员工姓名:陆昕炜
班 级:机械2018-01班
指导教师:郭亮
毕设题目:多传感器融合的商用飞机复合材料叠层构件刀具磨损预测方法
一、概况
1.选题意义
响应“中国制造2025”,提高国家制造业综合水平。在国际飞机制造业水平突飞猛进的时代背景之下,国内航空飞机的材料、加工、装配等各项技术仍有很大的进步空间。特别是商用飞机零件生产加工技术。其中,针对复合材料钻孔加工的精度、生产效率要求不断提高。作为制孔加工过程中的重要零件,刀具在加工过程中的状态与磨损程度极大影响了制孔的质量与生产的效率。本题主要通过预测刀具磨损、设计刀具剩余寿命预测系统,为商用飞机复合材料加工过程中实现磨损预测,自动换刀提供指导,最终体现于制孔质量与加工效率的提高,具有较好的现实意义。
2.任务分解
(1)查阅文献,搜集整理资料,翻译外文文献。
(2)学习信号特征提取,刀具磨损信号相关性分析、健康指标构建的过程。
(3)以python作为编程平台,编程实现复合材料叠层构件钻削采集多传感器信号的融合,并构建健康指标。
(4)学习粒子滤波原理及其于刀具剩余寿命预测上的应用,构建刀具衰退模型,根据健康指标拟合模型参数。
(5)搭建基于粒子滤波的刀具磨损预测系统,搭建用户交互式界面。
(6)总结课题过程,编写结题论文。
二、已完成工作
(1)完成文献整理工作,完成外文文献翻译工作。
(2)学习刀具加工信号有效特征的分析,编程实现了刀具信号特征提取、特征融合的功能,并构建了刀具磨损退化模型的健康指标。其具体过程如下。
2.1 实验采集共4组刀具全寿命周期传感器信号,每组传感器信号分别包含三向切削力信号、三向振动信号、AE信号与电流信号。通过分析原始数据的时序图,排除了与刀具磨损明显不相关的电流信号。对剩余7个信号做时序特征提取与分析,提取部分特征图如下所示(左下特征图为x向切削力RMS特征图,右下特征图为x向切削力裕度图)。
2.2 人工排除时序趋势较差的特征,以减小之后程序计算量,如下两图所示(左下为AE信号RMS图,右下为振动信号裕度图)。观察到这些特征信号的时序趋势较差,明显与刀具磨损影响较小,在进行特征融合前首先排除此类特征。
2.3 计算各信号特征时序相关度,相关度越高表明时序特征值与刀具磨损程度关系越密切。将计算所得所有特征相关度归一化后,排除归一化相关度值小于0.5的特征(即排除与刀具磨损关系不大的时序特征)。以归一化相关度为权重,将时序特征值做加权平均,得到融合特征图共四组。以其中三组为训练集,分析融合特征图的趋势变化突变位置作为健康指标构建的参考点,以剩下一组作为测试集,代入健康指标并拟合刀具退化模型参数。融合特征图如下图所示。
(3)构建刀具退化模型,利用曲线拟合得到刀具退化模型的初始参数。学习粒子滤波算法与其在刀具剩余寿命预测中的应用,利用传统粒子滤波方法预测刀具剩余寿命,编程实现了刀具剩余寿命估计功能,反馈了粒子滤波分布图与剩余寿命均值估计图。利用曲线拟合,构建刀具磨损衰退模型的双指数模型,并拟合初始参数如下图所示。
(4)利用python搭建刀具磨损预测系统,基于python的GUI功能,设计用户交互界面,实现实时反馈刀具剩余寿命值的功能,即根据输入的当前时间值,实时反馈预测剩余寿命值。这对于钻孔加工生产现场有很好的现实意义,指导自动换刀,提高制孔质量,避免由于刀具损坏导致被动换刀造成的生产效率低下问题。
三、下一步工作计划
(1)完善毕业论文框架,将目录细化。
(2)优化刀具磨损预测系统程序,减少程序计算时间,实现实时反馈。
(3)整理毕设过程与参考文献,整理实验图。
(4)开始毕业论文的写作。
在时间充裕的前提下,考虑丰富特征提取算法,将采集传感器原始信号做预处理,以使得提取时域信号充分体现刀具磨损规律。
问题一:你的完成情况和任务书匹配度如何?
回答:基本全部完成了,下一步的工作是对设计系统的程序做更深入的优化工作。由于特征融合算法程序复杂度较高、系统计算时间相对较长,我考虑把这部分程序进一步优化。
问题二:有关这部分程序优化的思路有了吗?
回答:程序优化思路已经有了。因为在计算中重复计算了多次时序特征及其相关度、导致源代码的复杂度达到O(n^3)。因此首先考虑减小程序的复杂度,考虑用全局二维变量取代函数内一维的局部变量,这样能减小很多运算量。
从找寻导师商量选题至中期答辩,从对题目的无从下手到一步步解决问题,不断自学提升的研究过程充满了成就感。通过这个题目,我对刀具磨损有了更深入的认识,特别是复合材料叠层构件的钻削加工过程,由于材料的高硬度,在钻孔加工时刀具极易变钝,常出现因刀具破损而导致的机床被迫停机。随着我在刀具磨损预测方向的深入学习,我越发认识到刀具磨损预测是一个完整的系统,从实验信号采集,信号分析处理,健康指标构建到GUI界面搭建,涉及到课内课外多门专业课知识与数理理论。在编程实现粒子滤波算法的过程中,我常因对公式理解不透彻遇到很多问题,在从头研究贝叶斯滤波和卡尔曼滤波推导之后我才理解了粒子滤波算法的诸多细节,明白了数理公式应用的同时不能光想着算法怎么用,更需要理解算法为什么能这么用。
我也要感谢我的指导老师郭亮老师,在毕设指导过程中常能为我提出宝贵建议,指明学习方向,同时又给我能深入研究,自主学习的空间。在接下来的学习阶段我会继续努力,保持高涨热情,享受这个学习研究的过程。