论文部分内容阅读
现如今,部分零件的加工过程已经实现了全自动化的生产模式,无人全自动化的工厂加工模式是制造业的发展趋势。在这种形势下,如何保证加工工件的加工精度和表面质量显得尤为重要,这将直接影响整个加工过程的成本和效率。刀具磨损预测可以保证刀具的高效利用,这直接决定了工件的加工精度和表面质量,从而决定整个生产环节的效益,因此对刀具磨损状态预测的研究具有重要的现实意义。针对车削加工工况的特点,本文选取切削力信号和声发射信号对加工过程中的刀具磨损状态进行监测。刀具的切削力会随着刀具磨损的加剧而增大,它可以明显的表征刀具的磨损状况。刀具的声发射信号来源于切削过程中的刀具切削区,随着刀具磨损的加剧,声发射信号的频率会发生明显改变,且声发射信号的频率高(100KHz-1MHz),可以很好的避开低频区的噪声污染,因此声发射信号可以用来表征刀具的磨损状态。本文针对切削力信号和声发射信号对刀具磨损状态预测做了以下研究:1.利用不同的特征提取算法分别对切削力和声发射信号进行特征提取,得到能有效反映刀具磨损状态的特征向量。对刀具切削力信号进行时域分析和小波包分析,得到时域因子和小波包分解所得到的频段能量比值作为特征值。将声发射信号进行经验模态分解(EMD)分析,得到真实本征模函数(IMF)的能量比值作为特征值。应用主元分析(PCA)降维方法,对特征向量进行降维,去除相关性,减少冗余度。2.建立支持向量机分类器模型,实现对每一次走刀后刀具磨损状态的准确预测;建立支持向量机回归模型,实现对每一次走刀后刀具后刀面磨损量VB值的预测;利用MATLAB自带的GUI接口,设计直观的、便于操作的人机交互界面,实现对刀具磨损状态检测系统和刀具后刀面磨损量预测系统的简便操作。通过一系列的研究工作,本文将信号特征提取、支持向量机分类器和支持向量机回归模型结合起来,同时应用到刀具磨损检测上,为下一步实现刀具磨损在线预测提供了新的方法。