论文部分内容阅读
随着工业上对机械产品精度、可靠性以及寿命等要求的不断提高,磨削加工作为现代制造领域中实现精密加工最有效的切削加工方式,必然面临着更高的技术要求。在磨削加工过程中,不可避免地存在很多问题,其中磨削颤振是磨床主机故障的主要表现形式之一,磨削颤振不仅会降低零件加工表面的质量、加速机床损坏、产生过大噪声和降低加工效率,而且严重时还会导致加工无法持续进行。磨床磨削颤振信号通常具有非平稳和非线性的特点,在强背景信号与噪声中,更加难以预测。针对磨削颤振所导致的危害,寻求一种能及时有效预测磨削颤振的方法具有极强的理论及现实意义。基于模糊时间序列的预测方法在许多领域得到了应用,但在模糊时间序列的实际建模过程中,只考虑相邻两个样本数据之间的联系,忽略了不相邻样本之间可能存在的联系,这使得预测结果不一定理想。本文采用AR(p)型高阶模糊时间序列的预测方法,考虑了多个前期时刻的情况,提升了样本数据之间的关联性,使得模型具有更高的预测精度。将AR(p)型高阶模糊时间序列的预测方法用于对磨削颤振的预测是该方法在一个新领域的应用,且本文所提方法无需考虑磨削颤振信号的非平稳和非线性特点,具有更广泛的适用性。本文的主要研究思路如下:首先,在对磨削加工中的磨削颤振机理进行深入研究的基础上,借用LabVIEW软件的虚拟仪器程序模拟磨削颤振信号的发生,再进行颤振特征量提取,并选取模拟颤振信号的实时方差特征量构成的时间序列作为预测的样本数据,分别应用到现有的基于ARIMA模型的磨削颤振预测方法和本文所提出的基于AR(p)型高阶模糊时间序列磨削颤振预测方法,通过对比两种预测方法的预测结果,验证了本文提出预测方法的可行性。其次,以KD4020X16型数控动梁龙门导轨磨床为研究对象,搭建振动信号采集实验平台,制定详细的实验方案,获取多组不同工况下的振动信号,对每组实验信号进行整理、筛选和分析,为后续实验信号的处理和预测方法的验证奠定了数据基础。最后,根据预测方法的流程,将实验得到的颤振信号应用于本文提出的方法——基于AR(p)型高阶模糊时间序列磨削颤振预测方法,对比原始信号方差时间序列和预测值,计算预测评价指标,验证了本文所提出方法的预测有效性。为了进一步展示所提方法的优越性,将同样的颤振信号应用于ARIMA预测模型,同时计算预测评价指标并对比两种方法的预测评价指标值,验证了基于AR(p)型高阶模糊时间序列磨削颤振预测方法的准确性。