基于多传感器信息融合的刀具状态监测分析.docx

摘 要
***切削状态的有效监测是先进制造技术中的关键技术之一,对于推进切削加工自动化与无人化的过程具有十分重要的意义。直接测量与***体积有关参数的方法无法满足在线实时监测的要求,因此测量反映***磨损、破损影响程度各种参数的间接方法成为目前国内外研究和应用的重点。但由于***监测中存在切削加工条件的多样性、切削参数的多变性、***磨钝的随机性、模糊性和监测信号单调性的矛盾,为了提高***失效监测的可靠性和准确性,人们提出了多传感器信息融合的***状态监测技术。
本文结合监测系统三大部分,即信号检测、特征提取、状态识别,进行基于多传感器信息融合的***状态监测研究:选择对***磨损反应敏感的切削力信号和振动信号作为检测对象;根据信号的特点,分别在对域、频域和时频域对检测到的信号进行分析和信号特征提取:以神经网络模型实现多传感器信息融合,对***状态进行识别决策,构造出在单一工况和多工况条件下进行***状态监测的系统。
实验数据表明,不同程度磨损的***在切削过程中产生的切削力信号和振动信号具有明显的差异,因此这两种信号可以作为监测信号反映***磨损的情况。同时,在不同的工况下,这两种监测信号对***磨损反应的敏感度不一样,因而采用多传感器信息融合的方式进行***状态监测具有更高的准确性。在信号特征提取方面,针对信号的不同特性采用不同信号处理方法。对于切削力,其功率谱比较集中,可用傅立叶变换的方法把时域信号转换成到频域上进行功率谱分析:对于振动信号,由于其功率谱比较分散,难以在时域或纯频域内提取其特征值,本文用小波包分解的方法,把时域信号分解成不同频域段对应的子信号,从这些子信号中选择最大程度上反映***磨损的组合作为研究对象,再对这些组合进行特征提取。神经网络是一个具有高度非线性的超大规模孵连续时问动力系统,具有大规模并行处理能力,而且具有很强的鲁棒性、容错性、自学****性,因此基于神经网络技术所建立的监测系统能快速适应变化的环境,实现智能决策。然而传统的BP神经网络并不是一个十分完善的网络,它存在着的一些诸如学****速度较慢,在学****过程中出现局部收敛等缺陷使其应用受到限制。文中通过调整网络结构、在可调节参数的调整公式中引入动量项、在学****过程中采用变学****率和最小误差保留策略等优化学****算法加速神经网络学****速度,改善其收敛性。并就传统BP网络和小波神经网络的学****效果作实例对比。在实际***监测模型的构造中,对于单一工况条件下的***监测系统,比较了以单一传感器检测信号和采用多传感器信号建立***磨损监测模型在各种工况条件下的***识别性能,从神经网络的输出效果和监测信号对***磨损反应的敏感性两方面论证了采取多传感器信息融合建模
华南理工大学工学硕士学位论文
的必要性:至于多工况条件下的***监测,提出了基于正交工况条件实验数据的***监测系统建立方案,按照这一方法建立的***监测模型具有对***磨损程度识别的有效性和对工况条件的扩展性。
最后给出了本课题的主要结论,并就有关问题提出改进方案和展望。关键词:***状态监测:信息融合;小波分析;神经网络
Abstract
Tool condition effective monitoring is the key technology in the advanced manufacture system,which plays an essentially important part in automatic degree of the tool wear can be gotten by measuring the parameters relating to the volume of the curing tool,but this method can’t satisfy the requirements of on-line researchers,internal or external,focus on the’Other methods using Sensor signals to monitor the cutting
tool wear during the machining to the multiplicity of the machining condition,the variability of the curing parameters,the randomicity of tool wear,
using single sensor signals to monitor the condition of cutting tool is often
Combining with three pans o