基于多參量信息融合的刀具磨損狀態(tài)識別及預測技術研究.pdf

1、本文來源于國家重點基礎研究發(fā)展計劃分課題“大型動力裝備制造基礎研究”(2007CB707703-4)。在深入分析當前刀具狀態(tài)監(jiān)測技術研究成果和現(xiàn)狀的基礎上，針對存在的問題開展了一系列的研究。首先，科學地設計了試驗方案，對不同切削條件下數(shù)控車削加工中切削力、振動、聲發(fā)射、切削溫度信號進行了刀具全壽命周期的實時采集，采用近似聯(lián)合對角化下的總體經驗模態(tài)分解(J-EEMD)算法對觀測信號進行刀具磨損狀態(tài)的特征提取，并在用神經網(wǎng)絡進行模式識別的基

2、礎上，應用基于支持向量機的刀具磨損融合技術實現(xiàn)了對刀具磨損狀態(tài)的二次決策識別，實驗結果證明，該方法具有良好的識別率和魯棒性。本文還應用灰色-隱馬爾可夫模型對刀具磨損狀態(tài)進行了科學的預測。
　　本文開展了以下研究工作:
　　(1)為了對基于多參量信息融合的切削刀具磨損狀態(tài)規(guī)律進行研究，選用測力儀、陶瓷加速度計、紅外熱像儀、聲發(fā)射傳感器及數(shù)字采集系統(tǒng)等搭建了試驗平臺，建立了能夠適時及監(jiān)測數(shù)控車削加工過程中切削力、振動、切削熱和聲

3、發(fā)射信號的刀具磨損狀態(tài)監(jiān)測系統(tǒng)。對加工過程中刀具全生命周期切削狀態(tài)進行實時監(jiān)控，為信號特征的提取、模式識別和刀具狀態(tài)預測提供了科學依據(jù)。
　　(2)采用近似聯(lián)合對角化下的總體經驗模態(tài)分解(J-EEMD)方法對觀測信號進行處理，該方法基于信號本身特征，自適應地將原振動信號和聲發(fā)射分解為多個內蘊模式函數(shù)(IMF)，然后根據(jù)各個IMF之間的能量比對變換，提取出了不同磨損狀態(tài)下的刀具狀態(tài)特征。實驗證明，在該方法對測得數(shù)據(jù)進行處理的基礎上，

4、能夠很好地識別出刀具磨損程度的不同狀態(tài)。并通過對BP網(wǎng)絡和Elman網(wǎng)絡的訓練實現(xiàn)了對其磨損狀態(tài)特征的模式識別。
　　(3)針對常用的貝葉斯算法和D-S證據(jù)論的局限性提出了基于支持向量機的決策融合方法，接著利用所測數(shù)據(jù)，在BP和Elman神經網(wǎng)絡識別結果的基礎上，利用該方法實現(xiàn)了決策融合。實驗結果證明，基于支持向量機的決策融合方法具有良好的識別率和魯棒性，且比單用某一種網(wǎng)絡節(jié)省時間。
　　(4)建立了反映數(shù)控車削加工刀具磨損