基于声发射技术及小波分析的砂轮钝化状态监测方法研究

论文摘要

磨削加工往往是精密零件制造过程中的最终工序,而砂轮在磨削加工过程中,又不可避免的出现钝化现象,这直接影响了砂轮磨削加工的效率与加工产品的质量。因此,必须对砂轮的钝化状态进行有效监测,以确定砂轮合理的修整周期,这对磨削加工成本的降低,加工效率与加工质量的提高,具有重要的现实意义。通过分析研究陶瓷材料磨削时所产生的声发射信号,不难发现声发射信号随着砂轮的钝化程度的变化而变化。因此,可以选择将声发射信号作为砂轮钝化状态识别的监测信号。在分析比较了参数分析法、频谱分析法在处理声发射信号中的不足,并对小波分析方法在声发射信号处理中的应用进行了全面深入的研究之后,本文提出了一种基于声发射技术与小波分析技术相结合的砂轮钝化状态监测方法。首先,本文探讨了各类噪声对声发射信号的影响,对各类噪声的频率进行辨别分析,并选择了合适的滤波器进行滤波,以最大限度地减少噪声对有用信息的干扰。同时,根据声发射信号的特点及小波分析理论,确定了声发射信号在小波分析中小波基的选取规则,并指出Coiflets小波、Daubechies小波和Symlets小波适合于声发射信号处理;确定了最大分解尺度选取规则,这对声发射信号的小波分析具有重要的指导作用,接着对信号进行多层分解。其次,定义了小波能量系数的概念,提出了基于小波能量系数法的声发射信号特征分析方法,将砂轮各个钝化状态(初期、中期、严重)信号的小波能量系数分别提取,可以发现,砂轮各个钝化状态的小波能量系数具有很好的一致性,而各钝化状态之间的能量系数却大为不同。因此,可以将其作为砂轮钝化状态识别器的输入参数,来进行砂轮钝化状态的识别判断。最后,本文采用改进的BP神经网络算法,建立了三层BP神经网络作为砂轮钝化状态识别器,通过试验,确定了神经网络的各种相关参数及最优的BP神经网络结构,并利用获得的样本信号对神经网络进行训练和仿真测试,得到了良好的识别效果(识别率达到90%左右),验证了此神经网络的可靠性与准确性,达到了预期目标。本文的研究成果对于推动砂轮钝化状态监测技术的发展,提高磨削加工的质量与效率具有重要意义和实用价值。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 本课题的来源及研究意义
• 1.2 相关理论与技术的发展及研究现状
• 1.2.1 工程陶瓷磨削技术现状
• 1.2.2 声发射技术的发展及在磨削加工中的应用
• 1.2.2.1 声发射技术的发展
• 1.2.2.2 声发射技术在磨削加工中的应用
• 1.2.3 小波理论概述及其在机械加工监测中的应用
• 1.3 本文的主要工作
• 2 砂轮声发射信号的小波分析若干关键问题研究
• 2.1 声发射技术的理论基础
• 2.1.1 声发射信号的概念及特点
• 2.1.2 声发射信号的分析方法
• 2.1.2.1 参数分析法
• 2.1.2.2 波形分析法
• 2.2 小波分析的相关概念及算法
• 2.2.1 小波分析的相关概念
• 2.2.1.1 连续小波基函数
• 2.2.1.2 连续小波变换
• 2.2.1.3 离散小波变换
• 2.2.2 多分辨率分析与Mallat 算法
• 2.3 各类噪声对声发射信号的影响及消除办法
• 2.4 砂轮声发射信号小波分析的小波基选取研究
• 2.4.1 常用小波基性质研究
• 2.4.2 砂轮钝化声发射信号小波分析的小波基选取
• 2.5 砂轮声发射信号小波变换最大分解尺度（层数）的确定
• 2.6 本章小结
• 3 小波能量系数法在砂轮声发射信号处理中的应用研究
• 3.1 砂轮钝化的判定标准
• 3.2 磨削参数对砂轮钝化的影响
• 3.2.1 工作台速度对AE 信号的影响
• 3.2.2 砂轮线速度与磨削深度对AE 信号的影响
• 3.3 小波能量系数法的应用研究
• 3.3.1 小波能量系数的定义
• 3.3.2 具体试验分析
• 3.3.2.1 工作台速度为1200 mm/min 时的AE 信号分析
• 3.3.2.2 工作台速度为2500 mm/min 时的AE 信号分析
• 3.3.2.3 工作台速度为4000 mm/min 时的AE 信号分析
• 3.4 本章小结
• 4 基于 BP 神经网络的砂轮钝化状态判断应用研究
• 4.1 人工神经网络概述
• 4.1.1 人工神经元模型
• 4.1.2 人工神经网络性质
• 4.2 BP 神经网络及其算法
• 4.2.1 BP 神经网络性质
• 4.2.2 BP 算法
• 4.2.3 BP 算法的改进
• 4.3 基于BP 神经网络的砂轮钝化状态判断方法研究
• 4.3.1 隐层数与隐层节点的确定
• 4.3.2 传递函数与训练算法的选择
• 4.3.3 学习速度与学习误差的确定
• 4.3.4 输入层和输出层节点数与样本选择
• 4.4 状态识别神经网络的训练与仿真
• 4.4.1 状态识别神经网络的建立
• 4.4.2 状态识别神经网络的训练与仿真结论分析
• 4.5 本章小结
• 5 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文