基于神经网络的数控车削过程中零件表面粗糙度的在线预测

论文摘要

机械零件的表面精度是除了其尺寸精度和形状位置精度之外用于衡量零件加工质量的又一重要指标。数控机床作为先进的机械制造设备,在对产品尺寸精度和形状位置精度的控制上有着比传统机床所不可比拟的优势。然而困扰着它的自动化水平进一步提高的障碍仍然是对切削过程中零件表面粗糙度的稳定控制。本文从表面粗糙度的形成机理和评价体系入手,分析了数控精车削过程中影响表面粗糙度值的原因及切削参数与它们之间的关系,发现其主要问题是它们相互作用下所引起的刀具与工件之间的相对振动,从而产生相对偏移,导致了零件表面的粗糙度值的不稳定,且径向振动对表面粗糙度的影响要明显大于其它方向的振动影响。根据现代切削振动信号的测试理论,自制了实验设备,采用压电式加速度传感器提取出不同数控精车工况下与表面粗糙度值存在相关联系的加速度幅值信号,经过自编虚拟仪器软件的后续处理后,输入到具有较强非线性映射能力且经过事先训练的人工神经网络中,进行表面粗糙度值的预测。实验结果表明,经事先训练的人工神经网络对不同工况下的表面粗糙度的预测值与实测值非常接近,这为切削过程中表面粗糙度的在线检测提供了一种新的方法。结合正在开发的具有切削参数自动调整功能的表面粗糙度值的数控系统,可实现切削过程中表面粗糙度的稳定控制,从而在兼顾效率的同时可保证加工的表面质量满足要求。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 表面粗糙度预测的意义
• 1.2 表面粗糙度在线预测技术概况
• 1.3 论文主要内容
• 第二章 数控加工技术概况
• 2.1 数控加工技术的历史与发展
• 2.1.1 数控技术的发展历史
• 2.1.2 数控机床发展趋势
• 2.2 数控加工技术的基本原理
• 2.3 本章小结
• 第三章 表面粗糙度的形成机理与影响因素
• 3.1 加工表面的成形过程
• 3.2 影响表面粗糙度的因素
• 3.3 表面粗糙度值的评价体系
• 3.3.1 图形表征
• 3.3.2 参数表征
• 3.3.3 分形表征
• 3.4 本章小结
• 第四章 切削振动对表面粗糙度的影响机理
• 4.1 车削中的振动形式
• 4.2 车削振动系统模型分析
• 4.2.1 单自由度系统的振动特性
• 4.2.2 多自由度系统的振动特性
• 4.3 振动模型的建立
• 4.4 振动激励下的表面形状
• 4.5 本章小结
• 第五章 人工神经网络的应用
• 5.1 人工神经网络概述
• 5.1.1 人工神经网络的起源与发展
• 5.1.2 人工神经网络的特点
• 5.2 人工神经网络的结构
• 5.2.1 神经元及其特性
• 5.2.2 人工神经网络的结构
• 5.3 BP网络
• 5.3.1 BP网络模型特点
• 5.3.2 BP网络学习算法
• 5.4 网络的设计
• 5.5 本章小结
• 第六章 实验原理与实验结果
• 6.1 传感器的选择
• 6.1.1 振动位移测量传感器的类型与特点
• 6.1.2 压电式加速度传感器的工作原理
• 6.1.3 传感器的选定
• 6.1.4 传感器的安装
• 6.2 信号采样
• 6.3 信号处理
• 6.4 预测用神经网络的构建
• 6.5 实验方案
• 6.6 神经网络的预测结果图
• 结论与展望
• 参考文献
• 致谢