【摘要】： 切削加工是使用切削工具,把坯料或工件上多余的材料層切去,使工件獲得規(guī)定的幾何形狀、尺寸和表面質量的加工方法。在切削加工過程中所產(chǎn)生的顫振是影響工件質量的主要原因之一,顫振具有非線性、時變性和不確定性等特點,難以進行精確的測量和識別,多年來吸引了國際上眾多學者持續(xù)對其進行研究,取得了一些重要的研究成果,但仍然存在一些問題有待于解決。本文綜合了隱馬爾可夫、支持向量機及核主元分析等理論和方法,對機床啟動過程、刀具磨損狀態(tài)等誘發(fā)顫振的因素進行診斷分析,并且對切削加工中的顫振監(jiān)測和識別方法進行研究。論文完成的主要工作如下： (1)通過對切削加工時機床啟動過程的故障特征分析,基于隱馬爾可夫理論,建立了混合密度連續(xù)隱馬爾可夫模型,對機床啟動過程的故障進行識別。采用連續(xù)混合密度隱馬爾可夫模型識別車床啟動過程的運行狀態(tài),解決了隱馬爾可夫模型的溢出問題,根據(jù)高斯密度函數(shù)特點,提取啟動過程的工件松動、不平衡、不對中和正常啟動等特征信息,依據(jù)信息特征進行故障診斷識別。該模型克服了傳統(tǒng)的診斷方法容易丟失特征信息的弊端,方法簡單、識別率高,適合應用于旋轉機械的啟動過程故障診斷。與隱馬爾可夫模型進行比較分析,實驗結果表明,該模型具有較好的識別效果。 (2)通過刀具磨損量對顫振影響程度的分析,基于離散隱馬爾可夫理論,建立了刀具磨損診斷模型。采用對切削加工中的動態(tài)切削力信號和刀柄振動信號進行快速傅立葉變換并提取特征量,將提取的特征譜矢量作歸一化處理,然后利用自組織特征映射 對歸一化矢量進行預分類離散編碼,編碼量值作為觀測序列引入到離散隱馬爾可夫模型 中進行機器學習,識別出刀具磨損程度,識別結果作為控制切削進給量大小的依據(jù)。該 模型克服了傳統(tǒng)識別方法的計算量大、算法復雜的缺點,識別速度高,具有良好的實時 性,并通過與隱馬爾可夫模型和分形理論比較分析,實驗結果表明,該模型具有較好的 識別效果,為正確識別切削顫振奠定基礎。(3)針對切削力信號和工件振動信號的非線性、不確定性和時變性的特點,提取切削過程的大樣本數(shù)據(jù),建立了基于核主元分析與支持向量機結合的故障診斷模型(KPCA-SVM)。該模型通過KPCA方法提取非線性顫振數(shù)據(jù)中的線性主元信息,根據(jù)主元信息貢獻率的大小,確定能夠代表顫振特性的線性主元,然后,通過SVM的分類能力,對線性主元進行一對多方式分類,分類結果作為判定是否具有顫振趨勢的依據(jù),為控制任務提供數(shù)據(jù)基礎。該方法彌補了傳統(tǒng)識別方法難于充分描述顫振發(fā)展過程的缺陷,實驗結果表明：對于能夠描述切削過程的大樣本數(shù)據(jù),KPCA-SVM是一種新的有效的顫振趨勢識別方法。與主元分析與支持向量機模型(PCA-SVM)的識別效果比較,具有一定的優(yōu)越性。 (4)針對切削加工過程中的顫振發(fā)生時的小樣本數(shù)據(jù),建立了基于支持向量機與隱馬爾可夫模型(SVM-HMM)結合的診斷模型,辨識顫振發(fā)生的程度。該模型首先求取小樣本數(shù)據(jù)在支持向量機下的最優(yōu)比率,然后把最優(yōu)比率轉化成Sigmoid概率,作為觀測序列輸入到HMM模型,通過隱馬爾可夫模型的良好的類內(nèi)分類能力,對切削過程中能夠表現(xiàn)顫振的振動信號和切削力信號做出有效訓練和識別。實驗結果表明,對于小樣本數(shù)據(jù),該方法對切削顫振具有較強的識別能力,識別效果優(yōu)于支持向量機方法、隱馬爾可夫方法,該方法克服了非顫振信息顫振化錯誤判斷的弊端,是一種顫振診斷的新方法。
【學位授予單位】：大連理工大學
【學位級別】：博士
【學位授予年份】：2010
【分類號】：TG501;TH165.3

【引證文獻】

相關期刊論文 前1條

1 陳澤宇;;基于LE-SVM的切削顫振識別[J];制造技術與機床;2012年07期

，

本文編號：2664112