隨著“中國制造2025”戰(zhàn)略的不斷推進,制造業(yè)的地位日趨重要,以智能制造為代表的新一輪工業(yè)革命,已經(jīng)成為了國際競爭的新戰(zhàn)略高地。在機械加工領域隨著生產(chǎn)加工過程的智能化與自動化程度不斷提高,如何實時準確地監(jiān)控刀具的磨損狀態(tài),成為保障生產(chǎn)節(jié)拍、提高生產(chǎn)效率和產(chǎn)品質(zhì)量的關鍵問題。在數(shù)控批量加工過程中,刀具磨損不可避免,當?shù)毒吣p較為嚴重時會對工件質(zhì)量產(chǎn)生影響甚至引起機床事故,因此需要在刀具發(fā)生嚴重磨損前對其進行更換或刃磨。但是如果在刀具的剩余壽命較多時便進行換刀則會降低刀具的使用經(jīng)濟性,提高企業(yè)生產(chǎn)成本,在批量加工過程中還會造成生產(chǎn)節(jié)拍中斷,生產(chǎn)效率降低等問題。因此通過對刀具磨損狀態(tài)的準確識別來為換刀策略提供依據(jù)是非常有必要的。在如今大力推進工廠智能化和自動化的時代,可以通過實時監(jiān)測與刀具磨損相關的物理信號的方式來識別刀具所處磨損狀態(tài),本文在了解了現(xiàn)階段國內(nèi)外對刀具磨損狀態(tài)辨識研究的基礎上,進行銑削加工試驗,并以振動和力信號為監(jiān)測信號,對刀具磨損狀態(tài)分階段進行辨識。本文的主要工作內(nèi)容如下:（1）搭建實驗臺,開展切削試驗并采集數(shù)據(jù)。研究了切削過程中各類信號的特點,最終選擇以力信號和振動信號為監(jiān)... 

【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

試驗所用XK714D立式加工中心本文試驗所采用的刀具為上海工具廠生產(chǎn)的三齒粗柄立銑刀，材料為高速鋼，無

實驗

西南交通大學碩士研究生學位論文第14頁采樣頻率僅為10Hz低于刀齒通過頻率，因此會造成數(shù)據(jù)遺漏，且功率信號存在滯后現(xiàn)象，因此其并不適合作為本文試驗的監(jiān)測信號。綜上所述，本文試驗最終選擇以力信號和振動信號作為監(jiān)測信號來搭建試驗平臺。2.5試驗平臺搭建2.5.1力信號采集系統(tǒng)力信號采集系統(tǒng)分為硬件部分和軟件部分。其中硬件部分由力傳感器、電荷放大器、數(shù)據(jù)采集卡構成，本文實驗中選用的測力儀型號為KistlerType9272測力儀如圖2-3所示，該測力儀由瑞士奇石樂公司生產(chǎn)制造，該測力儀可同時采集銑削加工過程中的三向銑削力信號，其量程為±5KN，具有較高的防護等級，可以適應加工過程中的惡劣環(huán)境，并且該測力儀剛度較大受機床振動干擾很小，因此非常適合本次實驗。在加工過程中該測力儀首先被固定在機床工作臺上，然后通過螺栓將工件與測力儀連接。在銑削過程中測力儀產(chǎn)生的信號為電荷信號，該信號通過如圖2-4所示的Kistler5070A型電荷放大器放大后傳輸至計算機。圖2-3KistlerType9272型測力儀圖2-4Kistler5070A型電荷放大器力信號采集軟件是由瑞士奇石樂公司提供的DynoWare軟件，該軟件與力傳感器、采集卡和電荷放大器配套使用。采集參數(shù)設置如圖2-5所示，實際力信號采集過程如圖2-6所示。為避免刀具磨損信息的遺漏，力信號采集頻率設置為10000Hz。圖2-5采集參數(shù)設置

【參考文獻】：
期刊論文
[1]基于LSTM-BP級聯(lián)網(wǎng)絡的列控車載設備故障診斷[J]. 上官偉,孟月月,楊嘉明,蔡伯根.  北京交通大學學報. 2019(01)
[2]長短時記憶網(wǎng)絡在電機故障診斷中的應用研究[J]. 王惠中,賀珂珂,房理想.  自動化儀表. 2019(01)
[3]應用ITD分形模糊熵的自動機早期故障診斷[J]. 趙雄鵬,潘宏俠,劉廣璞,安邦.  機械設計與制造. 2019(01)
[4]刀具磨損的機器視覺監(jiān)測研究[J]. 彭銳濤,降皓鑒,徐瑩,唐新姿,張珊.  機械科學與技術. 2019(08)
[5]基于多尺度模糊熵和主成分分析的軸承故障特征提取[J]. 李生鵬,韋朋余,丁峰,竺一峰,姜朝文,周舒豪.  船舶力學. 2018(10)
[6]基于卷積神經(jīng)網(wǎng)絡的刀具磨損在線監(jiān)測[J]. 曹大理,孫惠斌,張紀鐸,莫蓉.  計算機集成制造系統(tǒng). 2020(01)
[7]基于支持向量機與粒子濾波的刀具磨損狀態(tài)識別[J]. 程燦,李建勇,徐文勝,聶蒙.  振動與沖擊. 2018(17)
[8]基于短時滑移模糊熵和LPP的軸承故障診斷[J]. 童水光,張依東,徐劍,從飛云.  振動.測試與診斷. 2018(04)
[9]基于長短期記憶網(wǎng)絡的軸承故障識別[J]. 唐賽,何荇兮,張家悅,尹愛軍.  汽車工程學報. 2018(04)
[10]基于S變換時頻圖紋理特征的刀具磨損狀態(tài)識別[J]. 宋偉杰,關山,龐弘陽.  組合機床與自動化加工技術. 2018(07)

博士論文
[1]基于隱馬爾可夫模型的微銑削刀具磨損狀態(tài)監(jiān)測與過程優(yōu)化[D]. 劉同舜.中國科學技術大學 2018
[2]微細銑刀的失效分析與設計理論研究[D]. 何理論.北京理工大學 2015

碩士論文
[1]深度學習在滾動軸承故障診斷中的應用研究[D]. 陳偉.西南交通大學 2018
[2]基于深度學習的刀具磨損狀態(tài)監(jiān)測技術的研究[D]. 林楊.中國科學技術大學 2017
[3]硬脆材料旋轉(zhuǎn)超聲加工刀具磨損狀態(tài)監(jiān)測技術研究[D]. 李光輝.哈爾濱工業(yè)大學 2016
[4]刀具磨損監(jiān)測和剩余壽命預測方法[D]. 王曉強.華中科技大學 2016
[5]基于銑削力的刀具磨損在線監(jiān)測研究[D]. 王定.華中科技大學 2015
[6]鈦合金高效車削刀具磨損試驗研究[D]. 閔令臣.哈爾濱理工大學 2014



本文編號：2941354