基于双谱与分形技术及神经网络的刀具智能诊断技术研究

论文摘要

在加工过程中,刀具磨损状态影响加工产品的质量。对刀具磨损进行较准确的监测与界定是目前国内外自动化加工中一个急待解决的课题,刀具状态监测是实现自动化加工和无人化加工的关键技术。因此,预测刀具的磨损和破损显得十分重要。针对刀具磨损过程中振动信号与声发射信号的非平稳时变特点,提出了基于双谱分析的刀具状态监测信号特征抽取方法,分析了刀具各种磨损状态的双谱特点。通过实验研究表明双谱分析方法能有效地监测刀具状态。双谱分析可以识别系统的非线性特征,能够克服功率谱的局限性和不足。相同工作状态下信号的双谱及其等高线图具有相似性,不同工作状态下信号的双谱支其等高线图具有明显的可分性。这种方法在设备工作状态监测方面将会有良好的应用前景。本文建立了铣刀磨损状态监测的实验系统,通过实验使用振动传感器采集了刀具在各种磨损情况下的大量数据,在对这些数据进行分析时,本文以分形几何理论基础,采用了一种用分形维数描叙信号复杂性的方法,从工程应用角度介绍了离散时间序列盒维数的计算方法,通过实验研究了刀具在整个磨损历程中振动信号的盒维数的变化规律。其大小能较好地反映刀具不同磨损状态,运用振动信号的分形维数可以有效实现刀具磨损状态的监测。实验结果表明,该方法能正确地识别刀具的不同磨损状态。通过双谱分析和分形维数对振动信号与声发射信号的分析处理,比较他们各自的优缺点,最终的智能诊断系统是在提取有效特征的基础上应用神经网络的模式识别功能实现的。本文主要应用神经网络中Elman网络来识别刀具的状杰。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 问题的提出
• 1.2 状态监测内涵和目标
• 1.3 刀具状态监测研究的意义
• 1.4 国内外研究现状及成果
• 1.5 刀具故障诊断文献综述
• 1.5.1 传感器的选择概述
• 1.5.2 信号处理方法概述
• 1.5.3 模式识别方法概述
• 1.6 本论文的主要工作
• 第2章 刀具状态信号的检测
• 2.1 刀具状态监测方法与传感器选择
• 2.1.1 刀具状态监测方法
• 2.1.2 传感器选择
• 2.2 刀具磨损监测实验系统的设计
• 2.3 本章小结
• 第3章 刀具状态监测的现代信号处理方法
• 3.1 信号的时域、频域分析方法
• 3.2 小波分析
• 3.3 高阶谱分析
• 3.4 分形理论
• 第4章 高阶谱分析与分形技术
• 4.1 高阶谱分析的理论研究
• 4.1.1 累积量与高阶矩
• 4.1.2 高阶累积量的性质
• 4.1.3 高阶谱定义
• 4.1.4 高阶谱的主要性质
• 4.1.5 双谱定义
• 4.2 双谱估计
• 4.3 分形理论研究
• 4.3.1 分形维数计算的基本原理
• 4.3.2 分形学在机械故障诊断中应用的意义
• 4.3.3 分形维数及其测量方法
• 4.3.4 几种常见的分形维数
• 4.4 本章小结
• 第5章 双谱与分形技术在刀具状态监测中的应用
• 5.1 双谱在刀具状态监测中的应用
• 5.1.1 基于双谱的振动信号处理
• 5.1.2 基于双谱的声发射信号处理
• 5.2 分形维数（盒维数）在刀具状态监测中的应用
• 5.3 状态特征的归一化处理
• 5.4 本章小结
• 第6章 基于人工神经网络的刀具磨损状态监测
• 6.1 神经网络的基本原理
• 6.1.1 神经元
• 6.1.2 神经网络的互连模式
• 6.2 Elman网络
• 6.2.1 Elman网络的介绍
• 6.2.2 Elman网络在刀具状态监测中的应用
• 6.3 Elman网络优点
• 6.4 本章小结
• 结论与展望
• 致谢
• 参考文献
• 攻读硕士研究生期间发表的论文