【摘要】：在切削過程中,刀具會隨著使用時間的延長和加工工件數的增加而逐漸出現磨損,這會影響工件的表面形貌和質量,甚至影響整個加工系統(tǒng)的生產效率,因此對刀具狀態(tài)監(jiān)測的研究具有重要意義。本文從刀具狀態(tài)監(jiān)控間接測量法入手,通過對多通道信號的融合分析,并提取特征進行模式識別,建立了一套有效的刀具磨損監(jiān)控系統(tǒng),可以有效判別刀具的多種磨損狀態(tài),并在實際案例中應用了本文所提出的方法,開發(fā)了軟件應用于生產加工。具體如下:首先,本文以多通道信號為研究對象,提出了一種自適應噪聲輔助多元經驗模態(tài)分解方法,可以對多通道信號進行同步分解,實現數據層融合分析。在多通道信號的基礎上添加兩個噪聲輔助通道,以原始信號多通道加權正交指數最小為目標,通過自適應權重粒子群算法搜索最優(yōu)K(投影向量個數),α_1,α_2(兩個輔助噪聲通道的噪聲強度)最優(yōu)參數組合,實現多通道自適應同步分析。改進的方法提高了分解精度,信號分量的局域性更好,有效抑制了模態(tài)混疊現象。通過仿真實驗數據和真實案例數據驗證了該方法的有效性,自適應噪聲輔助多元經驗模態(tài)分解方法能更準確地提取故障頻率。其次,因為從生產過程中采集的信號會包含大量的噪聲,所以使用改進的噪聲輔助多元經驗模態(tài)分解(Noise Assisted Multivariate Empirical Mode Decomposition,NA-MEMD)方法將信號自適應分解出的本征模態(tài)函數(Intrinsic Mode Function,IMF)組數量較多,無法直接分辨有用信號和噪聲信號,不利于從信號分量中的提取故障特征。本文將分解出的多通道IMF組分別進行單獨篩選,然后進行多通道集成,選出有效IMF層,每個通道的篩選是基于原始信號和IMF分量信號的概率密度函數的相干性,綜合考慮(1)IMF與原信號通道信號的相關性,(2)IMF與其它信號通道的信號的相關性,(3)IMF與輔助噪聲通道的同層IMF的相關性,從而確定相關IMF的階數。對篩選出的IMF進行間隔閾值去噪,去除分量信號IMF中的噪聲成分,提高信噪比。然后通過分層貝葉斯模型結構建立多分類相關向量機(Multi-class Relevance Vector Machine,MRVM)模型,較好的解決了相關向量機(Relevance Vector Machine,RVM)多分類問題,并利用其概率輸出,將其和最近鄰(k-Nearest Neighbor,KNN)算法相結合,建立了一種新的多分類器。提高了MRVM的識別率,減少了核函數參數的影響。通過仿真數據和一些常用的分類數據集證明了該識別模型和方法的有效性。最后,在航天設備制造149廠的三軸機床上安裝了振動,聲音和溫度傳感器,通過采集卡和上位機收集信號,設計實驗,采集三種不同磨損程度的刀對應的信號,使用本文提出刀具狀態(tài)監(jiān)測方法進行分析,具有較高的識別率,同時基于此算法開發(fā)了一套軟件用于實際生產。
【圖文】：

程發(fā)生的正常磨損現象，是一種連是隨機的突發(fā)性破壞，主要包括脆，如圖 1-1 所示：形，主要因為前刀面會產生很多切洼和刀刃之間的棱邊隨磨損的不斷會發(fā)生崩刃，前刀面磨損 KT 表示加工的過程中，刀具的后刀面與加 1-2（b）所示，將后刀面按照距離近，N 最遠，分別用 VC、VB、V緩，所以磨損量用這一區(qū)域的平均損量。后刀面對工件表面質量具有的表面質量[15]。的邊界處發(fā)生磨損，前刀面的月牙 KT 和 VB 表示[15]。

圖 1- 2 前刀面、后刀面磨損示意圖Fig.1- 2 Rake wear and flank wear具磨損的原因具磨損主要是由物理和化學作用共同決定的，通常包括以下方式[16]： 硬質點磨損，因為金屬材料內部不是完全均勻的，可能會存在一些硬質點更容易帶走刀具材料，造成機械磨損。高速鋼刀具或者低速切削時較這種磨損。 粘結磨損，是刀具和切削面之間在高溫高壓發(fā)生原子相互運動，如果刀粘結點因為相互摩擦運動被接觸面帶走，就會致使刀具發(fā)生磨損。當刀屬材料時，如果熱量不能有效的傳遞出去，接觸面局部區(qū)域的溫度就會，產生熔著現象，切削溫度對其有重要影響，溫度越高越容易磨損。 擴散磨損，切削加工時產生的能量會引起原子的運動，，刀具材料與工件原子相互向對方擴散的現象。由于切削時刀具處于高溫、高壓狀態(tài)，刀表面存在濃度差，相互摩擦的過程中分子會相互擴散，這會刀具材料和[16]
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18;TG71

【參考文獻】

相關期刊論文 前5條

1 陳洪濤;傅攀;李曉輝;鐘成明;;基于J-EEMD的刀具磨損狀態(tài)特征提取技術[J];機械科學與技術;2014年06期

2 陳群濤;石新華;邵華;;基于多傳感器信息融合方法的刀具破損識別[J];組合機床與自動化加工技術;2013年10期

3 沈毅;張筱磊;王振華;;基于EMD和有向因子圖的航天器故障診斷[J];哈爾濱工業(yè)大學學報;2013年01期

4 關山;王龍山;聶鵬;;基于EMD與LS-SVM的刀具磨損識別方法[J];北京航空航天大學學報;2011年02期

5 艾長勝;王寶光;董全成;何光偉;;基于聲信號HMM的刀具磨損程度分級識別[J];組合機床與自動化加工技術;2007年07期

相關博士學位論文 前2條

1 高宏力;切削加工過程中刀具磨損的智能監(jiān)測技術研究[D];西南交通大學;2005年

2 鄭建明;基于HMM的多特征融合鉆頭磨損監(jiān)測技術的研究[D];西安理工大學;2004年

相關碩士學位論文 前4條

1 劉源;基于多元EMD的BCI信號處理研究[D];燕山大學;2013年

2 錢磊;基于支持向量機的變參數銑削刀具磨損狀態(tài)監(jiān)測研究[D];天津大學;2014年

3 孫艷杰;基于切削聲和切削力參數融合的刀具磨損監(jiān)測系統(tǒng)的研究[D];濟南大學;2011年

4 宋庭科;PCBN刀具車削鎳基高溫合金切削性能研究[D];大連理工大學;2010年

本文編號：2614513