基于協整建模的刀具磨損預測研究.pdf

1、在切削加工過程中，刀具的磨損會影響到工件表面質量，因此有必要對刀具的磨損做出實時的監(jiān)測。對刀具磨損的監(jiān)測通常通過采集切削過程中產生的信號，從中提取特征，然后建立起特征與刀具磨損量之間的數學模型。建模通常有人工智能方法和數理統計方法。但是人工智能方法的訓練通常需要大量樣本，且算法復雜。而對于常用的線性回歸方法來說，由于信號特征或刀具磨損量的不平穩(wěn)性，容易導致虛假回歸產生，從而使得預測結果不準確。
　　 本文將協整理論用于刀具磨損監(jiān)

2、測中，建立起了信號特征與刀具磨損量之間的協整模型，實現刀具磨損量的預測。首先闡述了協整建模的理論方法與建模過程，并通過實例分析比較了協整模型和多元線性回歸模型之間的區(qū)別。為驗證協整建模的有效性，本文進行了TC4鈦合金切削實驗，對切削過程中的切削力、振動信號和聲發(fā)射信號進行了分析，從中提取出了與刀具磨損量相關的特征用于刀具磨損的預測。最后，運用協整建模方法建立起了信號特征與刀具磨損量之間的協整模型，這其中包括單位根檢驗和Johansen檢

3、驗等過程。通過與線性回歸模型的對比發(fā)現，所建協整預測模型能夠識別虛假回歸的產生，因此預測結果更加準確。另外，本文同樣運用了兩種人工智能方法.廣義回歸神經網絡和小波神經網絡建立了刀具磨損預測模型，發(fā)現也能得到比較準確的預測結果，但是對建模樣本分布范圍之外的樣本的預測能力要弱于協整預測模型。
　　 理論分析及實驗驗證表明，協整預測模型具有預測速度快、結果準確和采集建模樣本過程快等特點，能夠實現刀具磨損的實時預測，這對提高加工效率和表