摘要: 刀具磨损状态实时监测技术是先进制造系统的关键技术，是机械加工中的一个重要环节，有效的刀具状态监测对于提高生产效率、降低生产成本、改善产品质量等具有十分重要的意义。但是在实际应用过程中，现有的刀具磨损状态监测设备往往存在检测精度不足... 展开 刀具磨损状态实时监测技术是先进制造系统的关键技术，是机械加工中的一个重要环节，有效的刀具状态监测对于提高生产效率、降低生产成本、改善产品质量等具有十分重要的意义。但是在实际应用过程中，现有的刀具磨损状态监测设备往往存在检测精度不足、设备庞大、造价昂贵、前期数据标定工作量大的问题，因此本文在分析刀具状态监测技术研究现状的基础上，从振动信号入手，对刀具磨损状态监测进行了研究，主要的工作内容如下： 首先，搭建一种基于新式仿生柔性振动传感元件的刀具振动信号检测系统。新式仿生柔性振动传感元件是一种仿蝎子缝感受器感知机理的感知结构，具有检测精度高、制造成本低的优势。考虑工业检测中数控机床内部加工环境的影响，根据仿生柔性振动传感元件结构设计封装装置，将其封装为刚性的仿生传感器，使之能够在机床加工过程中精准、实时地检测刀具振动信号。搭建信号采集系统，将刀具振动信号上传至上位机进行存储，在实时检测过程中，记录下实时刀具状态标签。 其次，采用支持向量机算法对采集到的刀具振动信号进行刀具正常工作和后刀面故障两种状态的诊断。首先采用小波包去噪去除刀具振动信号中的环境噪声，然后将信号归一化，提取信号的时域特征和频域特征，主要包括最大值、均值、方差、裕度系数、脉冲因子、重心频率等，之后采用支持向量机算法对刀具振动信号样本特征进行训练，建立刀具故障诊断模型，实验结果验证了本文所提的基于仿生传感器的刀具振动信号检测系统的有效性。 最后，通过改进的无参数K-means聚类算法实现刀具的磨损状态分析。传统K-means算法需要人为确定参数，而且随机选取初始聚类中心会导致局部最优的问题，结合基于密度峰值的聚类算法，提出一种改进的可以自动确定聚类个数和聚类中心的无参数K-means算法。首先计算每个样本点的密度和离散度并建立决策图，然后根据决策图的位置信息，计算样本点与其邻近点的距离均值，根据数据点的距离分布规律，确定聚类中心和聚类个数，将筛选的聚类中心和聚类个数作为K-means聚类算法的聚类中心和聚类个数，实现无参数K-means算法改进。并在高斯数据集和UCI数据集上，验证了算法的有效性和可行性，最后将本文提出的改进算法用于对机床刀具振动信号数据进行聚类，实现刀具磨损状态识别。 综上，本文进行了一种基于蝎子振动感知机理的刀具磨损状态监测研究，封装新式仿生柔性振动传感元件检测刀具振动信号，提高了检测精度，降低了检测成本；采用支持向量机算法对采集到的刀具振动信号进行刀具正常工作和后刀面故障两种状态诊断；提出了一种改进的无参数K-means算法应用于刀具磨损状态监测，能够根据刀具状态变化特性识别刀具运行状态，在获得较优刀具状态识别结果的同时，减少人工数据标定，对于准确实时提取数控机床刀具运行状态具有较高的实际应用价值。 收起