【技术实现步骤摘要】
一种基于声振及纹理特征预测表面粗糙度的方法
[0001]本专利技术属于铣削加工领域，具体涉及一种基于声振及纹理特征预测表面粗糙度的方法。
技术介绍
[0002]在机械制造过程中，粗糙度是衡量机械零件加工质量的重要指标之一，与机械的耐磨性、抗疲劳强度、耐腐蚀性、机械加工精度等密切相关，直接影响机械零件的性能和寿命。随着对零件的表面质量和加工精度的要求更加苛刻，粗糙度的检测已经是必不可少的部分。在不同铣削参数下进行铣削加工，铣刀产生的铣削振动变化会导致不同的工件纹理，并伴随铣削噪声加剧，直接影响粗糙度的变化。现有的文献中主要是关注粗糙度的图像分类，缺少在铣削过程中，通过智能算法建立多维特征融合预测模型对粗糙度进行预测的方法。
技术实现思路
[0003]本专利技术的目的在于提供一种基于声振及图像特征预测表面粗糙度的研究方法，建立基于粒子群优化最小二乘支持向量机的多维特征粗糙度预测模型对粗糙度进行预测。
[0004]为实现上述专利技术目的，本专利技术的技术方案具体如下：
[0005]一种基于声振及图像...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于声振及纹理特征预测表面粗糙度的方法，其特征在于，包括：S1：搭建铣削噪声、铣削振动、工件表面纹理和粗糙度采集系统；S2：通过采集系统获取铣削过程中噪声和振动的时域信号及工件表面粗糙度和纹理图像，从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值，利用Tamura纹理特征从工件表面纹理图像获得粗糙度、对比度和方向性作为特征值；S3：通过粒子群优化最小支持向量机建立多维特征预测模型，以步骤S2获得的声压级均方根、三向加速度均方根、粗糙度、对比度和方向性作为模型输入参数，粗糙度作为模型输出参数，对粗糙度进行预测。2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：利用声级计和三向振动加速度传感器得到铣削过程中噪声和振动的时域信号，利用接触式粗糙度测量仪和工业相机得到铣削过程中工件表面粗糙度和纹理图像；从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值；利用Tamura纹理特征从工件表面纹理图像获得粗糙度、对比度和方向性作为特征值。3.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：通过声级计和三向振动加速度传感器将各时刻实际测量的声压级均方根L
pRMS
作为噪声信号的特征值，利用主成分分析法对三向振动加速度均方根进行降维，三向振动加速度均方根包括轴向a
RMS
‑
x
、径向a
RMS
‑
y
和切向a
RMS
‑
z
，方法如下：首先根据对三向振动加速度均方根a
RMS
‑
x
，a
RMS
‑
y
，a
RMS
‑
z
的数据进行标准化，公式如下：式中n是试验次数，m是主成分变量个数，m＝3；再根据标准化后的数据计算相关系数矩阵，利用雅克比法求解相关系数矩阵，得到相关系数矩阵的特征值及对应的特征向量，按特征值从大到小排列，根据公式(2)求解各个特征值对应的主成分贡献率及累计贡献率：：式中e
i
是主成分贡献率；是累计贡献率；降维后振动加速度a
dRMS
为累计贡献值大于90％的特征值对应的特征向量乘以三向振动加速度均方根：a
dRMS
＝α*a
RMS
‑
x
+β*a
RMS
‑
y
+γ*a
RMS
‑
z
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，α，β，γ是对应三向振动加速度均方根的累计贡献值大于90％时的主成分特征值对应的特征向量，a
dRMS
是主成分处理后的降维后振动加速度；选择主成分处理后的降维后振动加速度a
dRMS
作为三向振动加速度特征值；利用Tamura纹理特征提取灰色工件纹理图像的特征值，灰色工件纹理图像的特征值包括粗糙度、对比度和方向性，方法如下：
1)粗糙度的获取方法包括：首先计算图像中大小为2
k
×2k
(k＝0,1,2,3,4,5)个像素的活动窗口中像素的灰度平均值，如公式(4):式中，A
k
(x,y)为以(x,y)为中心的2
k
×2k
领域局部像素的灰度平均值，f(x,y)为灰色图像对应像素(x,y)的灰度值；对于特定窗口内的每个像素，分别计算在水平和垂直方向上互不重叠的窗口之间的平均灰度差，其如水平方向公式(5)和垂直方向公式(6)：E
k,h
(x,y)＝|A
k
(x+2
k
‑1,y)
‑
A
k
(x
‑2k
‑1,y)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)E
k,v
(x,y)＝|A
k
(x,y+2
k
‑1)
‑
A
k
(x,y
技术研发人员：李顺才，李松原，刘志，胡雨婷，邵明辉，宋国璐，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：
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。