论文部分内容阅读
刀具在机械制造加工过程中是最基本的生产要素,其状态的好坏直接影响加工工件的精度、粗糙度以及加工系统运行时的可靠性和稳定性。随着生产设备自动化程度的提高,特别是柔性制造系统 (FMS)的出现,人们对加工过程的在线监测的重视程度越来越大。
因此如何识别刀具状态并及时更换已磨损、破损的刀具是保证产品质量和保证设备自动化加工过程正常进行的关键问题之一。
本文以加工中心端铣刀为研究对象,构建了一个具有通用性的可扩展的刀具状态监控系统;本文将声发射信号作为桥梁,对各种刀具状态下声发射信号进行小波包分解,然后提取各频段的特征能谱系数作为模式识别的特征向量,然后利用神经网络极强的非线性映射能力进行模式识别,并建立了一个基于LabVIEW的加工中心刀具监测系统,准确判断刀具状态,建立精确的刀具磨损、破损的信息采集的特征模型。本文的主要工作和创新有:
1.搭建刀具状态声发射信号采集系统,经过分析发现刀具声发射信号是一类瞬态的非平稳时变信号;根据小波包分析良好的时频局部化特性,应用小波包分解提取信号特征的方法提取声发射信号的特征能谱系数,分析结果表明小波包分解提取各频段的特征能谱系数能正确地反映刀具磨损、破损状态特征。
2.利用神经网络极强的非线性映射功能,建立BP神经网络,实现刀具状态和声发射信号特征向量之间的映射关系,进行刀具状态的模式识别。这样可以克服其他识别方法过分依赖经验和背景知识的缺点。同时,还讨论了BP神经网络隐层数、输入层和输出层节点数的选取规则和网络训练算法比较等问题。最后对建立的神经网络分别采用BP标准算法和其改进算法进行网络训练,仿真试验表明:无论速度还是精度,自适应学习率梯度法优于标准BP算法,可以得到了较高的刀具切削状态预报率。
3.利用LabVIEW 中的MatlabScript 节点构建了一个基于LabVIEW的集成刀具声发射信号小波包分析处理和BP神经网络模式识别的刀具状态监测系统,经过实验验证,证明系统各项功能均可以实现。