基于人工神經網絡對刀具磨損狀態(tài)監(jiān)測技術研究.pdf

1、機械加工中刀具的磨損狀態(tài)不僅直接影響工件的加工精度和表面質量，還影響到工件的加工成本和生產效率等等。如何實現(xiàn)刀具磨損狀態(tài)的實時監(jiān)測已成為機械加工中的關鍵技術之一，因此對刀具磨損狀態(tài)監(jiān)測技術研究具有重要的理論意義及實用價值。
　　聲發(fā)射與刀具切削狀態(tài)相關程度高，非常適合作為刀具狀態(tài)監(jiān)測系統(tǒng)的有效監(jiān)測信號之一。刀具不同磨損狀態(tài)對應的聲發(fā)射信號具有各自不同的特點，對聲發(fā)射信號進行分析處理能夠提取到有效地反映刀具不同狀態(tài)的主要特征。本文通

2、過聲發(fā)射信號監(jiān)測系統(tǒng)，采集和分析了不同切削條件下刀具的聲發(fā)射信號。分析結果表明：聲發(fā)射信號難以從單純的時域或者頻域進行數(shù)據處理提取到特征。采用傅里葉分析和小波包變換相結合，提取信號幅值的均方差、功率的最大值及小波包分解后各頻段的能量值，一起作為反映刀具磨損狀態(tài)的主要特征。同時切削參數(shù)也在一定程度上影響著刀具狀態(tài)的變化，把切削三要素(切削速度、切削深度、進給量)作為輔助特征。
　　本文將主要特征和輔助特征構成的特征向量通過主元分析進

3、行處理，作為神經網絡的輸入向量。把刀具狀態(tài)的特征向量進行主元分析，數(shù)據處理結果表明：主元分析不僅實現(xiàn)了對特征向量的降維，還消除了特征向量之間的相關性。主元分析后得到的主元即作為神經網絡的輸入樣本。同時，利用神經網絡的自學習、自適應、容錯性以及非線性映射能力，建立網絡模型用于實現(xiàn)刀具磨損狀態(tài)的監(jiān)測。本文分別采用了Levenberg-Marquart的改進算法的BP神經網絡、動量因子調整算法的小波神經網絡建立了刀具磨損狀態(tài)的監(jiān)測系統(tǒng)。