一种金刚滚轮磨损预测方法和装置制造方法及图纸

本发明专利技术涉及一种金刚滚轮磨损预测方法和装置，方法包括以下步骤：S1、获取声发射信号，对声发射信号进行分解，得到细节信号；S2、计算两个信息熵值的差，得到最优小波包分解层数；S3、得到最优小波包基和第一特征参数；S4、基于主成分方法，对第一特征参数进行中心化处理，基于主成分数量和特征向量得到特征矩阵，将特征矩阵作为第二特征参数；S5、基于PSO算法，将第二特征参数输入金刚滚轮磨损预测模型进行训练，将实际数据输入训练好的金刚滚轮磨损预测模型中，得到金刚滚轮磨损预测结果。与现有技术相比，本发明专利技术具有实现最优小波包分解，提升金刚滚轮磨损预测准确性等优点。升金刚滚轮磨损预测准确性等优点。升金刚滚轮磨损预测准确性等优点。

【技术实现步骤摘要】
一种金刚滚轮磨损预测方法和装置


[0001]本专利技术涉及金刚滚轮磨损预测，尤其是涉及一种金刚滚轮磨损预测方法和装置。

技术介绍

[0002]随着现代精密磨削加工技术的发展，金刚滚轮在成形修整及修整效率方面存在很大优势，其在砂轮修整方面的应用越来越广泛，然而金刚滚轮磨损状态对砂轮表面形貌具有很大影响。金刚滚轮修整过程中，砂轮表面的磨粒会因为滚轮钝作用不同程度地产生破碎或变形，在金刚滚轮刚开始投入使用时，由于金刚滚轮表面金刚石颗粒磨刃较为锐利，在修整过程中使得砂轮表面的磨钝的磨粒产生破裂，露出锋利的切削刃，在后续磨削加工中有利于提高工件粗糙度和精度。然后，金刚滚轮经过反复修整后，金刚滚轮表面金刚石颗粒变钝，从而在修整过程中增大修整面积，在修整砂轮时会使被修整砂轮磨粒钝化，使其在后续磨削加工中不利于提高工件表面质量。因此,需要对金刚滚轮修整磨损状态进行预测，及时换下处于磨损状态的滚轮，对提高磨削加工质量及磨削加工效率具有重要意义。现有的方法中利用小波包分解时，容易丢失信息，不能实现最优小波包分解，并且上述算法参数较多，计算过程复杂，分类精度不够高。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的一种实现最优小波包分解的金刚滚轮磨损预测方法和装置。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种金刚滚轮磨损预测方法，其特征在于，包括以下步骤：
[0006]S1、获取声发射信号，设置小波包分解层数j，对声发射信号进行j层分解，得到细节信号；
[0007]S2、计算j层的细节信号的信息熵和j
‑
1层的细节信号的信息熵，计算两个信息熵值的差，若差小于第一阈值，则将j
‑
1作为最优小波包分解层数，否则判断j是否大于等于最大小波包分解层数j
max
，若为是，则将j作为最优小波包分解层数，若为否，则将小波包分解层数设置为j+1，返回步骤S1；
[0008]S3、基于从下到上的最优基搜索算法搜索最优小波包分解层数下的最优小波包基，基于最优小波包基得到第一特征参数，所述最优基搜索算法的搜索过程的表达式为：
[0009][0010]其中，F
j',n
为第j
’
层第n个小波包基，F
j',2n
为第j
’
层第2n个小波包基，F
j',2n+1
为j
’
层第2n+1个小波包基，U
j'
‑
1,n
为第j
’‑
1层第n个标准正交基；M
U
为U
j'
‑
1,n
展开的细节信号的信息熵，j
’
为最优小波包分解层数；
[0011]S4、基于主成分方法，对所述第一特征参数进行中心化处理，并计算中心化处理后的第一特征参数的协方差矩阵的特征值和特征向量，基于累计贡献率确定主成分数量，基
于主成分数量和特征向量得到特征矩阵，将特征矩阵作为第二特征参数；
[0012]S5、基于PSO算法，将第二特征参数输入金刚滚轮磨损预测模型进行训练，将实际数据输入训练好的金刚滚轮磨损预测模型中，得到金刚滚轮磨损预测结果。
[0013]进一步地，第一特征参数经过中心化处理后，得到信号均值，基于信号均值计算第一特征参数的协方差矩阵，基于所述协方差矩阵得到协方差矩阵的特征值和特征向量。
[0014]进一步地，所述累计贡献率为前
k
个方差在总方差中的比重。
[0015]进一步地，所述基于累计贡献率确定主成分数量为：判断前
k
个累计贡献率是否超过第二阈值，若为是，则将
k
作为主成分数量。
[0016]进一步地，所述特征矩阵的表达式为：
[0017]U＝[u1,u2,
…
,u
k
][0018]其中，u
k
为特征矩阵的第k个主成分，U为特征矩阵。
[0019]进一步地，所述金刚滚轮磨损预测模型基于支持向量机构建。
[0020]进一步地，所述金刚滚轮磨损预测模型的预测精度取决于核函数参数和惩罚因子。
[0021]进一步地，所述核函数参数和惩罚因子由PSO算法迭代优化得到。
[0022]进一步地，所述第一阈值为1
×
10
‑4。
[0023]一种金刚滚轮磨损预测装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
[0024]与现有技术相比，本专利技术具有以下有益效果：
[0025](1)本专利技术采用的小波包分解法搜索最优小波包分解层数下的最优小波包基，实现最优小波包分解，能有效消噪，提高声发射信号的信噪比，同时不丢失有效信息，提升金刚滚轮磨损预测准确性。
[0026](2)本专利技术采用PSO算法，PSO算法具有参数少和全局搜索能力强等优点，所以利用粒子群优化算法对这参数进行优化，从而实现模型分类的准确性。
附图说明
[0027]图1为本专利技术的流程图；
[0028]图2为本专利技术的小波包分解层数图；
[0029]图3为本专利技术的分类的结果图；
[0030]图4为4种模型的性能对比图。
具体实施方式
[0031]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0032]本专利技术提供一种金刚滚轮磨损预测方法，其特征在于，包括以下步骤：
[0033]S1、获取声发射信号，设置小波包分解层数j，对声发射信号进行j层分解，得到细节信号。
[0034]S2、计算j层的细节信号的信息熵和j
‑
1层的细节信号的信息熵，计算两个信息熵
值的差，若差小于第一阈值，则将j
‑
1作为最优小波包分解层数，否则判断j是否大于等于最大小波包分解层数j
max
，若为是，则将j作为最优小波包分解层数，若为否，则将小波包分解层数设置为j+1，返回步骤S1。
[0035]S1和S2确定了最优小波包分解层数。
[0036]由于金刚滚轮轴承振动噪声的干扰，在砂轮修整过程中通过传感器获得的声发射信号包含大量冗余信号。通过分析Shannon熵来确定最佳分解层数，以达到消除噪声的目的。根据Shannon的信息熵理论，当一个系统不确定时，可以用有限个随机变量X来表示该系统的状态特征，并且可用X
i
以概率的形式来表示X的状态特征值为：
[0037][0038]则由状态特征X
i
得到的信息可以表示为H
i
＝ln(1/p
i
)，于是X的信息熵为：
...

【技术保护点】

【技术特征摘要】
1.一种金刚滚轮磨损预测方法，其特征在于，包括以下步骤：S1、获取声发射信号，设置小波包分解层数j，对声发射信号进行j层分解，得到细节信号；S2、计算j层的细节信号的信息熵和j
‑
1层的细节信号的信息熵，计算两个信息熵值的差，若差小于第一阈值，则将j
‑
1作为最优小波包分解层数，否则判断j是否大于等于最大小波包分解层数j
max
，若为是，则将j作为最优小波包分解层数，若为否，则将小波包分解层数设置为j+1，返回步骤S1；S3、基于从下到上的最优基搜索算法搜索最优小波包分解层数下的最优小波包基，基于最优小波包基得到第一特征参数，所述最优基搜索算法的搜索过程的表达式为：其中，F
j',n
为第j
’
层第n个小波包基，F
j',2n
为第j
’
层第2n个小波包基，F
j',2n+1
为j
’
层第2n+1个小波包基，U
j'
‑
1,n
为第j
’‑
1层第n个标准正交基；M
U
为U
j'
‑
1,n
展开的细节信号的信息熵，M
F
为以(F
j,2n
,F
j,2n+1
)展开的细节信号的信息熵，j
’
为最优小波包分解层数；S4、基于主成分方法，对所述第一特征参数进行中心化处理，并计算中心化处理后的第一特征参数的协方差矩阵的特征值和特征向量，基于累计贡献率确定主成分数量，基于主成分...

【专利技术属性】
技术研发人员：朱欢欢，张梦梦，许耀东，曹斌，辜庭皓，吴佳懿，查铭怡，
申请(专利权)人：上海市高级技工学校，
类型：发明
国别省市：