刀具磨损状态监测系统研究

论文摘要

金属切削过程中的刀具磨损是不可避免的现象,它直接影响工件的加工精度和表面粗糙度,并且还会影响到加工质量、效率及加工系统整体功能的正常发挥,因此研究刀具磨损状态具有重大意义。本文通过大量切削实验获得真实有效的切削力信号,利用多分辨率小波分析提取信号中能反映刀具磨损状态的特征向量,将这些特征向量输入BP神经网络,利用人工神经网络技术实现对刀具磨损状态的识别。切削力一直是表征切削过程的最重要特征,切削过程的变化都和切削力密切相关。切削力信号直接真实,不受加工区内切屑和冷却液的影响;与其他监测信号相比,切削力信号幅度较大,干扰信号对它的影响较小,抗干扰能力较强。所以本论文选择切削力信号监测刀具状态。通过对切削力信号分别进行时域、频域分析及多分辨率小波分析,本文综合比较了各种特征参数变化趋势与刀具磨损的对应关系。结果表明:对切削力信号而言,难以用时域或纯频域的数据处理方法获得表征刀具磨损程度的特征向量,切削力信号在经过小波分解后,其细节信号的能量和均方差能够反映刀具的磨损状态,可作为刀具磨损信号的特征向量。含有单隐层的三层BP神经网络可以实现任意M维空间到N维空间的映射,因此本文采用三层BP网络确立各特征向量与刀具磨损状态的对应关系。经多分辨率小波分析之后得到的特征向量输入网络结构为8-13-1的神经网络,利用训练样本对神经网络进行训练,调整权阈值,利用神经网络的非线性映射能力建立起所需的神经网络模型。实验结果表明,本文建立的基于多分辨率小波分析和神经网络的刀具磨损状态监测系统能够有效识别刀具的磨损状态。

论文目录

• 摘要
• Abstract
• 符号说明
• 第1章 绪论
• 1.1 刀具监控的目的和意义
• 1.2 刀具监控技术的发展过程与研究现状
• 1.2.1 刀具监控技术的发展过程
• 1.2.2 国外刀具监控技术的研究现状
• 1.2.3 国内刀具监控技术的研究现状
• 1.3 刀具监控系统的组成
• 1.3.1 信号监测
• 1.3.2 特征提取
• 1.3.3 状态识别
• 1.4 刀具状态监测的关键技术及发展趋势
• 1.4.1 传感器技术
• 1.4.2 基于神经网络的多传感器信息融合技术
• 1.4.3 信号处理技术
• 1.4.4 智能学习决策技术
• 1.4.5 刀具状态监控技术的发展趋势
• 1.5 刀具监测系统存在的问题与对策
• 1.5.1 刀具监测系统存在的问题
• 1.5.2 解决存在问题的对策
• 1.6 本论文的主要内容
• 第2章 刀具的故障特征与诊断方法
• 2.1 刀具的磨损
• 2.1.1 前刀面磨损（月牙洼磨损）
• 2.1.2 后刀面磨损
• 2.1.3 边界磨损
• 2.2 刀具的破损
• 2.2.1 脆性破损
• 2.2.2 塑性破损
• 2.3 刀具磨损过程及磨钝标准
• 2.3.1 刀具磨损过程的三个阶段
• 2.3.2 刀具的磨钝标准
• 2.4 刀具状态的诊断方法
• 2.4.1 直接法
• 2.4.2 间接法
• 2.4.3 应用现代信息处理技术监控刀具状态
• 2.5 本章小结
• 第3章 刀具磨损监测的信号处理
• 3.1 刀具磨损监测信号的选择
• 3.2 切削力信号的信号分析
• 3.2.1 切削力信号的时域分析
• 3.2.2 切削力信号的频域分析
• 3.2.3 切削力信号的多分辨率小波分析及特征提取
• 3.3 本章小结
• 第4章 刀具磨损监测的神经网络识别技术
• 4.1 神经网络
• 4.2 BP神经网络
• 4.2.1 BP网络的学习过程
• 4.2.2 传输函数及误差函数
• 4.2.3 网络的学习规则一梯度下降算法
• 4.2.4 BP网络的优缺点
• 4.3 选择最佳隐含层神经元数目
• 4.4 神经网络在刀具磨损状态识别中的应用
• 4.5 本章小结
• 第5章 刀具磨损状态监测系统的建立
• 5.1 实验方案
• 5.1.1 实验装置简介
• 5.1.2 刀具磨损的正交实验
• 5.2 切削力信号的特征提取
• 5.3 BP神经网络的建立及相关参数的选择
• 5.4 建立刀具磨损状态监测系统
• 5.5 本章小结
• 总结及展望
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表