论文部分内容阅读
随着MC和FMS等自动化制造装备的发展,刀具切削状态监测成为实现加工过程自动化的一项关键技术,研究和开发刀具磨损、破损状态监测技术具有重要的意义。论文以钻削过程为研究对象,在对钻削过程特点以及麻花钻磨损形式进行分析的基础上,提出了以钻头综合切削能力作为监测指标的思想,建立了以钻削力作为监测信号的钻头磨损监测实验系统,并对钻头磨损状态监测中钻削力信号的消噪、特征提取和刀具状态识别等进行了系统的理论分析与实验研究。论文分析了小波变换的时频多分辨特性,讨论了基于连续小波变换、离散小波变换、小波包变换的信号处理与特征提取方法,为小波变换在钻头磨损监测中的应用奠定了理论基础。针对钻削过程传感器信号的非平稳特性以及强干扰噪声给特征提取和状态识别带来的困难,提出了基于小波变换模极大值的钻削力信号消噪方法,并将其应用于钻削力信号的消噪中,结果表明:使用该方法削噪后可使其信噪比大大提高。采用连续小波变换将钻削力信号转换为包含丰富工况信息的小波系数矩阵,并以灰度图的形式呈现出来。为解决灰度特征提取问题,引入“灰度矩”的概念描述灰度图的信息特征,为钻削力信号特征的提取提供了一种新的方法。讨论了小波分形技术的基本原理,提出用分维数来描述钻削力信号的本质特征,给出了小波分解信号盒维数的具体算法,并将其应用于钻削力信号的特征提取中,结果表明:小波分解信号的盒维数能够较清楚地刻画出钻头磨损对工艺系统的作用规律,利用其可实现钻削力信号无量纲特征的提取与钻头磨损的监测。基于小波包分频带能量监测理论,成功地获得钻削力信号小波包能量谱,并实现了小波包能量谱归一化特征提取,实验结果表明:扭矩信号归一化后的特征向量可有效实现对钻头磨损状态的监测。建立了钻削过程刀具状态识别径向基(RBF)神经网络模型,通过该模型实现了钻削力信号特征向刀具磨损状态的映射,运用该方法能以较高的成功率实现三种典型钻头磨损状态的识别。