機械加工質量智能監(jiān)測與控制

目錄
第1章 緒論 1
1.1 機械加工的重要性與挑戰(zhàn) 1
1.1.1 機械加工的重要性 1
1.1.2 機械加工在產品制造中的角色 2
1.2 機械加工質量的重要性 3
1.3 內容與章節(jié)安排 4
第2章 機械加工基礎 6
2.1 機械加工工藝與工件加工質量 6
2.1.1 機械加工工藝 6
2.1.2 工件加工表面質量及評價指標 10
2.2 加工質量和質量控制 14
2.2.1 質量控制方法的研究現(xiàn)狀 15
2.2.2 傳統(tǒng)質量控制方法 17
2.2.3 加工工序質量控制 20
2.3 先進的機械加工制造技術 21
2.3.1 現(xiàn)代化機械加工制造發(fā)展 21
2.3.2 先進加工工藝與制造技術的應用 23
2.3.3 先進機械制造技術的發(fā)展趨勢 24
2.3.4 先進制造技術的重點發(fā)展方向 25
2.3.5 先進加工技術中的質量智能監(jiān)測與控制技術 26
2.4 機械加工質量智能監(jiān)測與控制技術 26
2.4.1 機器視覺測量加工質量預測方法 26
2.4.2 功率測量加工質量預測方法 29
2.4.3 振動測量加工質量預測方法 30
2.4.4 機械加工質量智能監(jiān)測與控制技術發(fā)展趨勢 34
第3章 數(shù)據(jù)采集與處理 37
3.1 基于傳感器的監(jiān)測信號采集分析 38
3.1.1 切削力信號 39
3.1.2 振動信號 41
3.1.3 電流信號 41
3.1.4 聲發(fā)射信號 43
3.1.5 溫度信號 44
3.1.6 多傳感信號 44
3.2 傳感信號處理技術 45
3.2.1 時域特征參數(shù) 45
3.2.2 時域信號分析 46
3.2.3 頻域特征參數(shù) 47
3.2.4 頻域信號分析 47
3.2.5 時頻域特征參數(shù) 48
3.2.6 時頻域信號分析 49
3.2.7 多域組合分析 50
3.3 基于機器視覺的圖像數(shù)據(jù)采集分析 51
3.3.1 機器視覺技術概述 51
3.3.2 相機 53
3.3.3 鏡頭 54
3.3.4 光源 56
3.4 圖像處理技術 57
3.4.1 圖像的灰度處理 57
3.4.2 圖像的去噪處理 58
3.4.3 圖像檢測區(qū)域的框定 60
第4章 考慮各部件的機床性能評估 65
4.1 引言 65
4.2 導軌對機床性能的影響 66
4.2.1 導軌對重心驅動機構動力學性能的影響 66
4.2.2 箱中箱結構動力學建模 69
4.2.3 箱中箱結構動力學仿真分析 75
4.3 絲杠對機床性能的影響 78
4.3.1 進給系統(tǒng)動力學建模及絲杠磨損的影響分析 78
4.3.2 絲杠磨損狀態(tài)下進給系統(tǒng)仿真分析 82
4.3.3 絲杠磨損對進給系統(tǒng)摩擦特性的影響分析 84
4.4 刀具對機床性能的影響 88
4.4.1 刀具磨損基本原理 88
4.4.2 刀具磨損基本規(guī)律 92
4.4.3 刀具磨損對機床性能的影響 94
第5章 基于信號的銑刀狀態(tài)監(jiān)測 97
5.1 基于切削力的銑刀狀態(tài)監(jiān)測 97
5.1.1 切削力與銑刀磨損狀態(tài)之間的關聯(lián)性 97
5.1.2 基于切削力的實時監(jiān)測方法 98
5.2 基于電流的銑刀狀態(tài)監(jiān)測 105
5.2.1 電流與銑削加工質量之間的關聯(lián)性 105
5.2.2 基于電流的實時監(jiān)測方法 106
5.3 基于加速度的銑刀狀態(tài)監(jiān)測 123
5.3.1 加速度與銑削加工質量之間的關聯(lián)性 123
5.3.2 基于加速度的實時監(jiān)測方法 125
5.4 基于聲發(fā)射的銑刀狀態(tài)監(jiān)測 130
5.4.1 聲發(fā)射與銑削加工質量之間的關聯(lián)性 130
5.4.2 基于聲發(fā)射的實時監(jiān)測方法 132
第6章 基于機器視覺的銑刀狀態(tài)監(jiān)測 136
6.1 機器視覺在銑刀狀態(tài)監(jiān)測中的應用背景 136
6.1.1 刀具磨損監(jiān)測系統(tǒng) 136
6.1.2 刀具磨損狀態(tài)分類 139
6.1.3 刀具磨損區(qū)域識別 142
6.1.4 刀具狀態(tài)監(jiān)測指標 143
6.2 主軸旋轉下刀具磨損區(qū)域定位和跟蹤 145
6.2.1 主軸旋轉下刀具磨損圖像序列 146
6.2.2 刀具磨損區(qū)域自適應定位和跟蹤 147
6.3 基于輕量化網絡的刀具磨損狀態(tài)分類 154
6.3.1 考慮工業(yè)環(huán)境影響的數(shù)據(jù)增強 155
6.3.2 基于多重激活函數(shù)的刀具磨損分類網絡 159
6.4 基于圖論的后刀面磨損精確分割測量 162
6.4.1 圖像預處理 163
6.4.2 基于圖論的后刀面磨損分割和測量 165
6.5 考慮磨損距離離散度的刀具狀態(tài)評估 167
6.5.1 后刀面磨損退化狀態(tài) 168
6.5.2 后刀面退化狀態(tài)監(jiān)測指標構建 169
第7章 基于紋理的表面質量監(jiān)測 175
7.1 基于仿真與采集紋理圖像的粗糙度識別 175
7.1.1 切削面的紋理特征提取 175
7.1.2 基于仿真與采集紋理圖像的粗糙度識別模型構建 177
7.2 工件關鍵加工面識別與切屑檢測 184
7.2.1 工件關鍵加工面識別 184
7.2.2 基于卷積神經網絡的目標檢測 185
7.2.3 代價敏感損失函數(shù)的構建 190
7.3 基于紋理分析的銑削加工監(jiān)測系統(tǒng)實用化研究 192
7.3.1 工件紋理圖像采集與監(jiān)測框架 192
7.3.2 銑削監(jiān)測軟件系統(tǒng)的前、后端設計及實現(xiàn) 195
7.4 本章小結 199
第8章 結論與展望 200
8.1 本書主要內容 200
8.2 智能監(jiān)測與控制技術同機械加工的融合 200
8.3 智能監(jiān)測與控制技術的未來發(fā)展方向 201
參考文獻 203