基于磨削声音信号特征的砂带磨损状态监测方法研究

发布时间：2021-10-31 20:47

　　镍基高温合金具有良好的机械和耐腐蚀性能,特别在高温且受载极端的工作环境中可保持很高的强度和抗疲劳性。机器人砂带磨削加工具有材料去除能力强,成形质量稳定且易实现柔性加工等优点,常用于镍基高温合金材料加工。利用砂带对镍基高温合金工件进行磨削加工时,良好的材料性能会使砂带磨损更快,进而导致加工效率和成形质量的下降,所以砂带磨损状态监测是实现磨削加工智能化的重要一环。本文针对镍基高温合金的砂带磨削,建立了一套基于磨削声音信号特征的机器人磨削砂带状态监测系统。试验过程采用恒力磨削的方式,在恒定的磨削力和砂带线速度等工艺参数下,进行连续多道次磨削,采集磨削过程中的声音信号,研究磨削声音信号与砂带磨损状态之间的相关性,通过对原始信号进行时域和频域分析,获取声音信号的时域特征和频谱,结果表明声音信号强度和能量随磨损增加而减小,且在1200²0000Hz频率段的能量与砂带状态相关性明显。为了进一步获取磨削声音在不同频段与砂带磨损状态之间的关系,本文利用小波变换将声音信号在七个不同频率段的信号分量提取出来并对能量进行计算。通过对比不同状态下的声音信号在上述不同频段的能量变化后,发现磨... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

机器人辅助磨削系统

上海交通大学硕士学位论文8图1-2 基于声音信号的砂带状态识别流程图Fig.1-2 Framework of belt condition recognition system.砂带状态识别器的训练包括以下步骤：（1）通过采集不同磨削参数和砂带型号下，每条砂带在其完整使用寿命内磨削过程中产生的声音信号，同时记录每道磨削的材料去除量以定量砂带磨损状态；（2）对采集到的声音信号进行特征提取并将其与以材料去除量衡量的砂带磨损状态建立联系，获取训练标签；（3）通过得到的训练标签用 BP 神经网络（BPNN）模型和随机森林（RF）模型分别建立可以识别砂带磨损阶段的状态分类器，本文对过对比两种模型最终识别性能最终选择以 RF 模型建立砂带状态识别器以识别砂带的三个磨损阶段；（4）由于砂带在后期加速磨损阶段呈现模型能力线性下降的趋势，并且相应的声音信号特征也有线性下降的变化，所以为了评估砂带在这一阶段的剩余磨削能力，本文利用多元线性回归（MLR）预测模型建立了后期加速磨损阶段砂带剩余磨削能力与磨削声音信号特征之间的联系；（5）训练好的 RF 算法模型和 MLR 模型共同构成了完整砂带状态识别器。将训练好的状态识别器应用到新的磨削过程中时，磨削声音信号的采集和特征提取与训练过程是一样的。将相应的信号特征输入到训练好的识别器中，首先进行的是砂带在哪个磨损阶段的识别

转换以获得可量化可存储的数字信号，最后得到的数字信号传入工控机中进行分析及处理。图2-1 基于磨削声音信号的砂带状态监测试验系统Fig.2-1 Acoustic signal based belt wear condition monitoring experimental system

【参考文献】：
期刊论文
[1]一种基于多特征和支持向量机的刀具磨损状态识别技术[J]. 刘宇,汪惠芬,刘庭煜.  制造业自动化. 2016(05)
[2]刀具磨损的人工神经网络估计[J]. 李旗号,赵卫东.  天津大学学报. 2000(04)
[3]砂带磨损机理的研究[J]. 邓朝晖,许世良,罗重常.  磨床与磨削. 1994(02)
[4]砂带磨削的机理及砂带磨损的探讨[J]. 龚正.  上海第二工业大学学报. 1991(01)



本文编号：3468825