影响到轴承使用时的工作性能和寿命。目前许多轴承制造企业在套圈沟道磨削工序中存在质量不稳定、效率低等问题,并缺乏在线监测手段。为此,本文首先研究轴承套圈沟道磨削进给状态参数检测与分析系统,并以此为基础,通过工艺试验和数据分析,研究套圈沟道磨削过程中的进给状态参数对磨削质量的影响规律,为轴承套圈沟道磨削工序的在线监测提供依据。论文的主要章节和内容如下:第一章:提出课题研究的背景,阐述智能监测在我国现代制造业中的重要意义,综述磨削状态监测技术的国内外研究现状和发展趋势,总结轴承套圈沟道磨削在监测手段上存在的不足,提出了本文的研究目标和主要研究内容。第二章:研究目前典型的球轴承套圈沟道磨削工艺系统和产品的主要质量指标及其影响因素;在理论分析的基础上,给出了选择砂轮的横向进给位移和主电机功率作为磨削过程中监测信号的原因。第叁章:介绍了磨削进给状态参数检测与分析系统:阐述了进给状态参数检测系统的功能特点和软、硬件设计等。阐述进给状态参数分析系统的功能设计、系统界面实现方法以及基本的数据分析方法等。最后介绍检测系统和分析系统之间的通信协议设计。第四章:对沟道磨削过程中的进给状态参数和粗糙度、沟形误差进行了理论分析。通过工艺试验,研究套圈沟道表面粗糙度和沟形误差的变化规律,分析进给状态参数的特征值与沟道表面粗糙度的关系,分析进给状态参数的特征值与沟形误差的关系。第五章:对进给状态参数和磨后套圈沟道圆度进行了理论分析。通过工艺试验,分析不同波段沟道圆度值的相关性,分析进给状态参数的特征值与磨后沟道圆度的关系,利用进给位移曲线和功率曲线的关系计算不同工件的磨削量,分析磨削量对磨后沟道圆度的影响。第六章:总结本文主要的研究成果及结论和本文的主要贡献,并指出今后需要进一步开展的研究工作。(本文来源于《浙江大学》期刊2008-05-01）
磨削状态监测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
镍基高温合金具有良好的机械和耐腐蚀性能,特别在高温且受载极端的工作环境中可保持很高的强度和抗疲劳性。机器人砂带磨削加工具有材料去除能力强,成形质量稳定且易实现柔性加工等优点,常用于镍基高温合金材料加工。利用砂带对镍基高温合金工件进行磨削加工时,良好的材料性能会使砂带磨损更快,进而导致加工效率和成形质量的下降,所以砂带磨损状态监测是实现磨削加工智能化的重要一环。本文针对镍基高温合金的砂带磨削,建立了一套基于磨削声音信号特征的机器人磨削砂带状态监测系统。试验过程采用恒力磨削的方式,在恒定的磨削力和砂带线速度等工艺参数下,进行连续多道次磨削,采集磨削过程中的声音信号,研究磨削声音信号与砂带磨损状态之间的相关性,通过对原始信号进行时域和频域分析,获取声音信号的时域特征和频谱,结果表明声音信号强度和能量随磨损增加而减小,且在1200~20000Hz频率段的能量与砂带状态相关性明显。为了进一步获取磨削声音在不同频段与砂带磨损状态之间的关系,本文利用小波变换将声音信号在七个不同频率段的信号分量提取出来并对能量进行计算。通过对比不同状态下的声音信号在上述不同频段的能量变化后,发现磨削声音在D6(312.5~625Hz)、D5(625~1250Hz)、D2(5000~10000Hz)、D1(10000~20000Hz)四个频段的信号分量与砂带状态之间的相关性最明显。砂带磨损可以分成初期快速磨损、中期稳定磨损阶段和后期加速磨损阶段叁个阶段。以磨削声音信号小波分解后得到的D6、D5、D2、D1这四个频率段的能量和标准差为砂带状态识别的输入特征,利用神经网络和随机森林两种算法分别建立了两个识别模型对磨损的叁个阶段进行识别,神经网络模型和随机森林模型识别平均准确率为90%和94%。为了进一步提高砂带的有效利用率,在砂带后期加速磨损阶段,建立了一个多元线性回归预测模型进行磨削能力预测,预测结果的平均误差为5.3%。围绕镍基高温合金工件砂带磨削加工中砂带磨损状态监测,基于磨削声音信号的采集和特征分析,建立随机森林分类模型和多元线性回归模型,初步实现砂带磨损叁个阶段的识别和加速磨损阶段砂带磨削能力的评估。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
磨削状态监测论文参考文献
[1].尹国强,巩亚东,李宥玮,王飞.基于AE信号的新型砂轮点磨削状态监测方法[J].东北大学学报(自然科学版).2018
[2].陈俊奇.基于磨削声音信号特征的砂带磨损状态监测方法研究[D].上海交通大学.2018
[3].梅益铭.单磨粒磨削中的磨粒磨损过程及磨损状态监测方法研究[D].浙江大学.2017
[4].刘森,李静,高华珏,沈南燕.钛合金磨削中砂轮磨损状态在线监测技术研究[J].精密制造与自动化.2015
[5].林峰,焦慧锋,傅建中.基于贝叶斯网络的平面磨削状态智能监测技术研究[J].中国机械工程.2011
[6].田凯.基于LabVIEW的内圆磨削状态网络监测系统研究[J].机电信息.2011
[7].焦慧锋.基于贝叶斯网络的数控平面磨床磨削状态智能监测研究[D].浙江大学.2011
[8].迟玉伦,李郝林.光学玻璃磨削状态的声发射监测技术[J].制造业自动化.2010
[9].郑乾.套圈沟道磨削状态多参数监测与质量分析系统研究[D].浙江大学.2010
[10].严思晗.轴承套圈沟道磨削的进给状态参数监测及其工艺试验研究[D].浙江大学.2008