本文關(guān)鍵詞：基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在刀具磨損狀態(tài)監(jiān)測中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】： 隨著制造業(yè)自動化程度的不斷提高,機(jī)械故障診斷技術(shù)的重要性越來越明顯。加工刀具是機(jī)械加工過程中最重要的加工要素之一,在加工過程中刀具的磨損必然會影響加工質(zhì)量,加工成本及生產(chǎn)效率。在早期的機(jī)械加工過程中,全靠人來觀察刀具,更換刀具。但在現(xiàn)代化、連續(xù)自動化生產(chǎn)系統(tǒng)中,刀具的破損不僅會導(dǎo)致機(jī)床的功能失效,還會構(gòu)成整個系統(tǒng)的故障,因此,預(yù)測刀具的磨損和破損顯得十分重要。由于加工條件的多樣性、切削參數(shù)的多變性以及刀具磨損等因素使得刀具的狀態(tài)監(jiān)測成為整個生產(chǎn)過程監(jiān)測的重要環(huán)節(jié)。 刀具的切削力和振動信號是研究刀具磨損狀態(tài)的很好的手段。切削力信號直接來源于切削加工點,與刀具磨損相關(guān)程度高,振動信號容易獲得。本文建立了車刀磨損狀態(tài)監(jiān)測的實驗系統(tǒng),通過實驗使用力傳感器和振動傳感器采集了刀具在各種磨損情況下的大量數(shù)據(jù),振動信號主要對其功率譜進(jìn)行分析,尤其注意其高頻部分信號的變化；力信號則主要從Z方向入手,因為其方向與工件旋轉(zhuǎn)垂直,信號最為明顯。通過對力信號和振動信號的分析分別抽取了時域和頻域特征值,同時進(jìn)行歸一化處理,為后面的智能診斷作好準(zhǔn)備。 在智能診斷部分,首先采用了BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別,發(fā)現(xiàn)有個別樣本不能正確識別,而且收斂速度較慢。再將遺傳算法引入BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于刀具磨損狀態(tài)監(jiān)測模型的訓(xùn)練過程中,對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值改變了傳統(tǒng)的隨機(jī)選取方法,而采用遺傳算法進(jìn)行優(yōu)化。實踐表明這種方法是有效的,它克服了BP網(wǎng)絡(luò)的缺點,對刀具磨損狀態(tài)的識別精度較高,網(wǎng)絡(luò)訓(xùn)練速度較快,并且可以正確識別偏離訓(xùn)練樣本的征兆,大大提高了診斷的正確率和速度。 由于受到實際條件的限制,本論文所設(shè)計的刀具磨損狀態(tài)監(jiān)測系統(tǒng)還尚未在實際的應(yīng)用中實現(xiàn)在線實時監(jiān)測。另外,神經(jīng)網(wǎng)絡(luò)故障診斷模型的診斷能力完全依賴于知識庫現(xiàn)有的知識,由于收集到的故障實例和經(jīng)驗知識是有限的,所以,當(dāng)一個新的異類征兆出現(xiàn)時,有可能得不到最佳的匹配,出現(xiàn)漏診和誤診,這有待進(jìn)一步的研究。
【關(guān)鍵詞】：刀具磨損 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 模式識別
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2010
【分類號】：TG71
【目錄】：

• 摘要6-7
• Abstract7-10
• 第1章 緒論10-20
• 1.1 本課題研究的目的和意義10-11
• 1.2 刀具磨損11-13
• 1.3 刀具磨損狀態(tài)監(jiān)測技術(shù)的國內(nèi)外發(fā)展現(xiàn)狀13
• 1.4 常用的刀具磨損狀態(tài)監(jiān)測技術(shù)診斷方法13-19
• 1.4.1 間接法常用到的檢測信號14-16
• 1.4.2 常用的智能識別方法16-19
• 1.5 本論文主要內(nèi)容19-20
• 第2章 刀具磨損狀態(tài)監(jiān)測實驗平臺的建立20-25
• 2.1 刀具磨損監(jiān)測實驗平臺20-21
• 2.2 硬件配置21-24
• 2.2.1 傳感器的選擇及安裝21-22
• 2.2.2 其他硬件22-24
• 2.3 應(yīng)用軟件MATLAB介紹24-25
• 第3章 信號分析與處理25-52
• 3.1 時域分析25-31
• 3.2 頻域分析31-47
• 3.2.1 功率譜分析31-41
• 3.2.2 傅里葉頻譜分析41-47
• 3.3 特征值歸一化處理47-52
• 第4章 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化52-68
• 4.1 遺傳算法概述52-53
• 4.2 標(biāo)準(zhǔn)遺傳算法53-57
• 4.2.1 標(biāo)準(zhǔn)遺傳算法的基本流程53-54
• 4.2.2 標(biāo)準(zhǔn)遺傳算法的基本要素54-55
• 4.2.3 遺傳算法的改進(jìn)研究55-57
• 4.3 遺傳算法在故障診斷中的應(yīng)用57-59
• 4.3.1 利用遺傳算法提取、優(yōu)化特征參數(shù)57
• 4.3.2 遺傳算法與模糊集理論的結(jié)合應(yīng)用57-58
• 4.3.3 遺傳算法與小波理論的結(jié)合應(yīng)用58
• 4.3.4 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用58-59
• 4.4 BP神經(jīng)網(wǎng)絡(luò)59-61
• 4.4.1 BP網(wǎng)絡(luò)結(jié)構(gòu)59-60
• 4.4.2 BP算法60-61
• 4.4.3 BP網(wǎng)絡(luò)的設(shè)計要求61
• 4.5 遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合61-68
• 4.5.1 結(jié)合的必要性和可行性61-62
• 4.5.2 結(jié)合方法62-68
• 第5章 GA-BP刀具磨損狀態(tài)監(jiān)測68-80
• 5.1 BP神經(jīng)網(wǎng)絡(luò)建立與刀具磨損狀態(tài)識別68-74
• 5.2 結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)監(jiān)測74-80
• 結(jié)論與展望80-81
• 致謝81-82
• 參考文獻(xiàn)82-86
• 攻讀碩士學(xué)位期間發(fā)表的論文及科研成果86-87

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 關(guān)山;聶鵬;;在線金屬切削刀具磨損狀態(tài)監(jiān)測研究的回顧與展望Ⅲ:模式識別方法[J];機(jī)床與液壓;2012年03期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 關(guān)山;基于聲發(fā)射信號多特征分析與融合的刀具磨損分類與預(yù)測技術(shù)[D];吉林大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 楊波;尾礦庫在線安全監(jiān)測及預(yù)警關(guān)鍵技術(shù)研究[D];中國地質(zhì)大學(xué);2012年

2 劉先鋒;基于指定元分析與PCA-BP神經(jīng)網(wǎng)絡(luò)的接地網(wǎng)故障診斷研究[D];湖南大學(xué);2012年

  本文關(guān)鍵詞：基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在刀具磨損狀態(tài)監(jiān)測中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：292957