论文部分内容阅读
在数控机床加工过程中，由于各种偶然性和随机性因素的影响，以及人类对机床特性认识的不足，使得加工过程监测中的不确定性问题普遍存在。不确定性的存在导致加工过程监测的可靠性差和可信度低。传统的基于概率的不确定性分析方法，需要假定概率分布，而基于非概率的不确定性分析方法如经典区间分析法的推理复杂，计算处理困难，使得这两类传统的不确定性分析方法在应用中存在一定的局限性。基于广义区间的不确定分析方法是近年来才出现的一种不确定性分析方法，可以很好地解决不确定性问题的建模与计算问题，应用该方法来解决加工过程监测中的不确定性问题的相关研究尚未见报道。本文旨在利用广义区间理论，研究加工过程监测中监测模型及监测模型输入中的不确定性问题，以提高加工过程监测的可靠性和可信度。 针对工程实际中的不确定性问题，本文研究了基于广义区间的不确定性问题分析方法，将工程问题中具有不确定性属性的量拓展为广义区间量，进而利用广义区间理论处理工程实际中的不确定性问题。通过仿真分析，验证了该方法的可行性和有效性。在此基础上，研究了基于广义区间理论的加工过程监测中不确定性问题的处理方法，为解决平均动柔度预测、刀具磨损状态监测和切削颤振监测中的不确定性问题提供理论支撑。 利用传统马尔可夫链预测模型对平均动柔度进行预测中，由于存在预测模型相似性，会引起预测模型不确定性问题。为此提出了一种广义马尔可夫链(GMC)预测模型，GMC是对传统马尔可夫链模型在广义区间涵义上的延拓，将GMC模型中的概率参数描述为广义区间概率形式，以解决传统马尔可夫链预测模型中的不确定性问题。将GMC预测模型应用于平均动柔度预测，将平均动柔度预测模型中的输入量表示为广义区间量，以解决预测模型输入中的不确定性问题，通过GMC预测模型对平均动柔度劣化趋势进行预测，结果表明GMC模型预测方法较之马尔可夫链预测模型具有更好的可靠性与可信度。 刀具磨损状态监测中，常通过易于“观测”特征信号来识别磨损状态，而传统的基于隐马尔可夫模型(HMM)的刀具磨损状态识别方法，由于存在监测模型相似性及模型训练时参数误差等，将会引起监测模型不确定性问题。为此提出一种基于广义区间概率的广义隐马尔可夫模型(GHMM)，将HMM模型中的概率参数拓展为广义区间概率形式，以解决HMM监测模型中的不确定性问题。针对GHMM模型应用中的解码、评估及模型参数优化三类问题，分别研究了基于广义区间理论的前向-后向算法、Viterbi算法及Baum-Welch算法。应用GHMM监测刀具磨损状态，通过广义区间理论解决GHMM监测模型输入中的不确定性问题，利用GHMM识别方法对刀具磨损状态进行识别，结果表明相比于传统HMM识别结果，GHMM模型有更高的识别率。 切削颤振监测中由于颤振发生的突发性和过渡阶段的短暂性等特点，加之GHMM存在状态驻留时间服从指数分布的缺陷，GHMM不适合用于颤振监测。为此提出一种基于广义区间理论的广义BP神经网络(GBPNN)模型，将传统BP神经网络(BPNN)模型参数拓展为广义区间形式，以解决传统BPNN模型由于模型相似性及模型训练时参数误差等引起的模型不确定性问题。研究了GBPNN模型学习算法及GBPNN模型切削加工状态识别方法。应用GBPNN模型监测切削颤振，将GBPNN模型输入量转换为广义区间量，以解决GBPNN监测模型输入中的不确定性问题，利用GBPNN模型识别方法对切削加工状态进行识别，结果表明GBPNN模型对切削加工状态能有效辨识。