一种工件表面粗糙度预测方法技术

本发明专利技术公开了一种工件表面粗糙度预测方法，涉及工件表面粗糙度预测技术领域。所述方法包括：获取目标工件在加工时的机床振动信号；对所述机床振动信号进行截取预处理，得到精车削振动信号；根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。本发明专利技术能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。以及提高了工件的生产效率。以及提高了工件的生产效率。

【技术实现步骤摘要】
一种工件表面粗糙度预测方法


[0001]本专利技术涉及工件表面粗糙度预测
，特别是涉及一种工件表面粗糙度预测方法。

技术介绍

[0002]随着产品加工的复杂化，质量监控与其稳定性是生产的关键，其中工件表面粗糙度是衡量产品质量的重要指标。在复杂几何形状零件的制造过程中会经历多个步骤，例如镗孔、铣削、粗削和精削等。而在传统技术中，现有的用于表面粗糙度预测的方法主要为传统统计方法、支持向量机、神经网络、抽样检测等方法，其中，传统统计方法、支持向量机、神经网络这些方法检测准确度主要依赖于训练数据的完整性的问题，而抽样检测则需要先完成一批产品后再进行检测，因此现有技术存在生产、检测成本高，且生产效率低的问题。

技术实现思路

[0003]本专利技术的目的是提供一种工件表面粗糙度预测方法，能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种工件表面粗糙度预测方法，包括：
[0006]获取目标工件在加工时的机床振动信号；
[0007]对所述机床振动信号进行截取预处理，得到精车削振动信号；
[0008]根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。
[0009]可选地，所述根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线，具体包括：
[0010]对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；所述信号特征向量包括时域最大值、时域平均值、时域中位值、时域均方根，和频域特征；
[0011]将所述目标工件的信号特征向量输入所述工件粗糙度预测模型后，所述工件粗糙度预测模型输出所述目标工件的表面粗糙度预测曲线。
[0012]可选地，所述工件粗糙度预测模型的确定方法为：
[0013]获取训练数据；所述训练数据包括训练工件的信号特征向量及其对应的表面粗糙度；
[0014]构建高斯过程回归模型；
[0015]将所述训练数据输入所述高斯过程回归模型中，并采用设定共轭梯度迭代对所述高斯过程回归模型进行训练，将训练好的高斯过程回归模型确定为所述工件粗糙度预测模型。
[0016]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0017]本专利技术公开了一种工件表面粗糙度预测方法，首先获取目标工件在加工时的机床振动信号，对机床振动信号进行截图预处理，留下精车削振动信号，再将精车削振动信号输入工件粗糙度预测模型，得到目标工件的表面粗糙度预测曲线。本专利技术仅通过机床振动信号就能获得目标工件的表面粗糙度预测曲线，无需先生产一批样品进行检测，在不改变机床结构的基础上，大大降低了工件的生产和检测成本，以及提高了工件的生产效率。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术工件表面粗糙度预测方法的方法流程图；
[0020]图2为本实施例一中的燃油泵的后盖示意图；
[0021]图3为本实施例一中的燃油泵的后盖在加工时X方向的振动信号图；
[0022]图4为本实施例一中的燃油泵的后盖在加工时Y方向的振动信号图；
[0023]图5为本实施例一中的燃油泵的后盖在加工时Z方向的振动信号图；
[0024]图6为本实施例一中的模型预测结果与真实测量值比较图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]本专利技术的目的是提供一种工件表面粗糙度预测方法，能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。
[0027]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0028]如图1所示，本专利技术实施例提供的一种工件表面粗糙度预测方法，包括：
[0029]步骤100：获取目标工件在加工时的机床振动信号。
[0030]步骤200：对所述机床振动信号进行截取预处理，得到精车削振动信号。
[0031]步骤300：根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。
[0032]其中在步骤100中，所述机床振动信号包括切割刀具的振动信号；所述切割刀具包括铣刀、粗车削、精车削和镗刀。所述机床振动信号包括三个方向的振动信号。
[0033]在步骤200中，去掉铣刀、粗车削和镗刀的振动信号，截取精车削平稳阶段的振动信号，完成截取预处理。
[0034]在步骤300中，具体包括以下步骤：
[0035]S1：对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；所述信
号特征向量包括时域最大值、时域平均值、时域中位值、时域均方根，和频域特征。所述频域特征采用方差分析方法(Welch
‘
s方法)提取。
[0036]S2：将所述目标工件的信号特征向量输入所述工件粗糙度预测模型后，所述工件粗糙度预测模型输出所述目标工件的表面粗糙度预测曲线。
[0037]在步骤S2中，所述工件粗糙度预测模型的确定方法为：
[0038]第一步，获取训练数据；所述训练数据包括训练工件的信号特征向量及其对应的表面粗糙度。
[0039]第二步，构建高斯过程回归模型：
[0040]f～GP[m(x),k(x,x
′
)][0041]其中，x,x
′
为特征向量，且x≠x
′
，x,x
′
包括振动信号时域最大值、平均值、中位值、均方根和用Welch
‘
s方法提取的频域特征，f(x)为预测的工件表面粗糙度。
[0042]其中均值函数m(x)为函数f(x)的期望值：
[0043]m(x)＝E(f(x))
[0044]其中协方差函数k(x,x
′
)为：
[0045]k(x,x
′
)＝E[(f(x)
‑
m(x))(f(x
′
)
‑
m(x
′...

【技术保护点】

【技术特征摘要】
1.一种工件表面粗糙度预测方法，其特征在于，包括：获取目标工件在加工时的机床振动信号；对所述机床振动信号进行截取预处理，得到精车削振动信号；根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。2.根据权利要求1所述的工件表面粗糙度预测方法，其特征在于，所述根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线，具体包括：对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；...

【专利技术属性】
技术研发人员：林启者，林家耀，
申请(专利权)人：温州大学，
类型：发明
国别省市：