基于功率与振动信号的刀具磨损状态智能监测方法研究.pdfVIP

摘要 摘要 刀具磨损是切削过程不可避免的现象。刀具磨损必然会影响工件的表面质量和尺 寸精度。刀具状态监测技术能够实时检测刀具的磨损状态，对提高加工质量与效率、 保护机械设备、推动制造业向“智能制造”转型升级具有重要的意义。本文以切削加 工过程中刀具磨损状态的识别为研究对象，分析不同磨损状态下硬质合金车刀的加工 特点，建立基于功率和振动信号提取的监测特征与磨损状态间的映射关系。全文主要 研究如下： （1）选择合适的信号处理方法，应用基于核主元分析的刀具磨损监测特征融合 方法。切削过程中振动信号表现为非线性、非平稳，因此应当选择更适合处理此类信 号的现代信号处理方法，如小波分析、希尔伯特黄变换、经验模态分解等。研究选用 小波包分析联合集成经验模态分解方法对振动信号进行处理，分别从时域、频域、时 频域提取监测特征，并利用核主元分析 （KPCA ）对原始高维特征进行特征降维，去 除冗余信息以精简数据，便于后续监测模型的识别运算。基于功率信号应用最小二乘 回归法提取的切向切削力系数与切向刃口力系数只受刀具磨损程度影响，在变切削参 数的加工条件下，可作为刀具磨损状态识别的有效特征。研究结果表明，上述特征提 取联合数据融合的方法能够很好地表达刀具磨损信息。 （2 ）采用支持向量机 （SVM）与粒子群优化算法 （PSO ）相结合的方法进行刀 具磨损状态的识别。对比人工神经网络训练需要大量样本、学习算法收敛速度慢等缺 点，本文选用支持向量机，结合粒子群算法优化监测模型参数。本文以硬质合金车刀 磨损监测为例，验证了所构建的状态识别模型 （KPCA+PSO-SVM ）的有效性。实验 结果表明，在小样本情况下，支持向量机方法表现出更优良的分类性能，对比其他一 些分类算法，如BP 、k-NN ，模型具有更高的分类准确率。 （3 ）基于刀具磨损状态识别模型，在 LabVIEW 平台下，搭建刀具磨损状态在 线监测软件。以实际生产应用为切入点，综合考虑监测系统的成本与监测可靠性和稳 定性，开发出一套完整且实用性强的刀具磨损状态监测系统，系统的功能包括数据采 集、存储与读取、信号分析、波形显示、刀具磨损状态识别与预警等功能。实验结果 表明，系统能够稳定运行，具有优良的分类准确率。 综上所述，本文针对刀具磨损监测问题，设计搭建了监测系统与监测方法，实现 I 基于功率与振动信号的刀具磨损状态智能监测方法研究 刀具磨损状态的智能识别与实时在线监测。本研究为实际工业环境下的刀具磨损状态 监测提供了技术支持。 关键词：刀具状态监测，功率与振动信号，核主成分分析，支持向量机，LabVIEW 软件开发 III 目录 目录 摘要 I ABSTRACT IV 1 绪论1 1.1 研究背景、意义及来源1 1.1.1 研究背景1 1.1.2 研究意义1 1.1.3 课题来源2 1.2 刀具磨损机理2 1.3 刀具磨损监测研究现状3 1.3.1 监测信号的选择3 1.3.2 监测特征的提取和选择6 1.3.3 监测模型的选择7 1.4 论文主要研究内容与章节安排8 1.4.1 论文研究内容8 1.4.2 论文研究流程9 1.4.3 论文章节安排9 1.5 本章小结 10 2 刀具磨损状态