基于声发射与神经网络的刀具磨损状态实时监测研究

本研究论文深入探讨了人工智能在机械制造领域中的应用，特别是在基于人工神经网络的刀具磨损状态监测技术方面。作者是沈阳航空航天大学的硕士研究生谌鑫，专业背景是机械制造及其自动化，由导师聂鹏指导。论文的核心关注点在于提高机械加工过程中的刀具磨损状态监测效率和精度，这是当前机械加工中的一项关键技术挑战。 论文首先阐述了刀具磨损状态的重要性，它直接影响工件的加工质量和成本，以及生产效率。声发射技术被选择作为监测工具，因为其与刀具切削状态高度相关，不同磨损状态下的声发射信号具有独特的特征，这些特征可以用来识别和预测刀具的状态。 研究中，作者通过声发射信号监测系统收集和分析了在不同切削条件下的数据。他们发现，仅仅依赖时域或频域分析往往不足以有效提取特征，因此引入了傅里叶分析和小波包变换相结合的方法。这种方法结合了信号幅值的统计量（如均方差）和频率成分能量（从小波包分解得出），用作反映刀具磨损状态的关键特征。 切削参数，如切削速度、切削深度和进给量，也被视为影响刀具状态的重要辅助特征。论文进一步介绍如何将这些特征通过主元分析进行处理，主元分析有助于降低特征维度并消除特征间的相关性，从而转化为神经网络的输入向量。 作者构建了两种类型的神经网络模型，分别是使用改进的Levenberg-Marquardt算法的BP神经网络和带有动量因子调整的的小波神经网络。实验结果显示，小波神经网络在训练和测试误差上表现优于BP神经网络，且在达到相同识别精度时所需的学习次数更少，这表明小波网络在刀具磨损状态监测上的性能更优，具有更好的稳定性、识别速度和准确性。 总结来说，该论文创新性地运用了声发射信号分析、主元分析和人工神经网络，提出了一个高效且精确的刀具磨损状态监测系统，这对于提高机械加工过程中的生产效率和降低成本具有实际应用价值。关键词包括：刀具磨损状态、声发射信号、主元分析和人工神经网络。