基于电流与振动信号的铣刀磨损监测方法研究

发布时间：2017-07-30 16:11

  本文关键词：基于电流与振动信号的铣刀磨损监测方法研究

  更多相关文章： 铣刀磨损 电流 振动 核函数主元分析 BP神经网络 支持向量机

【摘要】：在机械加工过程中,刀具的磨损失效是造成数控机床故障的主要因素,如果不能及时、准确的实现故障监测,将会降低加工效率,缩短刀具寿命,增加加工成本。因此,实现数控机床刀具实时在线监测,有利于延长数控机床的无故障工作时间,减少工件报废及机床设备受损的概率。本文以数控铣床刀具磨损入手,在分析了国内外研究现状的基础上,针对三向测力仪安装需改变机床结构,测量精度受机床振动影响大,很难应用到工业生产中等问题,研究了基于电流与振动信号的铣刀磨损监测。主要工作如下:(1)分析了刀具磨损形式及原因,研究了刀具的磨损过程、磨钝标准,选择了以刀具后刀面磨损量作为测量刀具磨损的标准。(2)搭建了基于LabVIEW的铣刀磨损实验平台,分析了铣削实验条件,选择并布置了传感器位置;设置了NI-DAQ及数据采集板卡的主要参数,实现了采集设备与各传感器间的通信。(3)建立了主轴传递系统的动力学模型,分析了铣削过程中铣削力的动力学模型,对两相主轴电流信号进行功率谱密度相关性分析,提取了铣削力特征频率,证实了可以用电流信号代替力信号对刀具磨损状态进行监测,通过单因素分析法,确定了铣削加工参数。(4)采集了数控铣床的电流信号和振动信号,并对其进行时域、频域、小波包分析,提取了信号的特征值;在此基础上,研究了核主元分析理论,对提取的数据特征值进行筛选,得到对铣刀磨损贡献率最高的特征量。(5)分别研究了基于BP神经网络、支持向量机理论的铣刀磨损状态监测方法,实现了特征值的训练,实验表明BP神经网络的故障识别准确率达到了83.3%,支持向量机的故障识别准确率达到了91.7%,准确率比较高,可以用于铣刀磨损状态监测。本文研究表明,基于电流与振动信号的铣刀磨损监测准确率高,方法简单易行,可以有效的实现铣刀磨损状态监测。
【关键词】：铣刀磨损 电流 振动 核函数主元分析 BP神经网络 支持向量机
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG714
【目录】：

• 摘要9-10
• ABSTRACT10-12
• 第1章 绪论12-20
• 1.1 课题研究背景及意义12-13
• 1.2 国内外研究现状13-17
• 1.2.1 刀具磨损状态信号监测方法13-15
• 1.2.2 刀具磨损状态信号特征值提取方法15-16
• 1.2.3 刀具磨损状态识别方法16-17
• 1.3 存在问题与发展趋势17-18
• 1.3.1 存在问题17
• 1.3.2 发展趋势17-18
• 1.4 论文结构安排18-20
• 第2章 刀具磨损形态及机理20-26
• 2.1 刀具磨损形式与原因20-22
• 2.1.1 刀具磨损形式20-21
• 2.1.2 刀具磨损原因21-22
• 2.2 刀具磨损过程与磨钝标准22-24
• 2.2.1 刀具磨损过程22-23
• 2.2.2 刀具磨钝标准23-24
• 2.3 本章小结24-26
• 第3章 铣刀磨损状态监测实验设计26-38
• 3.1 实验设计26-28
• 3.1.1 实验平台搭建26
• 3.1.2 实验条件26-28
• 3.2 采集系统传感器选择与布置28-31
• 3.2.1 传感器选择28-30
• 3.2.2 传感器布置30-31
• 3.3 数据采集软硬件平台搭建31-36
• 3.3.1 硬件平台搭建31-35
• 3.3.2 软件平台搭建35-36
• 3.4 本章小结36-38
• 第4章 铣削力与电流信号映射关系研究38-48
• 4.1 铣削加工过程分析38-40
• 4.1.1 铣削负荷传递过程分析38
• 4.1.2 主轴传递系统动力学模型38-40
• 4.2 铣削力与电流信号分析40-45
• 4.2.1 铣削力信号分析40-43
• 4.2.2 电流信号分析43-45
• 4.2.3 铣削力与电流信号映射关系45
• 4.3 铣削加工参数确定45-47
• 4.3.1 主轴转速单因素分析45-46
• 4.3.2 进给轴速度单因素分析46
• 4.3.3 铣削深度单因素分析46-47
• 4.4 本章小结47-48
• 第5章 铣刀磨损状态信号特征值提取及筛选48-64
• 5.1 实验数据及波形显示48
• 5.2 铣刀磨损状态信号特征值提取48-59
• 5.2.1 时域特征值提取48-52
• 5.2.2 频域特征值提取52-56
• 5.2.3 时频域特征值提取56-59
• 5.3 基于核主元分析法的铣刀磨损状态特征值筛选59-62
• 5.3.1 核主元分析法59-61
• 5.3.2 铣刀磨损状态特征值筛选61-62
• 5.4 本章小结62-64
• 第6章 铣刀磨损状态监测研究64-76
• 6.1 基于BP神经网络的铣刀磨损状态监测64-69
• 6.1.1 BP神经网络64-66
• 6.1.2 BP神经网络结构设计66
• 6.1.3 BP神经网络训练结果及分析66-69
• 6.2 基于遗传算法优化支持向量机的铣刀磨损状态监测69-75
• 6.2.1 遗传算法69-70
• 6.2.2 支持向量机70-72
• 6.2.3 支持向量机网络结构设计72-73
• 6.2.4 支持向量机网络模型构建73
• 6.2.5 支持向量机测试结果分析73-75
• 6.3 两种网络监测结果分析75
• 6.4 本章小结75-76
• 第7章 总结与展望76-78
• 7.1 总结76
• 7.2 展望76-78
• 参考文献78-82
• 攻读硕士学位期间发表的学术论文及科研工作82-84
• 致谢84

【参考文献】

中国期刊全文数据库 前10条

1 朱爱斌;胡浩强;何大勇;陈渭;;采用频域融合方法的砂轮刀具磨损三维重构技术[J];西安交通大学学报;2015年05期

2 田沛;沈颖刚;毕凤荣;张剑;;基于小波包和BP神经网络的柴油机故障分析[J];小型内燃机与摩托车;2014年02期

3 申志刚;何宁;;具备高适应性的高速铣削刀具磨损状态监测系统[J];南京航空航天大学学报;2013年01期

4 彭涛;杨慧斌;李健宝;姜海燕;魏巍;;基于核主元分析的滚动轴承故障混合域特征提取方法[J];中南大学学报(自然科学版);2011年11期

5 陈侃;傅攀;李威霖;曹伟青;;钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法[J];组合机床与自动化加工技术;2011年01期

6 王国锋;李启铭;秦旭达;喻秀;崔银虎;彭东彪;;支持向量机在刀具磨损多状态监测中的应用[J];天津大学学报;2011年01期

7 陈捷;张成强;;基于BP神经网络的盘形成形铣刀的刀具磨损诊断研究[J];制造技术与机床;2010年12期

8 苏文胜;王奉涛;张志新;郭正刚;李宏坤;;EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用[J];振动与冲击;2010年03期

9 叶蔚;王时龙;雷松;;支持向量机刀具磨损预测模型及MATLAB仿真[J];工具技术;2009年10期

10 冼广铭;曾碧卿;唐华;肖应旺;;小波包结合支持向量机的故障诊断方法[J];计算机工程;2009年04期

中国博士学位论文全文数据库 前1条

1 熊四昌;基于计算机视觉的刀具磨损状态监测技术的研究[D];浙江大学;2003年

中国硕士学位论文全文数据库 前1条

1 张文彬;基于声音和图像的刀具磨损状态监测技术的研究[D];浙江工业大学;2003年

，

本文编号：595049