基于融合评价指标和神经网络的刀具磨损预测

摘要

机械加工过程中的刀具磨损状态对零件的加工质量、生产效率和成本影响极大.对刀具磨损的采集信号进行合理准确地降噪处理,是实现刀具磨损检测的核心技术.利用熵值法构造出信噪比、平滑度、均方根误差3个传统评价指标的权重,提出降噪质量的融合评价指标.对比仿真信号的去噪结果与真实信号发现,融合评价指标更具可行性和优越性.以最大融合评价指标为目标,提出降噪参数的优化方法.针对小波阈值去噪后的实际刀具磨损振动信号,与传统的单个评价指标相比,融合评价指标优选出来的降噪参数,不仅能够去除[6 kHz,12 kHz]高频部分的噪声信号,而且能够比较完整地保留[0 kHz,6 kHz]低频部分的真实信号.通过提取出刀具磨损特征值,建立切削工艺参数与刀具磨损之间的神经网络预测模型.刀具磨损试验结果表明,预测结果与试验测量值之间的最大误差不超出6.0％,进一步验证了基于多指标融合评价的最佳降噪参数能够准确地提取出刀具磨损信号的特征量.