CN114676736B - 一种滚压工件表面质量预测方法 - Google Patents

一种滚压工件表面质量预测方法 Download PDF

Info

Publication number
CN114676736B
CN114676736B CN202210581013.7A CN202210581013A CN114676736B CN 114676736 B CN114676736 B CN 114676736B CN 202210581013 A CN202210581013 A CN 202210581013A CN 114676736 B CN114676736 B CN 114676736B
Authority
CN
China
Prior art keywords
surface quality
workpiece
signal
rolled
support vector
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
CN202210581013.7A
Other languages
English (en)
Other versions
CN114676736A (zh
Inventor
丁丛
冯诗晴
朴钟宇
袁志鹏
刘静
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Publication of CN114676736A publication Critical patent/CN114676736A/zh
Application granted granted Critical
Publication of CN114676736B publication Critical patent/CN114676736B/zh
Priority to PCT/CN2023/093207 priority Critical patent/WO2023217178A1/zh
Priority to US18/352,263 priority patent/US11879869B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P9/00—Treating or finishing surfaces mechanically, with or without calibrating, primarily to resist wear or impact, e.g. smoothing or roughening turbine blades or bearings; Features of such surfaces not otherwise provided for, their treatment being unspecified
    • B23P9/02—Treating or finishing by applying pressure, e.g. knurling
    • 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
    • G01B17/08—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/146—Quality control systems during manufacturing process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开一种滚压工件表面质量预测方法，利用振动传感器、信号采集仪对加工过程中工件表面产生的振动信号进行采集，基于耦合协调度模型评价滚压工件表面质量，运用集合经验模态分解法对信号进行处理，然后选取功率谱密度、峭度和波形因子作为信号特征，确定支持向量机作为决策模型，利用贝叶斯优化方法对惩罚参数和核函数参数进行优化，建立信号特征与表面质量之间的关系。该方法能够快速识别信号特征用于评价工件表面质量，从而通过干预工艺参数来达到改善工件表面质量的目的，弥补了滚压加工过程中无法进行实时状态监测的技术缺陷，具有工件表面质量在线优化的优势。

Description

一种滚压工件表面质量预测方法
技术领域
本发明涉及金属材料表面强化技术领域，涉及一种滚压工件表面质量预测方法。
背景技术
超声滚压加工是在传统滚压技术的基础上，利用超声波对工件进行高频冲击，使得工件表面强化的一种加工技术。超声振动与滚压力相结合使得工件表面残余拉应力转变为残余压应力，提高工件疲劳强度从而延长其服役寿命；超声滚压后工件表层晶粒细化并且形成梯度纳米层结构，降低工件表面粗糙度的同时，大幅提升抗腐蚀、耐磨损能力。
然而，滚压加工完成后测试人员通常使用电子显微镜、X光线衍射仪、纳米压痕测试仪和白光干涉仪等仪器对微观组织形态、残余应力、硬度和表面粗糙度进行测量，但是在该过程中需要经历丙酮清洗、砂纸抛光、酸性试剂腐蚀等一系列步骤，延长测试周期造成效率低下。同时，对于被加工的金属材料而言，尤其是铸造镁合金，具有气孔、裂纹等先天缺陷，加工后工件表面微观不平整易引起疲劳破坏，所以在线监测工件表面质量并及时进行优化显得尤为重要。更关键的是，超声滚压加工是一个非线性动力学系统，滚压过程中工艺参数、系统状态和质量指标等多种因素相互影响，使该系统具有初值敏感性和内随机性等混沌特性，即加工过程中系统内部的微小扰动便可造成表面质量的明显差异，因此，需要通过对加工过程中的相关工艺参数进行干预，来达到改善工件表面质量的目的。
发明内容
针对现有技术的不足，本发明提出一种滚压工件表面质量预测方法，该方法可以有效克服现有加工过程中无法进行状态监测的技术缺陷，实时快速判别表面质量优或差，预防加工中因工艺参数选取不当而造成表面质量缺陷。
本发明的目的通过如下的技术方案来实现：
一种滚压工件表面质量预测方法，该方法包括以下步骤：
步骤一：在滚压加工平台中安装振动信号测量与采集装置；
步骤二：确定影响滚压工件表面质量的主要影响因素以及每个影响因素的水平个数，设计不同影响因素、水平组合的正交试验，进行滚压试验并采集振动信号，然后基于耦合协调度模型对滚压工件表面质量指标进行综合评价，并根据综合评价结果对滚压工件进行分类；
步骤三：使用集合经验模态分解法对所述振动信号进行不同尺度的划分，从而实现降噪；并选取无噪声干扰的分量信号进行叠加，计算叠加后的信号的时、频域特征；
步骤四：选取支持向量机作为工件表面质量的决策模型，选取径向基函数作为核函数，确定惩罚参数和核函数参数的最优选取范围，基于贝叶斯优化方法对这两个参数进行优化得到最佳数值；
步骤五：将步骤三得到信号的时、频域特征作为支持向量机的输入层节点，将步骤二得到的表面质量分类结果作为输出层节点，对支持向量机进行训练，得到训练后的支持向量机，从而建立信号特征与滚压工件表面质量的关系；
步骤六：将在线采集的滚压试验的振动信号执行步骤三，并将最后得到的时、频域特征作为训练后的支持向量机的输入层节点，得到支持向量机输出的滚压工件表面质量。
进一步地，在步骤一中，所述振动信号测量与采集装置包括两个振动传感器和一个信号采集仪，两个振动传感器分别用于测量滚压工件的加工方向以及竖直方向上的振动信号，并由所述信号采集仪采集。
进一步地，在步骤二中，将转速、进给速度、下压量作为影响工件表面质量的主要因素。
进一步地，在步骤二中，基于耦合协调度模型对滚压工件表面质量指标进行综合评价，并根据综合评价结果对滚压工件进行分类的具体步骤如下：
（1）将表面粗糙度增幅和硬度增幅作为耦合协调度模型的分析项；
（2）设定表面粗糙度增幅和硬度增幅的权重，并对分析项数据进行区间化处理，处理后数据都在0~1之间；
（3）计算耦合度、协调指数、耦合协调度，并结合耦合协调度等级划分标准划分耦合协调程度；
（4）按照耦合协调程度对滚压工件进行分类，当耦合协调程度为失调时，滚压工件表面质量为差，否则，滚压工件表面质量为优。
进一步地，所述步骤三通过如下的子步骤来实现：
（1）在振动信号中多次加入小幅度的白噪声信号，并添加随机种子以保持分解结果的一致性；
（2）使用经验模态法对多次加入白噪声后的振动信号进行时间尺度的划分，得到各分量信号；
（3）绘制各分量信号的功率谱，并比较各分量信号功率谱形状；
（4）选择形状平滑的分量信号功率谱，即无噪声干扰的分量信号，对其进行叠加，得到叠加后的信号；
（5）选取功率谱密度、峭度和波形因子作为叠加后信号的时、频域特征，并采用最大熵方法估计叠加后信号的功率谱密度。
进一步地，所述步骤四中的惩罚参数C和核函数参数γ的选取范围设置为0.001<C<1000，0.001<γ<1000。
进一步地，所述步骤五中，当滚压工件的表面质量为优时，将支持向量机的输出值设置为+1；当滚压工件的表面质量为差时，将支持向量机的输出值设置为-1。
本发明的有益效果如下：
（1）本发明的方法通过耦合协调度模型对滚压工件的表面质量指标进行综合评价，不仅可以反应表面粗糙度增幅与硬度增幅是否具有良好的水平，还可进一步研究表面粗糙度增幅和硬度增幅两者的内部关联机制，从而对表面质量进行定性与定量评价，以便将滚压工件分成两类。
（2）本发明的方法使用集合经验模态分解法结合各分量信号功率谱形状实现降噪处理，能够排除无效信息成分，将剩余有效成分重组得到纯净的振动信号，从而提取信号的真实特征。
（3）本发明的方法选取最大熵方法估计功率谱密度，该方法具有较高的频率分辨率，能够准确分辨信号中的频率成分，且复杂度低、处理迅速，满足在线预测实时性的要求。
（4）本发明的方法同时选取功率谱密度、峭度和波形因子三者作为信号特征，结合信号的时、频域特征进行分析，功率谱密度是对信号功率在频率的分布情况进行统计，将不同频率分辨率下的数据进行归一化，确保随机信号可不受频率分辨率的影响，使得不同频率分辨率下功率谱密度趋势一致，且峭度特征敏感性好但稳定性一般，波形因子稳定性优异但敏感性较差，所以对两者进行结合，既可以提升对信号特征的敏感性同时又可以兼顾稳定性。
（5）本发明的方法确定支持向量机作为决策模型，是由于其具有更坚实的理论基础，更适用于有限样本条件下的模型构建，算法简单且具有较好的鲁棒性，相比于神经网络模型，支持向量机收敛到全局最优，不会陷入局部最优；基于贝叶斯优化方法对核函数参数进行优化，既考虑先验的参数信息，又不断进行迭代，且次数少、速度快，对非凸优化问题网格搜索易陷入局部最优，而贝叶斯优化法具有稳健性。
（6）该方法能够快速识别信号特征用于评价工件表面质量，实时显示工件表面质量状态，从而通过改变工艺参数达到改善工件表面质量的目的，不仅节省了测试成本，还提高了测试效率，弥补了加工过程中无法进行状态监测的技术缺陷。
附图说明
图1是本发明实施例的流程图。
图2是本实施例振动信号的集合经验模态分解的本征模态函数IMF(IntrinsicMode Function)1~10的模态。
图3为本实施例振动信号的集合经验模态分解的IMF11~15的模态。
图4是本实施例各分量信号的IMF1~10的功率谱图。
图5为本实施例各分量信号的IMF11~15的功率谱图。
图6是本实施例采用最大熵方法估计的功率谱密度图。
图7是本实施例采用的支持向量机结构示意图。
图8是本实施例贝叶斯优化法的最小分类误差随迭代次数变化的示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的滚压工件表面质量预测方法包括如下步骤：
Step1：在滚压加工平台中安装振动信号测量与采集装置：
工件夹持台的作用是夹持工件并稳定承受垂向的滚压力，所以将两个振动传感器安装在工件夹持台侧面，同时对滚压工件的加工方向以及竖直方向进行信号监测，灵敏度为100 mV/g，量程范围为-50~50 g/pk，带宽为2048Hz；加速度传感器的另一端接入信号采集仪，然后再接入电脑，便于后续步骤的进行。
Step2：确定影响超声滚压工件表面质量的主要因素。
该实施例中将转速、进给速度、下压量作为影响工件表面质量的主要因素；选取上述三个因素，对每个因素设计3个水平，如表1所示。
表1 因素水平表
Figure 447231DEST_PATH_IMAGE001
如表2所示，按照正交试验方法设计试验方案，进行超声滚压试验并采集振动信号。
表2 L 933正交试验结果表
Figure 20164DEST_PATH_IMAGE002
基于耦合协调度模型对滚压工件表面质量进行综合评价，得到滚压工件表面质量的综合评价结果，并根据综合评价结果将滚压工件分为优和差两类，具体步骤如下：
a.将表面粗糙度增幅和硬度增幅作为耦合协调度模型的分析项；
b.设定表面粗糙度增幅和硬度增幅的权重，使两者权重相等都为0.5，并对分析项数据进行区间化处理，处理之后数据在0~1之间；
c.计算耦合度C、协调指数T、耦合协调度D，并结合耦合协调度等级划分标准划分耦合协调程度，具体公式如下：
耦合度
Figure 331060DEST_PATH_IMAGE003
协调指数
Figure 132794DEST_PATH_IMAGE004
耦合协调度
Figure 478324DEST_PATH_IMAGE005
其中ω1、ω2为权重，U1、U2为模型的分析项。
表3 耦合协调度计算结果
Figure 956579DEST_PATH_IMAGE006
其中耦合度C值越大说明表面粗糙度增幅和硬度增幅间的相互作用越大，耦合协调度D值越大说明表面粗糙度增幅与硬度增幅之间具有良好的水平，当耦合协调程度为已经失调时，说明两者不具有良好的水平。
d. 如表3所示，按照耦合协调程度对滚压工件进行分类，当耦合协调程度已经失调时，滚压工件表面质量为差，否则，滚压工件表面质量为优。
Step3：使用集合经验模态分解法对振动信号进行不同尺度的划分，从而实现降噪；并选取无噪声干扰的分量信号叠加，计算叠加后的信号的时、频域特征。
a. 在振动信号中多次加入小幅度的噪声信号，并添加随机种子以保持分解结果的一致性，选择合适的平均处理次数和白噪声幅值，白噪声幅值的选择参考下式：
Figure 754771DEST_PATH_IMAGE007
其中，e为振动信号与分量后信号的偏离差，A m为白噪声幅值，N为添加白噪声的数量。
b.使用集合经验模态法对多次加入白噪声后的振动信号进行时间尺度的划分，得到各分量信号，如图2和图3所示，即为使用集合经验模态法划分得到各分量信号，可以看出IMF1~10为高频信号，IMF11~15为低频信号。
c.绘制各分量信号的功率谱，并比较各分量信号的功率谱形状；
d.选择形状平滑的分量信号的功率谱，即无噪声干扰的分量信号进行叠加，得到叠加后信号，如图4和图5所示，即为IMF1~15的功率谱图，从图中可以发现，IMF1~7在频率尺度内功率谱形状都存在较多峰值，因此可以判断有不同程度噪声的干扰，IMF8~15的功率谱形状较为平滑，因此舍弃IMF1~7，选取IMF8~15的模态信号进行叠加，得到叠加后的信号。
e.选取功率谱密度、峭度和波形因子作为叠加后信号的时、频域特征，并采用最大熵原理估计叠加后信号的功率谱密度，如图6所示，为采用最大熵方法估计的功率谱密度，公式如下：
Figure 360196DEST_PATH_IMAGE008
其中，Pm为处理后信号的功率，∆t是振动信号时间序列的等间距采样时间间隔，ak为自回归系数，f为处理后信号的频率，m为自回归阶数，k为从1~m的数，j为虚数单位。
其中，叠加后的信号的峭度K根据下式计算：
Figure 560233DEST_PATH_IMAGE009
上式中，n为从1~N的数，xn表示信号时间序列的幅值，µ为信号时间序列的均值，N为信号时间序列长度，σ为标准差。
叠加后的信号的波形因子Sf根据下式计算：
Figure 209389DEST_PATH_IMAGE010
Figure 494877DEST_PATH_IMAGE011
为信号绝对值的平均值，X RMS为信号的均方根。
Step4：选取支持向量机作为工件表面质量的决策模型，选取径向基函数作为核函数，确定惩罚参数和核函数参数的最优选取范围，基于贝叶斯优化方法对这两个参数进行优化得到最佳数值。其中，图7展示了本实施例采用的支持向量机结构。
其中，径向基核函数的公式如下：
Figure 966309DEST_PATH_IMAGE012
其中
Figure 896219DEST_PATH_IMAGE013
为样本集，x m为输入向量，γ为核函数参数。
惩罚参数和核函数参数的选取范围设置为0.001<C<1000，0.001<γ<1000。
如图8所示，即为通过贝叶斯优化方法优化得到的最小分类误差，迭代次数为30次，从最初分类误差为0.190经过迭代之后为0.063，得到了数值最小的最小分类误差，说明贝叶斯优化法对参数有明显的优化过程，能够有效提高该模型的准确率。
Step5：将叠加后信号的时、频域特征作为支持向量机的输入层节点，将表面质量分类结果作为输出层节点，对支持向量机进行训练，得到训练后的支持向量机，从而建立信号特征与滚压工件表面质量的关系；当滚压工件的表面质量为优时，将支持向量机的输出值设置为+1；当滚压工件的表面质量为差时，将支持向量机的输出值设置为-1。
Step6：将在线采集的滚压试验的振动信号执行步骤三，并将处理后信号的时、频域特征作为训练后的支持向量机的输入层节点，得到支持向量机输出的滚压工件表面质量。
试验结果如表4所示。
表4 支持向量机测试结果
Figure 857222DEST_PATH_IMAGE014
从表中可以看出，只有编号为4的滚压工件存在误差，该滚压工件经过前期分类结果属于表面质量差的一类，经过支持向量机进行测试后属于表面质量优的一类，因此，该支持向量机模型的准确度可达88.9%。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种滚压工件表面质量预测方法，其特征在于，该方法包括以下步骤：
步骤一：在滚压加工平台中安装振动信号测量与采集装置；
步骤二：确定影响滚压工件表面质量的主要影响因素以及每个影响因素的水平个数，设计不同影响因素、水平组合的正交试验，进行滚压试验并采集振动信号，然后基于耦合协调度模型对滚压工件表面质量指标进行综合评价，并根据综合评价结果对滚压工件进行分类；
步骤三：使用集合经验模态分解法对所述振动信号进行不同尺度的划分，从而实现降噪；并选取无噪声干扰的分量信号进行叠加，计算叠加后的信号的时、频域特征；
步骤四：选取支持向量机作为工件表面质量的决策模型，选取径向基函数作为核函数，确定惩罚参数和核函数参数的最优选取范围，基于贝叶斯优化方法对这两个参数进行优化得到最佳数值；
步骤五：将步骤三得到信号的时、频域特征作为支持向量机的输入层节点，将步骤二得到的表面质量分类结果作为输出层节点，对支持向量机进行训练，得到训练后的支持向量机，从而建立信号特征与滚压工件表面质量的关系；
步骤六：将在线采集的滚压试验的振动信号执行步骤三，并将最后得到的时、频域特征作为训练后的支持向量机的输入层节点，得到支持向量机输出的滚压工件表面质量；
所述步骤二中，基于耦合协调度模型对滚压工件表面质量指标进行综合评价，并根据综合评价结果对滚压工件进行分类的具体步骤如下：
（1）将表面粗糙度增幅和硬度增幅作为耦合协调度模型的分析项；
（2）设定表面粗糙度增幅和硬度增幅的权重，并对分析项数据进行区间化处理，处理后数据都在0~1之间；
（3）计算耦合度、协调指数、耦合协调度，并结合耦合协调度等级划分标准划分耦合协调程度；
（4）按照耦合协调程度对滚压工件进行分类，当耦合协调程度为失调时，滚压工件表面质量为差，否则，滚压工件表面质量为优；
所述步骤三通过如下的子步骤来实现：
（1）在振动信号中多次加入小幅度的白噪声信号，并添加随机种子以保持分解结果的一致性；
（2）使用经验模态法对多次加入白噪声后的振动信号进行时间尺度的划分，得到各分量信号；
（3）绘制各分量信号的功率谱，并比较各分量信号功率谱形状；
（4）选择形状平滑的分量信号功率谱，即无噪声干扰的分量信号，对其进行叠加，得到叠加后的信号；
（5）选取功率谱密度、峭度和波形因子作为叠加后信号的时、频域特征，并采用最大熵方法估计叠加后信号的功率谱密度。
2.根据权利要求1所述的滚压工件表面质量预测方法，其特征在于：在步骤一中，所述振动信号测量与采集装置包括两个振动传感器和一个信号采集仪，两个振动传感器分别用于测量滚压工件的加工方向以及竖直方向上的振动信号，并由所述信号采集仪采集。
3.根据权利要求1所述的滚压工件表面质量预测方法，其特征在于：在步骤二中，将转速、进给速度、下压量作为影响工件表面质量的主要因素。
4.根据权利要求1所述的滚压工件表面质量预测方法，其特征在于，所述步骤四中的惩罚参数C和核函数参数γ的选取范围设置为0.001<C<1000，0.001<γ<1000。
5.根据权利要求1所述的滚压工件表面质量预测方法，其特征在于：所述步骤五中，当滚压工件的表面质量为优时，将支持向量机的输出值设置为+1；当滚压工件的表面质量为差时，将支持向量机的输出值设置为-1。
CN202210581013.7A 2022-05-13 2022-05-26 一种滚压工件表面质量预测方法 Active CN114676736B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2023/093207 WO2023217178A1 (zh) 2022-05-13 2023-05-10 一种滚压工件表面质量预测方法
US18/352,263 US11879869B2 (en) 2022-05-13 2023-07-14 Method for predicting surface quality of burnishing workpiece

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022105178946 2022-05-13
CN202210517894 2022-05-13

Publications (2)

Publication Number Publication Date
CN114676736A CN114676736A (zh) 2022-06-28
CN114676736B true CN114676736B (zh) 2022-08-26

Family

ID=82080140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581013.7A Active CN114676736B (zh) 2022-05-13 2022-05-26 一种滚压工件表面质量预测方法

Country Status (2)

Country Link
CN (1) CN114676736B (zh)
WO (1) WO2023217178A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676736B (zh) * 2022-05-13 2022-08-26 浙江工业大学 一种滚压工件表面质量预测方法
CN115659128B (zh) * 2022-12-12 2023-04-07 浙江工业大学 一种基于集合经验模态分解法和功率谱的信号降噪方法
CN116300475B (zh) * 2023-05-11 2023-08-22 苏州先准电子科技有限公司 一种金属滚压加工控制方法及系统
CN117531239A (zh) * 2024-01-10 2024-02-09 蓝炬生物技术(杭州)有限公司 一种生物活性物质提取控制方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107462785A (zh) * 2017-06-14 2017-12-12 郑州轻工业学院 基于ga‑svm的电能质量多扰动信号分类识别方法
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7092748B2 (en) * 2000-02-18 2006-08-15 Centro Nacional De Investigaciones Cientificas (Cnic) System and method for the tomography of the primary electric current of the brain and of the heart
US20190117105A1 (en) * 2011-01-12 2019-04-25 Widex A/S Bi-hemispheric brain wave system and method of performing bi-hemispherical brain wave measurements
FR2976352B1 (fr) * 2011-06-09 2015-04-10 Univ Savoie Procede et dispositif de caracterisation de surfaces.
EP3232208A1 (en) * 2016-04-13 2017-10-18 Universitat Politècnica De Catalunya A full time-domain method for measuring and monitoring electromagnetic interference signals and a system
CN106778694A (zh) * 2017-01-18 2017-05-31 北京工业大学 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法
CN108181107B (zh) * 2018-01-12 2019-08-30 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
US20210151123A1 (en) * 2018-03-08 2021-05-20 Jungla Inc. Interpretation of Genetic and Genomic Variants via an Integrated Computational and Experimental Deep Mutational Learning Framework
CN109015111A (zh) * 2018-07-06 2018-12-18 华中科技大学 一种基于信息融合及支持向量机的刀具状态在线监测方法
CN112101227A (zh) * 2020-09-16 2020-12-18 江苏师范大学 一种基于celmdan和sskfda的机械状态监测方法
CN114676736B (zh) * 2022-05-13 2022-08-26 浙江工业大学 一种滚压工件表面质量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107462785A (zh) * 2017-06-14 2017-12-12 郑州轻工业学院 基于ga‑svm的电能质量多扰动信号分类识别方法
CN112749506A (zh) * 2020-12-21 2021-05-04 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法

Also Published As

Publication number Publication date
WO2023217178A1 (zh) 2023-11-16
CN114676736A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN114676736B (zh) 一种滚压工件表面质量预测方法
CN111037365B (zh) 基于生成式对抗网络的刀具状态监测数据集增强方法
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
CN108694023B (zh) 一种马歇尔试件稳定度和流值的测试方法
CN110555247A (zh) 一种基于多点传感器数据和BiLSTM的结构损伤预警方法
JP2013044667A (ja) 多軸疲労寿命評価方法
CN111678698A (zh) 一种基于声振信号融合的滚动轴承故障检测方法
JPH05281199A (ja) 探傷データ評価装置及び方法
CN114626413A (zh) 一种基于随机子空间算法的结构模态参数识别方法及装置
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN110990978A (zh) 一种螺栓状态监测方法和装置
CN114330489A (zh) 一种监测设备故障诊断方法及系统
CN114577453A (zh) 用于确定构件的损伤的方法、计算机程序、数字存储介质以及控制单元
CN112945772A (zh) 一种水岩循环下工程岩体力学性能分析方法
JP3885297B2 (ja) 異音判定装置及び異音判定方法
CN111985315A (zh) 一种轴承故障信号内禀模态函数分解与提取方法及装置
Jiang et al. Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure
US11879869B2 (en) Method for predicting surface quality of burnishing workpiece
CN114888635B (zh) 一种刀具状态监测方法
CN113391244B (zh) 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN103033257B (zh) 一种滚动轴承振动状态的测定方法
CN110849928B (zh) 一种超声滚压加工温度测量分析方法
CN113361209A (zh) 一种高温合金表面缺陷磁异常定量分析方法
CN114387545A (zh) 基于前馈网络的角膜生物力学特性的智能检测方法
CN106678549B (zh) 一种管道检测数据处理方法

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