本文關(guān)鍵詞：刀具磨損狀態(tài)識別及預(yù)測研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：金屬切削加工是機(jī)械設(shè)計(jì)制造之中最常用的加工方式,而刀具又是金屬切削加工過程中至關(guān)重要的生產(chǎn)要素。因此,刀具的性能、質(zhì)量及管理能夠直接影響加工過程的穩(wěn)定性、產(chǎn)品的可靠性、加工節(jié)拍和生產(chǎn)效率。所以,對刀具磨損狀態(tài)監(jiān)測,提取有用信息,分析刀具磨損狀況,從而能夠?qū)崿F(xiàn)減低生產(chǎn)成本,減少生產(chǎn)故障,提高生產(chǎn)效率的功能。在刀具磨損狀態(tài)監(jiān)測的基礎(chǔ)上,利用己知的刀具磨損量值對未來時(shí)刻刀具磨損量值進(jìn)行預(yù)測,可以在刀具磨鈍前及時(shí)采取相應(yīng)措施。因此,刀具磨損量的預(yù)測也非常重要。 采集刀具從新刀至刀尖崩裂整個(gè)過程中每一次走刀的振動信號和切削力信號,同時(shí)測量并記錄每一次走刀完成后刀具后刀面的磨損量值；然后,在時(shí)域和頻域分別對切削力信號進(jìn)行特征提取,從提取到的特征中選擇與刀具磨損敏感的特征值。通過對振動信號進(jìn)行分析,發(fā)現(xiàn)在時(shí)域和頻域中,不同磨損狀態(tài)下的振動信號特征區(qū)別不明顯,很難提取到與刀具磨損敏感的特征值。因此,對振動信號進(jìn)行小波包分析,選擇部分頻帶能量作為有效特征值。 選擇的所有特征值歸一化處理后,作為神經(jīng)網(wǎng)絡(luò)的輸入向量。建立三層BP神經(jīng)網(wǎng)絡(luò),并利用訓(xùn)練樣本進(jìn)行訓(xùn)練,然后利用測試樣本進(jìn)行測試,發(fā)現(xiàn)刀具不同磨損狀態(tài)均能夠較好地被識別。 分別利用ARMA模型,BP神經(jīng)網(wǎng)絡(luò),以及基于以上兩種方法的組合模型對刀具磨損量值進(jìn)行預(yù)測。通過選擇適當(dāng)?shù)膮?shù)進(jìn)行建模,利用ARMA模型和BP網(wǎng)絡(luò)得到的刀具未來時(shí)刻的磨損量值,預(yù)測值效果均比較理想。利用結(jié)合兩種模型優(yōu)勢的組合模型進(jìn)行預(yù)測,雖然并非每個(gè)預(yù)測值的效果都優(yōu)于單獨(dú)使用每方法的效果,但是整體預(yù)測效果較好。
【關(guān)鍵詞】：刀具磨損 狀態(tài)監(jiān)測 特征提取 BP神經(jīng)網(wǎng)絡(luò) ARMA模型 預(yù)測
【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】：2014
【分類號】：TG71;TP274
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-20
• 1.1 刀具磨損狀態(tài)監(jiān)測的目的和意義11-12
• 1.2 刀具磨損狀態(tài)監(jiān)測的研究現(xiàn)狀12-16
• 1.2.1 監(jiān)測方法12-14
• 1.2.2 特征提取14-15
• 1.2.3 模式識別15-16
• 1.3 預(yù)測技術(shù)研究綜述16-18
• 1.3.1 預(yù)測基本步驟16
• 1.3.2 預(yù)測方法綜述16-18
• 1.3.3 預(yù)測有效性評價(jià)18
• 1.4 本文的主要研究內(nèi)容18-20
• 第2章 刀具磨損狀態(tài)監(jiān)測實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)20-25
• 2.1 刀具的磨損形式及標(biāo)準(zhǔn)20-22
• 2.1.1 刀具的正常磨損形式20
• 2.1.2 刀具的磨損過程20-21
• 2.1.3 刀具的磨鈍標(biāo)準(zhǔn)21-22
• 2.2 刀具磨損監(jiān)測系統(tǒng)22-24
• 2.2.1 監(jiān)測系統(tǒng)構(gòu)成22-24
• 2.2.2 加工條件24
• 2.3 本章小結(jié)24-25
• 第3章 刀具磨損特征提取25-39
• 3.1 信號特征提取方法25-31
• 3.1.1 時(shí)域分析及特征提取25-26
• 3.1.2 頻域分析及特征提取26-27
• 3.1.3 小波分析27-31
• 3.2 刀具磨損特征提取31-38
• 3.2.1 切削力信號特征提取32-35
• 3.2.2 振動信號特征提取35-38
• 3.3 本章小結(jié)38-39
• 第4章 刀具磨損狀態(tài)識別39-48
• 4.1 人工神經(jīng)網(wǎng)絡(luò)概述39-41
• 4.1.1 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)39
• 4.1.2 神經(jīng)元結(jié)構(gòu)模型39-41
• 4.2 BP神經(jīng)網(wǎng)絡(luò)41-43
• 4.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)41
• 4.2.2 BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則41-43
• 4.3 BP網(wǎng)絡(luò)設(shè)計(jì)43-44
• 4.3.1 輸入輸出層設(shè)計(jì)43
• 4.3.2 隱層設(shè)計(jì)43-44
• 4.3.3 初始權(quán)值選擇44
• 4.3.4 學(xué)習(xí)速率44
• 4.3.5 學(xué)習(xí)誤差44
• 4.4 基于BP神經(jīng)網(wǎng)絡(luò)的刀具磨損量識別44-47
• 4.4.1 網(wǎng)絡(luò)參數(shù)設(shè)定及訓(xùn)練44-46
• 4.4.2 網(wǎng)絡(luò)的測試46-47
• 4.5 本章小結(jié)47-48
• 第5章 刀具磨損量預(yù)測48-66
• 5.1 基于ARMA的刀具磨損量預(yù)測48-59
• 5.1.1 時(shí)間序列基礎(chǔ)知識48-49
• 5.1.2 ARMA模型基本原理49-50
• 5.1.3 ARMA模型建模過程50-53
• 5.1.4 ARMA模型在刀具磨損量預(yù)測中的應(yīng)用53-59
• 5.2 基于神經(jīng)網(wǎng)絡(luò)的刀具磨損量預(yù)測59-62
• 5.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型59-60
• 5.2.2 神經(jīng)網(wǎng)絡(luò)在刀具磨損量預(yù)測中的應(yīng)用60-62
• 5.3 ARIMA模型及神經(jīng)網(wǎng)絡(luò)混合預(yù)測62-65
• 5.3.1 組合預(yù)測原理62-63
• 5.3.2 組合預(yù)測在刀具磨損量預(yù)測中的應(yīng)用63-65
• 5.4 本章小結(jié)65-66
• 結(jié)論66-67
• 致謝67-68
• 參考文獻(xiàn)68-71
• 攻讀碩士研究生期間發(fā)表的論文71

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李勁松,陳鼎昌;基于銑削力的刀具磨損監(jiān)控研究[J];北京航空航天大學(xué)學(xué)報(bào);1998年05期

2 關(guān)山;康曉峰;;在線金屬切削刀具磨損狀態(tài)監(jiān)測研究的回顧與展望Ⅰ:監(jiān)測信號的選擇[J];機(jī)床與液壓;2010年11期

3 徐玲;楊丹;王時(shí)龍;聶建林;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測[J];計(jì)算機(jī)集成制造系統(tǒng);2008年01期

4 張翔;富宏亞;孫雅洲;韓振宇;;基于隱Markov模型的微徑銑刀磨損監(jiān)測[J];計(jì)算機(jī)集成制造系統(tǒng);2012年01期

5 楊永;;數(shù)控機(jī)床刀具磨損的振動監(jiān)測法[J];機(jī)械;2009年07期

6 韓育平,王永梅;切削力監(jiān)測刀具磨損的一種方法[J];煤礦機(jī)械;2004年01期

7 喻俊馨,王計(jì)生,黃惟公,李江;小波包分析在刀具聲發(fā)射信號特征提取中的應(yīng)用[J];數(shù)據(jù)采集與處理;2005年03期

8 謝秀嫻;付攀;曹偉青;;聲發(fā)射和小波包分解技術(shù)在刀具磨損狀態(tài)中的應(yīng)用[J];中國測試技術(shù);2006年02期

9 王國鋒;李啟銘;秦旭達(dá);喻秀;崔銀虎;彭東彪;;支持向量機(jī)在刀具磨損多狀態(tài)監(jiān)測中的應(yīng)用[J];天津大學(xué)學(xué)報(bào);2011年01期

10 高宏力,許明恒,傅攀;基于集成神經(jīng)網(wǎng)絡(luò)的刀具磨損量監(jiān)測[J];西南交通大學(xué)學(xué)報(bào);2005年05期

  本文關(guān)鍵詞：刀具磨損狀態(tài)識別及預(yù)測研究，由筆耕文化傳播整理發(fā)布。

本文編號：386698