本文關鍵詞：刀具磨損狀態(tài)監(jiān)測系統(tǒng)研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 金屬切削過程中的刀具磨損是不可避免的現(xiàn)象,它直接影響工件的加工精度和表面粗糙度,并且還會影響到加工質量、效率及加工系統(tǒng)整體功能的正常發(fā)揮,因此研究刀具磨損狀態(tài)具有重大意義。 本文通過大量切削實驗獲得真實有效的切削力信號,利用多分辨率小波分析提取信號中能反映刀具磨損狀態(tài)的特征向量,將這些特征向量輸入BP神經(jīng)網(wǎng)絡,利用人工神經(jīng)網(wǎng)絡技術實現(xiàn)對刀具磨損狀態(tài)的識別。 切削力一直是表征切削過程的最重要特征,切削過程的變化都和切削力密切相關。切削力信號直接真實,不受加工區(qū)內切屑和冷卻液的影響;與其他監(jiān)測信號相比,切削力信號幅度較大,干擾信號對它的影響較小,抗干擾能力較強。所以本論文選擇切削力信號監(jiān)測刀具狀態(tài)。 通過對切削力信號分別進行時域、頻域分析及多分辨率小波分析,本文綜合比較了各種特征參數(shù)變化趨勢與刀具磨損的對應關系。結果表明:對切削力信號而言,難以用時域或純頻域的數(shù)據(jù)處理方法獲得表征刀具磨損程度的特征向量,切削力信號在經(jīng)過小波分解后,其細節(jié)信號的能量和均方差能夠反映刀具的磨損狀態(tài),可作為刀具磨損信號的特征向量。 含有單隱層的三層BP神經(jīng)網(wǎng)絡可以實現(xiàn)任意M維空間到N維空間的映射,因此本文采用三層BP網(wǎng)絡確立各特征向量與刀具磨損狀態(tài)的對應關系。經(jīng)多分辨率小波分析之后得到的特征向量輸入網(wǎng)絡結構為8-13-1的神經(jīng)網(wǎng)絡,利用訓練樣本對神經(jīng)網(wǎng)絡進行訓練,調整權閾值,利用神經(jīng)網(wǎng)絡的非線性映射能力建立起所需的神經(jīng)網(wǎng)絡模型。 實驗結果表明,本文建立的基于多分辨率小波分析和神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)監(jiān)測系統(tǒng)能夠有效識別刀具的磨損狀態(tài)。
【關鍵詞】：刀具磨損狀態(tài) 切削力 信號處理 小波分析 神經(jīng)網(wǎng)絡
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2008
【分類號】：TG501.3
【目錄】：

• 摘要6-7
• Abstract7-8
• 符號說明8-9
• 第1章 緒論9-27
• 1.1 刀具監(jiān)控的目的和意義9-10
• 1.2 刀具監(jiān)控技術的發(fā)展過程與研究現(xiàn)狀10-13
• 1.2.1 刀具監(jiān)控技術的發(fā)展過程10-11
• 1.2.2 國外刀具監(jiān)控技術的研究現(xiàn)狀11
• 1.2.3 國內刀具監(jiān)控技術的研究現(xiàn)狀11-13
• 1.3 刀具監(jiān)控系統(tǒng)的組成13-14
• 1.3.1 信號監(jiān)測13
• 1.3.2 特征提取13-14
• 1.3.3 狀態(tài)識別14
• 1.4 刀具狀態(tài)監(jiān)測的關鍵技術及發(fā)展趨勢14-24
• 1.4.1 傳感器技術14-15
• 1.4.2 基于神經(jīng)網(wǎng)絡的多傳感器信息融合技術15-17
• 1.4.3 信號處理技術17-20
• 1.4.4 智能學習決策技術20-23
• 1.4.5 刀具狀態(tài)監(jiān)控技術的發(fā)展趨勢23-24
• 1.5 刀具監(jiān)測系統(tǒng)存在的問題與對策24-25
• 1.5.1 刀具監(jiān)測系統(tǒng)存在的問題24-25
• 1.5.2 解決存在問題的對策25
• 1.6 本論文的主要內容25-27
• 第2章 刀具的故障特征與診斷方法27-43
• 2.1 刀具的磨損27-29
• 2.1.1 前刀面磨損(月牙洼磨損)27-28
• 2.1.2 后刀面磨損28-29
• 2.1.3 邊界磨損29
• 2.2 刀具的破損29-31
• 2.2.1 脆性破損30-31
• 2.2.2 塑性破損31
• 2.3 刀具磨損過程及磨鈍標準31-34
• 2.3.1 刀具磨損過程的三個階段31-32
• 2.3.2 刀具的磨鈍標準32-34
• 2.4 刀具狀態(tài)的診斷方法34-41
• 2.4.1 直接法37-38
• 2.4.2 間接法38-41
• 2.4.3 應用現(xiàn)代信息處理技術監(jiān)控刀具狀態(tài)41
• 2.5 本章小結41-43
• 第3章 刀具磨損監(jiān)測的信號處理43-53
• 3.1 刀具磨損監(jiān)測信號的選擇43-45
• 3.2 切削力信號的信號分析45-52
• 3.2.1 切削力信號的時域分析45
• 3.2.2 切削力信號的頻域分析45-48
• 3.2.3 切削力信號的多分辨率小波分析及特征提取48-52
• 3.3 本章小結52-53
• 第4章 刀具磨損監(jiān)測的神經(jīng)網(wǎng)絡識別技術53-67
• 4.1 神經(jīng)網(wǎng)絡53-55
• 4.2 BP神經(jīng)網(wǎng)絡55-62
• 4.2.1 BP網(wǎng)絡的學習過程55-57
• 4.2.2 傳輸函數(shù)及誤差函數(shù)57-59
• 4.2.3 網(wǎng)絡的學習規(guī)則一梯度下降算法59-60
• 4.2.4 BP網(wǎng)絡的優(yōu)缺點60-62
• 4.3 選擇最佳隱含層神經(jīng)元數(shù)目62-64
• 4.4 神經(jīng)網(wǎng)絡在刀具磨損狀態(tài)識別中的應用64-66
• 4.5 本章小結66-67
• 第5章 刀具磨損狀態(tài)監(jiān)測系統(tǒng)的建立67-75
• 5.1 實驗方案67-69
• 5.1.1 實驗裝置簡介67-68
• 5.1.2 刀具磨損的正交實驗68-69
• 5.2 切削力信號的特征提取69-71
• 5.3 BP神經(jīng)網(wǎng)絡的建立及相關參數(shù)的選擇71
• 5.4 建立刀具磨損狀態(tài)監(jiān)測系統(tǒng)71-73
• 5.5 本章小結73-75
• 總結及展望75-77
• 參考文獻77-81
• 致謝81-82
• 學位論文評閱及答辯情況表82

【引證文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 趙敏;數(shù)控機床智能化狀態(tài)監(jiān)測與故障診斷系統(tǒng)[D];西南交通大學;2011年

2 方記文;難加工材料銑削加工刀具磨損建模技術研究[D];南京航空航天大學;2010年

3 常艷麗;鎳基高溫合金GH4169的切削力與刀具磨損試驗研究[D];哈爾濱工業(yè)大學;2011年

4 諶鑫;基于人工神經(jīng)網(wǎng)絡對刀具磨損狀態(tài)監(jiān)測技術研究[D];沈陽航空航天大學;2011年

5 李正強;基于支持向量機的刀具磨損狀態(tài)識別技術研究[D];沈陽航空航天大學;2012年

6 李敏;基于粒子群優(yōu)化神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)監(jiān)測技術研究[D];西南交通大學;2012年

7 高輝;鈦合金銑削加工中刀具磨損狀態(tài)監(jiān)測技術研究[D];沈陽航空航天大學;2013年

8 江英;數(shù)控銑削加工刀具故障診斷與處理方法研究[D];沈陽理工大學;2013年

  本文關鍵詞：刀具磨損狀態(tài)監(jiān)測系統(tǒng)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：355666