随着生产自动化程度的提高,特别是柔性制造系统(FMS)技术的出现,人们越来越重视对加工过程的在线监测。加工过程中刀具的磨损将造成工件的精度及粗糙度变差,甚至造成工件的报废,机床停机等故障。据统计生产工程中75%以上的设备故障是由于刀具失效引起,因此对刀具状态进行在线监测显得尤为重要。 小波变换在时域和频域都有良好的局部化性质,特别适合于对非平稳信号的分析,在刀具状态监测中得到了大量的应用。神经网络因其极强的非线性映射能力,特别适合于复杂模式识别,所以成为刀具状态识别广泛而强有力的工具。 本文的主要内容包括:第二章用小波变换提取声发射(AE)信号的特征;第三章采用第二章中得到的AE信号特征作为神经网络(BP网络、RBF网络和ART2网络)的输入,完成松散型小波神经网络的刀具故障诊断。第四章采用紧致型小波神经网络,对刀具状态进行识别。主要工作如下: (1) 以刀具状态AE信号小波分解提取各频段的均方根值(rms)作为网络的输入特征向量,利用BP网络、RBF网络及其变形结构PNN、ART2网络和小波网络进行智能故障诊断。 (2) 实现了ART2网络。ART2网络进行学习时有多达13个参数需要调节,本文作者发现,针对具体的样本空间,13维参数空间的解往往并不唯一;而且,各个参数并不独立,相互影响,呈复杂的关系。因此,参数的自动选择有待进一步研究。 (3) 对比了BP网络的各种算法。通过BP网络在故障诊断中的应用对比可知,无论从运算速度还是精度,L-M算法优于动量自适应算法,而动量自适应算法又优于标准BP算法。 (4) 本文把概率神经网络(PNN)用于刀具故障诊断,取得了良好的效果。 (5) 作者改进了一种小波网络,并把它用于故障诊断,取得了很好的效果。