论文部分内容阅读
随着制造业自动化程度的不断提高,机械故障诊断技术的重要性越来越明显。加工刀具是机械加工过程中最重要的加工要素之一,在加工过程中刀具的磨损必然会影响加工质量,加工成本及生产效率。在早期的机械加工过程中,全靠人来观察刀具,更换刀具。但在现代化、连续自动化生产系统中,刀具的破损不仅会导致机床的功能失效,还会构成整个系统的故障,因此,预测刀具的磨损和破损显得十分重要。由于加工条件的多样性、切削参数的多变性以及刀具磨损等因素使得刀具的状态监测成为整个生产过程监测的重要环节。刀具的切削力和振动信号是研究刀具磨损状态的很好的手段。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。本文建立了车刀磨损状态监测的实验系统,通过实验使用力传感器和振动传感器采集了刀具在各种磨损情况下的大量数据,振动信号主要对其功率谱进行分析,尤其注意其高频部分信号的变化;力信号则主要从Z方向入手,因为其方向与工件旋转垂直,信号最为明显。通过对力信号和振动信号的分析分别抽取了时域和频域特征值,同时进行归一化处理,为后面的智能诊断作好准备。在智能诊断部分,首先采用了BP神经网络进行模式识别,发现有个别样本不能正确识别,而且收敛速度较慢。再将遗传算法引入BP神经网络应用于刀具磨损状态监测模型的训练过程中,对BP神经网络的权值改变了传统的随机选取方法,而采用遗传算法进行优化。实践表明这种方法是有效的,它克服了BP网络的缺点,对刀具磨损状态的识别精度较高,网络训练速度较快,并且可以正确识别偏离训练样本的征兆,大大提高了诊断的正确率和速度。由于受到实际条件的限制,本论文所设计的刀具磨损状态监测系统还尚未在实际的应用中实现在线实时监测。另外,神经网络故障诊断模型的诊断能力完全依赖于知识库现有的知识,由于收集到的故障实例和经验知识是有限的,所以,当一个新的异类征兆出现时,有可能得不到最佳的匹配,出现漏诊和误诊,这有待进一步的研究。