本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)對刀具磨損狀態(tài)監(jiān)測技術(shù)研究　出處：《沈陽航空航天大學(xué)》2011年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 刀具磨損狀態(tài) 聲發(fā)射信號 主元分析 人工神經(jīng)網(wǎng)絡(luò)

【摘要】：機械加工中刀具的磨損狀態(tài)不僅直接影響工件的加工精度和表面質(zhì)量,還影響到工件的加工成本和生產(chǎn)效率等等。如何實現(xiàn)刀具磨損狀態(tài)的實時監(jiān)測已成為機械加工中的關(guān)鍵技術(shù)之一,因此對刀具磨損狀態(tài)監(jiān)測技術(shù)研究具有重要的理論意義及實用價值。 聲發(fā)射與刀具切削狀態(tài)相關(guān)程度高,非常適合作為刀具狀態(tài)監(jiān)測系統(tǒng)的有效監(jiān)測信號之一。刀具不同磨損狀態(tài)對應(yīng)的聲發(fā)射信號具有各自不同的特點,對聲發(fā)射信號進行分析處理能夠提取到有效地反映刀具不同狀態(tài)的主要特征。本文通過聲發(fā)射信號監(jiān)測系統(tǒng),采集和分析了不同切削條件下刀具的聲發(fā)射信號。分析結(jié)果表明:聲發(fā)射信號難以從單純的時域或者頻域進行數(shù)據(jù)處理提取到特征。采用傅里葉分析和小波包變換相結(jié)合,提取信號幅值的均方差、功率的最大值及小波包分解后各頻段的能量值,一起作為反映刀具磨損狀態(tài)的主要特征。同時切削參數(shù)也在一定程度上影響著刀具狀態(tài)的變化,把切削三要素(切削速度、切削深度、進給量)作為輔助特征。 本文將主要特征和輔助特征構(gòu)成的特征向量通過主元分析進行處理,作為神經(jīng)網(wǎng)絡(luò)的輸入向量。把刀具狀態(tài)的特征向量進行主元分析,數(shù)據(jù)處理結(jié)果表明:主元分析不僅實現(xiàn)了對特征向量的降維,還消除了特征向量之間的相關(guān)性。主元分析后得到的主元即作為神經(jīng)網(wǎng)絡(luò)的輸入樣本。同時,利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)、容錯性以及非線性映射能力,建立網(wǎng)絡(luò)模型用于實現(xiàn)刀具磨損狀態(tài)的監(jiān)測。本文分別采用了Levenberg-Marquart的改進算法的BP神經(jīng)網(wǎng)絡(luò)、動量因子調(diào)整算法的小波神經(jīng)網(wǎng)絡(luò)建立了刀具磨損狀態(tài)的監(jiān)測系統(tǒng)。 實驗結(jié)果表明:小波網(wǎng)絡(luò)的訓(xùn)練誤差、測試誤差都小于BP神經(jīng)網(wǎng)絡(luò),而且達(dá)到相同誤差要求時小波網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)明顯低于BP網(wǎng)絡(luò)。基于小波網(wǎng)絡(luò)所建立的系統(tǒng)穩(wěn)定性好、識別速度快,能更加準(zhǔn)確地進行刀具狀態(tài)的監(jiān)測。
[Abstract]:The wear state of the tool in mechanical processing not only affects the machining accuracy and the surface quality of the workpiece directly, but also affects the machining cost and production efficiency of the workpiece. How to achieve real-time monitoring of tool wear status has become one of the key technologies in machine processing. Therefore, the research of tool wear condition monitoring technology is of great theoretical significance and practical value.
【學(xué)位授予單位】：沈陽航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2011
【分類號】：TG506;TH161

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳曉智;李蓓智;楊建國;;基于小波分析的聲發(fā)射刀具狀態(tài)判析[J];傳感器與微系統(tǒng);2006年06期

2 吳進華;周大旺;程春華;;支持向量機非線性辨識與控制概述[J];戰(zhàn)術(shù)導(dǎo)彈控制技術(shù);2009年02期

3 蔡靜之;特征提取在工況監(jiān)測與故障診斷中的應(yīng)用[J];重慶大學(xué)學(xué)報(自然科學(xué)版);2003年04期

4 陳雷;李大鵬;趙旭艷;;分形維數(shù)在高速鋼和硬質(zhì)合金刀具磨損中的應(yīng)用[J];工具技術(shù);2007年09期

5 范崢;郭海針;趙建敏;;基于數(shù)據(jù)融合和隨機模糊神經(jīng)網(wǎng)絡(luò)技術(shù)的刀具磨損軟測量系統(tǒng)[J];工具技術(shù);2007年09期

6 湯為;王海麗;莊子杰;胡德金;;基于小波多分辨率分析和RBF神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)識別[J];工具技術(shù);2009年02期

7 朱松青;史金飛;;狀態(tài)監(jiān)測與故障診斷中的主元分析法[J];機床與液壓;2007年01期

8 李艷蘭;蔚文杰;;小波分析方法應(yīng)用于故障診斷的研究[J];機械管理開發(fā);2007年02期

9 高宏力,傅攀,許明恒;基于B樣條模糊神經(jīng)網(wǎng)絡(luò)的刀具磨損監(jiān)測[J];機械科學(xué)與技術(shù);2005年06期

10 謝平,劉彬;一種基于小波網(wǎng)絡(luò)的切削刀具故障監(jiān)測[J];機械工程學(xué)報;2002年02期

相關(guān)博士學(xué)位論文 前1條

1 熊四昌;基于計算機視覺的刀具磨損狀態(tài)監(jiān)測技術(shù)的研究[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前4條

1 李沖祥;神經(jīng)網(wǎng)絡(luò)和證據(jù)理論集成的數(shù)據(jù)融合故障診斷方法研究[D];燕山大學(xué);2003年

2 譚佳豐;基于小波自回歸譜的刀具故障診斷研究[D];西南交通大學(xué);2005年

3 朱云芳;基于小波神經(jīng)網(wǎng)絡(luò)的刀具故障診斷[D];西南交通大學(xué);2005年

4 李娜;基于人工智能的刀具切削狀態(tài)的監(jiān)控研究[D];蘭州理工大學(xué);2008年

，

本文編號：1347168