钛合金磨削中砂轮磨损及工件表面粗糙度研究

发布时间：2017-07-08 05:09

  本文关键词：钛合金磨削中砂轮磨损及工件表面粗糙度研究

  更多相关文章： 钛合金 振动信号 砂轮磨损 表面粗糙度 BP神经网络

【摘要】：钛合金因其比强度高、耐腐蚀性能优异等诸多优良特性,在各领域中应用越来越广泛。然而由于钛合金热导率低、化学活性高等特点极易导致磨削加工时产生砂轮粘附使得砂轮快速磨损,从而引起磨削振动甚至磨削表面烧伤等现象。为了提高普通外圆磨床中低速磨削钛合金工件的表面加工质量,本论文主要针对TC4钛合金外圆磨削工艺、磨削中砂轮磨损在线监测系统以及基于磨削振动信号和磨削用量的表面粗糙度预测等关键内容开展以下研究:本文首先分析了钛合金材料特性,选取可加工性强的TC4为后续实验研究对象,对比了钛合金高速磨削与中低速磨削的工艺特性,针对生产成本低、应用更为广泛的中低速钛合金磨削,提出了利用磨削振动信号实现对砂轮磨损程度监测及工件表面粗糙度预测来保证中低速磨削钛合金加工质量的方法。在此基础上,进行了钛合金磨削振动信号采集与分析系统的设计,主要包括传感器的选型与布置、数据采集系统配置等硬件设计,以及振动信号采集参数设置、监测信号特征的选取及预处理、振动信号分析方法等软件开发。基于钛合金磨削振动信号采集与分析系统,从振动信号监测着手研究钛合金普通外圆磨削中砂轮的磨损状态。通过实验结果分析,提出使用振动信号均方根值来表征砂轮磨损状态,制定了砂轮磨损的判别流程并确定了砂轮磨损判别阈值,开发了砂轮磨损在线监测软件。并在TC4钛合金加工中,验证了砂轮磨损在线监测系统的有效性,该系统能够准确地在磨削过程中报警提示砂轮严重磨损的发生。砂轮磨损直接决定着钛合金磨削表面质量,表面粗糙度难以在磨削过程中直接检测,故本文提出通过监测磨削振动信号来揭示磨削表面粗糙度情况。首先,通过正交实验分别研究了不同磨削用量以及砂轮磨损程度对振动信号和表面粗糙度的影响规律,并以此为基础分析了振动信号与表面粗糙度之间的映射关系。综合上述研究成果,利用BP神经网络建立了以振动信号、磨削深度和工件转速为输入的钛合金外圆磨削表面粗糙度预测模型,并详细介绍了BP网络结构设计及网络训练的过程。实验结果表明,该预测网络模型在TC4钛合金中低速外圆磨削表面粗糙度预测中具有一定的有效性。
【关键词】：钛合金 振动信号 砂轮磨损 表面粗糙度 BP神经网络
【学位授予单位】：上海大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG580.6
【目录】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 绪论13-21
• 1.1 课题来源13
• 1.2 课题背景13
• 1.3 研究意义及目的13-14
• 1.4 国内外研究概况14-19
• 1.4.1 国内外钛合金磨削研究现状14-16
• 1.4.2 国内外磨削过程监测技术研究现状16-19
• 1.5 论文的主要研究内容19-21
• 第二章 钛合金外圆磨削工艺分析21-28
• 2.1 钛合金材料特性21-22
• 2.1.1 钛合金的分类21-22
• 2.1.2 TC4 钛合金的材料性能22
• 2.2 钛合金外圆磨削工艺及特性分析22-27
• 2.2.1 钛合金的磨削特性分析22-23
• 2.2.2 钛合金外圆磨削工艺23-26
• 2.2.3 表面质量主要评价指标26-27
• 2.3 本章小结27-28
• 第三章 钛合金磨削振动信号采集与分析系统设计28-40
• 3.1 钛合金磨削振动信号采集与分析系统硬件组成28-31
• 3.1.1 磨床结构与特点28-29
• 3.1.2 传感器的选型与布置29-30
• 3.1.3 数据采集卡与控制器选型30-31
• 3.2 钛合金磨削振动信号采集与分析系统软件开发31-38
• 3.2.1 基于以太网的振动信号采集31-33
• 3.2.2 振动信号采集参数设置33-35
• 3.2.3 振动信号的预处理35-36
• 3.2.4 振动信号的分析方法36-38
• 3.3 本章小结38-40
• 第四章 钛合金磨削中砂轮磨损状态在线监测研究40-50
• 4.1 基于振动信号的砂轮磨损研究40-43
• 4.1.1 砂轮磨损过程分析40-41
• 4.1.2 砂轮磨损与磨削振动的关系41
• 4.1.3 砂轮磨损判别流程41-43
• 4.2 砂轮磨损判别阈值的设置43-47
• 4.2.1 走刀次数阈值设置43-46
• 4.2.2 振动信号均方根值阈值设置46-47
• 4.3 砂轮磨损在线监测的实现47-49
• 4.4 本章小节49-50
• 第五章 TC4 钛合金磨削振动与表面粗糙度关系的实验研究50-59
• 5.1 磨削实验方案设计50-52
• 5.1.1 磨床空转实验50-51
• 5.1.2 磨削正交实验51-52
• 5.2 工件表面粗糙度测量与分析52-53
• 5.3 磨削用量对振动信号及表面粗糙度的影响53-56
• 5.3.1 磨削深度对振动信号及表面粗糙度的影响54
• 5.3.2 工件转速对振动信号及表面粗糙度的影响54-55
• 5.3.3 砂轮磨损程度对振动信号及表面粗糙度的影响55-56
• 5.4 振动信号与表面粗糙度的关系56-58
• 5.5 本章小结58-59
• 第六章 基于BP神经网络的TC4 钛合金外圆磨削表面粗糙度预测59-74
• 6.1 BP神经网络的基本原理59-62
• 6.1.1 BP神经网络结构59-61
• 6.1.2 BP神经网络学习算法61-62
• 6.2 基于BP神经网络的表面粗糙度预测模型的建立62-68
• 6.2.1 网络层数的确定62
• 6.2.2 各层节点数的确定62-63
• 6.2.3 传递函数及训练函数的确定63-64
• 6.2.4 样本的预处理64-66
• 6.2.5 表面粗糙度预测模型的建立66-68
• 6.3 基于BP神经网络的表面粗糙度的预测68-73
• 6.3.1 BP神经网络预测的实现68-71
• 6.3.2 表面粗糙度预测结果分析71-73
• 6.4 本章小结73-74
• 第七章 结论与展望74-76
• 7.1 结论74-75
• 7.2 展望75-76
• 参考文献76-81
• 作者在攻读硕士学位期间公开发表的论文81-82
• 作者在攻读硕士学位期间所作的项目82-83
• 致谢83

【参考文献】

中国期刊全文数据库 前2条

1 黄凯锋,许黎明,范浩,时轮,范金梅;基于振动信号的砂轮磨损状态的在线特征识别[J];仪器仪表学报;2005年S1期

2 王龙山,崔岸,于爱兵;砂轮变速磨削抑制工件颤振的研究[J];中国机械工程;1999年02期

，

本文编号：533130