关 键 词：

AD 机床 设计

资源描述：

AD机床设计类,AD,机床,设计

内容简介：

盐城工学院机械工程系毕业论文1 砂轮磨损状态的智能监测的系统研究及方法 1.1多传感器信息融合方法从操作人员综合运用视觉、听觉、嗅觉器官的联合作用，成功识别刀具状态的例子得到启发，为使智能系统成功工作，必须使用多传感器信息。利用多传感器信息可以给监测系统提供更高准确性、可靠性，可以扩宽监测系统有效范围，可以提供丰富信息来源。经过集成与融合的多传感器信息能完善地、精确地反映切削过程特征，而单一传感器只能获得切削过程特征的部分信息。经过集成与融合的多传感器信息具有以下4个方面特点：（1）信息的冗余性；（2）信息的互补性；（3）信息的实时性；（4）信息的低成本性。用于多传感器信息集成的方法有许多，其个最简单的方法是让每个传感器的信息单独输入到系统控制器中。如果每个传感器所提供的信息反映的是环境中完全不同的方面，那么这种方法最适合。该方法的主要优点是增大了所传感的环境范围。如果传感器所能够传感到的环境内容出现重叠，以及可能出现信息的冗余、矛盾与相关，甚至出现其中的某个传感器影响其它传感器的工作，则来自不同传感器的信息就必须在多种表达层次上实现融合，在这种情况下，传感器融合能使系统获得更高质量的信息，这是任何单独工作的单个传感器所无法直接得到的。在许多多传感器的数据系统中，处理输入信息的数量和速率已超过操作人员的能力。此外，数据的复杂性(如多维测量)和测量中的模糊性也都超出了人们对数据的关联和分类能力。这就要求各单独的融合处理方法全部或部分地实现自动化，以从大量的原始信息中获得精确的、易于理解的信息。就自动系统的应用来说，自动信息融合可以使人类从重复的劳动中解脱出来。因此，模拟人的融合处理方法，以提高处理速度、容量或改善处理精度是研究多传感器信息融合的重要原因。多传感器集成与融合技术实际上是一种多源信息的综合技术，通过对来自不同传感器(信息源)的数据信息进行分析和综合，可以获得被测对象及其性质的最佳一致估计。多传感器融合(Multi-sensor fusion)是指在多传感器集成过程中，将传感器的信息合并成统一的综合信息的任何一个具体阶段。它强调的是数据的转换和合并的具体方法与步骤。图1-1所示的组网结构为多传感器集成与信息融合的一般模式。信息融合在图中的各节点上进行，而整个结构是一个多传感器集成的实例。图1-1 多传感器融合的一般模式从图1-1中可以看到，几个传感器组合成一体为整个系统提供信息。前两个传感器的输出xl和x2在左下边的节点小进行融合后形成新的信息，用x1，2表示，第三个传感器的输出x 3又在下一个节点与x1，2融合，结果表示为x1，2，3，依此类推。系统所有传感器的输出以类似的方式融合成一个结构。从系统方框到每一节点的虚线，表示信息融合过程中有可能与系统进行信息交互。大多数多传感器集成结构的共同之处在于当信息向上移动时，信息的表示形式由低级向高级变换，即在结构的最低一级，原始数据进人传感器，并转换为信号信息。经过一系列信息融合之后，信号逐渐变为更加抽象的数字或者符号。多种传感器信息融合与决策方法，在制造过程监控中最有效的是利用人工神经网络。有人在智能刀具状态监测系统中使用了声发射信息与切削力两种信息，它们对刀具磨损有不同的影响：声发射主要对于切削区的摩擦与塑性变形等微观活动极为敏感，而切削力功率谱主要对于由后刀面磨损引起的刀具工件振动宏观影响敏感。这就有助于提供较高质量的信号特征给模式分类器人工神经网络，使得对刀具磨损的识别决策具有更高的可靠性，参考文献14中在智能刀具状态监测系统中用声发射、切削力、主电机电流等多传感器信息；参与文献13中使用了声发射、切削力的3个分力、刀尖温度等多传感器信息。基于研究对象的相似性以及原理的一致性，本论文的用的多传感器信息融合的智能砂轮状态监测系统的基本结构框图，见图1-2 1.2信号处理与特征提取由于来自传感器的原始信号呈随机性、低信噪比，必须进行预处理才能用于特征提取。实践证明信号的高信噪比、高质量非常重要。因为神经网络输入特征中混有噪声将引起神经网络的学习能力下降，结果影响系统性能下降，参考文献14提出两种信号处理方法。 方法一：应用多回归时间序列模型。参考文献14报道，声发射信号标量自回归系数，在车削加工状态范围内对刀具磨损具有很好的灵敏度，这样自回归系数矩阵被作为表征刀具状态的参数。 方法二：应用传感器信号的功率谱分析。声发射和切削力信号的某些频率成分的功率谱密度对刀具磨损显示出灵敏度，所以这些频率分量可以用作为刀具磨损检测的特征信号。由于使用高维输入向量给神经网络，要求大量的训练样本和一个过大的神经网络，而这样做未必能改善系统的性能，所以高维输入不切实际，因此仅使用那些对刀具磨损显示足够的灵敏度和那些对切削参数和环境噪声不敏感的输入量给神经网络。图1-2智能砂轮状态监测系统基本结构框图1.3实现多传感器信号融合与识别决策人工神经网络为了利用人的智慧来处理突发事件，使的机械加工过程能够智能化，柔性化，于是利用人类智力活动的机器模拟是人类长期梦寐以求的理想，历来沿着两条大体并行的道路向前发展。一条道路是进行宏观的心理模拟，它从人的思维活动和智能行为的心理学特性出发，利用计算机系统来对人脑智能进行宏观的功能模拟，这种方法称为符号处理方法。另一条道路是进行微观的生理模拟，即更注重机理性的研究，用仿生学的观点探索人脑的生理结构，把对人脑的微观结构及其智能的研究结合起来，这就是人工神经网络的研究方法。 人工神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题，这些正克服了符号处理方法的某些弱点。利用神经网络的学习功能、规模并行分布式存储与处理功能以及神经网络的集团运算能力，可实现知识获取的自动化，并能克服在符号处理中所遇到的而又难以解决的“知识获取瓶颈”、“组合爆炸”、“推理复杂性”及“无穷递归”等困难，实现并行联想搜索解空间和完成自适应推理，提高智能系统的智能水平。作为一个智能刀具状态监测系统应能在无人参与下，实现对切削过程不正常状态（刀具的磨损、破损）的自动识别。要实现这个目标监测系统应具有如下特征：（1）快速处理来自多个传感器的信息；（2）能利用样本数据进行学习；（3）能形成综合决策范围；（4）对于外界环境变化（加工状态变化）能迅速进行自适应变化。 要实现这些要求，人们自然想起使用人工神经网络，就用在砂轮磨损状态监测系统中而言，其最具吸引力的特点为：（1）可以通过对网络训练与学习，自动实现传感器信号和刀具状态之间功能映射。（2）能够判断处理，由于参数变化和噪声影响而畸变失真传感器信号。（3）能够对砂轮状态实现直接的判断，使生产能够稳定、长期、高效、快速的进行。（一） 有监督（导师）学习的神经网络方法 Rangwala利用神经网络提出一个用于车削过程的刀具状态自动识别的集成传感器系统，利用多传感器系统收集车削期间声发射和切削力的信息。将声发射信号和切削力信号数字化。声发射信号采样率为5MHz，记录范围为1024；切削力信号采样率为1kHz，记录范围512点；利用快速傅里叶变换对它们进行处理，使用一个特征选取技术获得4个声发射信号测量值，2个切削力信号测量值，组成具有6个分量的特征向量，每一套输入模式利用相应的切削速度、切削进给将输入模式扩大为8个分量作为该神经网络的输入模式，以便在变过程条件下也能进行刀具磨损的自动监测。相应于后刀面磨损量测量值为（00.25）作为新锐刀具类，而后刀面磨损量测量值为（0.50.75）作为已磨损刀具类。使用30组样件（按新锐刀具、磨损刀具等分）训练一个831 BP神经网络，对已训练过神经网络利用93组模式测试集，进行测试获得95的识别成功率。然而，Rangwala是基于有监督学习的神经网络方法，具有下面缺点：（1）缺乏柔性，该系统在识别刀具状态和响应环境变化方面均缺乏柔性；（2）它需要一个全部标定训练集，这样它需要大量时间和昂贵的费用；（3）会遇到局部极小问题、算法收敛速度慢、隐节点的选用问题。（二）、无监督（导师）学习的神经网络方法为了克服有监督学习神经网络用在刀具状态监测方面的缺点，Burke提出利用无监督学习神经网络方法用于刀具状态监测。这是一种具有自组织、自适应性，更富有柔性的方法，与有监督学习的BP神经网络方法比较具有下列优越性：（1）无监督学习的自适应共振网络能达到95的识别成功率。（2）该系统在训练完毕后仍能保持仅值的可塑性。（3）自适应共振网络使用部分标定的样本训练集，它和使用全部标定样本训练集可产生同样效果，可大大减小数据分析的成本，而又不至于降低其识别成功率。（4）很大一部分无监督学习系统，甚至仅利用新锐刀具的数据用于样本训练集。（5）由于无标定数据可以廉价获取，即使要求一个较大的训练集也是能办得到的。（6）自适应共振网络基本上可以是一个柔性在线识别决策系统。 从以上分析看，为了实现实用而又可靠的在线刀具状态监测系统，对所用神经网络提出两点要求：（1）最大限度利用丰富的“无监督”传感器数据，以降低数据成本；（2）学习分析和适应使用离线特征选择而带来的严重局限性。本论文提出了利用多路传感器信号在