论文部分内容阅读
钛合金因其比强度高、耐腐蚀性能优异等诸多优良特性,在各领域中应用越来越广泛。然而由于钛合金热导率低、化学活性高等特点极易导致磨削加工时产生砂轮粘附使得砂轮快速磨损,从而引起磨削振动甚至磨削表面烧伤等现象。为了提高普通外圆磨床中低速磨削钛合金工件的表面加工质量,本论文主要针对TC4钛合金外圆磨削工艺、磨削中砂轮磨损在线监测系统以及基于磨削振动信号和磨削用量的表面粗糙度预测等关键内容开展以下研究:本文首先分析了钛合金材料特性,选取可加工性强的TC4为后续实验研究对象,对比了钛合金高速磨削与中低速磨削的工艺特性,针对生产成本低、应用更为广泛的中低速钛合金磨削,提出了利用磨削振动信号实现对砂轮磨损程度监测及工件表面粗糙度预测来保证中低速磨削钛合金加工质量的方法。在此基础上,进行了钛合金磨削振动信号采集与分析系统的设计,主要包括传感器的选型与布置、数据采集系统配置等硬件设计,以及振动信号采集参数设置、监测信号特征的选取及预处理、振动信号分析方法等软件开发。基于钛合金磨削振动信号采集与分析系统,从振动信号监测着手研究钛合金普通外圆磨削中砂轮的磨损状态。通过实验结果分析,提出使用振动信号均方根值来表征砂轮磨损状态,制定了砂轮磨损的判别流程并确定了砂轮磨损判别阈值,开发了砂轮磨损在线监测软件。并在TC4钛合金加工中,验证了砂轮磨损在线监测系统的有效性,该系统能够准确地在磨削过程中报警提示砂轮严重磨损的发生。砂轮磨损直接决定着钛合金磨削表面质量,表面粗糙度难以在磨削过程中直接检测,故本文提出通过监测磨削振动信号来揭示磨削表面粗糙度情况。首先,通过正交实验分别研究了不同磨削用量以及砂轮磨损程度对振动信号和表面粗糙度的影响规律,并以此为基础分析了振动信号与表面粗糙度之间的映射关系。综合上述研究成果,利用BP神经网络建立了以振动信号、磨削深度和工件转速为输入的钛合金外圆磨削表面粗糙度预测模型,并详细介绍了BP网络结构设计及网络训练的过程。实验结果表明,该预测网络模型在TC4钛合金中低速外圆磨削表面粗糙度预测中具有一定的有效性。