切削加工过程中颤振的监测与识别方法研究

发布时间：2020-05-14 23:40

【摘要】： 切削加工是使用切削工具,把坯料或工件上多余的材料层切去,使工件获得规定的几何形状、尺寸和表面质量的加工方法。在切削加工过程中所产生的颤振是影响工件质量的主要原因之一,颤振具有非线性、时变性和不确定性等特点,难以进行精确的测量和识别,多年来吸引了国际上众多学者持续对其进行研究,取得了一些重要的研究成果,但仍然存在一些问题有待于解决。本文综合了隐马尔可夫、支持向量机及核主元分析等理论和方法,对机床启动过程、刀具磨损状态等诱发颤振的因素进行诊断分析,并且对切削加工中的颤振监测和识别方法进行研究。论文完成的主要工作如下： (1)通过对切削加工时机床启动过程的故障特征分析,基于隐马尔可夫理论,建立了混合密度连续隐马尔可夫模型,对机床启动过程的故障进行识别。采用连续混合密度隐马尔可夫模型识别车床启动过程的运行状态,解决了隐马尔可夫模型的溢出问题,根据高斯密度函数特点,提取启动过程的工件松动、不平衡、不对中和正常启动等特征信息,依据信息特征进行故障诊断识别。该模型克服了传统的诊断方法容易丢失特征信息的弊端,方法简单、识别率高,适合应用于旋转机械的启动过程故障诊断。与隐马尔可夫模型进行比较分析,实验结果表明,该模型具有较好的识别效果。 (2)通过刀具磨损量对颤振影响程度的分析,基于离散隐马尔可夫理论,建立了刀具磨损诊断模型。采用对切削加工中的动态切削力信号和刀柄振动信号进行快速傅立叶变换并提取特征量,将提取的特征谱矢量作归一化处理,然后利用自组织特征映射对归一化矢量进行预分类离散编码,编码量值作为观测序列引入到离散隐马尔可夫模型中进行机器学习,识别出刀具磨损程度,识别结果作为控制切削进给量大小的依据。该模型克服了传统识别方法的计算量大、算法复杂的缺点,识别速度高,具有良好的实时性,并通过与隐马尔可夫模型和分形理论比较分析,实验结果表明,该模型具有较好的识别效果,为正确识别切削颤振奠定基础。(3)针对切削力信号和工件振动信号的非线性、不确定性和时变性的特点,提取切削过程的大样本数据,建立了基于核主元分析与支持向量机结合的故障诊断模型(KPCA-SVM)。该模型通过KPCA方法提取非线性颤振数据中的线性主元信息,根据主元信息贡献率的大小,确定能够代表颤振特性的线性主元,然后,通过SVM的分类能力,对线性主元进行一对多方式分类,分类结果作为判定是否具有颤振趋势的依据,为控制任务提供数据基础。该方法弥补了传统识别方法难于充分描述颤振发展过程的缺陷,实验结果表明：对于能够描述切削过程的大样本数据,KPCA-SVM是一种新的有效的颤振趋势识别方法。与主元分析与支持向量机模型(PCA-SVM)的识别效果比较,具有一定的优越性。 (4)针对切削加工过程中的颤振发生时的小样本数据,建立了基于支持向量机与隐马尔可夫模型(SVM-HMM)结合的诊断模型,辨识颤振发生的程度。该模型首先求取小样本数据在支持向量机下的最优比率,然后把最优比率转化成Sigmoid概率,作为观测序列输入到HMM模型,通过隐马尔可夫模型的良好的类内分类能力,对切削过程中能够表现颤振的振动信号和切削力信号做出有效训练和识别。实验结果表明,对于小样本数据,该方法对切削颤振具有较强的识别能力,识别效果优于支持向量机方法、隐马尔可夫方法,该方法克服了非颤振信息颤振化错误判断的弊端,是一种颤振诊断的新方法。
【学位授予单位】：大连理工大学
【学位级别】：博士
【学位授予年份】：2010
【分类号】：TG501;TH165.3

【引证文献】