基于混沌理论的刀具磨损识别研究-机械制造及其自动化专业论文.docxVIP

万方数据 万方数据 Classified Index: TH165.3 TP206 U.D.C: 621 RESEARCH ON TOOL WEAR CONDITION RECOGNITION BASED ON CHAOS THEORY Candidate： Peng chang Supervisor： Prof.Guan shan Academic Degree Applied for： Master of Engineering Speciality： Mechanical Manufacture and Automation Affiliation： School of Mechanical Engineering Date of Defence： Mar, 2016 Degree-Conferring-Institution： Northeast Dianli University 摘 要 摘 要 在金属切削加工过程中，刀具会随着切削时间增长而逐渐磨损。刀具磨损后将使得切 削力增大，刀具与工件摩擦加剧，进而影响加工精度和工件表面质量。刀具磨损可能导致 加工失效，甚至损坏机床，因此进行刀具磨损状态监测具有重要意义，尤其对于现代加工 自动化程度越来越高的制造过程中，刀具磨损状态监测显得更为必要。金属切削是一个复 杂过程，刀具磨损受众多因素影响，如切削参数、材料、机床以及环境条件等。对于金属 切削这一非线性系统，刀具磨损会产生很多非平稳信号，应用在刀具磨损诊断方面常用的 信号有振动信号、声发射信号、力信号等。本文中主要选取刀具磨损声发射信号作为采集 信号类型，声发射信号是一种高频应力波信号，切削时晶格滑移，剪切，摩擦都会产生与 刀具磨损相关的声发射信号。声发射信号有较高频率，通常达到 50kHz-1MHz，这在数据 采集过程中通过高通滤波方法能有效地消除低频信号的影响。文中依据正交试验原理研究 制定了合理的试验方案，采集了不同条件下的刀具磨损声发射信号。采集的声发射信号往 往是含有高频噪声，而且不知道噪声水平，为了消除噪声对信号分析的影响，文中采用了 经验模态分解与小波阈值结合的信号降噪处理方法。通过经验模态分解能将复杂非线性非 平稳信号分解成若干单一频率的固有模态函数，将信号分解成从高频到低频的固有模态分 量，然后通过引进连续均方误差准则来判断噪声主导模态，进而进行小波阈值去噪，通过 计算信噪比改善量，发现文中方法去噪效果较好。然后对滤波后的信号，进行相空间重构， 充分挖掘系统蕴含信息，进行混沌序列分析。文中相空间重构的关键参数延迟时间和嵌入 维分别通过互信息法与 CAO 方法计算。重构相空间后，绘制 Lorenz 系统与实测信号的吸 引子，结果很直观的体现了相图结构与刀具磨损量之间的变化关系。 信号进行混沌时间序列分析后，提取了表征系统内部信息的混沌特征：关联维数、最 大 Lyapunov 指数、Kolmogorov 熵，结果显示刀具磨损声发射信号具有混沌特性，随着磨 损量的增加，这三个特征量总体呈现增大趋势。将相空间重构的关键参数延迟时间与嵌入 维数以及三个混沌特征组成主要的特征向量。将不同磨损阶段，不同切削条件下的信号组 合成训练样本输入到 SVM 支持向量机中进行学习，由测试样本进行验证，结果显示识别 率达到 90%以上，说明基于混沌特征与 SVM 能很好地实现刀具磨损状态识别以及磨损量 预测。 关键词：刀具磨损；声发射；信号去噪；相空间重构；混沌；支持向量机 I 万方数据 万方数据 东北电力大学工学硕士学位论文 Abstract In metal cutting process, surface quality and dimensional accuracy of the workpiece is affec ted by cutting-tool wear condition. So it is important to study the cutting-tool wear, especially in automation production. Cutting-tool wear is a complex process, it affected by various factors like cutting parameters, material characteristics and cutting environment, etc. Metal cutting is a nonli near system, there are a lot of non-stationary signals used in condition monitoring and fault diagn osis. V