基于深度学习的复杂结构件数控加工刀具状态实时监测
发布时间：2021-11-13 07:01
数控加工过程中的刀具状态实时监测对保证零件的加工质量和效率具有重要作用,是智能数控加工领域的一个关键技术。基于切削力、振动等信号的间接监测是数控加工刀具状态实时监测的有效手段,而数控加工过程中的监测信号不仅跟刀具状态相关,还受工件的几何形状、工艺参数等因素的影响。尤其是单件小批量生产的复杂结构件,其加工过程中的几何形状和工艺参数不断变化,为刀具状态的实时监测带来了很大的挑战。针对以上问题,本文对基于深度学习的数控加工刀具状态实时监测进行了深入研究。论文主要创新点如下:（1）研究了刀具磨损状态、工件几何形状和加工工艺对刀具状态监测信号的影响机理。首先设计了单因素实验分析刀具磨损状态、工件几何和加工工艺对监测信号的影响,进而设计了多因素实验分析了不同影响因素对刀具状态监测信号的耦合关系。实验表明,工件几何和加工工艺对监测信号的影响与刀具磨损状态对监测信号的影响具有很强的相似性。（2）针对传统向量方法在表达刀具状态监测相关的几何-工艺-监测信息时破坏了信息之间高维结构关系及其相关性的问题,提出了基于张量的刀具状态监测多维输入空间表达方法。建立了基于刀位点坐标的几何信息-工艺信息-监测信息之间...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
论文章节结构图
图 2. 1 刀具状态监测数据采集平台 传感器信号采集模块（1）切削力信号采集切削力与刀具磨损状态密切相关，切削力信号的变化能直观地反映刀具状态的改变究中常使用力传感器获取切削力并对其进行处理分析。切削过程中的切削力包含静态分量，力传感器必须能够准确的测量两个分量，压电式和应变式是最常见的力传应用中通常有测力仪和测力刀柄可选择，其中以瑞士 KistlerTM公司生产的产品较为（2）振动信号采集振动信号由切削力动态分量引起，同样包含与刀具磨损状态密切相关的信息。振动用加速度传感器采集，根据测量原理不同又可以分为压电式、压阻式以及电容式等其中最常用的是压电式加速度传感器。使用时利用磁力吸附在零件表面即可测量，置对测量结果有影响，且振动信号受机床系统振动影响较大。（3）主轴电流和功率信号采集加工过程中的刀具磨损会引起切削力的增大以及切削功率和扭矩的增大，导致机床
将导致监测信号的峰值或均值的改变工艺信息对监测信号的影响存在耦合，仅仅通过的变化还是几何信息、工艺信息的变化。磨损量、几何信息、工艺信息采用正交法进行切实验数据分析每个因素对于监测信号结果的影响法简单的判断是刀具磨损状态的变化还是几何信线性变化的影响因素，如可通过刀轨调节的材料态不同时，可以获得相似的监测信号，并对两段通过余弦相似度证明两段信号具有较强的相似性指的是三向切削力信号、振动信号等传感器监测何信息指的是加工特征的几何形状等；工艺信息的主轴转速、进给速度、材料去除速率等信息，、刃倾角、刀刃数等刀具信息。由于复杂结构件零件选择包含一个筋特征的槽腔，如图 2.2 所示合金立铣刀。实验数据分析均以切削力信号和振
【参考文献】：
期刊论文
[1]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[2]ARTIS刀具监控系统在航空结构件铣削加工中的应用[J]. 朱绍维,李卫东,汤立民,杜丽. 中国机械工程. 2016(15)
[3]融合工艺信息的复杂零件加工状态识别方法[J]. 朱绍维,牟文平,汤立民,杜丽. 中国机械工程. 2016(11)
[4]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)
[5]基于EEMD-SVM的刀具磨损状态研究[J]. 江雁,傅攀,李晓晖. 中国测试. 2016(01)
[6]基于支持向量回归机的刀具寿命预测[J]. 侍红岩,吴晓强,张春友. 工具技术. 2015(11)
[7]基于分层图像采集和三维重建的刀具磨损检测方法[J]. 舒平生. 制造技术与机床. 2015(04)
[8]基于深度学习的不完整大数据填充算法[J]. 卜范玉,陈志奎,张清辰. 微电子学与计算机. 2014(12)
[9]基于振动信号EMD和ICA的刀具破损识别[J]. 陈群涛,石新华,邵华. 工具技术. 2012(12)
[10]切削加工过程的在线监测与自适应控制[J]. 柳万珠,刘强. 航空制造技术. 2012(14)
博士论文
[1]智慧制造环境下感知数据驱动的加工作业主动调度方法研究[D]. 张存吉.华南理工大学 2016
[2]面向大数据特征学习的深度计算模型研究[D]. 张清辰.大连理工大学 2015
[3]基于张量数据的机器学习方法研究与应用[D]. 杨兵.中国农业大学 2014
[4]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
[5]多传感器数据融合关键技术研究[D]. 姜延吉.哈尔滨工程大学 2010
[6]切削加工过程中刀具磨损的智能监测技术研究[D]. 高宏力.西南交通大学 2005
[7]基于计算机视觉的刀具磨损状态监测技术的研究[D]. 熊四昌.浙江大学 2003
硕士论文
[1]刀具磨损监测和剩余寿命预测方法[D]. 王晓强.华中科技大学 2016
[2]刀具磨损在线监测研究[D]. 柳洋.华中科技大学 2014
[3]基于多传感器融合技术的刀具磨损监测系统的研究[D]. 郭勇.沈阳航空航天大学 2014
[4]基于机器视觉的铣削刀具磨损监测技术研究[D]. 张吉林.南京航空航天大学 2013
[5]基于小波分析的强噪声环境下弱信号提取研究[D]. 刘鑫.南京大学 2012
[6]飞机结构件槽特征数控加工自动工艺决策方法[D]. 张石磊.南京航空航天大学 2012
[7]基于声发射和振动法的刀具磨损状态检测研究[D]. 庄子杰.上海交通大学 2009
本文编号：3492559
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
论文章节结构图
图 2. 1 刀具状态监测数据采集平台 传感器信号采集模块（1）切削力信号采集切削力与刀具磨损状态密切相关，切削力信号的变化能直观地反映刀具状态的改变究中常使用力传感器获取切削力并对其进行处理分析。切削过程中的切削力包含静态分量，力传感器必须能够准确的测量两个分量，压电式和应变式是最常见的力传应用中通常有测力仪和测力刀柄可选择，其中以瑞士 KistlerTM公司生产的产品较为（2）振动信号采集振动信号由切削力动态分量引起，同样包含与刀具磨损状态密切相关的信息。振动用加速度传感器采集，根据测量原理不同又可以分为压电式、压阻式以及电容式等其中最常用的是压电式加速度传感器。使用时利用磁力吸附在零件表面即可测量，置对测量结果有影响，且振动信号受机床系统振动影响较大。（3）主轴电流和功率信号采集加工过程中的刀具磨损会引起切削力的增大以及切削功率和扭矩的增大，导致机床
将导致监测信号的峰值或均值的改变工艺信息对监测信号的影响存在耦合，仅仅通过的变化还是几何信息、工艺信息的变化。磨损量、几何信息、工艺信息采用正交法进行切实验数据分析每个因素对于监测信号结果的影响法简单的判断是刀具磨损状态的变化还是几何信线性变化的影响因素，如可通过刀轨调节的材料态不同时，可以获得相似的监测信号，并对两段通过余弦相似度证明两段信号具有较强的相似性指的是三向切削力信号、振动信号等传感器监测何信息指的是加工特征的几何形状等；工艺信息的主轴转速、进给速度、材料去除速率等信息，、刃倾角、刀刃数等刀具信息。由于复杂结构件零件选择包含一个筋特征的槽腔，如图 2.2 所示合金立铣刀。实验数据分析均以切削力信号和振
【参考文献】：
期刊论文
[1]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[2]ARTIS刀具监控系统在航空结构件铣削加工中的应用[J]. 朱绍维,李卫东,汤立民,杜丽. 中国机械工程. 2016(15)
[3]融合工艺信息的复杂零件加工状态识别方法[J]. 朱绍维,牟文平,汤立民,杜丽. 中国机械工程. 2016(11)
[4]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)
[5]基于EEMD-SVM的刀具磨损状态研究[J]. 江雁,傅攀,李晓晖. 中国测试. 2016(01)
[6]基于支持向量回归机的刀具寿命预测[J]. 侍红岩,吴晓强,张春友. 工具技术. 2015(11)
[7]基于分层图像采集和三维重建的刀具磨损检测方法[J]. 舒平生. 制造技术与机床. 2015(04)
[8]基于深度学习的不完整大数据填充算法[J]. 卜范玉,陈志奎,张清辰. 微电子学与计算机. 2014(12)
[9]基于振动信号EMD和ICA的刀具破损识别[J]. 陈群涛,石新华,邵华. 工具技术. 2012(12)
[10]切削加工过程的在线监测与自适应控制[J]. 柳万珠,刘强. 航空制造技术. 2012(14)
博士论文
[1]智慧制造环境下感知数据驱动的加工作业主动调度方法研究[D]. 张存吉.华南理工大学 2016
[2]面向大数据特征学习的深度计算模型研究[D]. 张清辰.大连理工大学 2015
[3]基于张量数据的机器学习方法研究与应用[D]. 杨兵.中国农业大学 2014
[4]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
[5]多传感器数据融合关键技术研究[D]. 姜延吉.哈尔滨工程大学 2010
[6]切削加工过程中刀具磨损的智能监测技术研究[D]. 高宏力.西南交通大学 2005
[7]基于计算机视觉的刀具磨损状态监测技术的研究[D]. 熊四昌.浙江大学 2003
硕士论文
[1]刀具磨损监测和剩余寿命预测方法[D]. 王晓强.华中科技大学 2016
[2]刀具磨损在线监测研究[D]. 柳洋.华中科技大学 2014
[3]基于多传感器融合技术的刀具磨损监测系统的研究[D]. 郭勇.沈阳航空航天大学 2014
[4]基于机器视觉的铣削刀具磨损监测技术研究[D]. 张吉林.南京航空航天大学 2013
[5]基于小波分析的强噪声环境下弱信号提取研究[D]. 刘鑫.南京大学 2012
[6]飞机结构件槽特征数控加工自动工艺决策方法[D]. 张石磊.南京航空航天大学 2012
[7]基于声发射和振动法的刀具磨损状态检测研究[D]. 庄子杰.上海交通大学 2009
本文编号：3492559
本文链接：https://www.wllwen.com/kejilunwen/jinshugongy/3492559.html
