l常用的刀具磨损检测方法比较.docxVIP

常用的刀具磨损检测方法比较检测方法传感器工作原理适用范围和特点直接法光学图像光纤、光学传感器摄像机用磨损面反射的光线或摄像机摄像各种加工；成本高接触测头磁间隙传感器检测切削刃位置用于车、钻、铣；受温度和切削影响放射性技术放射性元素刀具里注入同位素，测切削里的放射性各种切削加工；对身体有危害间接法切削温度热电偶测工件刀具间的切削温度突发增量用于切削；灵敏度低、不能用于有冷却液的情况表面粗糙度激光传感器红外传感器测表面粗糙度的变化量用于车、铣；非实时监测，应用范围小超声波超声波热能器与接收器接受主动发射超声波的反射器用于车、铣；受切削振动影响，处于研究阶段振动加速度器、振动传感器检测振动信号用于车、铣、钻；单独使用效果差，易受环境影响切削力应变力传感器压电力传感器检测切削力用于车、铣、钻；灵敏度高，工作稳定，价格高功率功率传感器主电机或进给电机功率用于车、铣、钻；灵敏度低，响应慢，成本低声发射声发射传感器检测声发射信号用于车、铣、钻攻丝等，灵敏度高，实时监测国内外学者对刀具磨损的研究采用传感器主要是振动传感器，声发射传感器，力传感器以及功率传感器，而对刀具监测信号的处理可以应用时域分析，频域分析或者小波分析理论，而对刀具进行磨损分类时应用较多的是人工智能技术，神经网络，模糊神经网络，模糊诊断等等。基于小波分析和集成神经网络的刀具磨损监测技术研究 本文以测力仪，宽带声发生传感器及振动传感器为信号检测元件，利用多传感器融合技术对铣削加工过程中刀具磨损监测的一系列相关问题进行详细的分析。 文中对切削力及振动信号的处理主要采用小波分析。小波分析是处理非平稳信号非常有效的方法，而其中的小波包变换不仅分析低频信号，而且也对高频信号也进行了细分分析。可以讲包括正弦信号在内的任意信号无冗余，无疏漏，正交的分解到独立的，任意精细的频带上。正因为如此，采用小波包分解频带能量检测法对切削力和振动信号惊喜频带能量统计，并得到了与刀具磨损敏感的频段特征。通过相应频段内能量的变化，就可以对刀具磨损状态进行有效的监测。正文:本文主要对刀具的切削力信号和振动信号分别进行了时域，频域和小波分析，找到了与刀具磨损敏感特征。 1，对切削力，在时域波形上看出其幅值会随着刀具磨损增加而增大，可以提取动态切削力的均方根值作为监测刀具磨损的特征，通过功率谱发现：切削力频谱能量主要在低频段，集中在几个倍数于基频的频段；而在经过小波包分析，提取的低频段能量与刀具磨损非常敏感，可以取而代之为监测特征。 2，对振动信号来讲，不易从时域波形上看出刀具不同的磨损状态，但在器功率谱上可以清晰地看到存在几个特征频段，这几个频段的信号能量对应与刀具磨损状态的加剧明显增加。用小波包分解能量监测法提取出了这几个与刀具磨损密切相关的频段能量特征。（注意：对频域分析时一般对功率谱分析）优点及其缺点：优点：1.切削力信号直接来源于切削加工点，与刀具磨损相关程度高。振动信号容易获得，可以很好地辅助切削力综合判断；2.小波分析技术能有效的完成对刀具切削力和振动信号的分析。单从这两种信号的时域和频域（功率谱分析）很难准确的得到与刀具磨损敏感的特征，针对这种不足，采用时频性能都很好的小波分析能很好的解决这一问题。小波包不仅能分析低频信号，而且对高频信号也进行了细分分析。3.小波包分解频带能量监测法能对刀具磨损状况进行有效监测。傅里叶分析只是对信号中的正弦成分进行统计，用其表示的能量不全面。而频带能量监测应当计及各频带里信号的全部能量，包括非平稳、非线性振动能量，应用小波进行刀具信号分析，则可以描述其中的非平稳成分。4.神经网络能有效的实现刀具磨损状态的智能诊断。BP网络作为刀具磨损状态的分类器，并有效的进行模式识别和分类，完成故障智能诊断。5.集成神经网络刀具磨损状态识别系统比单神经网络具有更高的识别速度和诊断率。用多个网络分担不同任务，可使得单个网络的建模负担轻，速度可大幅提高；且能充分利用切削加工过程中各个信号的有效信息。缺点:1.该实验没有分析声发射信号，不能实现高精度的诊断。；2.BP网络发展至今，在理论和性能方面都已经非常成熟，但是其隐含层节点数的最优选问题还需要做进一步研究。二、基于小波分析和神经网络的多传感器融合技术在机床刀具磨损监测中的应用本文是将一种具有小波分析和神经网络的多传感器融合技术应用于刀具磨损监测系统。介绍了小波分析和神经网络的理论基础；给出了刀具磨损在线监测系统的组成和基于小波分析和神经网络的多传感器融合技术在刀具磨损在线监测系统应用过程。多种传感器采集的信号通过小波分析提取其特征值，将特征值作为神经网络的输入，对比识别刀具磨损状态。本文的优点：1.小波分析可以有效地提取信号特征，对刀具磨损状态的识别效率高，取得了很好的效果；2.通过合理选择传感器类型和应用多传感器融合技术