刀具磨损状态识别及预测研究

发布时间：2017-05-22 20:02

  本文关键词：刀具磨损状态识别及预测研究，，由笔耕文化传播整理发布。

【摘要】：金属切削加工是机械设计制造之中最常用的加工方式,而刀具又是金属切削加工过程中至关重要的生产要素。因此,刀具的性能、质量及管理能够直接影响加工过程的稳定性、产品的可靠性、加工节拍和生产效率。所以,对刀具磨损状态监测,提取有用信息,分析刀具磨损状况,从而能够实现减低生产成本,减少生产故障,提高生产效率的功能。在刀具磨损状态监测的基础上,利用己知的刀具磨损量值对未来时刻刀具磨损量值进行预测,可以在刀具磨钝前及时采取相应措施。因此,刀具磨损量的预测也非常重要。 采集刀具从新刀至刀尖崩裂整个过程中每一次走刀的振动信号和切削力信号,同时测量并记录每一次走刀完成后刀具后刀面的磨损量值；然后,在时域和频域分别对切削力信号进行特征提取,从提取到的特征中选择与刀具磨损敏感的特征值。通过对振动信号进行分析,发现在时域和频域中,不同磨损状态下的振动信号特征区别不明显,很难提取到与刀具磨损敏感的特征值。因此,对振动信号进行小波包分析,选择部分频带能量作为有效特征值。 选择的所有特征值归一化处理后,作为神经网络的输入向量。建立三层BP神经网络,并利用训练样本进行训练,然后利用测试样本进行测试,发现刀具不同磨损状态均能够较好地被识别。 分别利用ARMA模型,BP神经网络,以及基于以上两种方法的组合模型对刀具磨损量值进行预测。通过选择适当的参数进行建模,利用ARMA模型和BP网络得到的刀具未来时刻的磨损量值,预测值效果均比较理想。利用结合两种模型优势的组合模型进行预测,虽然并非每个预测值的效果都优于单独使用每方法的效果,但是整体预测效果较好。
【关键词】：刀具磨损 状态监测 特征提取 BP神经网络 ARMA模型 预测
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TG71;TP274
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-20
• 1.1 刀具磨损状态监测的目的和意义11-12
• 1.2 刀具磨损状态监测的研究现状12-16
• 1.2.1 监测方法12-14
• 1.2.2 特征提取14-15
• 1.2.3 模式识别15-16
• 1.3 预测技术研究综述16-18
• 1.3.1 预测基本步骤16
• 1.3.2 预测方法综述16-18
• 1.3.3 预测有效性评价18
• 1.4 本文的主要研究内容18-20
• 第2章 刀具磨损状态监测实验系统设计20-25
• 2.1 刀具的磨损形式及标准20-22
• 2.1.1 刀具的正常磨损形式20
• 2.1.2 刀具的磨损过程20-21
• 2.1.3 刀具的磨钝标准21-22
• 2.2 刀具磨损监测系统22-24
• 2.2.1 监测系统构成22-24
• 2.2.2 加工条件24
• 2.3 本章小结24-25
• 第3章 刀具磨损特征提取25-39
• 3.1 信号特征提取方法25-31
• 3.1.1 时域分析及特征提取25-26
• 3.1.2 频域分析及特征提取26-27
• 3.1.3 小波分析27-31
• 3.2 刀具磨损特征提取31-38
• 3.2.1 切削力信号特征提取32-35
• 3.2.2 振动信号特征提取35-38
• 3.3 本章小结38-39
• 第4章 刀具磨损状态识别39-48
• 4.1 人工神经网络概述39-41
• 4.1.1 神经网络的特点39
• 4.1.2 神经元结构模型39-41
• 4.2 BP神经网络41-43
• 4.2.1 BP网络结构41
• 4.2.2 BP网络学习规则41-43
• 4.3 BP网络设计43-44
• 4.3.1 输入输出层设计43
• 4.3.2 隐层设计43-44
• 4.3.3 初始权值选择44
• 4.3.4 学习速率44
• 4.3.5 学习误差44
• 4.4 基于BP神经网络的刀具磨损量识别44-47
• 4.4.1 网络参数设定及训练44-46
• 4.4.2 网络的测试46-47
• 4.5 本章小结47-48
• 第5章 刀具磨损量预测48-66
• 5.1 基于ARMA的刀具磨损量预测48-59
• 5.1.1 时间序列基础知识48-49
• 5.1.2 ARMA模型基本原理49-50
• 5.1.3 ARMA模型建模过程50-53
• 5.1.4 ARMA模型在刀具磨损量预测中的应用53-59
• 5.2 基于神经网络的刀具磨损量预测59-62
• 5.2.1 BP神经网络预测模型59-60
• 5.2.2 神经网络在刀具磨损量预测中的应用60-62
• 5.3 ARIMA模型及神经网络混合预测62-65
• 5.3.1 组合预测原理62-63
• 5.3.2 组合预测在刀具磨损量预测中的应用63-65
• 5.4 本章小结65-66
• 结论66-67
• 致谢67-68
• 参考文献68-71
• 攻读硕士研究生期间发表的论文71

【参考文献】

中国期刊全文数据库 前10条

1 李劲松,陈鼎昌;基于铣削力的刀具磨损监控研究[J];北京航空航天大学学报;1998年05期

2 关山;康晓峰;;在线金属切削刀具磨损状态监测研究的回顾与展望Ⅰ:监测信号的选择[J];机床与液压;2010年11期

3 徐玲;杨丹;王时龙;聂建林;;基于进化神经网络的刀具寿命预测[J];计算机集成制造系统;2008年01期

4 张翔;富宏亚;孙雅洲;韩振宇;;基于隐Markov模型的微径铣刀磨损监测[J];计算机集成制造系统;2012年01期

5 杨永;;数控机床刀具磨损的振动监测法[J];机械;2009年07期

6 韩育平,王永梅;切削力监测刀具磨损的一种方法[J];煤矿机械;2004年01期

7 喻俊馨,王计生,黄惟公,李江;小波包分析在刀具声发射信号特征提取中的应用[J];数据采集与处理;2005年03期

8 谢秀娴;付攀;曹伟青;;声发射和小波包分解技术在刀具磨损状态中的应用[J];中国测试技术;2006年02期

9 王国锋;李启铭;秦旭达;喻秀;崔银虎;彭东彪;;支持向量机在刀具磨损多状态监测中的应用[J];天津大学学报;2011年01期

10 高宏力,许明恒,傅攀;基于集成神经网络的刀具磨损量监测[J];西南交通大学学报;2005年05期

  本文关键词：刀具磨损状态识别及预测研究，由笔耕文化传播整理发布。

本文编号：386698