毕业设计（论文）-砂轮磨损状态的智能监测的研究【程序代码】.doc

引言 全套设计，加153893706 磨削加工工件的加工精度和表面质量直接影响到零件的最终质量和机器的寿命。在磨削加工过程中，砂轮的磨耗和钝化对磨削质量具有直接的重要影响。因此，在生产过程中识别砂轮的磨损，合理确定砂轮的耐用度，对保证加工质量、提高生产率、减小不必要的砂轮消耗等具有重要的意义。以往识别砂轮磨损主要是靠操作者的经验来判断，这已成为磨削过程自动化的一个主要障碍。目前，人们提出了各种自动识别砂轮磨损的方法，如在线监测磨削力、磨削颤振、磨削声、工件表面粗糙和声发射等，并仍致力于寻找简单实用、准确可靠、响应速度快的砂轮磨损识别方法。 其中很明显磨削过程中的砂轮磨钝是磨削过程状态发生变化的综合表征之一，它对零件的最终质量影响很大。生产中一般采用定时修整砂轮的方法来保证工件表面质量，但降低了砂轮使用寿命和生产效率，因此对砂轮磨钝的在线智能识别一直是工程领域的重要研究课题。要实现加工过程的自动化、柔性化，在很大程度上取决于系统识别加工过程的异常情况和及时校正作用，在无操作人员的情况下，必须用传感器、识别决策系统来替代操作人员的功能。人们一直在期待用智能传感器系统来替代操作人员的知识、经验、感官和模式识别能力。 识别加工过程异常情况中的重要内容——砂轮状态的实时监测，砂轮状态的信息是通过传感器来获取的。单一传感器所获取的信息量有限，事实证明不能满足高精度状态监测的要求。砂轮状态监测的信息采集正向多传感器化方向发展。80年代初期，一些人所提出的方法都因训练程序费时，对过程状态敏感，很难适用于实时过程监测。Rangwala和Dornfeld利用神经网络集成声发射传感器和力传感器信息，以监测车削过程的后刀面磨损，成为智能刀具状态监测系统的雏形。 随着人工智能的发展，越来越多的研究人员开始将眼光转向用神经网络来处理多传感器融合所采集的信号，并取得了比较大的进展。国内学者在基于人工神经网络的智能砂轮状态监测系统研究方面取得了一系列成果。参考文献[7] 利用声发射（AE）信号的归原处理法，在线监测小批量、多品种磨削过程砂轮钝化程度，实验结果表明，该方法获得的结果与砂轮钝化有很好的一致性。参考文献[8]用磨屑热辐射流温度信号作为信号源,运用BP神经网络对磨削烧伤状态的智能辨识进行探讨。结果表明，利用BP网络的高度非线性映射表达能力，实现了样本特征值空间到模式空间的映射，对训练样本及测试样本进行了正确识别，在实际工况下对磨削烧伤的识别正确率也较高。参考文献[9]研究了基于粗糙集理论的在线辨识磨削烧伤和砂轮磨钝的新方法,以测取信号、计算敏感特征量、构造辨识砂轮磨损和磨削烧伤的知识表示系统、连续属性离散、分类模式的合并、属性约简、知识提取的顺序对获取的信息进行处理,提取判别规则,进而通过判别规则来辨识磨削烧伤和砂轮磨钝。辨识结果与实验数据相符。理论和实验表明,采用粗糙集理论来解决多品种、小批量生产方式中的分类辨识非常有用。参考文献[10] 讨论利用外圆切入磨削循环过程中，初磨阶段持续的时间和工件每转实际磨削变化规律与砂轮锋利度密切相关这一特性，通过建立自适应共振网络—ART2模型对磨削过程工件实际每转磨削深度变化规律的信息进行分类处理，实砚磨削过程砂轮锋利度的在线识别。对实际磨削过程中多种工艺参数变化的情况下砂轮锋利度进行在线识别，证实对复杂的磨削过程，可以有效地识别出砂轮的锋利度。参考文献[12]针对磨削温度的变化特征及其不同的影响因素,对人工神经网络预报模型及灰色理论ＧＭ(1,1)预报模型应用于磨削温度在线监测与预报中的优缺点进行了分析,提出了一种新的ＡＮＮＧＭ(1,1)综合预报模型,对该模型进行了理论分析和工艺实验研究。 虽然国内外对智能状态监测系统进行了大量研究，但是对其理论和应用还处于初期，随着以灵捷制造战略为核心的先进制造技术的研究与开发，刀具实时磨／破损监控技术已成为实现灵捷制造的关键技术之一。对未来砂轮状态监控技术主要要求如下：（1）降低响应时间；（2）最大运用可靠性；（3）具有广泛集成能力；（4）强鲁棒性；（5）低成本性；（6）翻新改型简化；（7）用户操作方便；（8）体积小；（9）安装容易；（10）最少维修保养。就目前的研究看还存在如下的不足： （1）所用传感器远远不能满足对信息高质量的要求。应根据多传感器信息融合的要求，改进传感器使之更加可靠、灵巧、坚固。现有传感器在机床上安装问题也待解决、急需研制、开发能提供高质量信息，又使用方便的新型传感器。 （2）研究原始信号处理方法，净化原始信号，实现高信噪比、高质量信息。 （3）砂轮磨损和破损是切削参数的函数，如切削速度、进给、刀具工件材料、刀具的几何形状、切削时间，所有这些参数可否在神经网络输入中进行考虑。 （4）“对神经网络模型选择、层和节点数的选择，训练策略的研