CN109410208A - 砂带磨损的机器学习识别与工艺参数优化方法 - Google Patents
砂带磨损的机器学习识别与工艺参数优化方法 Download PDFInfo
- Publication number
- CN109410208A CN109410208A CN201811353981.2A CN201811353981A CN109410208A CN 109410208 A CN109410208 A CN 109410208A CN 201811353981 A CN201811353981 A CN 201811353981A CN 109410208 A CN109410208 A CN 109410208A
- Authority
- CN
- China
- Prior art keywords
- area
- machine learning
- image
- abrasive
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种砂带磨损的机器学习识别与工艺参数优化方法,包括以下步骤:S1、制作出卷积神经网络训练所需训练集和测试集;S2、训练基于神经网络的机器学习分类模型;S3、获取砂带表面磨粒磨损图像;S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域;S5、计算各区域的面积及面积率;S6、根据各部分所占面积比率来判断工艺参数是否合理,并对现有的参数采用基本粒子群优化算法进行优化。本发明通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测。简化了砂带磨损的测算过程,实现了砂带磨损程度的智能化图像检测,能够准确、快速、方便的对砂带磨损情况进行测量,具有较好的测量精度。
Description
技术领域
本发明属于磨削加工与工程测试技术领域,特别涉及一种砂带磨损的机器学习识别与工艺参数优化方法。
背景技术
随着机械制造业的发展,砂带磨削已经成为精密加工的有效方法之一,砂带磨削也得到了越来越广泛的应用。但在砂带磨削过程中,砂带表面涂覆的磨料与工件表面发生划擦,耕犁和切削作用,不断的断裂与磨损,其中磨损过程可以分为破碎磨损,磨耗磨损和堵塞粘附。砂带磨粒的磨损磨耗是由于磨粒与工件相对运动时摩擦造成的,就像用铅笔书写时尖端被磨平;而破碎磨损是由于磨粒受到较大的磨削力冲击,造成的磨粒顶端的断裂破碎。磨粒的磨耗磨损和破碎磨损的演变过程是比较复杂的,一些外露的磨粒在顶尖会发生破碎,而有一些磨粒因为所受磨削力并没有超过其极限,其磨粒一方面切除材料,另一方面与工件发生摩擦,正在峰顶部分形成不断增大的磨钝小平面,同时一些高度较低的磨粒逐步显露并参与磨削工作,直至砂带寿命中止。但不管是破碎磨损还是磨耗磨损,其磨损情况都会影响到砂带的去除效率和性能,从而不仅减短砂带寿命,影响了砂带磨削精度,造成了加工工件的质量波动。
人们开展了许多磨损,钝化和形貌学的研究,先后提出了多种检测方法,按照是否直接对砂轮进行测量分为直接测量和间接测量;按照检测时是否接触,可分为接触式和非接触监测;按照是否需要停机又可分为在线动态监测和停机静态检测。检测方法主要有滚动复印法,触针测量法,激光功率谱法和声发射检测法。也有研究人员提出针对砂轮磨损量测量的方法,例如采用气动磨损测量仪对砂轮进行在线测量;直接采用卡尺对砂轮表面进行测量,多次测量取磨损前后平均值对比;利用激光测距法对砂轮的表面形貌进行测量等。但是,到目前为止没有较为成熟的检测方法在实际生产中推广应用,且上述方法针对砂轮提出,砂带作为柔性磨削工具,与砂轮不同,很多方法在砂带上并不适用。
发明内容
本发明的目的在于克服现有技术的不足,提供一种综合利用计算机图像处理与机器学习技术,通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测,能够准确、快速、方便的对砂带磨损情况进行测量的砂带磨损的机器学习识别与工艺参数优化方法。
本发明的目的是通过以下技术方案来实现的:砂带磨损的机器学习识别与工艺参数优化方法,包括以下步骤:
S1、通过现有的砂带磨损照片进行标签图制作,制作出卷积神经网络训练所需训练集和测试集,训练集占总体照片的60%,测试集占体照片的40%;
S2、训练基于神经网络的机器学习分类模型;
S3、获取砂带表面磨粒磨损图像,利用电子显微镜对磨损过的砂带进行采集;
S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域;
S5、将识别后图像传输到处理软件,计算各区域的面积及面积率;
S6、根据各部分所占面积比率来判断工艺参数是否合理,并对现有的参数采用基本粒子群优化算法进行优化。
进一步地,所述步骤S2包括以下子步骤:
S21、根据训练集对图像内容进行识别,识别出图中的磨损区域、堵塞区域和未磨损区域的标签;
S22、构建图像分类数据库,对识别后的图像采用自主采样法进行处理,将处理后图像转化为可识别的数据集模型数据;
S23、构建卷积神经网络,利用线性修正单元(ReLU)函数+正则化的方法对卷积神经网络中的参数进行优化,并对优化后的卷积神经网络进行处理,得到基于卷积神经网络的机器学习模型;
S24、利用测试集的图片来对机器学习模型进行测试,当预测准确率达到99%以上时将该机器学习模型作为最终的分类模型,否则返回步骤S23继续优化,直至满足该准确率条件。
进一步地,所述步骤S3具体实现方法为:每一组砂带,采集以砂带结合处为起点,每90°为一个采集点,共四个部分的磨损图像。
进一步地,所述步骤S4包括以下子步骤:
S41、将电子显微镜采集的砂带表面图像传输到电脑,通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理;
S42、进行图像区域分类,通过训练出来的机器学习分类模型区分图像中表现的不同特征,对磨损区域、未磨损区域和堵塞区域进行区分,形成各自的子集。
进一步地,所述步骤S5具体实现方法为:对划分区域后的图像进行缺陷修正和荧光染色处理,利用不同的颜色显示不同的区域,并通过计算机对各区域的面积进行计算;
所述图像总面积为:
S=Sm+Sw+Sd (1)
其中,Sm是磨损区域面积,Sw是未磨损区域面积,Sd是堵塞区域面积;
各区域所占面积率分别为:
式中,ηm为磨损区域所占面积率,ηw为未磨损区域所占面积率,ηd为堵塞区域所占面积率。
进一步地,所述步骤S6具体实现方法为:
将优化问题转化为下列目标函数的最大化问题:
F(X)=MRR=f×VS×ap×g (3)
其中f为进给速度,VS为砂带线速度,ap为磨削深度,g为砂带粒度;
通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合,表面粗糙度Ra和磨损面积率ηm与参数的关系通过数据库拟合目标函数求解,其中Cg、b1、b2、b3、b4为拟合预设的常数;
利用粒子群优化算法寻找f、VS、ap、g的最优参数值;其最优解初始化为一群随机粒子(随机解),然后通过迭代找到最优解;在每一次的迭代中,粒子通过跟踪两个极值(pbest,gbest)来更新自己,具体包括以下子步骤:
S61、创建一个有N个粒子的粒子群,利用公式(3)计算每个粒子的适应值;
S62、对于每个粒子,将其适应值与其所经历的过的最好位置的适应值进行比较,如果当前适应值大于最好位置的适应值,则将该适应值作为该粒子的最优值,并用当前位置更新历史最好位置;
S64、对每个粒子,将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较,若其历史最优适应值大,则将该历史最优适应值所对应的位置作为全局最好位置;
S65、根据下式对粒子的速度和位置进行更新;
式中i∈1…N;j∈1…d;t∈1…T;N是粒子群的总数,d是每个粒子的维数,T是最大进化代数;w是平衡系数;常数ρ1和ρ2表示随机加速度项的权重;r1和r2是两个随机值;代表第t次进化中,第i个粒子的j维速度;pbesti,j代表第i个粒子在j维搜索到的最优值,gbestj代表整个集群在j维搜索到的最优值;
S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值,若是则结束操作,否则返回步骤S62。
本发明的有益效果是:本发明提供了一种砂带磨损的智能检测与工艺参数优化方法,综合利用计算机图像处理与机器学习技术,所构建的通过砂带表面的磨粒磨钝,破碎和堵塞图像的变化测量砂带磨损量与钝化程度的测量系统,并通过机器学习所得模型对磨损情况进行识别并对工艺参数优化方向进行预测。简化了砂带磨损的测算过程,实现了砂带磨损程度的智能化图像检测,能够准确、快速、方便的对砂带磨损情况进行测量,并具有较好的测量精度。新的粒子群优化算法具有更好的预测效果,其鲁棒性和泛化能力较之经验公式的方法更为优越。
附图说明
图1为本发明的砂带磨损的机器学习识别与工艺参数优化方法的流程图;
图2为本发明的砂带表面图像采集区域示意图;
图3为本发明的砂带表面图像采集示意图。
具体实施方式
本发明设计了一种砂带磨损的机器学习识别与工艺参数优化方法,本发明的方法是通过图像识别技术进行执行处理的,通过该方法获得图像中磨损区域的图像和未磨损区域的图像。计算不同区域的边缘,利用颜色信息来区分不同区域。并利用新的粒子群算法来对实验参数进行优化。
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的砂带磨损的机器学习识别与工艺参数优化方法,包括以下步骤:
S1、通过现有的砂带磨损照片进行标签图制作,随后输出索引图,制作出卷积神经网络训练所需训练集和测试集,训练集占总体照片的60%,测试集占体照片的40%;
S2、训练基于神经网络的机器学习分类模型;包括以下子步骤:
S21、根据训练集对图像内容进行识别,识别出图中的磨损区域、堵塞区域和未磨损区域的标签;
S22、构建图像分类数据库,对识别后的图像采用自主采样法进行处理,将处理后图像转化为可识别的数据集模型数据;
S23、构建卷积神经网络,对卷积神经网络中的参数进行优化,利用线性修正单元(ReLU)函数+正则化的方法对卷积神经网络中的参数进行优化,并对优化后的卷积神经网络进行处理,得到基于卷积神经网络的机器学习模型;
S24、利用测试集的图片来对机器学习模型进行测试,当预测准确率达到99%以上时将该机器学习模型作为最终的分类模型,否则返回步骤S23继续优化,直至满足该准确率条件。
S3、获取砂带表面磨粒磨损图像,利用电子显微镜对磨损过的砂带进行采集;具体实现方法为:每一组砂带采集点如图2所示,采集以砂带结合处为起点,每90°为一个采集点,共四个部分的磨损图像。如图3所示,对砂带的四个部位进行表面图像的采集,在电子显微镜拍摄完一个部分图像后,砂带转动90°到第二个位置,电子显微镜再次进行拍摄,同理,砂带继续转动到第三个位置,第四个位置进行不同部位的砂带表面图像采集,用四组照片来代表砂带整体的磨损情况。
S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域;包括以下子步骤:
S41、将电子显微镜采集的砂带表面图像传输到电脑,通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理,其目的是使原图的质量在进行区域分类之前能够更为清楚为后续的图像识别和划分区域打好基础;
S42、进行图像区域分类,通过训练出来的机器学习分类模型区分图像中表现的不同特征,对磨损区域、未磨损区域和堵塞区域进行区分,形成各自的子集。
S5、将识别后图像传输到处理软件,计算各区域的面积及面积率;具体实现方法为:对划分区域后的图像进行缺陷修正和荧光染色处理,利用不同的颜色显示不同的区域,并通过计算机对各区域的面积进行计算;
所述图像总面积为:
S=Sm+Sw+Sd (1)
其中,Sm是磨损区域面积,Sw是未磨损区域面积,Sd是堵塞区域面积;
各区域所占面积率分别为:
式中,ηm为磨损区域所占面积率,ηw为未磨损区域所占面积率,ηd为堵塞区域所占面积率。
S6、根据各部分所占面积比率来判断工艺参数是否合理,并对现有的参数采用基本粒子群优化算法进行优化;具体实现方法为:
将优化问题转化为下列目标函数的最大化问题:
F(X)=MRR=f×VS×ap×g (3)
其中f为进给速度,VS为砂带线速度,ap为磨削深度,g为砂带粒度;
通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合,表面粗糙度Ra和磨损面积率ηm与参数的关系通过数据库拟合目标函数求解,其中Cg、b1、b2、b3、b4为拟合预设的常数;
利用粒子群优化算法寻找f、VS、ap、g的最优参数值;其最优解初始化为一群随机粒子(随机解),然后通过迭代找到最优解;在每一次的迭代中,粒子通过跟踪两个极值(pbest,gbest)来更新自己,具体包括以下子步骤:
S61、创建一个有N个粒子的粒子群,利用公式(3)计算每个粒子的适应值;
S62、对于每个粒子,将其适应值与其所经历的过的最好位置的适应值进行比较,如果当前适应值大于最好位置的适应值,则将该适应值作为该粒子的最优值,并用当前位置更新历史最好位置;
S64、对每个粒子,将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较,若其历史最优适应值大,则将该历史最优适应值所对应的位置作为全局最好位置;
S65、根据下式对粒子的速度和位置进行更新;
式中i∈1…N;j∈1…d;t∈1…T;N是粒子群的总数,d是每个粒子的维数,T是最大进化代数;w是平衡系数;常数ρ1和ρ2表示随机加速度项的权重;r1和r2是两个随机值;代表第t次进化中,第i个粒子的j维速度;pbesti,j代表第i个粒子在j维搜索到的最优值,gbestj代表整个集群在j维搜索到的最优值;
S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值,若是则结束操作,否则返回步骤S62。
本发明提供了一种砂带磨损的机器学习识别与工艺参数优化方法,其要点是机器学习分类模型的获取:机器学习模型作为分类器,来区分砂带上的不同区域,有很多方法可以实现,例如支持向量机(SVM)、朴素贝叶斯和卷积神经网络(CNN)等。本发明中选用了卷积神经网络对分类器进行训练,制作自己的数据集,具体训练过程包括以下步骤:
(1)按照VOC的数据格式,分为Benchmark和VOC2012。训练集的原图为一系列的砂带磨损图像,格式为.jpg,通过Labelme对图片上磨损区域,未磨损区域和堵塞区域进行标记,测试集也是一样。为了简单,我们在制作数据集的时候,将训练图片和测试图片都准备成图片形式,标签也是索引图,并生成数据集Dataset。
(2)进行模型的训练,训练模型采用PASCAL VOC模型,首先进行solver.prototxt文件的修改,然后进入voc-fcn8s文件夹打开solver.prototxt,其中snapshot:10000表示训练10000次保存一次模型,避免loss高居不下的情况。通过训练集对机器模型的训练,实现一个识别率较高的分类器。
通过砂带表面标识的训练集,对一个卷积神经网络进行训练。对图像内容进行识别,识别出图中的磨损区域,破碎区域和未磨损区域,得到识别后的图像内容;构建图像分类数据库,对图像分内数据库中图像采用自主采样法进行处理,得到处理后图像转化为可识别的模型数据,并储存;构建卷积神经网络,对卷积神经网络中的参数进行优化,得到优化后的卷积神经网络,并采用正则化对优化后的卷积神经网络进行处理,得到较为合适的卷积神经网络。
通过一些测试集的图片来对机器学习模型进行测试,将新的图片输入到训练的模型中进行预测,输出对应的图像特征,进一步的,模型所返回的图像结果通过人工修正后将修正结果反馈给模型学习,建立用于砂带磨损的分类模型。当预测准确率达到99%以上时就是有效的拟合卷积神经网络,否则继续优化模型进行训练。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,包括以下步骤:
S1、通过现有的砂带磨损照片进行标签图制作,制作出卷积神经网络训练所需训练集和测试集,训练集占总体照片的60%,测试集占体照片的40%;
S2、训练基于神经网络的机器学习分类模型;
S3、获取砂带表面磨粒磨损图像,利用电子显微镜对磨损过的砂带进行采集;
S4、通过机器学习分类模型来识别区分砂带磨损图像中的磨损区域、未磨损区域和堵塞区域;
S5、将识别后图像传输到处理软件,计算各区域的面积及面积率;
S6、根据各部分所占面积比率来判断工艺参数是否合理,并对现有的参数采用基本粒子群优化算法进行优化。
2.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,所述步骤S2包括以下子步骤:
S21、根据训练集对图像内容进行识别,识别出图中的磨损区域、堵塞区域和未磨损区域的标签;
S22、构建图像分类数据库,对识别后的图像采用自主采样法进行处理,将处理后图像转化为可识别的数据集模型数据;
S23、构建卷积神经网络,利用线性修正单元函数+正则化的方法对卷积神经网络中的参数进行优化,并对优化后的卷积神经网络进行处理,得到基于卷积神经网络的机器学习模型;
S24、利用测试集的图片来对机器学习模型进行测试,当预测准确率达到99%以上时将该机器学习模型作为最终的分类模型,否则返回步骤S23继续优化,直至满足该准确率条件。
3.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,所述步骤S3具体实现方法为:每一组砂带,采集以砂带结合处为起点,每90°为一个采集点,共四个部分的磨损图像。
4.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,所述步骤S4包括以下子步骤:
S41、将电子显微镜采集的砂带表面图像传输到电脑,通过图像增强技术对砂带表面进行灰度变换、平滑、滤波、边缘识别的预处理;
S42、进行图像区域分类,通过训练出来的机器学习分类模型区分图像中表现的不同特征,对磨损区域、未磨损区域和堵塞区域进行区分,形成各自的子集。
5.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,所述步骤S5具体实现方法为:对划分区域后的图像进行缺陷修正和荧光染色处理,利用不同的颜色显示不同的区域,并通过计算机对各区域的面积进行计算;
所述图像总面积为:
S=Sm+Sw+Sd (1)
其中,Sm是磨损区域面积,Sw是未磨损区域面积,Sd是堵塞区域面积;
各区域所占面积率分别为:
式中,ηm为磨损区域所占面积率,ηw为未磨损区域所占面积率,ηd为堵塞区域所占面积率。
6.根据权利要求1所述的砂带磨损的机器学习识别与工艺参数优化方法,其特征在于,所述步骤S6具体实现方法为:
将优化问题转化为下列目标函数的最大化问题:
F(X)=MRR=f×VS×ap×g (3)
其中f为进给速度,VS为砂带线速度,ap为磨削深度,g为砂带粒度;
通过设置最大表面粗糙度和砂带磨损面积来寻找最佳组合,表面粗糙度Ra和磨损面积率ηm与参数的关系通过数据库拟合目标函数求解,其中Cg、b1、b2、b3、b4为拟合预设的常数;
利用粒子群优化算法寻找f、VS、ap、g的最优参数值;其最优解初始化为一群随机粒子,然后通过迭代找到最优解;在每一次的迭代中,粒子通过跟踪两个极值来更新自己,具体包括以下子步骤:
S61、创建一个有N个粒子的粒子群,利用公式(3)计算每个粒子的适应值;
S62、对于每个粒子,将其适应值与其所经历的过的最好位置的适应值进行比较,如果当前适应值大于最好位置的适应值,则将该适应值作为该粒子的最优值,并用当前位置更新历史最好位置;
S64、对每个粒子,将其历史最优适应值与群体内或领域内所经历的最好位置的适应值进行比较,若其历史最优适应值大,则将该历史最优适应值所对应的位置作为全局最好位置;
S65、根据下式对粒子的速度和位置进行更新;
式中i∈1…N;j∈1…d;t∈1…T;N是粒子群的总数,d是每个粒子的维数,T是最大进化代数;w是平衡系数;常数ρ1和ρ2表示随机加速度项的权重;r1和r2是两个随机值;代表第t次进化中,第i个粒子的j维速度;pbesti,j代表第i个粒子在j维搜索到的最优值,gbestj代表整个集群在j维搜索到的最优值;
S66、判断是否达到最大迭代次数或者全局最好的适应值是否大于预设的阈值,若是则结束操作,否则返回步骤S62。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353981.2A CN109410208A (zh) | 2018-11-14 | 2018-11-14 | 砂带磨损的机器学习识别与工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353981.2A CN109410208A (zh) | 2018-11-14 | 2018-11-14 | 砂带磨损的机器学习识别与工艺参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410208A true CN109410208A (zh) | 2019-03-01 |
Family
ID=65473304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353981.2A Pending CN109410208A (zh) | 2018-11-14 | 2018-11-14 | 砂带磨损的机器学习识别与工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410208A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110509096A (zh) * | 2019-08-27 | 2019-11-29 | 湘潭大学 | 工件表面粗糙度控制方法、装置和数控加工设备 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN112643486A (zh) * | 2020-12-21 | 2021-04-13 | 西北工业大学 | 一种复杂曲面工件磨削过程中的砂带磨损预测方法 |
CN112756925A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法 |
CN112798453A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 一种多传感器信息融合的砂带磨损检测方法 |
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN111451899B (zh) * | 2020-03-16 | 2021-09-10 | 华中科技大学 | 一种叶片自动磨抛方法、装置、电子设备及可读存储介质 |
CN113628171A (zh) * | 2021-07-19 | 2021-11-09 | 北京科技大学 | 一种基于机器视觉及数据驱动的球团生产方法及装置 |
CN113767404A (zh) * | 2019-03-29 | 2021-12-07 | 圣戈班磨料磨具有限公司 | 高效研磨解决方案 |
CN113841163A (zh) * | 2019-05-27 | 2021-12-24 | 罗伯特·博世有限公司 | 借助于机器学习系统确定涉及砂带磨床的状态信息的方法 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117067004A (zh) * | 2023-10-16 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
CN117593301A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
CN105654141A (zh) * | 2016-01-06 | 2016-06-08 | 江苏大学 | 基于Isomap和SVM算法的俯视群养猪个体识别方法 |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN108491858A (zh) * | 2018-02-11 | 2018-09-04 | 南京邮电大学 | 基于卷积神经网络的疲劳驾驶检测方法及系统 |
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
-
2018
- 2018-11-14 CN CN201811353981.2A patent/CN109410208A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831269A (zh) * | 2012-08-16 | 2012-12-19 | 内蒙古科技大学 | 一种流程工业过程工艺参数的确定方法 |
CN105654141A (zh) * | 2016-01-06 | 2016-06-08 | 江苏大学 | 基于Isomap和SVM算法的俯视群养猪个体识别方法 |
US20170262733A1 (en) * | 2016-03-10 | 2017-09-14 | Siemens Healthcare Gmbh | Method and System for Machine Learning Based Classification of Vascular Branches |
CN108491858A (zh) * | 2018-02-11 | 2018-09-04 | 南京邮电大学 | 基于卷积神经网络的疲劳驾驶检测方法及系统 |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108536128A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 一种参数优化的机器学习故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
叶浩浩: "基于图像处理的砂带磨削性能监测实验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
吕洪波: "机器人智能修磨方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113767404A (zh) * | 2019-03-29 | 2021-12-07 | 圣戈班磨料磨具有限公司 | 高效研磨解决方案 |
CN113841163A (zh) * | 2019-05-27 | 2021-12-24 | 罗伯特·博世有限公司 | 借助于机器学习系统确定涉及砂带磨床的状态信息的方法 |
CN110509096A (zh) * | 2019-08-27 | 2019-11-29 | 湘潭大学 | 工件表面粗糙度控制方法、装置和数控加工设备 |
CN111451899B (zh) * | 2020-03-16 | 2021-09-10 | 华中科技大学 | 一种叶片自动磨抛方法、装置、电子设备及可读存储介质 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN112643486A (zh) * | 2020-12-21 | 2021-04-13 | 西北工业大学 | 一种复杂曲面工件磨削过程中的砂带磨损预测方法 |
CN112643486B (zh) * | 2020-12-21 | 2022-08-16 | 西北工业大学 | 一种复杂曲面工件磨削过程中的砂带磨损预测方法 |
CN112798453B (zh) * | 2020-12-30 | 2023-06-23 | 西北工业大学 | 一种多传感器信息融合的砂带磨损检测方法 |
CN112798453A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 一种多传感器信息融合的砂带磨损检测方法 |
CN112756925A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法 |
CN112756925B (zh) * | 2021-01-26 | 2022-05-27 | 福州大学 | 基于粘结效应的adc12铝合金高速铣削刀具表面粘结磨损程度评价方法 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN113051820B (zh) * | 2021-03-24 | 2023-05-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN113628171A (zh) * | 2021-07-19 | 2021-11-09 | 北京科技大学 | 一种基于机器视觉及数据驱动的球团生产方法及装置 |
CN113628171B (zh) * | 2021-07-19 | 2023-09-19 | 北京科技大学 | 一种基于机器视觉及数据驱动的球团生产方法及装置 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN116629097A (zh) * | 2023-04-17 | 2023-08-22 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN116629097B (zh) * | 2023-04-17 | 2024-03-15 | 中国北方车辆研究所 | 一种惯性负载摩擦元件的综合磨损性能评价方法 |
CN117067004A (zh) * | 2023-10-16 | 2023-11-17 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
CN117067004B (zh) * | 2023-10-16 | 2024-01-16 | 杭州泓芯微半导体有限公司 | 一种平磨机及其控制方法 |
CN117593301A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
CN117593301B (zh) * | 2024-01-18 | 2024-04-30 | 深圳市奥斯珂科技有限公司 | 基于机器视觉的内存条损伤快速检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410208A (zh) | 砂带磨损的机器学习识别与工艺参数优化方法 | |
Pandiyan et al. | In-process tool condition monitoring in compliant abrasive belt grinding process using support vector machine and genetic algorithm | |
US7707129B2 (en) | Text classification by weighted proximal support vector machine based on positive and negative sample sizes and weights | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN102253049B (zh) | 带钢生产过程表面质量在线精准检测方法 | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN110059442A (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
Meixell et al. | Scenario analysis of demand in a technology market using leading indicators | |
Eseye et al. | Adaptive predictor subset selection strategy for enhanced forecasting of distributed PV power generation | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
Gupta et al. | Clustering-Classification based prediction of stock market future prediction | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
Gu et al. | A detection and identification method based on machine vision for bearing surface defects | |
Piao et al. | Rebalance weights AdaBoost-SVM model for imbalanced data | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
Shi et al. | Tool life prediction of dicing saw based on PSO-BP neural network | |
Wang et al. | Electricity load forecasting based on support vector machines and simulated annealing particle swarm optimization algorithm | |
Abad et al. | A short-term load forecasting algorithm using support vector regression & artificial neural network method (SVR-ANN) | |
Stephen et al. | Statistical modeling of the yearly residential energy demand in Nigeria | |
Putri et al. | Acute lymphoblastic leukemia classification in nucleus microscopic images using convolutional neural networks and transfer learning | |
Venkata Rao et al. | Applications of jaya algorithm and its modified versions to different disciplines of engineering and sciences | |
KR20230066927A (ko) | 발전량 예측 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |