论文部分内容阅读
针对批量工艺参数一致钻孔的质量检测问题,本文通过声发射传感器和霍尔功率传感器采集钻削加工过程中的声发射信号和主轴功率信号,从时域和频域两个方面提取监测信号的特征,构建特征向量,依据各个特征对钻削过程特性的反映程度大小对其分配权重,使用增量聚类分析方法对钻孔依据其自身的质量特性进行分类,从而间接分析批量钻孔质量的分布特性及其发展趋势,为钻孔质量的人工抽检提供理论指导。本文具体以下面三个主要内容进行探讨。1、特征提取。声发射传感器和霍尔功率传感器采集到的钻削过程信号是时域信号,采样点过多,数据量过大,直接对其分析较为困难。因此本文提取原始监测信号的时域和频域特征,使用这些特征来表征原信号。为每一组钻削信号构建一个特征向量,这些特征向量组成一个数据库,用于后续分析。2、权重分配。从钻削监测信号中提取出来的特征可以反映钻削加工过程特性,但不同特征的这种反映的程度不同,而且这对后续的增量聚类分析会有很大影响,因此要依据各个特征对钻削加工过程特性的反映程度对其分配权重。本文使用层次分析法(AHP)作为权重分配的工具,并结合遗传算法(GAs)使层次分析法中的判断矩阵元素取值更为客观合理且不会出现逻辑错误。3、增量聚类分析。经过特征提取和权重分配后,每一组钻削监测信号都对应一个加权特征向量,以此作为数据对象,使用聚类分析方法对钻孔依据其自身的质量特性进行分类。由于聚类分析面对的加权特征向量数据库是一个不断在变化的数据库,本文研究了三种增量聚类算法:基于密度的InDBSCAN、基于网格的InGrid和基于模型的SOM,并利用“准确率”这种聚类评价方法比较了它们的增量聚类效果。计算和分析结果表明:对钻削监测信号的特征提取可以有效降低数据分析难度,权重的分配使增量聚类结果更加合理,并且,应用改进后的基于密度的增量聚类方法InDBSCAN对批量钻孔工步质量分布状况的检测准确率最高,其值高达84.90%。