基于云理論的刀具磨損狀態(tài)監(jiān)測與磨損量預測理論研究.pdf

1、隨著裝備制造業(yè)的發(fā)展，刀具磨損狀態(tài)監(jiān)測技術已成為制約現(xiàn)代自動化機床的一項關鍵技術，該技術目前尚未得到有效解決。實時地監(jiān)測刀具狀態(tài)，可提高零件加工質(zhì)量和機床的加工效率，減少機床事故的發(fā)生，最大限度地減少人對機床的操作，實現(xiàn)機床的智能化和無人化，保證系統(tǒng)在最優(yōu)參數(shù)下運行。因此，刀具磨損狀態(tài)監(jiān)測技術的研究是非常迫切且重要的。
　　本文針對不同切削條件下刀具磨損狀態(tài)監(jiān)測和磨損量預測研究課題，通過正交試驗法安排切削試驗，在采集的聲發(fā)射信號的

2、基礎上，應用現(xiàn)代信號處理方法小波包分析和最優(yōu)熵理論相結(jié)合實現(xiàn)信號的濾波處理，提出了基于云模型理論和最小二乘支持向量機的刀具磨損狀態(tài)識別方法,最后應用不確定性云推理方法實現(xiàn)磨損量的不確定性預測。主要研究內(nèi)容由以下幾個部分構(gòu)成：
　　以往的刀具磨損監(jiān)測信號濾波采用時域分析（經(jīng)驗模態(tài)分解）、頻域分析（功率譜分析）等傳統(tǒng)的信號預處理方法。由于所采用的聲發(fā)射信號的非平穩(wěn)和非線性特點，本文將適合處理非平穩(wěn)信號處理的小波包分析方法引入到信號預處

3、理中，實現(xiàn)信號的濾波。首先通過頻譜分析得到不同磨損階段聲發(fā)射信號的頻帶分布范圍，作為小波包分解層次的定性參考；其次應用信息熵理論中的Shannon熵表征噪聲的大小，確定小波包分解最佳樹；最后通過最佳樹統(tǒng)計分析確定小波包分解的最優(yōu)分枝，并通過閾值處理后進行信號重構(gòu)，信噪比可達35dB以上。
　　提出了基于云理論的不確定性聲發(fā)射信號特征提取方法。首先通過改進的逆向云算法提取不同磨損量聲發(fā)射信號的特征參數(shù)，期望、熵和超熵；其次，定量分析

4、刀具在不同切削條件下三種云特征參數(shù)隨磨損量增大所呈現(xiàn)的變化趨勢和規(guī)律；最后，通過散點圖驗證三種特征參數(shù)表征刀具磨損聲發(fā)射信號的有效性。
　　提出了將云特征參數(shù)與最小二乘支持向量機相結(jié)合的刀具磨損狀態(tài)識別方法。針對神經(jīng)網(wǎng)絡學習算法收斂速度慢、易陷入局部極值以及對特征要求較高等問題，提出基于云理論與最小二乘支持向量機結(jié)合刀具磨損狀態(tài)識別方法。實例分析表明，在優(yōu)化選取支持向量機參數(shù)的條件下，云-支持向量機結(jié)合的方法比傳統(tǒng)神經(jīng)網(wǎng)絡識別方法