论文部分内容阅读
切削过程中的刀具磨损会直接影响到工件的表面质量和尺寸精度,而刀具破损则可能导致工件报废,甚至对机床造成破坏,带来巨大的经济损失。实时监测到刀具的磨损状态,对提高产品质量、实现自动换刀、提高生产率和降低生产成本具有重要的意义。为加快智能制造的步伐,本文对切削过程中的刀具磨损展开了研究,全文总结如下:首先,对刀具磨损监测的研究背景和意义做了概述,并以监测方法和决策系统为切入点,对国内外研究现状进行了总结,确定了以切削力为监测信号的监测方法,以刀具的后刀面磨损宽度为刀具磨损的评价指标,并利用两种人工智能(AI)模型来构建决策系统(识别模型)。分别进行了大量的车削和铣削实验,获取了车刀和铣刀在不同磨损状态下的实验数据,为后续的研究提供了数据支持。然后,介绍了用于刀具磨损监测的三类监测特征,分别是时域特征、频域特征和小波域特征;另外,利用基于积分径向基函数的核主成分分析(KPCA_IRBF)技术和邻域保留嵌入(NPE)技术,对提取到的监测特征进行融合,以弱化或去除噪声的影响,提高后续识别模型的性能。其中,KPCA_IRBF是一种新的非线性特征升维技术,系首次提出。常见的AI模型,如人工神经网络(ANN)和支持向量机(SVM),仅能提供单一的预测值;然而,高斯过程回归(GPR)可同时提供刀具磨损的预测值和对应的置信区间;另外,在预测精度上,GPR模型优于ANN和SVM,因为GPR可对高斯噪声进行定量建模;但是,噪声的存在会严重影响GPR置信区间的稳定性;为了改善GPR的置信区间,利用KPCA_IRBF技术对提取到的监测特征进行融合,以消除噪声并削弱其负面影响,从而使GPR的置信区间得到大大压缩,并且变得更加平滑,这有助于更加准确地监测刀具的磨损。本文以车削刀具磨损监测为案例,验证了所构建的刀具磨损预测模型(KPCA_IRBF+GPR)的有效性。接着,将支持向量机(SVM)与鲸鱼优化算法(WOA)相结合,对刀具的磨损状态进行分类;并利用NPE技术对提取到的监测特征进行融合,以去除噪声,提高计算效率和识别精度。本文以铣削刀具磨损监测为案例,验证了所构建的刀具磨损分类模型(NPE+WOA-SVM)的有效性。实验结果表明,WOA-SVM模型在参数优化的时间消耗上,优于PSO-SVM和GSA-SVM等常用方法,而且具有可比的识别精度。另外,WOA-SVM模型比一些经典的分类算法具有更高的预测精度,如6)-NN、FFNN、LDA、QDA和CART。本研究为实际工业环境下的刀具磨损监测提供了理论指导和技术支持。