数据驱动的钛合金铣削刀具寿命预测与管理技术研究
发布时间：2021-01-01 16:16
目前人工智能、机器人、物联网等技术的快速发展,推动着传统制造业朝智能化、自动化和数字化方向发展。刀具作为制造环节的重要工具,能否高效使用和管理对整个生产环节的效率和成本产生重要影响。现阶段刀具管理领域主要存在以下两方面问题:刀具寿命预测精度不高和管理集成度较低。本文基于数据驱动的方法建立了铣刀剩余使用寿命预测模型,并开发了刀具管理数据库系统,主要工作如下:（1）建立了基于轨迹相似性预测算法和支持向量回归机算法的集成寿命预测模型。前者根据历史信号特征量的变化规律预测刀具剩余使用寿命,后者根据有限的数据量实现最优解、提高模型预测精度,并利用差分进化算法解决了参数设置复杂的问题。（2）选定了多把刀具样本进行寿命预测试验研究。采集了铣削力信号并进行了时域、频域和小波分析,探究了信号特征量与刀具磨损量之间的变化关系,确定了信号的均方根值、能量等五个特征向量为集成预测模型的输入量。（3）对集成模型预测精度进行了试验验证,样本刀具稳定切削阶段的精度分别为88.5%、87.5%、90.5%。并同其他模型进行了对比,结果表明,本文提出的集成模型在刀具剩余使用寿命预测方面预测精度更优。（4）采用MATLA...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
寿命预测模型结构图
倜?げ馑惴ㄑ芯俊⒌毒吖芾硌芯咳?矫娼?凶凼觥Ｍ?1.1 寿命预测模型结构图1.2.1 刀具状态监测技术监测刀具状态时，绝大部分研究者采用传感器采集加工信号，大致的布局如图 1.2（a）所示，各类监测信号的使用频率如图 1.2（b）所示。通过图 1.2（b）可知，切削力信号在研究领域使用最频繁，其主要优势体现在：（1）受外界干扰最小；（2）拆装相对容易；（3）有成熟的理论研究。（a）常用信号采集装置布局 （b）各信号装置使用频率图 1.2 常用信号装置布局及使用频率
了频域和时频域分析，并对刀具的磨损状态进行了判定，发现力信号的预测结果要优于振动信号Jianfei 等[15]根据试验过程中采集到的信号并进行分析，挑选出了 9 个特征量，取得了较好的预测效果。Bassiuny[16]和 Tomas[17]都利用傅里叶变换从车削时采集到的力信号中分析特征量。Meh等[18]从计算模型中提取了切削力信号的四个系数作为特征量，对刀具寿命进行了预测。国内学者也进行了相应的研究，李亮等[19-20]利用声发射传感器监测刀具切削过程中的磨损状态，采用小波分析对信号进行分解，对刀具的磨损值进行了预测。申志刚[21]提出将人工智能技术应用于刀具状态监测领域，解决了多种信号与刀具磨损程度的多重对应关系，为该领域的研究提供了新的途径。曹登[22]利用切削力信号分析了切削参数对零件表面粗糙度的影响，并基于神经网络进行了预测，精度高于经验公式。综合以上分析，国内外学者通过开展相关试验，将信号提取后进行相关处理和分析，从而达到研究目的。但总体来说，大部分学者对信号的分析还不够透彻，其精确性和适用性都有待提高1.2.2 刀具寿命预测算法寿命预测是故障预测与健康管理（Prognostics and Health Management, PHM）的核心和重要标志[23-30]。Sikorska[31]将预测模型分为基于物理模型、数据驱动和融合预测三类，如图 1.3 所示
【参考文献】：
期刊论文
[1]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[2]基于ERP集成的制造业生产管理系统研究[J]. 周红. 科技创新与应用. 2018(05)
[3]基于PSO-BP神经网络的刀具寿命预测[J]. 王虎,刘佩松,叶润章,李阳,徐培嘉. 现代制造技术与装备. 2017(11)
[4]基于信息融合的刀具剩余寿命在线预测方法[J]. 吴军,苏永衡,朱永猛,邓超. 华中科技大学学报(自然科学版). 2017(04)
[5]基于特征的刀具“形-性-用”一体化设计方法[J]. 刘献礼,计伟,范梦超,王昌红. 机械工程学报. 2016(11)
[6]基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究[J]. 张星辉,康建设,高存明,曹端超,滕红智. 振动与冲击. 2013(15)
[7]声发射在微铣削过程中监测刀具破损的应用(英文)[J]. 李亮,包杰,何宁,于强. Transactions of Nanjing University of Aeronautics & Astronautics. 2010(02)
博士论文
[1]基于隐马尔可夫模型的微铣削刀具磨损状态监测与过程优化[D]. 刘同舜.中国科学技术大学 2018
[2]基于多传感器信息融合的刀具磨损状态监测方法研究[D]. 张锴锋.东北大学 2016
[3]面向制造的刀具资源数据服务研究[D]. 郭宏.北京理工大学 2015
[4]复杂环境下刀具DPM码识别技术研究[D]. 王佳婧.西北工业大学 2014
[5]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[6]高速切削刀具磨损状态的智能监测技术研究[D]. 申志刚.南京航空航天大学 2009
硕士论文
[1]用于刀具管理的智能刀柄系统研究[D]. 郭月龙.南京航空航天大学 2018
[2]基于主切削力仿真样本的刀具状态监测系统[D]. 徐涛.南京航空航天大学 2018
[3]数据驱动的航空发动机余寿预测方法[D]. 唐王.南京航空航天大学 2018
[4]刀具管理系统的设计与研发[D]. 王娜.山东农业大学 2017
[5]透过工业4.0解析“中国制造2025”[D]. 侯晋珊.北京工业大学 2017
[6]数控刀具全生命周期智能管理系统研究[D]. 熊昕.重庆大学 2017
[7]应用于柔性生产线的中心刀库管理及配送系统研究[D]. 何正强.华中科技大学 2017
[8]基于多信息和多模型融合的刀具磨损预测性评估的方法研究[D]. 曾广圣.中国科学院大学(中国科学院沈阳计算技术研究所) 2017
[9]云制造环境下刀具资源优化配置与服务应用研究[D]. 霍亭宇.哈尔滨理工大学 2017
[10]基于射频识别技术的车间级刀具管理系统[D]. 海源.山东大学 2016
本文编号：2951602
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
寿命预测模型结构图
倜?げ馑惴ㄑ芯俊⒌毒吖芾硌芯咳?矫娼?凶凼觥Ｍ?1.1 寿命预测模型结构图1.2.1 刀具状态监测技术监测刀具状态时，绝大部分研究者采用传感器采集加工信号，大致的布局如图 1.2（a）所示，各类监测信号的使用频率如图 1.2（b）所示。通过图 1.2（b）可知，切削力信号在研究领域使用最频繁，其主要优势体现在：（1）受外界干扰最小；（2）拆装相对容易；（3）有成熟的理论研究。（a）常用信号采集装置布局 （b）各信号装置使用频率图 1.2 常用信号装置布局及使用频率
了频域和时频域分析，并对刀具的磨损状态进行了判定，发现力信号的预测结果要优于振动信号Jianfei 等[15]根据试验过程中采集到的信号并进行分析，挑选出了 9 个特征量，取得了较好的预测效果。Bassiuny[16]和 Tomas[17]都利用傅里叶变换从车削时采集到的力信号中分析特征量。Meh等[18]从计算模型中提取了切削力信号的四个系数作为特征量，对刀具寿命进行了预测。国内学者也进行了相应的研究，李亮等[19-20]利用声发射传感器监测刀具切削过程中的磨损状态，采用小波分析对信号进行分解，对刀具的磨损值进行了预测。申志刚[21]提出将人工智能技术应用于刀具状态监测领域，解决了多种信号与刀具磨损程度的多重对应关系，为该领域的研究提供了新的途径。曹登[22]利用切削力信号分析了切削参数对零件表面粗糙度的影响，并基于神经网络进行了预测，精度高于经验公式。综合以上分析，国内外学者通过开展相关试验，将信号提取后进行相关处理和分析，从而达到研究目的。但总体来说，大部分学者对信号的分析还不够透彻，其精确性和适用性都有待提高1.2.2 刀具寿命预测算法寿命预测是故障预测与健康管理（Prognostics and Health Management, PHM）的核心和重要标志[23-30]。Sikorska[31]将预测模型分为基于物理模型、数据驱动和融合预测三类，如图 1.3 所示
【参考文献】：
期刊论文
[1]基于铣削力仿真样本和降维分类算法的刀具状态监测方法[J]. 徐涛,李亮,郭月龙,郝碧君,何宁. 工具技术. 2018(08)
[2]基于ERP集成的制造业生产管理系统研究[J]. 周红. 科技创新与应用. 2018(05)
[3]基于PSO-BP神经网络的刀具寿命预测[J]. 王虎,刘佩松,叶润章,李阳,徐培嘉. 现代制造技术与装备. 2017(11)
[4]基于信息融合的刀具剩余寿命在线预测方法[J]. 吴军,苏永衡,朱永猛,邓超. 华中科技大学学报(自然科学版). 2017(04)
[5]基于特征的刀具“形-性-用”一体化设计方法[J]. 刘献礼,计伟,范梦超,王昌红. 机械工程学报. 2016(11)
[6]基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究[J]. 张星辉,康建设,高存明,曹端超,滕红智. 振动与冲击. 2013(15)
[7]声发射在微铣削过程中监测刀具破损的应用(英文)[J]. 李亮,包杰,何宁,于强. Transactions of Nanjing University of Aeronautics & Astronautics. 2010(02)
博士论文
[1]基于隐马尔可夫模型的微铣削刀具磨损状态监测与过程优化[D]. 刘同舜.中国科学技术大学 2018
[2]基于多传感器信息融合的刀具磨损状态监测方法研究[D]. 张锴锋.东北大学 2016
[3]面向制造的刀具资源数据服务研究[D]. 郭宏.北京理工大学 2015
[4]复杂环境下刀具DPM码识别技术研究[D]. 王佳婧.西北工业大学 2014
[5]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[6]高速切削刀具磨损状态的智能监测技术研究[D]. 申志刚.南京航空航天大学 2009
硕士论文
[1]用于刀具管理的智能刀柄系统研究[D]. 郭月龙.南京航空航天大学 2018
[2]基于主切削力仿真样本的刀具状态监测系统[D]. 徐涛.南京航空航天大学 2018
[3]数据驱动的航空发动机余寿预测方法[D]. 唐王.南京航空航天大学 2018
[4]刀具管理系统的设计与研发[D]. 王娜.山东农业大学 2017
[5]透过工业4.0解析“中国制造2025”[D]. 侯晋珊.北京工业大学 2017
[6]数控刀具全生命周期智能管理系统研究[D]. 熊昕.重庆大学 2017
[7]应用于柔性生产线的中心刀库管理及配送系统研究[D]. 何正强.华中科技大学 2017
[8]基于多信息和多模型融合的刀具磨损预测性评估的方法研究[D]. 曾广圣.中国科学院大学(中国科学院沈阳计算技术研究所) 2017
[9]云制造环境下刀具资源优化配置与服务应用研究[D]. 霍亭宇.哈尔滨理工大学 2017
[10]基于射频识别技术的车间级刀具管理系统[D]. 海源.山东大学 2016
本文编号：2951602
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/2951602.html
