学位论文 > 优秀研究生学位论文题录展示

基于声发射法的铣刀磨损状态识别研究

作　者: 汤为
导　师: 王海丽
学　校: 上海交通大学
专　业: 机械制造及其自动化
关键词: 声发射刀具磨损小波分析神经网络
分类号: TG714
类　型: 硕士论文
年　份: 2009年
下　载: 244次
引　用: 5次
阅　读: 论文下载

内容摘要

刀具磨损的实时监测是先进制造系统的关键技术,是机械加工过程中的一个十分重要的问题。能否实现刀具磨损的自动监测是制约加工质量、生产率和生产自动化水平提高的重要因素,被公认为是自动化加工中的一项关键技术和尚未解决的重要难题。本文在分析刀具状态监测技术研究现状的基础上,从声发射信号入手对刀具磨损状态的监测进行了研究,主要进行了以下工作:(1)构建了铣削过程刀具磨损监测试验系统。通过声发射传感器和数据采集卡对铣削过程中不同磨损程度刀具的声发射信号进行检测和采集,对采集的声发射信号进行了统计分析和功率谱分析。发现了声发射信号中存在着与刀具磨损变化相应的特征值,证明了利用声发射信号进行铣刀磨损监测的可行性。(2)根据单因素切削实验结果,详细研究了主轴转速、进给速度、切削深度等因素对声发射信号时域、频域的影响。结果表明:切削深度对声发射信号均方根值的影响最为明显,其次是主轴转速,进给速度对其影响较小。(3)基于小波对高频信号能进行细分分析的特点,采用了多分辨率小波分解频带能量监测法对声发射信号进行了频段能量统计,提取出能够显著反映刀具磨损状态的频段特征,并以此作为神经网络的输入。(4)采用RBF神经网络,建立刀具磨损特征向量与刀具磨损状态之间的非线性映射关系,从而实现对不同刀具磨损状态的有效辨识。

全文目录

摘要  3-5
ABSTRACT  5-10
第一章绪论  10-23
  1.1 本课题研究的目的和意义  10-11
  1.2 刀具状态监测技术概述  11-14
    1.2.1 刀具状态监测现状  11-13
    1.2.2 声发射检测技术国内外的发展现状  13-14
  1.3 刀具状态监控系统组成  14-15
    1.3.1 信号检测  15
    1.3.2 特征提取  15
    1.3.3 状态识别  15
  1.4 刀具状态监测的关键技术及发展趋势  15-21
    1.4.1 传感器技术及其发展趋势  16
    1.4.2 基于神经网络的多传感器信息融合技术  16-17
    1.4.3 信号处理技术及其发展趋势  17-19
    1.4.4 智能学习决策技术及其发展趋势  19-21
  1.5 本论文主要研究内容  21-23
    1.5.1 声发射信号的分析和处理  21-22
    1.5.2 基于神经网络的刀具磨损状态识别  22-23
第二章铣刀磨损状态监测实验  23-36
  2.1 铣削加工的原理及特点  23-24
    2.1.1 铣削加工原理  23
    2.1.2 铣削加工的特点  23-24
  2.2 铣刀的磨损及磨损工作区  24-27
    2.2.1 铣刀的磨损程度划分  24-26
    2.2.2 铣刀磨损工作区  26-27
  2.3 实验系统  27-32
    2.3.1 硬件组成  27-31
    2.3.2 软件组成  31
    2.3.3 其它加工参数确定  31-32
  2.4 试验方案  32-34
    2.4.1 达到试验目的前提  32
    2.4.2 影响信号的因素  32-34
  2.5 试验步骤  34-35
    2.5.1 影响信号特征因素的试验  34-35
    2.5.2 刀具磨损试验  35
  2.6 本章小结  35-36
第三章声发射信号的时域和频域分析  36-56
  3.1 时域分析与时域特征  36-37
  3.2 频域分析与频域特征  37-39
  3.3 实验数据分析  39-54
    3.3.1 声发射信号时域特征分析  40-42
    3.3.2 声发射信号频域特征分析  42-46
    3.3.3 切削参数对 AE 信号影响分析  46-54
  3.4 本章小结  54-56
第四章基于小波分析的声发射信号研究  56-73
  4.1 理论基础  56-62
    4.1.1 从傅立叶变换到小波变换  56-57
    4.1.2 连续小波变换  57-58
    4.1.3 离散小波变换  58-59
    4.1.4 多分辨率分析  59-61
    4.1.5 小波分析和重构的 Mallat 算法  61-62
  4.2 声发射信号小波分析的小波基选取方法研究  62-64
    4.2.1 常用小波基的性质  63
    4.2.2 小波基的选取方法  63-64
    4.2.3 声发射信号分析的小波基选取  64
  4.3 基于多分辨小波分析的刀具磨损信号的特征  64-71
    4.3.1 声发射信号小波分解  65-68
    4.3.2 声发射信号特征提取  68-71
  4.4 本章小结  71-73
第五章基于神经网络的刀具磨损状态识别  73-83
  5.1 人工神经网络概述  73-75
    5.1.1 神经元模型  73-74
    5.1.2 神经网络结构  74-75
  5.2 RBF 神经网络  75-78
    5.2.1 RBF 网络的结构  75-77
    5.2.2 RBF 网络学习过程  77-78
  5.3 基于 RBF 神经网络的刀具状态识别  78-82
    5.3.1 识别神经网络的训练  79-81
    5.3.2 RBF 网络测试  81-82
  5.4 本章小结  82-83
第六章全文总结和展望  83-85
  6.1 本文的主要结论  83
  6.2 展望  83-85
参考文献  85-88
致谢  88-89
攻读硕士学位期间已发表或录用的论文  89-91

基于声发射法的铣刀磨损状态识别研究

内容摘要

全文目录

相似论文