单件小批量注塑模具高精加工过程刀具磨损预测

发布时间：2023-05-31 05:14

　　高精加工过程作为工件成型的最后一道加工工序,直接决定着工件的加工质量,因此对高精加工过程实现刀具磨损监测,是提高该过程加工精度、提高刀具利用率的有效措施。本文结合单件小批量注塑模具高精加工过程,开展关于固定参数与变参数情况下高精加工过程中平底立铣刀的刀具磨损监测方法研究。结合模具加工过程中单件小批量、刀具尺寸小、刀具磨损变化量小、模具结构多变、产品精度要求高的特点,本文的研究主要涉及以下几个方面:首先分析了单件小批量注塑模具加工过程、加工特点及成品模具的质量变化特点,并通过模具质量变化趋势范围与刀具磨损值的对比分析,提出了注塑模具高精加工过程中磨损值量化的方法。在此基础上,结合对工厂模具加工过程中存在问题的分析,完成了注塑模具高精加工过程中刀具磨损检测的数据采集方案。确定了注塑高精加工信号的降噪方法及有效的特征提取、特征选择方法。结合注塑模具高精加工过程切削量极小、加工过程信号极易受到噪声污染的情况,确定了基于小波阈值降噪的处理方法;并将小波分解与时频统计特征结合提取加工信号特征,同时完成了基于灰度分析方法的特征选择。研究了基于BP与LSTM两种神经网络算法的刀具磨损预测建模方法,并在...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1、绪论
    1.1 课题概述
    1.2 国内外研究现状
    1.3 本文主要研究内容
2、单件小批量注塑模具高精加工刀具磨损数据采集方案设计
    2.1 单件小批量注塑模具加工过程及质检过程分析
    2.2 单件小批量注塑模具高精加工刀具磨损与模具质量关系分析
    2.3 单件小批量注塑模具高精加工刀具磨损数据采集平台搭建
    2.4 本章小结
3、注塑模具高精加工数据预处理及刀具磨损特征提取
    3.1 高精加工过程信号截取及信号降噪
    3.2 高精加工过程刀具磨损特征提取
    3.3 注塑模具加工过程中刀具磨损数据分析
    3.4 基于灰色关联分析的特征选择
    3.5 本章小结
4、基于BP与 LSTM神经网络的刀具磨损值预测模型建立
    4.1 基于BP神经网络的刀具磨损值预测模型建立
    4.2 基于LSTM神经网络的刀具磨损值预测模型建立
    4.3 BP与 LSTM训练刀具磨损模型对比分析
    4.4 本章小结
5、刀具磨损预测模型的稳定性验证及实际应用
    5.1 刀具磨损预测模型的验证实验设计
    5.2 刀具磨损预测模型的稳定性分析
    5.3 刀具磨损预测模型的实际应用研究
    5.4 本章小结
6、全文总结与展望
    6.1 全文总结
    6.2 展望
致谢
参考文献



本文编号：3825756