基于刀具磨损量监测的铝合金铣削粗糙度预测

摘要

在铝合金的铣削加工中，刀具的磨损状态会影响切削性能和切削效果，同时工件的表面粗糙度会随着刀具磨损状态的不同而发生很大变化，因此在建立工件的表面粗糙度预测模型时，将刀具磨损量作为影响因素考虑进去是有必要的。由于铝合金属于易加工材料，在切削过程中对刀具的磨损较小，基于此本文通过分析不同磨损状态刀具切削铝合金工件时的加工特点，将功率信号作为刀具磨损量的监测信号，建立刀具磨损量的监测模型，然后利用监测得到的刀具磨损量及工艺参数对相应工况下的表面粗糙度进行预测。本文所做的研究如下： (1) 针对铝合金工件的加工特点，对刀具磨损量监测模型的建模方法进行了研究。通过采集切削过程中的功率信号，并对其进行特征值提取，分析各特征值与刀具磨损量间的相关性和稳定性，进而确定各特征值对于刀具磨损量的权重系数。计算各磨损刀具与正常刀具特征值间的绝对差值加权和，即利用特征值差值的绝对值乘以相应的权重系数并作和，作为衡量刀具磨损量的评价指标β，各刀具的评价指标构成向量β。利用牛顿插值法建立各磨损刀具的评价指标向量 β 与相应的刀具磨损量向量 VB 间的映射关系模型，该模型即为刀具磨损量监测模型。 (2) 对刀具监测时，通过建立特征值的支持向量机回归模型，对监测工况下正常刀具及各磨损刀具的特征值进行求解，然后利用获取的各刀具特征值对待监测刀具建立监测模型，实现对刀具磨损量的监测。 (3) 利用遗传算法优化的BP神经网络建立了基于刀具磨损量监测的表面粗糙度预测模型，即GA-BP模型。利用各工况下的工艺参数及相应的磨损量作为模型的输入参数，对该工况下的粗糙度进行预测。遗传算法优化BP神经网络，主要是利用遗传算法对网络的初始权值和阈值进行优化，以达到优化网络结构的目的。 (4) 根据刀具磨损量监测模型和粗糙度预测模型设计了全因素实验方案，并对两个模型进行验证。为了更好的评价GA-BP模型的预测精度，本文利用相同实验数据建立了 BP 神经网络粗糙度预测模型，通过对比两种预测模型的结果可知，优化后 GA-BP模型的精度更高，鲁棒性更好。为了便于直观的分析粗糙度预测的过程，本文采用MATLAB中的图形用户界面GUI模块构建了表面粗糙度预测的原型系统，对系统进行了模块划分和界面设计，同时代入切削实验数据对粗糙度预测系统的各功能模块进行介绍，验证了系统的可行性。

目录

第一部分

第二部分

第三部分

第四部分