刀具磨损状态监测系统研究

《刀具磨损状态监测系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、山东大学硕士学位论文刀具磨损状态监测系统研究姓名：高琛申请学位级别：硕士专业：机械工程指导教师：贾秀杰;王群力20081026摘要摘要金属切削过程中的刀具磨损是不可避免的现象，它直接影响工件的加工精度和表面粗糙度，并且还会影响到加工质量、效率及加工系统整体功能的正常发挥，因此研究刀具磨损状态具有重大意义。本文通过大量切削实验获得真实有效的切削力信号，利用多分辨率小波分析提取信号中能反映刀具磨损状态的特征向量，将这些特征向量输入BP神经网络，利用人工神经网络技术实现对刀具磨损状态的识别。切削力一直是表征切削过程的最重要特征，切削过程的变化都和切削力密切相关。切削力信号直接真实，不受

2、加工区内切屑和冷却液的影响；与其他监测信号相比，切削力信号幅度较大，干扰信号对它的影响较小，抗干扰能力较强。所以本论文选择切削力信号监测刀具状态。通过对切削力信号分别进行时域、频域分析及多分辨率小波分析，本文综合比较了各种特征参数变化趋势与刀具磨损的对应关系。结果表明：对切削力信号而言，难以用时域或纯频域的数据处理方法获得表征刀具磨损程度的特征向量，切削力信号在经过小波分解后，其细节信号的能量和均方差能够反映刀具的磨损状态，可作为刀具磨损信号的特征向量。含有单隐层的三层BP神经网络可以实现任意M维空间到N维空间的映射，因此本文采用三层BP网络确立各特征向量与刀具磨损状态的对应关系

3、。经多分辨率小波分析之后得到的特征向量输入网络结构为8．13．1的神经网络，利用训练样本对神经网络进行训练，调整权阈值，利用神经网络的非线性映射能力建立起所需的神经网络模型。实验结果表明，本文建立的基于多分辨率小波分析和神经网络的刀具磨损状态监测系统能够有效识别刀具的磨损状态。关键词刀具磨损状态，切削力，信号处理，小波分析，神经网络mAbstractnetoolwearhasasignificantimpactonthemachiningprecisionandsurfacequalityofworkpiece．Italsodirectlyaffectedtheproductqu

4、ality,efficiencyandthefunctionofcuttingsystem．Therefore，theresearchonthecuttingtoolwearstateisveryimportant．Thecuttingforcesareobtainedbycuttingexperiments，thefeatureextractionswhichreflecttoolwearareabstractedbywaveletanalysisfromcuttingforces．Basedonneuralnetwork．theresearchonthetoolwearsta

5、teiscarriedout．111ecuttingforcesarethemostimportantfeatureinthecutting，therehavenearlyrelationbetweentoolwearandcuttingforces，SOcuttingforcesarechosetomonitorthetoolwearstate．Theanalysesoftimedomain，frequencydomainandwaveletforcuttingforcearecurriedout．Therelationshipsbetweenthetrendoffeature

6、extractionandtoolweararealsodiscussed．Theresultindicatesthatitisdiffcultfortheanalysesmeansoftimedomain,frequencydomaintoobtainthefeatureextraction．Theincreaseofthetoolweal',theincreasingtrendofenergyandroot-mean-squaredeviationofwaveletanalysisamongthefeatureextractionisobvious．Thustheenergy

7、androot·-mean·-squaredeviationwhicharesensitivetotoolwearareselectedasthebestfeatureextraction．砀eBPneuralnetworkwithsingledomantCancarryouttherelationbetweenthefeatureextractionofcuttingforcesandthetoolwear．珏efeatureextractionwhichcamefromwav