基于贝叶斯网络的数控平面磨床磨削状态智能监测研究

摘要

本文建立了数控平面磨床磨削状态智能监测的贝叶斯网络模型，结合国家“高档数控机床与基础制造装备”科技重大专项(No.2009ZX04001-131)项目的科研任务，分析了贝叶斯网络方法研究不确定性问题所具有的优势，设计并实现了以数控平面磨床工件质量、砂轮接触和钝化为研究对象的智能监测系统.同时，还完成了数控平面磨床磨削状态智能监测软件。
　　 为了实现平面磨削状态智能监测，首先阐述了智能监测系统的研究意义，详细介绍了磨削状态智能监测的研究现状，分析了当前智能监测采用的主要方法及其优缺点，提出采用贝叶斯网络方法进行磨削监测。然后介绍了贝叶斯网络的相关理论，包括网络构建步骤、网络推理的变量消元算法和团树传播算法，及网络的参数学习。此外，讨论了磨削声发射产生的原理、来源和影响因素，并介绍了本文所用的声发射采集系统的硬件设计，并基于Matlab实现了对平面磨削声发射信号的预处理、时域分析及频谱分析。
　　 本文以建立平面磨削状态智能监测系统为核心内容，在阐述了贝叶斯网络实现平面磨削智能监测的优势的基础上，以数控平面磨床的工件表面质量、砂轮钝化和接触状态识别为对象来建立贝叶斯网络，并重点论述了建立模型、模型推理和参数学习的过程。然后对实现平面磨削监测的软件进行功能需求分析，介绍了整个监测系统的程序结构，基于VC++设计了网络构建、推理、学习等功能模块和图形界面。最后通过实验来建立平面磨削监测网络的样本数据库，对其进行网络学习得到各个节点的后验条件概率表，并取得节点最大概率的状态，通过后续实验证明了模型的推理精确度较高，贝叶斯网络方法适宜于数控平面磨床的磨削状态监测。本文为贝叶斯网络方法应用于数控机床的加工状态智能监测提供了参考。

目录

文摘

英文文摘

致谢

1 绪论

1.1 课题来源及研究意义

1.2 磨削状态监测的研究现状及展望

1.2.1 磨削声发射技术的应用现状

1.2.2 磨削状态智能监测技术的研究现状

1.2.3 基于贝叶斯网络进行平面磨削监测

1.3 论文的结构与主要研究内容

1.3.1 论文的总体框架

1.3.2 论文的主要研究内容

2 贝叶斯网络理论

2.1 贝叶斯网络数学模型

2.1.1 贝叶斯方法基本观点

2.1.2 联合概率分布的分解

2.1.3 图模型理论

2.1.4 贝叶斯网络的概念

2.2 贝叶斯网络的构建

2.2.1 确定变量集和变量域

2.2.2 确定网络结构

2.2.3 确定网络参数

2.3 贝叶斯网络的推理

2.3.1 贝叶斯网络推理的分类

2.3.2 变量消元算法

2.3.3 团树传播算法

2.4 贝叶斯网络的学习

2.4.1 贝叶斯网络结构学习

2.4.2 贝叶斯网络参数学习

2.4 本章小结

3 平面磨削声发射信号检测与分析

3.1 声发射技术

3.1.1 声发射的产生机理

3.1.2 磨削声发射的来源

3.1.3 影响磨削声发射特性的因素

3.2 实验用磨削声发射信号采集系统

3.2.1 采集系统硬件介绍

3.2.2 采样频率设置

3.3 AE信号的处理分析

3.3.1 预处理

3.3.2 时域分析及其Matlab实现

3.3.3 频域分析及其Matlab实现

3.4 本章小结

4 基于贝叶斯网络的平面磨削状态监测模型的建立

4.1 利用贝叶斯网络实现平面磨削状态监测的优点

4.2 平面磨削状态监测贝叶斯网络模型的构造

4.2.1 确定节点及其状态

4.2.2 网络结构确定

4.2.3 网络先验参数确定

4.3 平面磨削状态监测贝叶斯网络模型的推理

4.3.1 构建网络的团树

4.3.2 CTP实现混合推理

4.4 平面磨削状态监测贝叶斯网络模型的参数学习

4.4.1 先验数据的处理

4.4.2 样本数据的处理

4.4.3 网络的后验概率

4.5 本章小结

5 平面磨削智能监测系统的软件实现

5.1 平面磨削智能监测软件的需求分析

5.1.1 监测模型网络构建功能的需求分析

5.1.2 监测模型推理功能的需求分析

5.1.3 监测模型学习功能的需求分析

5.2 系统开发环境

5.3 平面磨削智能监测系统的程序结构

5.3.1 平面磨削智能监测系统的整体结构图

5.3.2 监测软件基于VC++的程序开发流程

5.4 平面磨削监测贝叶斯网络各功能模块的设计

5.4.1 平面磨削监测贝叶斯网络构建模块的实现

5.4.2 平面磨削监测网络推理模块的实现

5.4.3 平面磨削监测网络顺序学习模块的实现

5.4.4 平面磨削监测网络批量学习模块的实现

5.4.5 图形用户界面模块的设计

5.5 本章小结

6 平面磨削智能监测系统的运行与测试

6.1 实验方案设计

6.2 样本数据采集

6.2.1 声发射信号有效值

6.2.2 砂轮接触状态输入

6.2.3 砂轮钝化状态输入

6.2.4 工件粗糙度输入

6.3 贝叶斯网络模型的实验验证

6.3.1 样本数据离散化

6.3.2 网络参数学习

6.3.3 推理验证

6.4 本章小结

7 结论与展望

7.1 结论

7.2 研究展望

作者攻读硕士学位期间发表的论文和参加科研情况

参考文献