本站提供专业的[留学生论文]定制业务，如需服务请，联系电话：13671516250.
本文从解决切削参数变化、切入切出和其他干扰因素对切削刀具破损监控的不良影响出发，将噪声辅助经验模态分解应用于声发射监控信号，建立了面向声发射信号的高频数据采集与高速处理系统。建立了切削参数与 AE 信号能量的数学模型，在此基础上针对切削速度，进给量和铣削深度三个主要的切削参数，设计了完整的铣削实验，研究切削参数改变对声发射监控信号的影响作用，并对其产生原因进行深入的探究。
本文为主要研究噪声援助经验模型解析在铣削刀具损坏监测方式研究中的应用的论文。
第一章 绪论
1.1 背景与研究意义
本课题研究来源于国家自然科学基金资助项目：基于盲源分离的铣削过程多目标状态并行识别方法研究（项目编号：51075276）。
制造业是我国经济发展的支柱产业，其发展离不开先进的制造技术。先进制造技术作为发展电子、计算机、信息等高新技术的基石，已经成为我国重点发展的领域。为适应科学技术和社会经济的不断发展，先进制造技术正朝着精密化、自动化、集成化、数字化、智能化、清洁化的方向发展[ 1]。切削加工作为工业生产中应用最为广泛的制造方法之一，是先进制造技术的重要组成部分，即利用切削刀具与工件之间的相互作用，以去除材料的方式来实现产品的精度的加工方法。在切削过程中，由于加工条件的多样性、切削参数以及工件材料的改变等原因，刀具的状态会发生改变，直接影响产品的质量。并且切削刀具的损耗和更换刀具所需的时间直接影响加工成本和生产效率，特别对高附加值的工业产品，这种影响更为明显。因此，切削刀具状态的在线监控不仅在保证产品质量方面，并且在降低加工成本和提高生产效率方面都有着极为重要的意义。切削刀具的状态监控作为先进制造系统中的关键技术，是现代传感器技术、信号处理技术、计算机技术和制造技术基础上发展起来的新兴技术，对于推动加工过程自动化发展具有重要意义。
在刀具状态在线监控方面，目前成果较为显著的研究主要集中在连续加工方式的刀具状态监控方面，如车削和磨削。而对于断续加工方式下刀具的破损的研究仍停留在理论研究阶段，与实际生产还有很长的距离。主要的原因在于两方面：首先，切削刀具破损是一个突变的过程，具有随机性和非平稳性的特点，传统的信号处理方法，如时域分析、频域分析，在处理非平稳信号上效果不明显；其次，断续加工，尤其是铣削加工，具有断续加工、频繁切入切出、变切削参数、切屑变形大等特点，其加工过程复杂，影响因素多。特别是刀具切入、切出工件所产生的冲击载荷导致刀具破损在线监控难度大。
针对铣削刀具破损的监控方法，国内外学者曾分别以切削力[ 2-4]、机床电动机电流[5-6]、功率[7]、振动[2, 8-9]和声发射[10]等为监测信号开展了研究和探索。在众多传感信号中，声发射(Acoustic Emission, AE)信号因其灵敏度高、抗干扰、安装方便等特点而收到广泛关注。经过对目前的研究成果系统的总结，得到基于 AE 信号的铣削刀具随着时间的推移而变化，具有很强的非线性和非平稳性。传统的信号处理方法，如时域、频域分析不适于处理非平稳信号，需要根据信号特点建立适用的信号处理技术；（2）监控方法通用性：由于铣削刀具几何形状多样，刀具材质各异，刀具破损方式的不同，需要对不同类型的刀具破损 AE 信号进行研究，提取共有特征；（3）抗干扰能力：铣削参数的变化，特别是铣削速度的变化，会对 AE 信号产生剧烈的影响，造成误判，所以如何剔除切削参数对监控结果的影响是一个关键问题。铣削过程伴随着频繁的刀具切入切出工件和随机冲击，带来冲击载荷，所以区分刀具撞击工件、切屑折断、随机冲击等干扰因素与刀具破损的差别，保证监控系统的稳定性，是需要解决的重要问题。
1.2 基于声发射的刀具监控
这些声发射源都来自切削区域，与加工过程直接相关，产生的 AE 信号能够反映切削过程中刀具、工件、切屑、切削参数等因素的变化情况。正因如此，AE 信号广泛应用在切削过程监控领域。与刀具状态相关的 AE 信号频率范围避开了切削过程中的振动、环境噪声等因素的干扰作用，增强了其抗干扰能力。同时， AE信号能够对切削区域内部微小变化进行准确地、快速地反映，尤其在精密加工和微细加工中的切削状态监控上面，其灵敏性和及时性有着得天独厚的优势。
刀具状态监测是AE技术在切削过程监测中的最早的应用。切削刀具发生破损时，刀具材料断裂引起的突发型 AE 信号有很强的能量，其幅值一般较高。当刀具发生剧烈磨损时，由于刀具后刀面与工件接触面积增大，接触面几何形貌发生改变，会造成由刀具与工件相互摩擦所产生的 AE 信号的幅值升高，能量增大，频率成分多样化。但是，受限于 AE 传感器技术、信号采集与处理技术和状态识别技术的发展，无法实时采集和处理高频的 AE 信号全波形数据，也无法提供实时状态识别所需要的庞大的计算量，所以早期的刀具破损、磨损的监测系统多采用设定 AE 包络信号幅值阈值的报警策略。在铣削过程中，切削状态发生变化的情况时常发生。切削状态变化时，AE 信号的幅值会随之发生变化。进一步，由于铣削过程中声发射源的多样性，其他突发型声发射源对刀具破损 AE 源构成干扰，所以基于 AE 信号幅值阈值监控策略的
第二章 面向 AE 信号的数据采集与处理系统
2.1 试验系统硬件平台
2.1.1 工控机
本文选用型号 AWS-8124 的触摸式工控机，外形如图 2-1 所示。AWS-8124 是一款基于 PC 的迷你型一体化工作站，用于工业人机界面。
2.1.2 声发射传感器
声发射传感器的原理是：利用压电效应将被测表面振动位移量转换为电压信号输出。按照频率响应特性，可以将声发射传感器分为两类：
(1)谐振式传感器
(2)宽频带传感器
研究表明：金属切削的声发射信号（包括刀具破损的声发射信号、切屑折断信号、随机冲击信号）的频域成分分布于 50KHz-1000KHz，当刀具钝化时频率范围进一步展宽。基于以上考虑，选用了富士陶瓷公司的宽带式 AE 传感器 AE1045S（图 2-2、表2-1、图 2-3）。
第三章 铣削过程中 AE 信号分析 ..................................... 14
3.1 声发射的发生机理与分类 ........................................... 14
3.2 铣削 AE 信号分析 .................................................. 1
3.3 刀具断裂信号分析 ................................................. 29
3.4 本章小结 ......................................................... 38
第四章 基于 EEMD 和 IMF 能量分布的刀具破损识别....................... 39
4.1 EMD 基本概念与原理 ............................................... 39
4.2 噪声辅助经验模态分解（EEMD） ..................................... 41
4.3 IMF 能量分布识别算法 ............................................. 42
4.4 刀具铣削破损信号的获取 ........................................... 43
4.5 基于 IMF 能量分布的刀具破损声发射信号识别 ......................... 45
4.6 变参数切削的鲁棒性分析 ........................................... 52
4.7 对刀具切入、切出的有效性分析 ..................................... 55
4.8 本章小结 ......................................................... 58
第五章 结论与展望............................................... 60
5.1 主要结论 ......................................................... 60
5.2 研究展望 ......................................................... 61
结论
本文从解决切削参数变化、切入切出和其他干扰因素对切削刀具破损监控的不良影响出发，将噪声辅助经验模态分解应用于声发射监控信号，建立了面向声发射信号的高频数据采集与高速处理系统。建立了切削参数与 AE 信号能量的数学模型，在此基础上针对切削速度，进给量和铣削深度三个主要的切削参数，设计了完整的铣削实验，研究切削参数改变对声发射监控信号的影响作用，并对其产生原因进行深入的探究。针对刀具断裂信号的特点，设计了相关的刀具拉伸与挤压断裂实验，研究刀具断裂信号特点以及不同因素对其的影响作用。在系统地分析了铣削信号与刀具断裂信号特征的基础上，提出了一种新的机遇噪声辅助经验模态分解和本征模函数能量分布的破损信号识别方法，并设计了刀具铣削破损实验，利用提出的算法对破损信号进行处理，成功实现破损的识别。归纳结论如下：
(1)建立了面向声发射信号的高频数据采集与高速处理系统。以 LabVIEW 为平台建立了基于声发射传感器的数据采集系统，结合 LabVIEW 和 DataDemon混合编程在软件上实现了所提出的识别算法技术；
(2) 设计相关实验，研究切削速度、进给量和切削深度对 AE 信号的影响作用，并对其产生原因给出了解释。切削速度和刀具破损量对信号能量影响作用最大，两者对信号的影响作用类似，即任何一个增大都会引起 AE 信号能量升高。铣削深度和进给量对信号影响作用较弱，且容易受到随机波动的影响。
(3) 设计了相关实验研究了不同刀具材料，不同断裂截面几何尺寸等因素对刀具断裂信号的影响作用。结果显示截面面积相同，但几何形状不同对断裂 AE 信号没有明显的影响作用，刀具材料对信号影响作用较大。刀具切削过程中，刀具材料硬度由于温度的变化而产生小幅度的变化对断裂信号没有明显的影响。
(4) 基于本文所提出的基于噪声辅助经验模态分解的本征模函数能量分布的识别算法，设计相关刀具铣削破损实验，获取刀具铣削过程中发生断裂的 AE 信号，应用本文所提出的算法对刀具破损进行识别，结果表明：刀具破损信号的能量曲线峰值位置位于第三阶，铣削信号峰值位于第四阶，通过监控能量分布曲线峰值位置的移动可以判定刀具破损；到刀具发生破损时，第一、二、三阶 IMF 能量百分比会迅速增大，第四阶 IMF 会迅速降低；只有第三阶 IMF 能量分布不会受到由于破损刀具切削工件而引起的突发型 AE 信号的影响，保持很好的稳定性，适合作为刀具破损在线监控的特征值。
参 考 文 献：
[1] 张世昌 先进制造技术，天津 天津大学出版社 2004：1-16
[2] Dimla Sr，D.E, Lister，P.M. On-line metal cutting tool condition monitoring. Ⅰ: force andvibrationanalyses [J]. International Journal of Machine Tools & Manufacture.2000, 40:739-768
[3] Kuljanic.E, Sortino. M, A method based on cutting forces—monitoring tool wear in face milling [J].International Journal of Machine Tools & Manufacture.2005, 45:29-34
[4] Bhattacharyya, P., Senguptaa, D., Mukhopadhyay, S. Cutting force-based real-time estimation oftool wear in face milling using a combination of signal processing techniques[J]. MechanicalSystemss and Signal Processing.2007, 21:2665-2683.
[5] Jesus, R.R.D., Gilberto, H., Ivan, T., Carlos, J.J. Driver current analysis for sensorless tool breakagemonitoring of CNC milling machines [J].International Journal of Machine Tools & Manufacture.2003,43:1529-1534.
[6] Li, X.L., Ouyang G.X., Liang, Z.H.X.L. Complexity measure of motor current signals for tool flutebreakage detection in end milling[J]. International Journal of Machine Tools & Manufacture.2008,48:371-379.
[7] Shao.H, Wang.H.L, Zhao, X.M. A cutting power model for tool wear mentoring in milling [J].International Journal of Machine Tools & Manufacture.2004, 44:1503-1509.
[8] Jun, C.H., Suh, S.H. Statistical tool breakage detection schemes based on vibration signals in NCmilling [J]. International Journal of Machine Tools & Manufacture.1999, 39:1733-1746.
[9] Prickett,P.W, Johns, C. An overview of approaches to end milling tool monitoring [J].InternationalJournal of Machine Tools & Manufacture.1999, 39:105-122.
[10] Marinescu.I, Axinte, D. A time-frequency acoustic emission-based monitoring technique to identifyworkpiece surface malfunctions in milling with multiple teeth cutting simultaneously [J].International Journal of Machine Tools & Manufacture.2009, 49:53-65.
如需定做,硕士论文请联系我们专家定制团队，QQ337068431，热线咨询电话：021-62170626
相关文章：
