切削声音信号论文-秦月霞,刘战强

切削声音信号论文-秦月霞,刘战强

导读:本文包含了切削声音信号论文开题报告文献综述及选题提纲参考文献,主要关键词:高速切削,颤振,声音信号

切削声音信号论文文献综述

秦月霞,刘战强[1](2011)在《通过声音信号判断切削颤振的试验研究》一文中研究指出通过建立高速铣削试验台获取高速铣削声音信号,并对数据进行分析,发现切削过程声音信号的幅频域特性与其稳定性有着紧密的联系。该试验为利用声音信号判断切削颤振提供了事实依据,并为切削颤振控制打下了试验基础。(本文来源于《工具技术》期刊2011年12期)

谢政[2](2008)在《基于切削声音信号的刀具状态识别研究》一文中研究指出刀具磨损状态的精确监控是保证金属切削加工过程顺利进行的关键,因此研制准确、可靠且成本低廉的刀具磨损状态监控系统一直是研究人员所追求的目标。在众多刀具状态监控方法中,切削声音信号检测技术,以其信号直接来源于切削区,具有灵敏度高、响应快的优点,非常适用于刀具磨损监控。同时与高频声发射信号(AE)相比,切削声音信号相对频率较低,相应的采集装置成本低廉,结构简单,且传声器安放位置可调整,满足监控系统实际生产应用的要求。但是应注意的是,由于切削声音信号频率低,非常容易受到环境噪声、机床噪声等因素的干扰。如何获取高信噪比的刀具状态声音特征是该监控技术的关键。本文首先建立了切削声音信号的采集系统,并通过试验获取了刀具在不同磨损状态下的切削声音信号。基于切削声音信号的时域统计分析和频域功率谱分析,发现时域统计特征均方值与刀具磨损状态有明显对应关系,与刀具磨损相关的特征频率段为2kHz~3kHz。论文还通过试验研究了不同主轴转速、进给速率对刀具磨损状态的影响。基于小波分析,首先将声音信号分为八个不同的频率区间,并以不同频率区间段能量占信号总能量的百分比作为识别刀具磨损状态的特征向量。然后探索了基于BP神经网络的刀具状态识别方法。最后在LABVIEW环境下调用MATLAB神经网络程序,初步实现了刀具磨损的识别。(本文来源于《上海交通大学》期刊2008-01-01)

郭鹏[3](2007)在《切削加工过程中声音信号的实验研究》一文中研究指出随着生活水平的提高和人们环保意识的增强,噪声问题越来越受到人们的关注,但是国内外关于切削过程中噪声的研究,特别是可听声范围内的切削过程噪声研究和铣削过程中声音问题的国内外文献记载很少,为了更好的解决机械加工生产中的噪声问题,本文对车削加工和铣削加工过程中的噪声进行实验研究,具体内容如下:(1)介绍噪声的有关概念及术语,分析噪声的产生机理和影响因素。(2)在切削加工过程噪声影响因素分析的基础上,首先在普通车床上采用单因素试验方法研究主轴转速、切削深度、进给量、刀具主偏角等对车削加工过程中纯切削噪声的影响,得出影响规律;然后采用七因素二水平进行正交切削试验,得出车削噪声经验公式。(3)在数控车削中心上研究了切削用量对纯切削噪声的影响,得出其影响规律,并与在普通车床上的试验规律进行比较;为了更好的解释切削用量对切削过程纯切削噪声声压级的影响,采用不同材料的刀片研究了摩擦系数与摩擦噪声声压级的关系;最后从摩擦学的角度对切削用量影响纯切削声压级的现象进行了分析,并给出了降噪措施。(4)在铣削加工中心上,采用单因素试验方法研究切削速度和径向切削深度对铣削过程中纯切削声压级的影响,得出二者对纯铣削声压级的影响规律,通过对各个频率段动态铣削力峰值和纯切削声信号有效值的比较分析,发现铣削噪声主要分布频率段为1000Hz左右,同时动态铣削力和纯切削声信号在频域内组成结构上有很大的相似性,提出无论是铣削速度还是径向铣削深度都是通过动态铣削力来影响铣削声信号的,因此可以通过研究动态铣削力来研究铣削用量对切削噪声信号的影响。本论文得到山东省优秀博士后基金(200602008)和教育部新世纪优秀人才资助计划(NCET-04-0629)的资助。(本文来源于《山东大学》期刊2007-04-20)

潘旭辉[4](2006)在《基于切削加工声音信号的刀具状态监测技术基础研究》一文中研究指出金属切削加工是机械制造中应用最为广泛的加工方式。而加工过程中对刀具磨损状态的监控是保证生产顺利进行的关键。随着FMS、CIMS等自动化技术的发展,迫切需要新型、实用、可靠的刀具磨损监控系统。在切削加工中有一个非常重要的信号:切削声信号。人们在研究切削声的声学特性时发现,不同的刀具磨损状态,切削的声辐射也有所不同。因此我们选择切削声信号作为刀具磨损状态识别的监测信号。本文首先总结了声音信号在时域、频域和小波分析的常用分析方法,然后建立了切削声信号的采集装置,获取了车削加工中刀具在不同磨损状态下的切削声信号。接着,采用小波分解的方法把信号划分成不同频带,提取不同频带能量占信号总能量的百分比作为刀具磨损状态识别的特征量。同时,建立了叁层BP神经网络作为刀具磨损状态识别分类器,通过试验确定了最优化的BP神经网络结构,利用获得的样本信号对神经网络进行训练和仿真测试,得到了良好的识别效果。最后利用数字图像处理的方法提取了刀具磨损图像的磨损边缘和磨损量,编写了刀具磨损状态自动识别程序,并用实验验证了其可靠性。(本文来源于《南京航空航天大学》期刊2006-03-01)

切削声音信号论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

刀具磨损状态的精确监控是保证金属切削加工过程顺利进行的关键,因此研制准确、可靠且成本低廉的刀具磨损状态监控系统一直是研究人员所追求的目标。在众多刀具状态监控方法中,切削声音信号检测技术,以其信号直接来源于切削区,具有灵敏度高、响应快的优点,非常适用于刀具磨损监控。同时与高频声发射信号(AE)相比,切削声音信号相对频率较低,相应的采集装置成本低廉,结构简单,且传声器安放位置可调整,满足监控系统实际生产应用的要求。但是应注意的是,由于切削声音信号频率低,非常容易受到环境噪声、机床噪声等因素的干扰。如何获取高信噪比的刀具状态声音特征是该监控技术的关键。本文首先建立了切削声音信号的采集系统,并通过试验获取了刀具在不同磨损状态下的切削声音信号。基于切削声音信号的时域统计分析和频域功率谱分析,发现时域统计特征均方值与刀具磨损状态有明显对应关系,与刀具磨损相关的特征频率段为2kHz~3kHz。论文还通过试验研究了不同主轴转速、进给速率对刀具磨损状态的影响。基于小波分析,首先将声音信号分为八个不同的频率区间,并以不同频率区间段能量占信号总能量的百分比作为识别刀具磨损状态的特征向量。然后探索了基于BP神经网络的刀具状态识别方法。最后在LABVIEW环境下调用MATLAB神经网络程序,初步实现了刀具磨损的识别。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

切削声音信号论文参考文献

[1].秦月霞,刘战强.通过声音信号判断切削颤振的试验研究[J].工具技术.2011

[2].谢政.基于切削声音信号的刀具状态识别研究[D].上海交通大学.2008

[3].郭鹏.切削加工过程中声音信号的实验研究[D].山东大学.2007

[4].潘旭辉.基于切削加工声音信号的刀具状态监测技术基础研究[D].南京航空航天大学.2006

标签:;  ;  ;  

切削声音信号论文-秦月霞,刘战强
下载Doc文档

猜你喜欢