CN111193495B - 一种工件校直数据的滤波处理方法 - Google Patents

Abstract

本发明公开了一种工件校直数据的滤波处理方法，所述工件校直数据的滤波处理方法，包括：接收所采集的原始校直数据，所述原始校直数据包括N个采集点，各采集点具有M个连续采集的数据；利用改进的ADC软件滤波算法对所述原始校直数据进行第一次滤波，得到一次滤波数据；采用卡尔曼滤波算法对所有采集点的一次滤波数据进行滤波处理，得到滤波后的校直数据。本发明的工件校直数据的滤波处理方法，针对采集的原始校直数据进行分析滤波，以提高数据采集的真实性和准确性，提升校直优化效果。

Description

一种工件校直数据的滤波处理方法

技术领域

本申请属于工业检测与校直领域，具体涉及一种工件校直数据的滤波处理方法，尤其应用于轴杆类工件校直数据的滤波处理。

背景技术

校直机是针对轴杆类产品在热处理后发生弯曲变形设计的检测校直装置，用来对轴杆类零部件进行校直的机器，通过校直以便获得理想的直线度要求或回转精度要求，保证零部件能够达到装配精度或获得下道工序最小切削加工余量。目前工业中对轴类工件校直方法主要有两种：自动校直和手动校直。

手动校直是工业中最常见的轴类工件校直方式，虽然存在时间久但同时也存在诸多问题，手动校直方式不但人工成本高、校直速度慢，满足不了大批量生产加工的需要，而且产品的精度等级低，无法实现高精度轴类的工艺要求，容易断轴及产生裂纹，无法实现自动流水线作业。

自动校直机是一种集机械、电气、液压、气动、计算机测探分析为一体的高科技产品，具有优良技术性能，集中体现在测量精度高，生产节拍快，工件适应能力强等优点，对轴杆类工件的纯圆截面、D型截面以及齿轮或花键的分度圆等部位的径向跳动可实现准确测量。自动校直机的出现改善了这种状况，自动校直机能够实现自动上下料、自动装夹、自动旋转测量、自动校直、并可自动检测裂纹，并且在校直精度、校直节拍、校直种类上较手动压力机相比有很大提高，同时能够节省大量的人工成本、减轻工人的劳动强度。

自动校直的工作原理：主动回转中心和从动回转中心的顶尖将工件夹持后，顶尖由调速电机驱动旋转，通过工件传递到从动回转中心顶尖。同时，与可动支撑相联的测量装置检测工件表面的全跳动量(TIR)，从动回转中心的光电编码器检测工件表面的全跳动量方向。计算机根据这些数据判断工件最大弯曲位置和方向，发出指令使工件最大弯曲点朝上时工件停止转动，并结合TIR幅值及设定的参数计算修正量，实现对工件的精密校直修正。

自动校直很大程度上依赖于所采集的校直数据，而轴杆类工件加工处理过程中由于设备精度和处理工艺等问题产生工件形状、尺寸不符、在被加工零件上派生出的多余部的毛刺等情况，上述情况在自动校直过程中造成传感器采集数据波动大，从而使自动校直存在精度低的问题。

发明内容

本申请的目的在于提供一种工件校直数据的滤波处理方法，针对采集的原始校直数据进行分析滤波，以提高数据采集的真实性和准确性，提升校直优化效果。

为实现上述目的，本申请所采取的技术方案为：

一种工件校直数据的滤波处理方法，所述工件校直数据的滤波处理方法，包括：

步骤S1、接收所采集的原始校直数据，所述原始校直数据包括N个采集点，各采集点具有M个连续采集的数据；

步骤S2、利用改进的ADC软件滤波算法对所述原始校直数据进行第一次滤波，得到一次滤波数据：

步骤S2.1、取第i个采集点的数据集为

步骤S2.2、去除数据集中的一个最大值和一个最小值，按原顺序重新排序更新数据集为

步骤S2.3、根据步骤S2.2中更新后的数据集，计算得到M-2个数据的平均值

并取预设的数据波动量γ；

步骤S2.4、根据数据波动量γ和平均值

对数据进行滤波：

取满足

的数据，得到滤波后的数据集/>

L为滤波后的数据个数；

步骤S2.5、根据数据集

计算得到L个数据的平均值/>

作为第i个采集点一次滤波后的数据；

步骤S3、采用卡尔曼滤波算法对所有采集点的一次滤波数据进行滤波处理，得到滤波后的校直数据。

作为优选，所述工件校直数据为轴杆类工件的校直数据。

作为优选，所述原始校直数据的采集方法为：

设置数据采集传感器的采集部位触碰轴杆类工件的表面；

控制轴杆类工件以预设角度旋转，并在每一次旋转之后停顿以便于数据采集传感器对当前采集点连续采集M个数据；

将轴杆类工件旋转一圈所采集的数据作为原始校直数据。

作为优选，所述轴杆类工件预设的旋转角度为1度。

作为优选，所述采用卡尔曼滤波算法对所有采集点的一次滤波数据进行滤波处理，得到滤波后的校直数据，包括：

步骤S3.1、建立数学模型如下：

X(k)＝AX(k-1)+W(k)

Z(k)＝HX(k)+V(k)

其中，X(k)是k时刻系统当前的预测值，Z(k)是k时刻数据的采集值，W(k)和V(k)分别是干扰值，并且W(k)的协方差为Q，V(k)的协方差为R，A是系统参数，H是测量系统的参数；

步骤S3.2、实际状态下轴杆类工件表面所采集的数据应满足以下关系式：

η＝P+T(θ)

其中，η为轴杆类工件旋转中角度θ对应的原始校直数据，P为常量，T(θ)为角度θ的函数：

/>

其中，参数B、C、D为系统常量；

根据以上关系式对所建立的数学模型进行改进，得到优化后的数学模型为：

X(k)＝(1+T(θ))X(k-1)+W(k)

步骤S3.3、根据优化后的数学模型预测下一状态的模型参数为：

X(k|k-1)＝(1+T(θ))X(k-1|k-1)

获取系统下一状态的协方差P(k|k-1)为：

P(k|k-1)＝(1+T(θ))P(k-1|k-1)(1+T(θ))'+Q

步骤S3.4、计算当前状态的最优化估计值X(k|k)为：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-X(k|k-1))

其中，Kg(k)为卡尔曼滤波增益，且Kg(k)如下：

Kg(k)＝P(k|k-1)/((P(k|k-1)+R)

更新k状态下X(k|k)的协方差P(k|k)为：

P(k|k)＝(1-Kg(k))P(k|k-1))

步骤S3.5、将所有采集点的一次滤波数据导入优化后的数学模型中，完成滤波处理，得到滤波后的校直数据。

本申请提供的工件校直数据的滤波处理方法，针对工件校直过程中数据采集波动性大的问题，提供一种有效的滤波方法，以克服校直数据的波动对校直的影响，提高数据采集的真实性和准确性，提升校直优化效果。

附图说明

图1为本申请的工件校直数据的滤波处理方法的流程图；

图2为标准的轴杆类工件表面采集的原始校直数据导入MATLAB生成的折线图；

图3为存在毛刺的轴杆类工件表面采集的的原始校直数据导入MATLAB生成的折线图；

图4为存在毛刺的轴杆类工件表面采集的的原始校直数据经过本申请的滤波处理后导入MATLAB生成的折线图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

如图1所示，其中一个实施例，提供一种工件校直数据的滤波处理方法，工件校直数据主要为轴杆类工件的校直数据，即本实施例的滤波处理方法主要用于对轴杆类工件采集得到的校直数据进行滤波处理。

具体的，所述工件校直数据的滤波处理方法，包括：

步骤S1、接收所采集的原始校直数据，所述原始校直数据包括N个采集点，各采集点具有M个连续采集的数据，例如20个数据。

在进行数据采集时，为了保证数据采集的完整性和全面性，在一个实施例中，提供了一种原始校直数据的采集方法为：

设置数据采集传感器的采集部位触碰轴杆类工件的表面；

控制轴杆类工件以预设角度旋转，并在每一次旋转之后停顿以便于数据采集传感器对当前采集点连续采集M个数据；

将轴杆类工件旋转一圈所采集的数据作为原始校直数据。

为了保证能够识别弯曲幅度较小的工件，本实施例采用高精度位电阻式位移传感器进行数据采集，该传感器将实时采集轴杆类工件表面的凹凸情况以电压的形式送入移位变送器转为电流信号。

通常，设置轴杆类工件预设的旋转角度为1度。

如图2所示为标准的轴杆类工件表面采集的原始校直数据导入MATLAB生成的折线图，从图中可以看出整个数据符合一个稳态分布，采集数据值在标准数据值之间有±2数据波动，设备采集精度为1μm，对于一个非常标准的轴类工件，其要求精度为10μm，±2的采集数据值浮动是一个正常值。

如图3所示为存在毛刺的轴杆类工件表面采集的的原始校直数据导入MATLAB生成的折线图，从图中可以实际工厂由于生产工艺的原因，工件表面往往存在缺损、毛刺等问题，造成数据采集存在数据突变，这个突变作为一种外界扰动，对系统的稳定性造成干扰。

存在毛刺的轴杆类工件的数据值相对于标准圆轴类工件实际数据采集值，整个数据采集过程中存在异常凸起点，与周边数据点存在一个较大差值，根据标准的轴杆类工件的数据分析，轴杆类工件应是一个连续在一个小范围内波动的数据图形，数据中存在异常变化点应是工件表面毛刺造成的异常点，在数据分析处理中应作为干扰对其进行滤波处理。

步骤S2、利用改进的ADC软件滤波算法对所述原始校直数据进行第一次滤波，得到一次滤波数据：

步骤S2.1、取第i个采集点的数据集为

步骤S2.2、去除数据集中的一个最大值和一个最小值，按原顺序重新排序更新数据集为

步骤S2.3、根据步骤S2.2中更新后的数据集，计算得到M-2个数据的平均值

并取预设的数据波动量γ；在预设数据波动量γ可根据数据的方差进行预设，例如更新后的数据集中的数据方差越大，则设置数据波动量γ越大；数据波动量γ还可根据经验值设置，一般设置数据波动量γ取值为5～10之间；

步骤S2.4、根据数据波动量γ和平均值

对数据进行滤波：

取满足

的数据，得到滤波后的数据集/>

L为滤波后的数据个数；

步骤S2.5、根据数据集

计算得到L个数据的平均值/>

作为第i个采集点一次滤波后的数据。i依次取值完成对N个采集点采集的原始校直数据的一次滤波。

在数据采集时，以一个参考电压为基准得到采样电压数据，电路设计由于参考电压波动会造成采集值偏差，改进的ADC软件滤波算法可最大限度消除硬件误差。并且在步骤S2.2中去除最大值和最小值时，为了避免去除的数据过多，若数据中同时存在多个最大值或多个最小值，则从相同的多个最大值或多个最小值中随机去除一个最大值或一个最小值。

在滤波过程中，步骤2.2中最大值和最小值作为波动数据剔除，在步骤2.3中引入数据波动量，将除最大值和最小值之外的数据的波动值也带入数据计算中，将原有数据中偏离平均值较大的异常数据点剔除，进一步降低数据波动对校直带来的影响。

步骤S3、采用卡尔曼滤波算法对所有采集点的一次滤波数据进行滤波处理，得到滤波后的校直数据。

在步骤S2的滤波基础上，采用卡尔曼滤波进一步提升数据的有效性，但标准卡尔曼滤波算法要求准确的系统模型和噪声统计特性，在实际应用中很难达到，最终可能导致滤波发散。为此我们将利用改进的卡尔曼滤波算法对数据进行分析整理，将采集的数据平滑滤波，还原真实值。

在一个实施例中，利用改进的卡尔曼滤波算法进行滤波包括以下步骤：

步骤S3.1、建立数学模型如下：

X(k)＝AX(k-1)+W(k) (2)

Z(k)＝HX(k)+V(k) (3)

其中，X(k)是k时刻系统当前的预测值，Z(k)是k时刻数据的采集值，W(k)和V(k)分别是干扰值，并且W(k)的协方差为Q，V(k)的协方差为R，A是系统参数，H是测量系统的参数；

步骤S3.2、实际状态下轴杆类工件表面所采集的数据应满足以下关系式：

η＝P+T(θ) (4)

其中，η为轴杆类工件旋转中角度θ对应的原始校直数据，P为常量，P对应一个理想的圆轴类工件直径大小，T(θ)为角度θ的函数：

其中，参数B、C、D为系统常量，并且参数B、C、D根据实际工件形状取经验值。

为了符合轴杆类工件的关系式要求，根据以上关系式对所建立的数学模型进行改进，得到优化后的数学模型为：

X(k)＝(1+T(θ))X(k-1)+W(k) (6)

步骤S3.3、根据优化后的数学模型预测下一状态的模型参数为：

X(k|k-1)＝(1+T(θ))X(k-1|k-1) (7)

获取系统下一状态的协方差P(k|k-1)为：

P(k|k-1)＝(1+T(θ))P(k-1|k-1)(1+T(θ))'+Q (8)

步骤S3.4、计算当前状态的最优化估计值X(k|k)为：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-X(k|k-1)) (9)

其中，Kg(k)为卡尔曼滤波增益，且Kg(k)如下：

Kg(k)＝P(k|k-1)/((P(k|k-1)+R) (10)

计算至此已经得到k状态下最优的估算值X(k|k)，为了保持卡尔曼滤波器不断的迭代下去，需要更新k状态下X(k|k)的协方差P(k|k)为：

P(k|k)＝(1-Kg(k))P(k|k-1)) (11)

步骤S3.5、将所有采集点的一次滤波数据导入优化后的数学模型中，通过不断的迭代计算得到新数值，将整个采集数据做平滑滤波，剔除数据中因毛刺点导致的数据波动，完成滤波处理，得到滤波后的校直数据。

如图4所示，为存在毛刺的轴杆类工件表面采集的的原始校直数据经过滤波处理后导入MATLAB生成的折线图，图4与图3对比，本实施例的滤波处理方法在遇到轴杆类表面单个毛刺点时能很好的对其剔除并根据前后的值补充一个合适的数据，改进的滤波算法能有效抑制噪声干扰实现数据的平滑滤波。本实施例的滤波处理方法将两种改进的滤波算法进行融合，将采集到的波动数据拟合出最真实的滤波后的数据。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (2)

1.一种工件校直数据的滤波处理方法，其特征在于，所述工件校直数据为轴杆类工件的校直数据，所述工件校直数据的滤波处理方法，包括：

步骤S1、接收所采集的原始校直数据，所述原始校直数据包括N个采集点，各采集点具有M个连续采集的数据；其中，所述原始校直数据的采集方法为：

设置数据采集传感器的采集部位触碰轴杆类工件的表面；

控制轴杆类工件以预设角度旋转，并在每一次旋转之后停顿以便于数据采集传感器对当前采集点连续采集M个数据；

将轴杆类工件旋转一圈所采集的数据作为原始校直数据；

步骤S2、利用改进的ADC软件滤波算法对所述原始校直数据进行第一次滤波，得到一次滤波数据：

步骤S2.1、取第i个采集点的数据集为

步骤S2.2、去除数据集中的一个最大值和一个最小值，按原顺序重新排序更新数据集为

步骤S2.3、根据步骤S2.2中更新后的数据集，计算得到M-2个数据的平均值

并取预设的数据波动量γ；

步骤S2.4、根据数据波动量γ和平均值

对数据进行滤波：

取满足Y_j ⁱ≤γ的数据，得到滤波后的数据集

L为滤波后的数据个数；

步骤S2.5、根据数据集

计算得到L个数据的平均值/>

作为第i个采集点一次滤波后的数据；

步骤S3、采用卡尔曼滤波算法对所有采集点的一次滤波数据进行滤波处理，得到滤波后的校直数据，包括：

步骤S3.1、建立数学模型如下：

X(k)＝AX(k-1)+W(k)

Z(k)＝HX(k)+V(k)

其中，X(k)是k时刻系统当前的预测值，Z(k)是k时刻数据的采集值，W(k)和V(k)分别是干扰值，并且W(k)的协方差为Q，V(k)的协方差为R，A是系统参数，H是测量系统的参数；

步骤S3.2、实际状态下轴杆类工件表面所采集的数据应满足以下关系式：

η＝P+T(θ)

其中，η为轴杆类工件旋转中角度θ对应的原始校直数据，P为常量，T(θ)为角度θ的函数：

其中，参数B、C、D为系统常量；

根据以上关系式对所建立的数学模型进行改进，得到优化后的数学模型为：

X(k)＝(1+T(θ))X(k-1)+W(k)

步骤S3.3、根据优化后的数学模型预测下一状态的模型参数为：

X(k|k-1)＝(1+T(θ))X(k-1|k-1)

获取系统下一状态的协方差P(k|k-1)为：

P(k|k-1)＝(1+T(θ))P(k-1|k-1)(1+T(θ))'+Q

步骤S3.4、计算当前状态的最优化估计值X(k|k)为：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-X(k|k-1))

其中，Kg(k)为卡尔曼滤波增益，且Kg(k)如下：

Kg(k)＝P(k|k-1)/((P(k|k-1)+R)

更新k状态下X(k|k)的协方差P(k|k)为：

P(k|k)＝(1-Kg(k))P(k|k-1))

步骤S3.5、将所有采集点的一次滤波数据导入优化后的数学模型中，完成滤波处理，得到滤波后的校直数据。

2.如权利要求1所述的工件校直数据的滤波处理方法，其特征在于，所述轴杆类工件预设的旋转角度为1度。

Images