基于泛在制造的数控机床加工状态监测研究

论文摘要

感知和智能为特征的新技术的出现及相互融合,以泛在网络为基础、泛在感知为核心的泛在信息制造技术成为制造技术发展的新驱动力,同时也促进了设备状态监测的进步。基于泛在感知网络,能够快速全面地采集到与机床加工状态相关的信息参数,利用融合算法,通过泛在网络,使相关管理和操作人员及时了解数控机床的加工状态。本文根据泛在制造的体系架构,建立了数控机床加工状态监测系统,在被监测对象布置相应的传感器,利用无线网络,把采集到的信号传输给监测中心,监测中心对信号进行时域分析,利用综合系数法对特征进行选择,通过神经网络对机床加工状态进行模式识别,机床的状态参数利用泛在网络传输给PDA或异地服务器。通过分析机床加工状态,对与机床加工密切相关的刀具的磨损状态进行了监测试验。通过提取切削时的振动信号和声发射信号,通过时域分析,抽取时域特征中的静态均值和能量平均值作为智能状态识别和刀具磨损量预测的依据。在模式识别方面,利用神经网络的非线性映射功能,采用三层结构的BP人工神经网络实现加工状态和相关特征量之间的非线性映射,通过神经网络的训练,实现数控机床加工状态的监测。另外,利用LabVIEW软件中的Matlab Script节点调用Matlab的神经网络工具包,减少了程序开发周期,同时提高了程序的可靠性。通过指状铣刀的切削试验,验证了BP人工神经网络能够实现刀具状态识别和磨损量预测。本文在试验设计、信号分析、特征选择以及模式识别等方面进行了积极的探索,在实验室中通过无线网络实现了指状铣刀的状态监测和磨损量预测,为在泛在制造平台上的数控机床加工状态监测系统的实用化进行了探索性的研究。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景和意义
• 1.2 数控机床加工状态远程监测国内外研究情况
• 1.3 泛在制造的国内外研究情况
• 1.4 BP人工神经网络在数控机床状态监测中的应用
• 1.5 课题的提出及主要工作
• 1.6 小结
• 第2章 基于泛在制造的数控机床加工状态监测系统
• 2.1 泛在网络体系架构
• 2.2 泛在感知网络
• 2.3 泛在制造的体系架构
• 2.4 基于泛在制造的数控机床加工状态监测系统的架构
• 2.4.1 基于泛在制造的车间无线传感网络的布置
• 2.4.2 基于泛在制造的多传感器信息融合算法
• 2.5 小结
• 第3章 数控机床加工状态试验平台的建立
• 3.1 试验对象及加工参数确定
• 3.2 试验装置
• 3.2.1 传感器的选择与安装
• 3.2.2 无线数据采集模块WLS-9234
• 3.3 数控机床加工状态监测系统
• 3.3.1 数控机床加工状态监测系统的基本组成
• 3.3.2 指状铣刀加工状态监测系统
• 3.4 试验步骤
• 3.5 小结
• 第4章 数控机床加工状态信号分析与特征选择
• 4.1 时域分析与时域特征
• 4.2 频域分析与频域特征
• 4.3 数控机床加工状态信号分析
• 4.3.1 神经网络的样本信号截取
• 4.3.2 数控机床加工状态信号的时域分析
• 4.3.3 数控机床加工状态信号的频域分析
• 4.4 神经网络训练特征的选择
• 4.4.1 特征的相关性分析
• 4.4.2 特征选择的方法
• 4.5 小结
• 第5章 基于BP人工神经网络的状态监测
• 5.1 人工神经网络的基本模型
• 5.2 人工神经网络的学习规则
• 5.3 BP人工神经网络
• 5.3.1 人工神经元
• 5.3.2 神经元功能函数
• 5.3.3 BP神经网络结构与算法
• 5.4 基于BP神经网络的数控机床加工状态监测
• 5.4.1 数控机床加工状态识别的神经网络参数设计
• 5.4.2 数控机床切削时刀具磨损状态识别
• 5.4.3 数控机床切削时刀具磨损量预测
• 5.5 小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文