基于橢球自適應共振與多傳感器融合的刀具狀態(tài)監(jiān)測研究.pdf

1、在現(xiàn)代制造業(yè)中,切削加工條件的辨識對降低加工時間和提高產品質量至關重要。刀具作為切削加工的重要組成部分,隨著切削過程的進行,特別是在加工一些硬度比較高的材料時,不可避免的會發(fā)生磨損變化。刀具狀態(tài)的變化將直接影響工件表面的加工質量和生產效率,因此刀具狀態(tài)的實時監(jiān)測對實際的切削加工是十分必要的。
　　本文研究了橢球自適應共振理論(EAM)在刀具狀態(tài)監(jiān)測中的應用,通過建立所提取的力信號、振動信號特征與測量得到的刀具磨損狀態(tài)間的關系模型,

2、實現(xiàn)刀具狀態(tài)的監(jiān)測。本文首先闡述了EAM的原理及其建模方法,并分析了EAM的幾個參數對其分類性能的影響。為了進一步驗證EAM模型對刀具狀態(tài)分類的有效性,設計了TC4鈦合金銑削實驗,通過采集銑削過程的力信號和振動信號,對信號進行了時域、頻域和時頻域分析及相關的多種特征提取,并應用基于相關性的快速濾波式(FCBF)特征選擇方法進行特征選擇,從而對鈦合金銑削過程中的刀具磨損狀態(tài)分類情況進行了研究。應用力信號與振動信號結合的多傳感器數據融合技術

3、,可以充分利用多個傳感器信息之間的互補性,避免單一傳感器使用的局限性,有效提高監(jiān)測的可靠度。同時本文通過EAM與幾種常用方法,模糊自適應共振(FAM)、K均值(KNN)、樸素貝葉斯(NB)、分類回歸樹(CART)的比較證實了 E AM在刀具磨損狀態(tài)分類應用中的有效性及準確性。為了驗證EAM的增量學習能力,本文對樣本進行了選擇,從而驗證了 EAM對與訓練樣本同類別的樣本以及不同類別樣本的增量學習能力。結果表明, E AM具有較好的增量學習