基于分形理论的刀具磨损状态识别与磨损量预测方法研究

发布时间：2020-03-30 04:02

【摘要】：随着制造业的发展,刀具磨损状态监测技术已成为制约现代自动化机床、乃至推动制造业智能化发展的一项关键技术,日益受到国内外研究人员的重视。实时地监测刀具状态可提高零件加工质量和机床的加工效率,保证系统在最优参数下运行,减少机床事故的发生,实现机床的高度集成化和无人化。因此,刀具磨损状态监测技术的研究是非常迫切且重要的。为了定量的描述刀具磨损阶段并实现磨损量的预测,本文提出了基于分形理论的刀具磨损状态识别与磨损量预测方法。首先,通过正交试验法针对不同切削条件安排切削试验,在采集的声发射信号的基础上,应用改进小波阈值函数方法实现信号的降噪预处理;其次,提出了基于多重分形理论的刀具磨损状态特征提取方法;最后,应用最小二乘支持向量机实现磨损状态识别和磨损量的预测。研究内容主要有以下几个方面:(1)根据刀具磨损形式及过程建立了合理的刀具磨损试验系统,对刀具初期、正常、急剧磨损状态下的信号进行采集。将试验所采集到的声发射信号作为研究对象,通过频谱分析确定声发射信号的频带分布范围,再采用改进小波阈值法对原始声发射信号进行降噪处理,且通过信噪比改善量和均方误差验证降噪效果。(2)鉴于分形理论在刻画系统非线性过程的独特优势,提出了基于多重分形理论的刀具磨损特征提取方法。运用经典多重分形理论和多重分形去趋势波动分析讨论了其分形特性、自相似性、标度不变性和长程相关性;对比分析了刀具在不同切削条件下多重分形谱参数随磨损量变化所呈现的变化规律;筛选出能灵敏表征刀具磨损状态的多重分形谱参数α_0,Δα和(35)h(7)q(8)作为特征量,并通过散点图验证多重分形特征参数表征不同刀具磨损阶段的有效性。(3)提出了基于多重分形特征与最小二乘支持向量机的刀具磨损状态识别与预测方法。对比了BP神经网络、支持向量机和最小二乘支持向量机的识别准确率,最小二乘支持向量机优于其他两种算法,平均识别准确率达97.78%;基于多重分形特征运用回归算法预测了刀具20s后的刀具磨损量,磨损量预测结果能有效用于刀具监测。此外,该方法可推广到不同工况条件下的磨损量预测,具有较强的实用性。
【图文】：

下木,音节,磨损状态

第 1 章绪论文主要研究内容究内容题将基于分形理论和支持向量机等非线性手段，对刀具磨损状态识别和磨损量究。整个研究过程包括：选择合理的加工过程和监测信号，制定科学试验系统同切削条件下的信号进行分析，，对信号初步降噪并以分形理论对滤波后信号进，最后构造特征与磨损状态的映射模型进行磨损状态识别分类与回归分析。研 1-1 所示。

技术路线图,技术路线

技术路线
【学位授予单位】：东北电力大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TG71

【参考文献】