刀具是加工制造过程中最基本的生产要素之一,它的好坏直接影响被加工对象的质量,加工成本和生产效率等等,因此,刀具状态检测成为了工况监测中一个极为关键的技术环节。研究表明,刀具状态监测能够将由人和技术因素引起的故障停机时间减少75%,将有效加工时间由无监测系统时的10%提高到65%,将机床利用率提高到50%以上。 本论文以声发射信号为切入点,通过搭建刀具磨损状态实验系统和动手操作,获得了大量的研究数据。根据声发射信号具有随机性的特点,本论文提出小波包分解提取信号特征的方法,小波分析方法是分析非平稳随机信号非常有力的工具,分析结果表明小波包分解提取的能量特征能正确地反映刀具磨损状态。 神经网络是目前模式识别的主要方法。本论文利用神经网络的非线性映射功能,建立神经网络,实现刀具磨损状态和声发射信号特征向量之间的映射关系,同时,还讨论了网络隐层数、隐层神经元数的选取和网络训练等问题。本论文通过建立BP神经网络,实现了刀具磨损状态的识别,克服了其他识别方法过分依赖经验和背景知识的缺点。 LabVIEW是一种图形化的编程语言,也是目前应用最广、发展最快、功能最强的图形化软件集成开发环境。本论文利用Matlab Script节点构建了一个基于LabVIEW的集成声发射信号处理和BP网络识别平台。该平台把LabVIEW和Matlab有效地结合在一起,实现了刀具磨损状态识别的简单化、方便化和一体化。