基于振动信号的刀具磨损状态识别研究开题报告
2021-03-19 09:03
1. 研究目的与意义（文献综述）
1目的及意义
制造业作为国民经济的基础产业，其发展对国民经济的各部门造成直接影响，而制造业的发展离不开先进制造技术的支持[1]。在未来的工业4.0中，以智能工厂为导向的先进制造技术正在迅猛发展。刀具状态在线监测技术在其中扮演着重要角色，对实现生产自动化和智能化具有长远意义。
刀具磨损一般指刀具直接接触加工工件并进行切削过程后，刀具由于剧烈摩擦等原因产生的与之前不同的形状和尺寸的过程。刀具磨损可分为正常磨损和非正常磨损两类[2]，非正常磨损通常发生在加工时出现的刀具突然产生的崩刃、断刃等情况。在正常的加工过程中，刀具由于磨损和破损等同样会导致刀具磨钝进而失效。刀具通常具备一段时间的使用寿命，而使用寿命的长短又根据刀具的材料、使用情况、加工工件的性质等相关。在传统的切削过程中，对刀具磨损状态的识别主要依靠人为的定性判断，由经验丰富的机床操作人员根据切削碎屑形状，切削颜色，加工噪音等特征判别出刀具的加工状态，但这种方法缺乏严密的定量分析，显然不能满足先进制造技术的发展要求。另外在加工过程中普遍存在以下两类问题：
1、加工误差不确定性问题：这类问题产生的主要原因是由于刀具磨损带来的加工参数的微量变化在加工过程中得不到及时的补偿和反馈。进而使工件加工精度受到影响；
2、更换刀具时机的不确定性问题：其主要发生在即将磨钝的刀具上，倘若延迟更换可能导致加工误差的进一步增大甚至产生残次品，然而提前更换亦可能导致刀具未被充分利用额外增加成本。
解决这些问题的关键在于实现对刀具状态的在线监控与及时维护[1]。已有研究表明，CNC机床配备刀具监测系统后可减少故障停机时间的75%，提高生产率10-60%，提高机床利用率50%以上[2]。倘若在加工过程中，能够通过对刀具生产数据进行在线监测，预测刀具在下一次加工过程中所产生的偏移量，也即误差，即可根据预测对刀具进行加工前的调整，可以大大降低刀具磨损带来的质量问题，提升系统运行效率与产品精度；同时可利用刀具状态的分析结果，方便对刀具进行不同情况的维护，降低成本，延长刀具使用寿命。
本文采用铣削加工过程中传感器采集到的刀具磨损量以及振动信号等数据，对铣削数据进行规整和存储，确定刀具在各磨损阶段过程中的加工状态及参数特征，深入研究刀具磨损与状态数据的之间的潜在规律与关联关系，分析并构建刀具磨损预测系统，提供切实可行的刀具磨损状态统计分析与预测，并应用于生产线设备刀具在线监测，保证加工过程中的高效性和连续性。该系统不仅提高了刀具本身的利用率，而且可以有效避免因刀具失效导致的工件报废、耽误生产等问题，从而节约大量成本，综合提升生产系统的生产效率。
多年来，国内外的专家学者在分析刀具磨损等方面做了大量的研究工作，提出了诸多优质可行的方法，为刀具磨损状态的研究、分析与发展做出了突出贡献。
李威霖，傅攀等针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题，提出一种根据个体适应度来调整惯性权重的自适应粒子群算法进行自动参数寻优的最小二乘支持向量机[1]；艾长胜，王宝光等分析了刀具在线监测研究概况，发现刀具磨损的工况信息与所产生的声信号具有同步效应，提出了基于语音识别技术的刀具工况在线监测方法[4]；高宏力，许明恒等基于动态树理论，通过相关系数法和特征提取等构建非线性映射关系，采用具有局部记忆的 B 样条模糊神经网络建立刀具磨损监测系统[5]；张臣，周来水等以球头刀具为研究对象，提出球头铣刀刀具磨损的度量方式，建立球头刀具磨损模型，并通过加工仿真提出了误差补偿的方法[6]；而关山，闫丽红等首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理，得到固态模态函数，建立自回归模型构造特征向量，并采用最小二乘支持向量机回归实现了较之于神经网络预测算法更好的效果[7]。
此外还有秦国华，谢文斌等采用多因素正交试验设计方法进行了马氏体不锈钢平面的铣削实验，通过万能工具显微镜测量后刀面的磨损量得到训练样本，利用神经网络和遗传算法对刀具磨损进行检测与控制[8]；同时也有学者针对聚焦合成方法在砂轮刀具磨损区域三维重构过程中高度值离散的问题，运用傅里叶变换将聚焦合成方法与明暗形状恢复方法相结合，提出了聚焦合成方法的高度值连续化新方法[9]。另外还有学者通过对比近几年常用的刀具磨损监测方法，分析了每种信号的监测方法及其特点，提出了多传感器融合技术综合多检测手段的优点提高预测准确率[10]。
虽然目前对刀具磨损检测系统的研究在一方面取得了诸多可喜的成果，并显示出来了其巨大潜力，然而由于切削中刀具磨损产生的机理较复杂，影响因素较多，加之于实时变化的加工条件，很难建立一个准确适用的分析模型[6]，刀具磨损的状态识别与预测尚未有系统化全面化的分类定论，摆在研究成果的应用转化面前仍是漫漫长路，刀具磨损检测仍然是一项尚待完善且迫切需要进一步研究和探索的科研课题，目前各个工业发达国家均将该技术列为优先发展的重大关键技术之一。
2. 研究的基本内容与方案
2研究概况
2.1研究的基本内容
基于振动信号的球头铣刀磨损状态识别研究，通过支持向量机回归算法拟合进行状态识别和在线监测。
2.2研究的目标
综合运用信号分析、特征提取、支持向量机等多项先进技术，将刀具的振动信号通过特征提取运用基于支持向量机回归的算法分析刀具磨损与特征统计量的相关关系，建立设备刀具磨损状态识别模型，实时监测刀具磨损系统动态，达到预测维护的目标。
2.3拟采用的技术方案及措施
回归分析方法是根据统计学原理建立刀具磨损与加工参数之间的函数关系，使用简单方便，并可以得到模型的确定表达关系，但是由于回归表达式往往是人为根据经验来选取的，具有多样性与不确定性，这将会限制模型的预测精度。
机器学习方法是利用计算机对得到的实验样本数据进行训练学习，从而确定加工参数与刀具磨损的最佳模型。机器学习包含决策树，贝叶斯等多种算法。目前国内外所采用的的自动监测刀具状态方法分为直接法间接法两类[2]。直接法一般应用于非加工过程中的离线监测，通过传感设备直接得到刀具位置、形状等参数；而间接法测量则是通过测量刀具振动、受力、声发射等间接指标并与切削磨损状态之间建立相关关系，从而通过间接量预测得到刀具的磨损程度。
其实刀具的在线监控过程最终都是模式的识别过程[1]，组成一个完整的系统可以分为研究对象、试验加工、传感器采集数据、信号分析、特征提取以及状态识别等方面组成。以下用关系图表示：
图2-1 刀具磨损监测系统关系图
本文中的研究对象是铣刀的铣削加工，通过传感器采集铣削平面时的受力、振动、声发射等信号，选择振动信号作为具体的研究数据进行小波降噪处理，利用合适的数学方法在时域、频域选择能够反馈刀具磨损的统计特征，通过统计学习理论小样本研究方法建立在线刀具磨损监测模型。针对铣刀磨损切削过程中，提出一种在线稀疏无偏最小二乘支持向量机回归算法，并对该算法在原理、分析、应用等方法均进行了验证。
3. 研究计划与安排
1～3周 查阅文献，阅读文献，翻译外文，编辑开题报告大纲
4. 参考文献（12篇以上）
[1] 谢政. 基于切削声音信号的刀具状态识别研究[D]. 上海交通大学, 2008.
[2] 汤为. 基于声发射法的铣刀磨损状态识别研究[D]. 上海交通大学, 2009.
[3] LI Wei-lin, FU Pan, ZHANG Er-qing. 基于粒子群优化LS-SVM的车刀磨损量识别技术研究[J]. 计算机应用研究, 2014, 31(4):1094-1097.
[4] 艾长胜, 王宝光, 董全成,等. 基于语音识别技术的刀具工况在线监测的研究[J]. 组合机床与自动化加工技术, 2005(12):59-61.
[5] 高宏力, 许明恒, 傅攀,等. 基于动态树理论的刀具磨损监测技术[J]. 机械工程学报, 2006, 42(7):227-230.
[6] 张臣, 周来水, 安鲁陵,等. 球头铣刀刀具磨损建模与误差补偿[J]. 机械工程学报, 2008, 44(2):207-212.
[7] 关山, 闫丽红, 彭昶. LS-SVM 回归算法在刀具磨损量预测中的应用[J]. 中国机械工程, 2015, 26(2):217-222.
[8] 秦国华, 谢文斌, 王华敏. 基于神经网络与遗传算法的刀具磨损检测与控制[J]. 光学精密工程, 2015, 23(5):1314-1321.
[9] 朱爱斌, 胡浩强, 何大勇,等. 采用频域融合方法的砂轮刀具磨损三维重构技术[J]. 西安交通大学学报, 2015, 49(5):82-86.
[10] 柳洋, 陈永洁, 杨文恺,等. 刀具磨损在线监测研究现状与发展[J]. 机床与液压, 2014(19):174-180.
[11] Wu Q. Car assembly line fault diagnosis based on modified support vector classifier machine[J]. Expert Systems with Applications An International Journal, 2010, 37(9):6352-6358.
[12] 王定成. 支持向量机建模预测与控制[M]. 气象出版社, 2009.
[13] 蔡艳宁. 复杂系统支持向量机建模与故障预报[M]. 国防工业, 2015.
[14] 杨晓伟, 郝志峰. 支持向量机的算法设计与分析[M]. 科学出版社, 2013.
[15] 陈进东, 潘丰. 基于在线支持向量机和遗传算法的预测控制[J]. 系统工程与电子技术, 2013, 35(6):1275-1280.
[16] Vapnik V N.Statistic learning theory[M].New York,1998.
[17] Vapnik V, Levin E, Cun Y L. Measuring the VC-dimension of a learning machine[J]. Neural Computation, 1994, 6(5):851-876.
[18] Xiong W L, Xu B G. Study on optimization of SVR parameters selection based on PSO[J]. Journal of System Simulation, 2006.
[19] 张良均. MATLAB数据分析与挖掘实战[M]. 机械工业出版社, 2015.
[20] Suykens J A K, Lukas L, Van P, et al. Least Squares Support Vector Machine Classifiers: a Large Scale Algorithm[C]// 1999:839-842.
[21] 孔璐蓉, 鞠彦兵. 智能仿生算法研究综述[C]// 全国信息管理与工业工程学术会议. 2008.
[22] 唐俊. PSO算法原理及应用[J]. 计算机技术与发展, 2010, 20(2):213-216.
[23] 刘衍民, 牛奔. 新型粒子群算法理论与实践[M]. 科学出版社, 2013.
[24] 申元霞,王国胤.新型粒子群优化模型及应用[M]. 科学出版社, 2016.
[25] Shi Y, Eberhart R. Modified particle swarm optimizer[C]// IEEE International Conference on Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence. IEEE Xplore, 1998:69-73.
[26] 杨梅, 张振文, 孙宏强,等. 小波分析与傅里叶分析的比较及其在故障诊断中的应用[J]. 中国测试, 2005, 31(2):58-59.
[27] 翟俊海, 赵文秀, 王熙照. 图像特征提取研究[J]. 河北大学学报(自然科学版), 2009, 29(1):106-112.
[28] 刘浩, 韩晶. MATLAB R2014a完全自学一本通[M]. 电子工业出版社, 2015.
[29] 熊伟丽, 徐保国. 基于PSO的SVR参数优化选择方法研究[J]. 系统仿真学报, 2006, 18(9):2442-2445.
[30] üstün B, Melssen W J, Oudenhuijzen M, et al. Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization. Anal Chim Acta[J]. Analytica Chimica Acta, 2005, 544(1):292-305.
