CN111168569B - 一种磨削材料去除量预测方法、装置、设备及存储介质 - Google Patents

一种磨削材料去除量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111168569B
CN111168569B CN202010016708.1A CN202010016708A CN111168569B CN 111168569 B CN111168569 B CN 111168569B CN 202010016708 A CN202010016708 A CN 202010016708A CN 111168569 B CN111168569 B CN 111168569B
Authority
CN
China
Prior art keywords
removal amount
acoustic emission
grinding
material removal
regression model
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.)
Active
Application number
CN202010016708.1A
Other languages
English (en)
Other versions
CN111168569A (zh
Inventor
严思杰
白贺彬
徐小虎
刘奇
丁汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010016708.1A priority Critical patent/CN111168569B/zh
Publication of CN111168569A publication Critical patent/CN111168569A/zh
Application granted granted Critical
Publication of CN111168569B publication Critical patent/CN111168569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

本发明提供了一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量非线性回归模型，实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，能够预测并评估机器人砂带磨削过程每条路径的材料去除量，并减少停机时间，提高加工效率，同时降低加工成本。此外，本发明的实施方式提供了一种磨削材料去除量预测装置、设备以及存储介质。

Description

一种磨削材料去除量预测方法、装置、设备及存储介质
技术领域
本发明属于机器人工件磨削技术领域，更具体地，涉及一种磨削材料去除量预测方法、装置、设备及存储介质。
背景技术
磨削作为一种重要的工件加工方法，已经发展了数十年，磨削对工件的表面质量有着至关重要的影响。最初，复杂几何形状的工件的磨削通常依赖于人力劳动和数控加工，这不仅费时费力，而且难以达到所要求的精度。近年来，智能机器人磨削系统已被广泛引入精密制造中，并且表现出灵活、高效率、高精度的优异性能。此外，机器人砂带磨削具有较高可控的材料去除能力。
然而，即使磨削能力有了很大的提升，但是以钛合金为例的性能优异的金属，具有极大难加工性。因此，对于磨削类似钛合金材料过程的精确去除量模型的发展极其迫切。
发明内容
本发明的目的是提供一种磨削材料去除量预测方法，以提高工件加工效率，减少加工成本。
为解决上述技术问题，本发明提供如下技术方案，包括：
标定声发射传感器；
将所述声发射传感器固定于工件夹具上；
采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；
提取磨削过程中产生的声发射信号的特征值；
根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
优选地，所述标定声发射传感器的方法包括断铅试验标定和恒力敲击标定。
优选地，所述将所述声发射传感器固定于工件夹具上包括：
涂抹耦合剂于所述声发射传感器与工件夹具；
利用磁吸附底座将所述声发射传感器固定于所述工件夹具上。
优选地，所述采集所述声发射传感器接收的声发射信号之前还包括：
设置不同的磨削加工条件；
所述磨削加工条件是由进给速度、砂带线速度、法向磨削力形成的三因素正交表。
所述材料去除量由测量得到的材料去除深度和磨削路径的面积相乘得到。
优选地，所述提取磨削过程中产生的声发射信号的特征值包括：
提取磨削加工过程中产生的声发射信号的均方根值、峰度、平均振幅、功率谱特征值。
优选地，根据所述材料去除量与所述特征值构建材料去除量非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程包括：
根据所述材料去除量与所述特征值构建基于集成学习的材料去除量非线性回归模型；
所述集成学习算法包括：
初始化权值分布；
计算训练集样本误差值；
计算基学习器回归误差率；
计算基学习器权重系数；
判断迭代次数是否满足预设阈值；
若满足，则输出强学习器；
若不满足，则返回初始化权值分布步骤，并增加迭代次数。
优选地，根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程之后还包括；
验证所述去除量的非线性回归模型，并优化所述去除量的非线性回归模型准确率，其中，采用K折交叉验证法验证所述去除量非线性回归模型；
将所述去除量的非线性回归模型部署到工业控制计算机中，接入传感器信号，实现在线预测并指导后续的磨削加工过程。
此外，为实现上述目的，本发明还提供一种磨削材料去除量预测装置，所述一种磨削材料去除量预测装置包括：
标定单元，用于标定声发射传感器；
固定单元，用于将所述声发射传感器固定于工件夹具上；
采集单元，用于采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
分析处理单元，用于通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
提取单元，用于提取磨削过程中产生的声发射信号的特征值；
模型构建单元，用于根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
此外，为实现上述目的，本发明还提出一种机器人砂带磨削钛合金材料去除量预测设备，所述机器人砂带磨削钛合金材料去除量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人砂带磨削钛合金材料去除量预测程序，所述机器人砂带磨削钛合金材料去除量预测程序配置为实现如上文所述的机器人砂带磨削钛合金材料去除量预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有数据磨削材料去除量预测程序，所述数据磨削材料去除量预测程序被处理器执行时实现如上文所述的数据磨削材料去除量预测方法的步骤。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率，并降低加工成本。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
附图说明
图1为本发明实施例一种磨削材料去除量预测方法流程图；
图2为本发明实施例一种机器人砂带磨削钛合金材料去除量预测集成学习算法流程图；
图3为本发明实施例一种磨削材料去除量预测方法验证流程；
图4为本发明实施例一种磨削材料去除量预测装置示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
实施例一
参见图1所示，为本发明提供了一种磨削材料去除量预测方法流程图，具体包括：
S10：标定声发射传感器；
S20：将所述声发射传感器固定于工件夹具上；
S30：采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
S40：通过小波变换方法以及快速傅里叶变换对采集的所述声发射信号进行处理；
S50：提取磨削过程中产生的声发射信号的特征值；
S60：根据所述材料去除量和所述特征值构建材料去除量非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
其中，S10：标定声发射传感器；
本发明提供了一种磨削材料去除量预测方法，本实施例以钛合金为例进行说明。
在预测之前需要标定声发射传感器，标定的作用为采集钛合金材料的瞬时声发射波形图信息，以便于调整传感器增益、滤波器范围及其他参数。其中，声发射传感器是声发射检测系统的重要部分，是影响系统整体性能重要因素。在声发射检测中，大多使用的也是谐振式声发射传感器和宽带响应的声发射传感器。
具体地，在本实施例中，标定声发射传感器的方法包括断铅试验标定和恒力敲击标定。所谓的断铅实验标定，例如，直径0.7mm的铅笔芯与钛合金试块成30°夹角摆放，从上部按压铅笔芯使其自然断裂，此时传感器记录的信号可作为钛合金材料的参考声发射信号。
其中，恒力敲击标定是为提高断铅实验的准确性，采用5N的力多次敲击钛合金试块，以获得更为准确的参考波形，在此不作详细描述。
S20：将所述声发射传感器固定于工件夹具上；
本步骤是将声发射传感器固定于工件夹具上，具体方法可以通过在声发射传感器与工件夹具上涂抹耦合剂，并利用磁吸附底座将所述声发射传感器固定于所述工件夹具上。
S30：采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
在采集声发射传感器接收的声发射信号步骤之前还包括：设置不同的磨削加工条件，其中，不同的磨削加工条件是由进给速度、砂带线速度、法向磨削力形成的三因素正交表。
S40：通过小波变换方法以及快速傅里叶变换算法对采集的所述声发射信号进行处理；
本步骤中，对声发射信号进行处理主要通过两个步骤，一是通过小波变换方法去噪。
小波变换方法去噪，是通过短波实现噪音消除，与高斯去噪的基本原理一致。小波变化去噪方法包括三个基本的步骤：对原始信号进行小波分解，得到各细节分量(高频)与近似分量(低频)；采用硬阈值对细节分量进行阈值处理；最后用处理后的各分量进行小波重构，得到去噪后的信号。小波变化去噪具有以下特点：(1)低熵性，小波系数的稀疏分布，使得图象变换后的熵降低；(2)多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；(3)去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；(4)选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。
由于小波理论得到了非常迅速的发展，而且由于其具备良好的时频特性，因而实际应用也非常广泛。
二是通过快速傅里叶变换将信号转化到频域。快速傅里叶变换(fast Fouriertransform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称，简称FFT。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。在本实施例中，对小波变换去噪后的信号进行快速傅里叶变换，进而将信号从时域转换到频域中。
S50:提取磨削过程中产生的声发射信号的特征值；
在本步骤中，提取磨削过程中产生的声发射信号的特征值，具体特征值为每一个磨削过程中产生的声发射信号的均方根值、峰度、平均振幅、功率谱特征值。
其中，均方根值(root mean square)所有信号值平方求和，求其均值，再开平方，在物理学中，常用均方根值来分析噪声；峰度(kurtosis)波形评价指标，正态分布波形峰度为3；平均振幅(mean value)所有信号值的平均值；功率谱特征此处特指带功率(band-power)：功率谱上一个频率范围上的能量积分。
S60：根据所述材料去除量和所述特征值构建材料去除量非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
具体步骤为：根据材料去除量与特征值构建基于集成学习的材料去除量非线性回归模型，其中，集成学习方法可以为Adaboost方法，基于所述Adaboost方法构建基学习器，并通过迭代更新所述基学习器的权重系数，得到强学习器。
具体地，Adaboost方法将每一条路径中步骤S30、步骤S50中获得的数据作为输入参数，构建基学习器，通过多次迭代更新基学习器的权重系数，构建基学习器的线性组合得到最终的强学习器，实现在线预测并指导后续的磨削加工过程。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
实施例二
参见图2，为本发明提供了一种机器人砂带磨削钛合金材料去除量预测集成学习算法流程图。
实施例一中的步骤S60根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程，具体包括：根据所述材料去除量与所述特征值构建基于集成学习的材料去除量的非线性回归模型，其中集成学习算法包括：
S61：初始化权值分布；
S62：计算训练集样本误差值；
S63：计算基学习器回归误差率；
S64：计算基学习器权重系数
S65：判断迭代次数是否满足预设阈值；
若满足，则输出强学习器；
若不满足，则返回初始化权值分布步骤，并增加迭代次数。
在步骤S61初始化权值分布之前还包括：
S61’：构建决策树；
具体地，首先确定基学习算法、基学习器数目，构建基学习器，初始化训练样本的权值分布D1。其中步骤S62包括步骤：
S621：计算训练集样本最大误差；
S622：计算每个样本相对误差。
进一步地，对迭代轮次t，使用具有当前分布的Dt的训练数据集训练基学习器ht，进而计算训练集上的样本最大误差Et。
进一步地，计算每个样本的相对误差，根据权值分布和相对误差得到基学习器的回归误差率，进而得到基学习器的权重系数。
第一步地，更新下一轮次的权值分布Dt+1，重复步骤S62、S64。
迭代结束，构建基学习器的线性组合，得到最终的强学习器。
在本发明中集成学习算法可以为Adaboost方法。
该算法是一个简单的弱分类算法提升过程，这个过程通过不断的训练，可以提高对数据的分类能力。具体过程如下所示：
1.先通过对N个训练样本的学习得到第一个弱分类器；
2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；
3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；
4.最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
由Adaboost算法的描述过程可知，该算法在实现过程中根据训练集的大小初始化样本权值，使其满足均匀分布，在后续操作中通过公式来改变和规范化算法迭代后样本的权值。样本被错误分类导致权值增大，反之权值相应减小，这表示被错分的训练样本集包括一个更高的权重。这就会使在下轮时训练样本集更注重于难以识别的样本，针对被错分样本的进一步学习来得到下一个弱分类器，直到样本被正确分类。在达到规定的迭代次数或者预期的误差率时，则强分类器构建完成。
Aadboost学习算法具有较高的检测速率，且不易出现过拟合现象。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
实施例三
参见图三，为本发明提供了一种磨削材料去除量预测方法验证流程；
基于一种磨削材料去除量预测方法实施例，进一步地，提出一种磨削材料去除量预测方法验证流程。具体包括：
S10：标定声发射传感器；
S20：将所述声发射传感器固定于工件夹具上；
S30：采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
S40：通过小波变换方法以及快速傅里叶变换算法对采集的所述声发射信号进行处理；
S50：提取磨削过程中产生的声发射信号的特征值；
S60：根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
S70：验证所述去除量的非线性回归模型，并优化所述去除量的非线性回归模型准确率；
S80:将所述去除量的非线性回归模型部署到工控机中，接入传感器信号，实现在线预测并指导后续的磨削加工过程。
其中，S70：验证所述去除量非线性回归模型，并优化所述去除量非线性回归模型准确率；
在本实施例中，构建材料去除量非线性回归模型之后还包括验证方法，以及化去除量非线性回归模型准确率。其中，采用K折交叉验证法验证去除量非线性回归模型。
交叉验证(Cross-validation)主要用于建模应用中，例如PCR、PLS回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。
K折交叉验证，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果或者使用其它结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次，10折交叉验证是最常用的。
S80：将所述去除量非线性回归模型部署到工控机中，接入传感器信号，实现在线预测并指导后续的磨削加工过程。
最后，将将所述去除量非线性回归模型部署到工业控制计算机中，接入传感器信号，实现在线预测并指导后续的磨削加工过程。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
实施例四
基于上述一种磨削材料去除量预测方法的实施例，本发明进一步提供一种磨削材料去除量预测装置。
参见图四，为本发明提供了一种磨削材料去除量预测装置示意图。
具体包括：
标定单元10，用于标定声发射传感器；
固定单元20，用于将所述声发射传感器固定于工件夹具上；
采集单元30，用于采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
分析处理单元40，用于通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
提取单元50，用于提取磨削过程中产生的声发射信号的特征值；
模型构建单元60，用于根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
其中，标定单元10，用于标定声发射传感器；
需要说明的是，在预测之前需要标定声发射传感器，目的在于为采集钛合金材料的瞬时声发射波形图信息，便于调整传感器增益、滤波器范围及其他参数。其中，声发射传感器是声发射检测系统的重要部分，是影响系统整体性能重要因素。在声发射检测中，大多使用的也是谐振式声发射传感器和宽带响应的声发射传感器。
具体地，在本实施例中，标定声发射传感器的方法包括断铅试验标定和恒力敲击标定。
固定单元20，用于将所述声发射传感器固定于工件夹具上；
需要说明的是，将声发射传感器固定于工件夹具上，具体方法可以通过在声发射传感器与工件夹具上涂抹耦合剂，并利用磁吸附底座将所述声发射传感器固定于所述工件夹具上。
采集单元30，用于采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
需要说明的是，采集磨削加工过程中声发射传感器接收的声发射信号，测量材料去除深度并换算为材料去除量；
在采集声发射传感器接收的声发射信号步骤之前还包括：设置不同的磨削加工条件，其中，不同的磨削加工条件是由进给速度、砂带线速度、法向磨削力形成的三因素正交表。
分析处理单元40，用于通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
需要说明的是，对声发射信号进行处理主要通过两个步骤，一是通过小波变换方法去噪，二是通过傅里叶变换将信号转换到频域上。
提取单元50，用于提取磨削过程中产生的声发射信号的特征值；
需要说明的是，提取磨削过程中产生的声发射信号的特征值，具体特征值为每一个磨削过程中产生的声发射信号的均方根值、峰度、平均振幅、功率谱特征值。
其中，均方根值，也称方均根值或有效值，它的计算方法是先平方、再平均、然后开方。在物理学中，我们常用均方根值来分析噪声。
其余特征值均为本领通用术语以及本技术人员能够容易获知的技术特征，在这里不作详细解释。
模型构建单元60，用于根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
需要说明的是，根据去除深度与特征值构建基于集成学习的材料去除量非线性回归模型，其中，集成学习方法可以为Adaboost方法，基于所述Adaboost方法构建基学习器，并通过迭代更新所述基学习器的权重系数，得到强学习器。
本发明提出一种磨削材料去除量预测装置，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
此外，本发明实施例还提出一种磨削材料去除量预测设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的磨削材料去除量预测程序。其中，
存储器，用于存储计算机程序；
处理器，用于执行存储器中存储的计算机程序时，可以实现如下步骤：
标定声发射传感器；
将所述声发射传感器固定于工件夹具上；
采集所述声发射传感器接收到的声发射信号，测量材料的去除深度并换算为材料去除量；
通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
提取磨削过程中产生的声发射信号的特征值；
根据所述材料去除量与所述特征值构建材料去除量非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有数据磨削材料去除量预测程序，所述数据磨削材料去除量预测程序被处理器执行时实现如下操作：
标定声发射传感器；
将所述声发射传感器固定于工件夹具上；
采集所述声发射传感器接收到的声发射信号，测量材料的去除深度并换算为材料去除量；
通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
提取磨削过程中产生的声发射信号的特征值；
根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。
本发明提出一种磨削材料去除量预测方法，包括：标定声发射传感器；将所述声发射传感器固定于工件夹具上；采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；通过小波变换方法以及快速傅里叶变换对采集的声发射信号进行处理；提取磨削过程中声发射信号的特征值；根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程。通过上述方案，形成了一种磨削材料去除量预测方法，实现预测并评估机器人砂带磨削过程每条路径的材料去除量，无需在加工过程中将工件反复拆下进行离线测量，能够减少停机时间，提高加工效率。并且本发明易于部署，且实用简单，可帮助操作人员合理规划加工参数，计算加工余量，从而减少加工成本。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种磨削材料去除量预测方法，其特征在于，包括：
标定声发射传感器；
将所述声发射传感器固定于工件夹具上；
设置不同的磨削加工条件；
所述磨削加工条件是由进给速度、砂带线速度、法向磨削力形成的三因素正交表；
采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
通过小波变换方法以及快速傅里叶变换对采集的所述声发射信号进行处理；
提取磨削过程中产生的声发射信号的特征值；
根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程；
验证所述去除量的非线性回归模型，并优化所述去除量的非线性回归模型准确率，其中，采用K折交叉验证法验证所述去除量回归模型；
初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测；
先通过对多个训练样本的学习得到第一弱分类器；将分错的样本和其他的新数据一起构成一多训练样本，通过对所述一多训练样本的学习得到第二弱分类器；将分错了的样本加上新样本构成另一多训练样本，通过对所述另一多训练样本的学习得到第三弱分类器；最终经过提升的强分类器，即某个数据被分为哪一类要由各分类器权值决定。
2.根据权利要求1所述的一种磨削材料去除量预测方法，其特征在于：
所述标定声发射传感器的方法包括断铅试验标定和恒力敲击标定。
3.根据权利要求1所述的一种磨削材料去除量预测方法，其特征在于，所述将所述声发射传感器固定于工件夹具上包括：
涂抹耦合剂于所述声发射传感器与工件夹具；
利用磁吸附底座将所述声发射传感器固定于所述工件夹具上。
4.根据权利要求1所述的一种磨削材料去除量预测方法，其特征在于，所述提取磨削过程中产生的声发射信号的特征值包括：
提取磨削加工过程中产生的声发射信号的均方根值、峰度、平均振幅、功率谱特征值。
5.根据权利要求1所述的一种磨削材料去除量预测方法，其特征在于，根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程包括：
根据所述材料去除量与所述特征值构建基于集成学习的材料去除量非线性回归模型；
所述集成学习算法包括：
初始化权值分布；
计算训练集样本误差值；
计算基学习器回归误差率；
计算基学习器权重系数；
判断迭代次数是否满足预设阈值；
若满足，则输出强学习器；
若不满足，则返回初始化权值分布步骤，并增加迭代次数。
6.根据权利要求1所述的一种磨削材料去除量预测方法，其特征在于，所述根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程之后还包括；
将所述去除量的非线性回归模型部署到工业控制计算机中，接入传感器信号，实现在线预测并指导后续的磨削加工过程。
7.一种磨削材料去除量预测装置，其特征在于，包括：
标定单元，用于标定声发射传感器；
固定单元，用于将所述声发射传感器固定于工件夹具上；
设置不同的磨削加工条件；
所述磨削加工条件是由进给速度、砂带线速度、法向磨削力形成的三因素正交表；采集单元，用于采集所述声发射传感器接收的声发射信号，测量材料的去除深度并换算为材料去除量；
分析处理单元，用于通过小波变换方法以及快速傅里叶变换算法将所述声发射信号进行处理；
提取单元，用于提取磨削过程中产生的声发射信号的特征值；
模型构建单元，用于根据所述材料去除量与所述特征值构建材料去除量的非线性回归模型，以实现材料去除量的在线预测并指导后续的磨削加工过程；
验证所述去除量的非线性回归模型，并优化所述去除量的非线性回归模型准确率，其中，采用K折交叉验证法验证所述去除量回归模型；
初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测；
先通过对多个训练样本的学习得到第一弱分类器；将分错的样本和其他的新数据一起构成一多训练样本，通过对所述一多训练样本的学习得到第二弱分类器；将分错了的样本加上新样本构成另一多训练样本，通过对所述另一多训练样本的学习得到第三弱分类器；最终经过提升的强分类器，即某个数据被分为哪一类要由各分类器权值决定。
8.一种磨削材料去除量预测设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的磨削材料去除量预测程序，所述磨削材料去除量预测程序配置为实现如权利要求1-6中任一项所述的磨削材料去除量预测方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有数据磨削材料去除量预测程序，所述磨削材料去除量预测程序被处理器执行时实现如权利要求1-6中任一项所述的磨削材料去除量预测方法的步骤。
CN202010016708.1A 2020-01-08 2020-01-08 一种磨削材料去除量预测方法、装置、设备及存储介质 Active CN111168569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010016708.1A CN111168569B (zh) 2020-01-08 2020-01-08 一种磨削材料去除量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010016708.1A CN111168569B (zh) 2020-01-08 2020-01-08 一种磨削材料去除量预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111168569A CN111168569A (zh) 2020-05-19
CN111168569B true CN111168569B (zh) 2021-11-16

Family

ID=70624381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010016708.1A Active CN111168569B (zh) 2020-01-08 2020-01-08 一种磨削材料去除量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111168569B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114871886B (zh) * 2021-12-18 2024-02-02 华海清科股份有限公司 一种晶圆加工方法、系统及终端设备
CN114406807B (zh) * 2022-01-28 2023-02-14 上海交通大学 砂带磨削材料去除率预测方法、装置、设备及存储介质
CN114714200B (zh) * 2022-05-07 2023-05-30 哈尔滨工业大学 一种基于声波分析的半球谐振子磨削工艺优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760961A (zh) * 2016-03-08 2016-07-13 广州供电局有限公司 光伏输出功率预测方法和系统
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法
CN109829543B (zh) * 2019-01-31 2020-05-26 中国科学院空间应用工程与技术中心 基于集成学习的空间有效载荷数据流在线异常检测方法

Also Published As

Publication number Publication date
CN111168569A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111168569B (zh) 一种磨削材料去除量预测方法、装置、设备及存储介质
Gopaluni Nonlinear system identification under missing observations: The case of unknown model structure
US20100023290A1 (en) Quantum Resonance Interferometry for Detecting Signals
CN112816895B (zh) 电化学阻抗谱的分析方法、系统、设备及计算机存储介质
CN115169409B (zh) 基于滑窗的桥梁结构自振频率识别、预警方法及设备
CN111931983A (zh) 一种降水量预测方法及系统
CN108281961B (zh) 一种自适应鲁棒扩展卡尔曼的参数辨识方法
CN116881712A (zh) 一种混凝土大坝活动裂纹电磁脉冲信号识别方法
CN111964757B (zh) 一种基于回波信号特征参数的换能器一致性评价方法
Yu et al. Fault diagnosis of rolling element bearing using multi-scale Lempel-Ziv complexity and mahalanobis distance criterion
US10605842B2 (en) Noise spectrum analysis for electronic device
Yang et al. Independent component analysis–based feature extraction technique for defect classification applied for pulsed eddy current NDE
Wan et al. Chatter detection for micro milling considering environment noises without the requirement of dominant frequency
CN111291481A (zh) 一种基于贝叶斯模型的结构预警分析方法
CN116150594A (zh) 一种频谱测试数据中开关类要素特征的识别方法
CN114970600A (zh) 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置
Brahim-Belhouari et al. Gas identification with microelectronic gas sensor in presence of drift using robust GMM
Juhlin et al. Fast gridless estimation of damped modes
CN106323458A (zh) 测量物体的振动基频的方法
Ulapane et al. System Identification of Static Nonlinear Elements: A Unified Approach of Active Learning, Over-fit Avoidance, and Model Structure Determination
CN115310472A (zh) 基于核脉冲峰值序列的一维卷积神经网络核素识别方法
CN113052018A (zh) 一种钣金拉伸过程声发射信号识别方法
Winkelmann et al. Machine learning based evaluation of dynamic events in medium voltage grid components
Gillich et al. ABOUT THE ACCURACY OF ESTIMATED FREQUENCIES WITH THE PyFEST SOFTWARE
CN114310483B (zh) 一种数控加工尺寸误差预测方法

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
GR01 Patent grant
GR01 Patent grant