论文部分内容阅读
切削加工过程中必然存在着刀具的磨损,刀具的磨损影响已加工表面质量和尺寸精度,严重时造成工件报废,过去主要由熟练工人判断刀具的磨损状态,而近年来随着切削加工过程自动化、无人化的发展,迫切需要实现刀具磨损状态的在线监测,以摆脱对熟练工人的依赖。本文主要研究了通过静、动态切削力在线监测刀具磨损的方法和技术。首先进行了在不同切削参数下切削50钢的车刀磨损试验,重点测量了刀具在不同磨损状态下的静、动态切削力,同时也测量了相应的加工表面粗糙度,研究了刀具磨损对切削力、切屑和已加工表面质量的影响。其次,为了获取能反映刀具磨损状态的特征信号,对不同磨损状态下的切削力进行了时、频域分析,研究了切削力时域信号的均值、方差、均方根、力的比率、偏度和峭度等随刀具磨损而变化的规律;研究了切削力信号在频域中频率重心、频率方差随刀具磨损的变化规律;研究了小波多分辨分析提取频段能量及频段能量占总能量的比率随刀具磨损的变化的规律;研究了基于AR模型提取残差方差和模型系数随刀具磨损的变化规律;用相关系数法优选出与刀具磨损敏感的特征,共27个(不含切削参数)。然后,将优选出的样本特征随机分成两组,分别用于训练和测试,训练样本经过核主元分析(KPCA)处理得到最终的训练样本及投影方向向量,用测试样本构造出中心化的核矩阵并向该方向投影得到最终的测试样本,结果显示27维特征向量经KPCA处理后变成4维,大大提高了后续的求解速度。最后,使用KPCA处理过的训练样本对核化的ν-SVR模型进行训练,利用网格搜索法与交叉验证法先粗后精地确定了最佳的模型参数,用KPCA处理过的测试样本对其识别精度进行检验,结果显示预测值与实测值之间的均方根误差为0.0229mm,平方相关系数为0.9628,同时研究了在训练样本数量不断减少的情况下,模型的识别精度。此外,本文还设计了相应的监测系统,并对其后台程序设计进行了说明。