基于粒子群优化神经网络的刀具磨损状态监测技术研究

论文摘要

当今社会,随着科技的日益进步,自动化程度越来越高,而机械制造业作为国家工业化水平的重要标志,也不断的发展起来,金属切削加工是机械制造中应用最为广泛的加工方式,在加工过程中,刀具又是最基本且非常必要的生产要素,因此,如何保证刀具正常工作,提高刀具性能,对刀具磨损状态进行监测成为关键。本论文以Kistler9257B测力仪、8702B50M1振动传感器等为信号采集元件用于采集监测信号,在信号分析处理和状态识别方面,主要利用MATLAB平台,以刀具不同磨损状态的切削力和振动信号为研究对象,提取信号的时域、频域及时频域等参数作为特征向量,得到与刀具磨损敏感的特征值,通过对粒子群优化算法的研究发现,粒子群优化算法具有概念简单易于描述,需要调整的参数较少,实现比较容易,收敛速度快等优点,因此将其用于优化BP神经网络以对刀具磨损状态进行识别,相对于传统的BP神经网络来说,应用粒子群优化算法优化的BP神经网络在刀具磨损状态识别中更具优势。刀具磨损状态监测系统是在现代信号分析方法与粒子群优化BP神经网络结合的基础上建立的,实验研究表明,充分利用加工过程中切削力信号和振动信号的有效信息,并利用粒子群优化BP神经网络进行状态识别,可大大地提高识别速度和准确性,这对生产过程的监测具有一定的实际意义。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的提出及研究意义
• 1.2 刀具的磨损形式
• 1.2.1 刀具磨损形态
• 1.2.2 刀具磨损机理
• 1.2.3 刀具磨损过程及磨钝标准
• 1.3 刀具磨损状态监测技术研究现状
• 1.3.1 刀具磨损状态监测技术国内外研究现状
• 1.3.2 刀具磨损状态监测技术研究的主要方法
• 1.3.3 刀具磨损状态监测系统构成
• 1.4 粒子群优化算法概述及其发展
• 1.4.1 粒子群优化算法概述
• 1.4.2 粒子群优化算法的发展历程
• 1.4.3 粒子群优化算法的研究方向
• 1.4.4 粒子群优化算法与人工神经网络
• 1.5 论文的主要研究工作
• 第2章 刀具磨损状态监测实验平台的建立
• 2.1 刀具磨损状态监测系统的总体构成
• 2.2 实验方法
• 2.3 监测对象及加工参数的确定
• 2.4 系统硬件组成
• 2.4.1 实验机床
• 2.4.2 传感器的选择及其安装位置
• 2.4.3 数据采集系统的选择
• 2.5 软件平台
• 2.6 本章小结
• 第3章 信号分析处理与特征提取
• 3.1 时域分析法及特征提取
• 3.2 频域分析法及特征提取
• 3.2.1 频谱分析
• 3.2.2 功率谱分析
• 3.2.3 倒频谱分析
• 3.3 时频域分析法及特征提取
• 3.3.1 小波分析
• 3.3.2 小波包能量特征
• 3.4 振动信号分析
• 3.4.1 时域特征
• 3.4.2 频域特征
• 3.5 切削力信号分析
• 3.5.1 小波分析
• 3.5.2 小波包能量
• 3.6 特征值归一化
• 3.7 本章小结
• 第4章 粒子群优化算法
• 4.1 粒子群优化算法的起源
• 4.2 基本粒子群优化算法
• 4.2.1 算法的原理
• 4.2.2 算法的数学描述
• 4.2.3 算法的参数分析
• 4.2.4 算法的流程
• 4.2.5 算法的优点及其改进
• 4.3 粒子群优化算法的发展
• 4.3.1 标准粒子群优化算法
• 4.3.2 带收缩因子的粒子群优化算法
• 4.3.3 自适应权重粒子群优化算法
• 4.3.4 动态学习因子粒子群优化算法
• 4.4 与其他智能算法的比较
• 4.4.1 与蚁群优化算法比较
• 4.4.2 与遗传算法比较
• 4.5 本章小结
• 第5章 粒子群优化神经网络的刀具状态监测
• 5.1 人工神经网络
• 5.1.1 人工神经网络的基本概念
• 5.1.2 神经元数学模型
• 5.1.3 人工神经网络的训练和学习
• 5.1.4 人工神经网络的泛化能力
• 5.1.5 BP神经网络
• 5.2 粒子群优化算法优化神经网络
• 5.2.1 粒子群优化算法优化神经网络的设计
• 5.2.2 算法的性能评价及分析
• 5.3 粒子群优化神经网络的刀具状态监测
• 5.3.1 神经网络的建立
• 5.3.2 粒子群优化神经网络的参数选择
• 5.3.3 刀具磨损状态识别模型
• 5.4 本章小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果