【技术实现步骤摘要】
一种基于SDAE-DBN算法的零件表面粗糙度在线预测方法
本专利技术属于机械加工过程智能监测领域，具体为一种基于堆叠去噪自编码器-深度置信网络(StackedDenoisingAutoencoder-DeepBeliefNetwork,SDAE-DBN)的零件表面粗糙度在线预测方法。
技术介绍
表面粗糙度是描述零件表面微观形貌和衡量零件质量的主要参数，不仅影响零件的耐磨性、疲劳强度、抗腐蚀性、密封性和配合的稳定性，对零件的表面光学性能、导电导热性能和外观等也有影响。传统的表面粗糙度测量方法主要分为接触式测量和非接触式测量。接触式测量由于测尖易磨损且易划伤表面，限制了其在高精度检测中的应用，而非接触式测量对零件表面污物较敏感，测量前需清洗，降低了粗糙度测量的效率。因此，如何准确、高效地实现对零件表面粗糙的在线测量已经成为机械加工领域的关键问题之一。目前，许多国内外学者对表面粗糙度预测技术进行了研究。关于表面粗糙度预测的研究方法主要包括：基于切削理论的预测模型和基于人工智能的预测模型。其中，基于切削理论的预测方法由于可变...
【技术保护点】
1.一种基于SDAE-DBN算法的零件表面粗糙度在线预测方法，其特征在于：首先，将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；然后，采用多项式最小二乘法消除动态信号的趋势项，采用五点三次平滑法对信号进行平滑处理；其次，对加工过程的数据进行截取和归一化；接着，构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后，将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测；步骤如下：/n第一步...
【技术特征摘要】
1.一种基于SDAE-DBN算法的零件表面粗糙度在线预测方法，其特征在于：首先，将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；然后，采用多项式最小二乘法消除动态信号的趋势项，采用五点三次平滑法对信号进行平滑处理；其次，对加工过程的数据进行截取和归一化；接着，构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后，将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测；步骤如下：
第一步，加工过程中的振动和噪声信号采集
将三向加速度传感器通过磁座吸附在机床主轴后轴承处，将传声器放置于被加工件的左前方，对加工过程中的主轴振动和切削噪声进行实时采集；
第二步，采集数据的预处理
对采集的振动和噪声数据进行消除趋势项以及平滑处理；
采用多项式最小二乘法消除信号的趋势项，设每次加工采集的加工信号为通过公式(1)选择M阶次多项式拟合采样信号；
依据最小二乘法原理，选取合适的系数使和之间的误差平方和最小，即
为满足e具有极小值，依次对系数求偏导数后其值为零，得到M+1个线性方程；解方程组，求出M+1个系数从而得到趋势项拟合曲线；
当M≥2时，趋势项为曲线趋势项，通常选取M＝1～3对采样数据进行多项式趋势消除；
采用五点三次平滑法对信号进行平滑处理；五点三次平滑法的计算公式为：
式中：j1＝3,4...,m-2，m为数据点数；
第三步，数据截取和归一化
利用加工过程中切入切出点振动信号突变的特点截取实际加工过程的动态信号，并对被加工表面的表面粗糙度进行测量，根据测量的表面粗糙度Ra，将其划分为合格和不合格两种情况；
将切削过程的动态信号按照公式(4)进行归一化处理，归一化到[0,1]区间；
其中，X′为采集数据归一化后的结果，Xmax和Xmin分别为加工过程中采集数据的最大值和最小值；
将归一化后的动态信号按照10:3的比例划分为训练集和测试集；
第四步，堆叠去噪自编码器网络的构建和训练
堆叠去噪自编码器的第一编码层通过随机的映射变换q，将归一化后的数据X′“破坏”为数据X″，并根据公式(5)将其映射到隐含层；
其中，W为第一编码层的编码权值矩阵，b为第一编码层的编码偏置向量，g为第一编码层的激活函数，为第一编码层的编码参数；
堆叠去噪自编码器的第一解码层通过将隐含层数据的隐含表示根据公式(6)进行映射重构；
其中，W′为第一解码层的捆绑权重，b′为第一解码层的解码偏置...
【专利技术属性】
技术研发人员：刘阔，沈明瑞，秦波，黄任杰，牛蒙蒙，王永青，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。