基于声发射信号的铣刀故障诊断

论文摘要

金属切削过程的在线监控对于保证零件加工质量、减少刀具失效和机床故障、提高生产自动化水平具有重要意义。铣削过程会产生声发射信号，声发射信号蕴涵了丰富的与刀具状态密切相关的信息。本文以声发射信号为分析对象，研究铣刀的故障诊断。首先，构建了基于虚拟仪器技术的铣削声发射信号采集分析系统。系统以LabVIEW为软件平台，结合MATLAB数值分析软件，开发了基于声发射信号的采集系统、去噪系统、参数分析系统以及频域分析等软件系统。通过设计试验采集到了各种工况各种刀具状态下的声发射信号并对采集的声发射信号进行小波阈值去噪处理。然后,分别利用时域参数分析法与频域分析法对声发射信号进行了分析。对不同工况不同刀具状态下声发射信号的总振铃计数、总事件计数、总能量、有效电压（RMS）等统计特征参量进行了计算，结果表明刀具自新刀状态到微磨损状态再到严重磨损状态，其总振铃计数及总事件计数均呈现出下降的趋势，相反，其总能量及有效值电压值（RMS）则随着刀具磨损程度加剧而增大的趋势。对各信号进行频谱分析发现，随着铣刀磨损程度的加剧，能量主峰频率向低频移动并且功率谱幅值也相应的呈增大趋势；同时考察重心频率（FC）、均方根频率（RMSF）以及频率标准方差（RVF）这几个频率特征参数发现，FC、RMSF、RVF有随刀具磨损程度加剧而下降的趋势。之后，将神经网络技术应用于铣刀状态识别。研究了基于铣刀声发射信号的BP神经网络识别原理，分析了BP神经网络模型的工作工程，讨论了BP神经网络结构的确定及样本的确定等一些重要问题，给出了网络层数、各层节点数、网络参数初始化以及样本选取、样本构造、样本处理等相关问题的原则与方法，并建立了BP神经网络以实现铣刀状态识别。论文最后通过铣削试验对所构建的系统和提出的方法进行了验证。验证表明：所构建的基于LabVIEW平台的声发射信号采集分析系统响应速度快、界面友好、操作简便且实用可靠；基于BP神经网络的铣刀声发射信号故障识别方法是可行的，克服了其它识别方法过分依赖于经验与背景知识的缺点。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 刀具故障诊断的目的及意义
• 1.2 刀具故障诊断研究现状
• 1.2.1 刀具故障诊断方法
• 1.2.2 刀具故障特征提取方法
• 1.2.3 刀具故障识别方法
• 1.3 声发射检测技术研究现状
• 1.4 本文研究的主要内容
• 1.5 小结
• 第二章 基于神经网络的铣削声发射信号分析方法
• 2.1 铣削过程声发射信号监测原理
• 2.1.1 铣削过程中声发射现象产生的机理
• 2.1.2 铣削过程声发射信号的特点
• 2.2 声发射信号的分析处理
• 2.2.1 声发射信号的噪声研究
• 2.2.2 声发射信号的小波阈值去噪法
• 2.2.3 声发射信号的参数分析
• 2.2.4 声发射信号的频域分析
• 2.3 基于 BP 神经网络的铣刀状态识别
• 2.3.1 BP 神经网络简述
• 2.3.2 BP 神经网络模型结构
• 2.3.3 BP 神经网络学习算法
• 2.3.4 BP 神经网络算法的缺点与改进
• 2.3.5 基于声发射信号的 BP 神经网络识别
• 2.4 小结
• 第三章 基于声发射信号的铣削刀具故障诊断系统
• 3.1 铣削刀具故障诊断系统方案设计
• 3.2 铣削刀具故障诊断硬件系统
• 3.2.1 硬件结构设计
• 3.2.2 硬件型号选择
• 3.3 铣削刀具故障诊断软件系统
• 3.3.1 开发平台 LabVIEW 软件简介
• 3.3.2 LabVIEW 与 MATLAB 混合编程
• 3.3.3 软件系统总体结构设计
• 3.3.4 数据采集模块
• 3.3.5 信号分析模块
• 3.4 小结
• 第四章 基于声发射信号的铣削刀具故障诊断试验
• 4.1 铣刀故障诊断试验方案设计
• 4.1.1 试验目的
• 4.1.2 试验对象及切削参数
• 4.1.3 试验装置
• 4.1.4 试验方法与步骤
• 4.2 试验数据分析
• 4.2.1 声发射信号参数分析
• 4.2.2 声发射信号频域分析
• 4.3 验证基于 BP 神经网络的铣刀故障识别方法
• 4.3.1 BP 神经网络结构的确定
• 4.3.2 BP 神经网络样本的确定
• 4.3.3 BP 神经网络的训练与验证
• 4.4 小结
• 结论与展望
• 1.结论
• 2.展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文