摘要
在传统切削加工中，机床操作员依靠自身经验评估刀具的磨损状态，从而判断刀具是否达到其服役寿命，进而决定是否更换刀具。然而，该方法无法确定更换刀具的最佳时间点，易导致机床频繁停机、刀具成本增加等问题。为准确掌握加工过程中刀具的磨损状态，刀具状态监测技术应运而生，其可通过与刀具磨损相关的信息直接或间接地反映刀具的磨损状态，为判断刀具服役寿命提供科学性依据。因此，开展刀具状态监测技术相关研究是提高加工效率的有效途径，具有重大意义。 本文结合直接法中的机器视觉法与间接法中的声发射（AcousticEmission,AE）法，建立刀具磨损监测模型。随后，通过该模型识别刀具磨损状态、预测刀具磨损量及其寿命。一方面，通过机器视觉法获取刀具磨损量，并将其作为学习标签；另一方面，从加工产生的AE信号中获取特征值。最后，将两者结合构成模式识别与回归分析数据集，通过多种模型实现刀具磨损状态的识别与预测。本文的主要研究内容如下： （1）对铣刀的磨损形式及磨损过程进行阐述。以刀具后刀面磨损带B区的平均宽度VBave为指标，基于试验材料采用刀具磨钝标准。随后，对加工中AE信号的来源进行阐述，并分析其与刀具磨损的联系。最后，设计基于机器视觉与AE信号的刀具磨损监测平台，并以此为基础搭建试验平台，采集加工过程中的刀具图像与AE信号。 （2）设计机器视觉模块，旨在为刀具磨损监测模型提供学习标签。提出基于结构相似性的图像自动采集方法、基于FAST特征点检测的图像采集与自适应阈值分割方法、基于Hough变换的图像校正方法。随后，通过磨损区域划分，准确提取B区磨损量。最后，开展铣削试验验证视觉模块精度。 （3）设计信号模块，旨在为刀具磨损监测模型提供特征值。首先，建立加工中的AE信号样本。随后，通过预处理及时域、频域及时频域分析初步提取AE信号特征。最后，通过特征选择去除与磨损量相关性不显著的特征，并通过特征融合去除高度冗余的特征，构建富含刀具磨损相关信息的AE特征向量。 （4）将视觉标签与AE特征向量相结合，构建模式识别与回归分析数据集。通过BP神经网络、Elman神经网络、支持向量机与支持向量回归机构建刀具磨损监测子模型，并通过人工蜂群算法构建组合模型。最后，通过统计学指标评价各模型性能，并选用最优模型进行泛化测试，从而实现铣刀磨损状态识别、铣刀磨损量及寿命预测。
NETL