發(fā)布時(shí)間：2023-03-29 21:47

　　切削刀具是自動化加工中的直接執(zhí)行者,會最直接得對切削質(zhì)量和加工精度產(chǎn)生影響,出現(xiàn)嚴(yán)重故障甚至?xí)䲟p毀機(jī)床,危及生命安全,所以對刀具磨損狀態(tài)的監(jiān)測工作意義重大。本文通過對多傳感器信息融合獲得不同傳感器的信息進(jìn)行分析和處理,獲得比單一傳感器更合理,更全面和更精確的診斷結(jié)果,以實(shí)現(xiàn)對刀具狀態(tài)的準(zhǔn)確監(jiān)控。因此進(jìn)行了下述研究工作:信號采集方面,本文通過對切削過程中各信號特點(diǎn)研究分析,最終選擇了力信號、振動信號和聲發(fā)射信號搭建多傳感器試驗(yàn)平臺,對相關(guān)信號的收集處理,通過科學(xué)方法提取出能反應(yīng)刀具不同磨損狀態(tài)的特征,為實(shí)現(xiàn)刀具磨損狀態(tài)監(jiān)測、模式識別和壽命預(yù)測提供依據(jù)。信號預(yù)處理方面,由于試驗(yàn)中原始信號存在大量噪聲和干擾信息,在本文中,一種適用于車削信號特征提取預(yù)處理的改進(jìn)型總體經(jīng)驗(yàn)?zāi)B(tài)分解(Modified-EEMD)算法被研究并提出。此方法是基于信號固有特征,將目標(biāo)信號分解成若干蘊(yùn)涵模態(tài)函數(shù)(IMF),該方法區(qū)別于傳統(tǒng)EMD和EEMD方法在于通過對原信號添加一正一負(fù)兩組均值為零的白噪聲信號,從而減少白噪聲的重構(gòu)誤差,使得EMD分解更加具有完備性,并通過不斷檢驗(yàn)IMF分量是否異常決定是否繼續(xù)EMD分解,...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景和意義
        1.1.1 自動化加工生產(chǎn)的地位和意義
        1.1.2 刀具監(jiān)測預(yù)測技術(shù)對自動化加工生產(chǎn)的作用
    1.2 刀具狀態(tài)監(jiān)測方法
    1.3 刀具磨損狀態(tài)監(jiān)測和預(yù)測的研究
        1.3.1 概述
        1.3.2 刀具磨損狀態(tài)監(jiān)測技術(shù)
        1.3.3 特征提取方法
    1.4 人工神經(jīng)網(wǎng)絡(luò)研究
    1.5 支持向量機(jī)研究
    1.6 信息融合技術(shù)研究
    1.7 本章小結(jié)
第二章 刀具磨損現(xiàn)象研究
    2.1 刀具損壞的形式
    2.2 刀具壽命
        2.2.1 刀具磨損三階段
        2.2.2 磨鈍標(biāo)準(zhǔn)
    2.3 本章小結(jié)
第三章 基于多傳感器的試驗(yàn)方案設(shè)計(jì)
    3.1 監(jiān)測信號的選擇
        3.1.1 切削力信號
        3.1.2 振動信號
        3.1.3 聲發(fā)射信號
    3.2 試驗(yàn)臺的搭建
        3.2.1 切削力信號采集系統(tǒng)
        3.2.2 振動信號采集系統(tǒng)
        3.2.3 數(shù)字采集系統(tǒng)
        3.2.4 聲發(fā)射信號采集系統(tǒng)
    3.3 試驗(yàn)方案設(shè)計(jì)
        3.3.1 試驗(yàn)?zāi)康?br>        3.3.2 影響信號的因素
        3.3.3 試驗(yàn)設(shè)計(jì)方法
        3.3.4 樣本數(shù)據(jù)提取
    3.4 本章小結(jié)
第四章 特征提取和狀態(tài)識別
    4.1 EMD原理及仿真示例
    4.2 EEMD原理
    4.3 MEEMD原理及仿真
    4.4 信號的MEEMD分解及特征提取
        4.4.1 時(shí)域特征
        4.4.2 頻域特征
    4.5 基于BP和Elman神經(jīng)網(wǎng)絡(luò)的模式識別
    4.6 本章小結(jié)
第五章 基于支持向量機(jī)的刀具磨損決策融合
    5.1 信息融合基本概念
        5.1.1 信息融合的分類
            5.1.1.1 像素級融合
            5.1.1.2 特征級融合.
            5.1.1.3 決策級融合
    5.2 基于SVM的信息融合
        5.2.1 SVM融合原理
            5.2.1.1 VC維
            5.2.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化.
            5.2.1.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化.
            5.2.1.4 推廣性的界
        5.2.2 支持向量機(jī)的分類
            5.2.2.1 線性分類
            5.2.2.2 非線性分類
        5.2.3 支持向量機(jī)的融合仿真
    5.3 刀具狀態(tài)輸出的決策融合
        5.3.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練分析
        5.3.2 基于支持向量機(jī)的決策方法研究
    5.4 本章小結(jié)
第六章 灰色-隱馬爾可夫模型刀具狀態(tài)預(yù)測技術(shù)
    6.1 刀具磨損狀態(tài)預(yù)測方法的分類
    6.2 隱馬爾可夫模型
        6.2.1 馬爾可夫鏈
        6.2.2 隱馬爾可夫鏈
    6.3 灰色-隱馬爾可夫模型
        6.3.1 GM(1,1)模型
        6.3.2 灰色預(yù)測
        6.3.3 灰色預(yù)測的優(yōu)點(diǎn)
        6.3.4 改進(jìn)的灰色模型
    6.4 狀態(tài)空間劃分和信號特征處理
        6.4.1 狀態(tài)空間的劃分.
        6.4.2 特征處理
    6.5 基于改進(jìn)的灰色-隱馬爾可夫模型刀具磨損狀態(tài)預(yù)測
    6.6 本章小結(jié)
總結(jié)
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及成果



本文編號：3774546