研讨铣削钛合金铣削加工中刀具磨损状态监测技术
最后更新时间:2024-04-17
作者:用户投稿本站原创
点赞:6142
浏览:17124
论文导读:损探讨21-272.1铣削加工的原理及特点212.1.1铣削加工原理212.1.2铣削加工特点212.2钛合金T铣削工艺21-232.2.1钛合金T的切削性能21-222.2.2钛合金铣削加工工艺22-232.3刀具磨损指标探讨23-252.3.1刀具磨损历程23-242.3.2刀具磨损形态及磨钝标准24-252.3.3刀具磨损状态划分252.4本章小结25-27第3章刀具磨
摘要:钛合金具有比强度高、耐高温、耐腐蚀性好等优点,被广泛运用于飞行器结构件。但钛合金是典型的难加工材料,在加工历程中刀具的磨损是个突出的不足。刀具的磨损不仅直接影响工件的加工精度和表面质量,还影响到工件的加工成本和生产效率,由此有必要对钛合金铣削中刀具的磨损做出实时监测。本论文以钛合金T为铣削加工对象,探讨在其切削加工中如何建立有效的刀具磨损状态监测系统。选择声发射信号作为监测信号,采集和浅析不同切削条件下刀具的声发射信息。浅析结果显示:声发射信号难以单纯地以时域或频域提取到有效的特点。由此采取参数浅析与局部均值分解相结合的策略,提取信号的振铃计数、均方根、能量计数及局部均值分解后的平均能量值,共同作为能够反映刀具磨损状态的主特点。同时,切削参数在一定程度上也影响着刀具磨损状态的变化,把主轴转速、进给量、轴向切深和径向切深作为辅助特点。利用主元浅析法消除特点向量间的相关性,得出主元数据作为样本数据输入到识别模型中。本论文分别基于BP神经网络和支持向量机建立了刀具磨损状态识别模型,通过实验验证,结果表明:在相同样本的情况下,支持向量机体现出更好的分类性能,不仅测试识别准确率高于BP神经网络,训练时间也显著小于BP神经网络。关键词:钛合金论文铣削论文刀具磨损状态论文BP神经网络论文支持向量机论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要6-7
Abstract7-12
第1章 绪论12-21
60
参考文献64-68
致谢68-69
攻读硕士期间发表(含录用)的学术论文69
摘要:钛合金具有比强度高、耐高温、耐腐蚀性好等优点,被广泛运用于飞行器结构件。但钛合金是典型的难加工材料,在加工历程中刀具的磨损是个突出的不足。刀具的磨损不仅直接影响工件的加工精度和表面质量,还影响到工件的加工成本和生产效率,由此有必要对钛合金铣削中刀具的磨损做出实时监测。本论文以钛合金T为铣削加工对象,探讨在其切削加工中如何建立有效的刀具磨损状态监测系统。选择声发射信号作为监测信号,采集和浅析不同切削条件下刀具的声发射信息。浅析结果显示:声发射信号难以单纯地以时域或频域提取到有效的特点。由此采取参数浅析与局部均值分解相结合的策略,提取信号的振铃计数、均方根、能量计数及局部均值分解后的平均能量值,共同作为能够反映刀具磨损状态的主特点。同时,切削参数在一定程度上也影响着刀具磨损状态的变化,把主轴转速、进给量、轴向切深和径向切深作为辅助特点。利用主元浅析法消除特点向量间的相关性,得出主元数据作为样本数据输入到识别模型中。本论文分别基于BP神经网络和支持向量机建立了刀具磨损状态识别模型,通过实验验证,结果表明:在相同样本的情况下,支持向量机体现出更好的分类性能,不仅测试识别准确率高于BP神经网络,训练时间也显著小于BP神经网络。关键词:钛合金论文铣削论文刀具磨损状态论文BP神经网络论文支持向量机论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要6-7
Abstract7-12
第1章 绪论12-21
1.1 课题探讨的目的和探讨作用12-13
1.2 课题探讨背景13-14
1.3 航空航天用钛合金的切削加工近况14-16
1.3.1 钛合金的类型及机械物理性能15-16
1.3.2 钛合金切削加工性特点16
1.4 刀具状态监测探讨近况16-18
1.4.1 刀具状态监测技术的国内外探讨近况16-17
1.4.2 钛合金加工中刀具状态监测探讨17-18
1.5 刀具磨损状态监测系统18-20
1.5.1 信号采集18-19
1.5.2 特点提取19
1.5.3 状态识别19-20
1.6 本论文的主要探讨内容20-21
第2章 钛合金铣削加工工艺及刀具磨损探讨21-272.1 铣削加工的原理及特点21
2.1.1 铣削加工原理21
2.1.2 铣削加工特点21
2.2 钛合金 T 铣削工艺21-232.1 钛合金 T 的切削性能21-22
2.2 钛合金铣削加工工艺22-23
2.3 刀具磨损指标探讨23-25
2.3.1 刀具磨损历程23-24
2.3.2 刀具磨损形态及磨钝标准24-25
2.3.3 刀具磨损状态划分25
2.4 本章小结25-27
第3章 刀具磨损状态监测系统的建立27-343.1 监测信号的确定27-28
3.2 系统硬件组成28-32
3.2.1 试验机床28
3.2.2 加工工件和刀具28-29
3.2.3 声发射传感器和前置放大器29-31
3.2.4 刀具磨损检测仪31-32
3.3 软件组成323.4 实验案例32-33
3.5 本章小结33-34
第4章 声发射信号浅析及特点提取34-494.1 参数浅析34-36
4.2 时域浅析36-37
4.3 频域浅析37-39
4.3.1 傅里叶变换37-38
4.3.2 频域特点38-39
4.4 局部均值分解39-444.1 局部均值分解的策略原理40-42
4.2 特点提取42-44
4.5 主元浅析44-48
4.5.1 主元浅析的基本原理44-46
4.5.2 基于主元浅析的特点提取46-48
4.6 本章小结48-49
第5章 基于 BP 神经网络和 SVM 的刀具磨损状态识别49-625.1 BP 神经网络49-54
5.1.1 BP 网络模型及结构49-50
5.1.2 BP 神经网络算法50-52
5.1.3 BP 神经网络的设计52-54
5.2 基于 BP 神经网络的刀具磨损状态识别54-555.3 支持向量机55-60
5.3.1 VC 维55-56
5.3.2 推广性的界56-57
5.3.3 结构风险最小化原则57
5.3.4 SVM 原理57-59
5.3.5 SVM 参数和核函数的确定59-60
5.4 基于 SVM 的刀具磨损状态识别论文导读:605.5验证SVM的有效性60-615.6本章小结61-62结论62-64参考文献64-68致谢68-69攻读硕士期间发表(含录用)的学术论文69上一页1260
5.5 验证 SVM 的有效性60-61
5.6 本章小结61-62
结论62-64参考文献64-68
致谢68-69
攻读硕士期间发表(含录用)的学术论文69