氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.     

船舶柴油机黑色金属磨损状态分类模型研究

探讨了将逐步回归分析方法用于船舶柴油机黑色金属磨损状态分类模型的方法和技术．利用已取得的油液监测中黑色金属磨粒数据，首先介绍按多元线性回归方法建立磨损状态分类模型的过程，在此基础上，采用逐步回归分析来改进该模型，以更好能依据其预测黑色金属磨损状态．     

电感式磨粒在线监测传感器灵敏度提高方法

电感式磨损颗粒在线监测传感器的研究所面临的主要瓶颈是传感器灵敏度与孔径之间存在矛盾,灵敏度较高的传感器一般采用微流道结构(孔径1mm),最大允许流量小;而大孔径的传感器其灵敏度较低.为满足重型机械磨损状态在线监测的需求,研究了大孔径(7mm)的电感式磨粒监测传感器灵敏度提高方法.提出使传感器工作于全谐振状态,其中激励线圈工作于并联谐振状态,感应线圈工作于串联谐振状态,共同增强颗粒引起的传感器输出感应电动势.检测机理上建立了交变磁场中金属颗粒对磁场的扰动模型,考虑了颗粒在交变磁场中的涡流效应,提高了模型的实用性.实验表明谐振原理极大地提高了传感器的灵敏度,实现了直径75μm铁磁性颗粒和220μm非铁磁性颗粒的有效检测,初步满足了重型机械设备初期异常磨损阶段的在线监测需求.     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

在线图像铁谱仪的硬件系统设计

为能同时分析特征大磨粒形态以及遮光面积百分比数据,以诊断被监测机器的磨损状态,将互补金属氧化物半导体(CMOS)图像传感器、数字信号处理器(DSP)技术、复杂可编程逻辑器件(CPLD)技术应用到在线铁谱分析中,以此为基础研制了在线图像铁谱仪,实现了沉积磨粒图像的在线采集与自动识别。结果表明,使用该仪器可成功地采集到包含特征大磨粒的铁谱图像。对试验图像数据的分析证明了该仪器能较好地满足在线磨损监测的要求。     

刀具磨损特征量的在线识别

在实际切削条件下，运用时序分析、对车刀刀杆垂直方向上的振动加速度信号的有关特征量分布及规律性作了探讨和分析、选择出能较好地反映刀具磨损过程状态变化的特征量。这些特征量可用于构造在线识别刀具磨损状态的判别函数、以实现自动化生产刀具工况的在线监测。实验证明这些特征量灵敏度高、实时性和可靠性好。     

模糊回归分析在平头立铣刀磨损监测中的应用

通过分析铣刀渐进磨损过程的特点,从切削力、主轴端振动位移、主轴端振动加速度和主轴电机功率等信号中提取了8个反映刀具磨损状态的特征参数,提出用模糊回归分析多传感器信息融合方法监测铣刀后刀面磨损带面积.在立式加工中心上的实验表明,模糊回归分析计算的后刀面磨损带面积与实际测量值基本相符,计算效率高,能够满足小直径立铣刀磨损在线监测要求,具有较强的有效性和工程实用性.     

钻头磨损在线监测研究

本文研究了钻头磨损对钻削过程中振动加速度信号的动态特性的影响。发现加速度信号中敏感频率分量随着钻头磨损的增加呈明显的“碟形”规律变化。我们提出用敏感频率分量的自功率谱值(PSD)作为特征量。建立了特征量与钻孔数之间的状态空间方程;提出了钻头磨损在线自适应监测方法。该方法打破了故障诊断和状态识别中设置“阈值”的传统做法;另辟蹊径。     

利用磨削火花信号识别砂轮磨损状态

本文提出了利用磨削火花温度信号在线识别砂轮磨损状态的新方法。在大量试验的基础上,根据磨削火花信号的特性及砂轮磨损过程的特点进行了机理探讨,获得了磨削火花信号特征量与砂轮磨损状态之间的对应关系。研究结果表明,所提方法是可行的,磨削火花信号的统计特征量能够反映砂轮磨削的不同状态。本文研究为进一步利用磨削火花信号实现砂轮磨损状态在线辨识提供了基础。     

颗粒速度对电磁式磨粒监测结果一致性的影响机制

随着机械系统复杂程度及运行可靠性要求的逐渐提高，电磁式磨粒在线监测传感器被广泛研究并逐步应用于机械设备磨损状态监测领域.针对润滑油液中金属磨损颗粒运动速度的随机性导致电磁式磨损颗粒检测传感器检测结果一致性差的问题，建立了交变磁场中金属球体磨损颗粒磁特性模型，研究磨损颗粒局部磁感应强度分布规律以及磁能扰动计算方法；同时提出并实验测得了非铁磁性磨损颗粒的磁能损耗系数，进而对传感器输出的颗粒信号进行补偿.实验表明该方法可以消除磨损颗粒运动速度对传感器输出信号幅值的影响，极大地提高传感器对非铁磁性磨损颗粒检测结果的一致性.     

用于监控的切削过程参数估计与刀具磨损特征选取

切削过程的故障诸如刀具磨损、颤振等均与过程的动态特征密切相关,为提供监控所必须的故障模式识别的特征值,本文介绍了适用于监控的切削过程连模与动态参数在线估计方法;刀具磨损特征值的计算;最后通过钻头磨损实验结果的分析、比较,证明了本文提出的用阻尼比的正则滑动平均值 M 以及阻尼比的正则方差 D 作特征值,可有效地监控刀具磨损.     

在线监测刀具磨损过程的频段相干函数法

基于切削过程中刀杆振动的动态特性,建立了借以反映刀具磨损的物理模型和数学模型,由此提出了通过检测刀杆上两主振模态方向上振动加速度信号的频段相干函数来在线监测车刀的磨损过程,并制定了相应的判别准则。试验结果表明,该法灵敏度较高,抗切削条件干扰性强,具有良好的应用前景。     

On-line Cutting Quality Recognition in Milling Using a Radical Basis Function Neural Network

Tool wear, chatter vibration, chip breaking and built-up edge are main phenomena to be monitored in modern manufacturing processes, which are considered as important factors to the quality of products.They are closely related to the cutting parameters, which are to be selected in manufacturing process.However, it is very difficult to measure directly the cutting quality based on on-line monitoring.In this study, the relationship between the cutting parameters and cutting quality is analyzed.A Radical Basis Function (RBF) neural network based on-line quality recognition scheme is also presented, which monitors the level of surface roughness.The experimental results reveal that the RBF neural network has a high prediction success rate.     

On-line Cutting Quality Recognition in Milling Using a Radical Basis Function Neural Network

Tool wear, chatter vibration, chip breaking and built-up edge are main phenomena to be monitored in modern manufacturing processes, which are considered as important factors to the quality of products.They are closely related to the cutting parameters, which are to be selected in manufacturing process.However, it is very difficult to measure directly the cutting quality based on on-line monitoring.In this study, the relationship between the cutting parameters and cutting quality is analyzed.A Radical Basis Function (RBF) neural network based on-line quality recognition scheme is also presented, which monitors the level of surface roughness.The experimental results reveal that the RBF neural network has a high prediction success rate.     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

车削过程中刀具磨损和破损状态的自动识别

采用机床主电动机功率法和声发射(AE)法来获取切削过程中发出的刀具磨损和破损信号,建立了刀具状态试验系统.在试验数据的基础上,建立了功率信号的自回归时序模型,在提取作为刀具磨损特征量的模型参数时考虑了切削用量的影响.针对刀具破损时功率信号时域幅值变化的随机性,提出用延时方差法来处理功率信号,数据分析结果表明,这种方法是可行的.针对切削过程中发出的AE信号,采用时频分析的方法进行处理,提取出反映刀具破损的特征量,最后利用2个并行的自适应共振神经网络ART-2实现了刀具状态的自动识别,识别成功率达到95%.     

刀具磨、破损实时监测系统的开发与研究

根据李晓谦博士论文(西安交通大学XWI-169)中提出的刀具由正常磨损阶段转入急剧磨损阶段(或破损)时伴随发生的相对切削分力比的变化率发生显著变化这一现象,研制开发了可用于生产现场且实用化的刀具磨、破损监测系统。监测系统中设定的阈值和切削用量、刀具材料、工件材料及刀具几何角度无关;设计了微型内藏传感器式车削测力刀杆及与其配套的测量电路,该传感器及测量电路有灵敏度高、两向相互干扰小等特点;还设计了单片机诊断系统。在总体上成为一套可供实用且完整的刀具磨、破损监测系统。     

刀具磨损监测的双向切削力相干函数法

目前,刀具磨损的实时监测已成为自动化加工中急待解决的最重要问题之一。本文就此提出一种新的实时监测方法——双向切削力相干函数法。该法在可靠性、灵敏性及抗切削条件干扰等方面均比以往提出的切削力方法有较大的进步。文中对该法有效性的理论基础进行了讨论,并给出了实验论证结果。     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。