CN115422978A - 一种工件表面粗糙度预测方法 - Google Patents

Abstract

本发明公开了一种工件表面粗糙度预测方法，涉及工件表面粗糙度预测技术领域。所述方法包括：获取目标工件在加工时的机床振动信号；对所述机床振动信号进行截取预处理，得到精车削振动信号；根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。本发明能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。

Description

一种工件表面粗糙度预测方法

技术领域

本发明涉及工件表面粗糙度预测技术领域，特别是涉及一种工件表面粗糙度预测方法。

背景技术

随着产品加工的复杂化，质量监控与其稳定性是生产的关键，其中工件表面粗糙度是衡量产品质量的重要指标。在复杂几何形状零件的制造过程中会经历多个步骤，例如镗孔、铣削、粗削和精削等。而在传统技术中，现有的用于表面粗糙度预测的方法主要为传统统计方法、支持向量机、神经网络、抽样检测等方法，其中，传统统计方法、支持向量机、神经网络这些方法检测准确度主要依赖于训练数据的完整性的问题，而抽样检测则需要先完成一批产品后再进行检测，因此现有技术存在生产、检测成本高，且生产效率低的问题。

发明内容

本发明的目的是提供一种工件表面粗糙度预测方法，能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。

为实现上述目的，本发明提供了如下方案：

一种工件表面粗糙度预测方法，包括：

获取目标工件在加工时的机床振动信号；

对所述机床振动信号进行截取预处理，得到精车削振动信号；

根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。

可选地，所述根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线，具体包括：

对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；所述信号特征向量包括时域最大值、时域平均值、时域中位值、时域均方根，和频域特征；

将所述目标工件的信号特征向量输入所述工件粗糙度预测模型后，所述工件粗糙度预测模型输出所述目标工件的表面粗糙度预测曲线。

可选地，所述工件粗糙度预测模型的确定方法为：

获取训练数据；所述训练数据包括训练工件的信号特征向量及其对应的表面粗糙度；

构建高斯过程回归模型；

将所述训练数据输入所述高斯过程回归模型中，并采用设定共轭梯度迭代对所述高斯过程回归模型进行训练，将训练好的高斯过程回归模型确定为所述工件粗糙度预测模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种工件表面粗糙度预测方法，首先获取目标工件在加工时的机床振动信号，对机床振动信号进行截图预处理，留下精车削振动信号，再将精车削振动信号输入工件粗糙度预测模型，得到目标工件的表面粗糙度预测曲线。本发明仅通过机床振动信号就能获得目标工件的表面粗糙度预测曲线，无需先生产一批样品进行检测，在不改变机床结构的基础上，大大降低了工件的生产和检测成本，以及提高了工件的生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明工件表面粗糙度预测方法的方法流程图；

图2为本实施例一中的燃油泵的后盖示意图；

图3为本实施例一中的燃油泵的后盖在加工时X方向的振动信号图；

图4为本实施例一中的燃油泵的后盖在加工时Y方向的振动信号图；

图5为本实施例一中的燃油泵的后盖在加工时Z方向的振动信号图；

图6为本实施例一中的模型预测结果与真实测量值比较图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的目的是提供一种工件表面粗糙度预测方法，能够大大降低了工件的生产和检测成本，以及提高了工件的生产效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的一种工件表面粗糙度预测方法，包括：

步骤100：获取目标工件在加工时的机床振动信号。

步骤200：对所述机床振动信号进行截取预处理，得到精车削振动信号。

步骤300：根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。

其中在步骤100中，所述机床振动信号包括切割刀具的振动信号；所述切割刀具包括铣刀、粗车削、精车削和镗刀。所述机床振动信号包括三个方向的振动信号。

在步骤200中，去掉铣刀、粗车削和镗刀的振动信号，截取精车削平稳阶段的振动信号，完成截取预处理。

在步骤300中，具体包括以下步骤：

S1：对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；所述信号特征向量包括时域最大值、时域平均值、时域中位值、时域均方根，和频域特征。所述频域特征采用方差分析方法(Welch‘s方法)提取。

S2：将所述目标工件的信号特征向量输入所述工件粗糙度预测模型后，所述工件粗糙度预测模型输出所述目标工件的表面粗糙度预测曲线。

在步骤S2中，所述工件粗糙度预测模型的确定方法为：

第一步，获取训练数据；所述训练数据包括训练工件的信号特征向量及其对应的表面粗糙度。

第二步，构建高斯过程回归模型：

f～GP[m(x),k(x,x′)]

其中，x,x′为特征向量，且x≠x′，x,x′包括振动信号时域最大值、平均值、中位值、均方根和用Welch‘s方法提取的频域特征，f(x)为预测的工件表面粗糙度。

其中均值函数m(x)为函数f(x)的期望值：

m(x)＝E(f(x))

其中协方差函数k(x,x′)为：

k(x,x′)＝E[(f(x)-m(x))(f(x′)-m(x′))]

高斯过程回归模型GPR的核函数由均值函数和协方差函数构成，均值函数通常取零，有理平方核函数表示为：

其中，尺度因子为σ，尺度为s，比例混合因子α是有理平方核函数的参数；当α＞0时，有理平方核函数视为是具有不同放缩长度的平方指数核函数之和；当α→∞时，有理平方核函数的极限形式是一个平方指数核函数，其放缩的尺度为s，有理平方核函数是无限可微的，因此是光滑的。

第三步，将所述训练数据输入所述高斯过程回归模型中，并采用设定共轭梯度迭代对所述高斯过程回归模型进行训练，将训练好的高斯过程回归模型确定为所述工件粗糙度预测模型。

在本实施例中，所述设定共轭梯度迭代的次数采用100次，并不以此为例，共轭梯度迭代的次数可根据实际情况进行设置。

实施例一：

如图2所示，以图中燃油泵的后盖加工过程为例。机床是来自上海西码SNC-A200数控机床，振动信号采用的是江苏联能电子技术有限公司生产的CA-YD-3193三轴振动传感器、杭州亿恒科技有限公司研发的MI-70XX数字采集器，及宁波联晟SRM-1(D)台式粗糙度仪测量粗糙度。

零件精削加工方式及相关参数如表1所示，刀具类型及相关参数如表2所示。

表1 零件精削加工方式及相关参数

零件材料	转速	精削深度	进给量	冷却液
					ACD-6铝合金	3200RPM	0.06mm	0.06mm/rev	有

表2 刀具类型及相关参数

刀具材料	刀尖圆弧半径	刀具悬伸长度
			金刚石	0.6mm	13mm

根据已获得的离线振动数据，截取精削振动数据，并对采集到的信号数据进行检测，然后进行除杂处理，避免影响预测的准确性。所述除杂处理为去除无用或者重复信号数据。参照图3-图5所示，展示了一个零件加工的三个方向振动信号，其横坐标为时间，纵坐标为震动频率，其燃油盖的加工过程包括上料、刀具移动、粗车削、钻孔、铣削、精车端面与外圆、倒角和换料，其中虚线区间为所需的精车削振动信号。

从精车振动信号中提取特征向量X，包括振动信号时域最大值、平均值、中位值、均方根和用Welch‘s方法提取的频域特征。在具体实施中，可采取至少一次特征向量提取，并对多次提取的结果进行对比，根据对比结果判断误差情况，保证特征向量提取准确，提高预测准确性。其计算式如下所示：

最大值：

x_max＝max(x₁,x₂…x_n)

平均值：

中位值：

x_median＝median(x₁,x₂…x_n)

均方根：

利用Welch‘s方法，将长度为N的原始振动数据x分成L段，n＝0，1，…N-1，每段有M个数据，则N＝LM。第i段数据表示为：

x_i(n)＝x(n+iM-M),0≤n≤M,1≤i≤L

其中，N表示特征向量的数量；i表示第i个频域特征。

然后把窗函数w(n)加到每一个数据段上，求出每一段的功率谱。第i段的功率谱为：

U称为归一化因子：

将每一段的功率谱之间近似比作互不相关，最后功率谱估计为：

分析和筛选与表面粗糙度相关的振动信号特征，从而得到基于高斯过程回归模型(GPR)训练得到的工件粗糙度预测模型的训练样本和测试集。本实例选用的是X方向的平均值、Z方向的平均值、X方向的均方根、Z方向的均方根、三个方向的功率谱作为训练样本和测试集。

利用高斯回归模型(GPR)和设定共轭梯度迭代训练得到工件粗糙度预测模型，并利用工件粗糙度预测模型得到表面粗糙度预测曲线。

参照图6所示，用不同颜色的点分别表示粗糙度仪测量值和GPR预测值。模型预测结果与测量结果拟合度高，R平方0.96，均方根误差35μm。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种工件表面粗糙度预测方法，其特征在于，包括：

获取目标工件在加工时的机床振动信号；

对所述机床振动信号进行截取预处理，得到精车削振动信号；

根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线；所述工件粗糙度预测模型包括核函数；所述核函数由均值函数和协方差函数构成；所述表面粗糙度预测曲线用于确定工件的表面粗糙度。

2.根据权利要求1所述的工件表面粗糙度预测方法，其特征在于，所述根据所述精车削振动信号和工件粗糙度预测模型确定所述目标工件的表面粗糙度预测曲线，具体包括：

对所述精车削振动信号进行特征提取，得到目标工件的信号特征向量；所述信号特征向量包括时域最大值、时域平均值、时域中位值、时域均方根，和频域特征；

将所述目标工件的信号特征向量输入所述工件粗糙度预测模型后，所述工件粗糙度预测模型输出所述目标工件的表面粗糙度预测曲线。

3.根据权利要求2所述的工件表面粗糙度预测方法，其特征在于，所述工件粗糙度预测模型的确定方法为：

获取训练数据；所述训练数据包括训练工件的信号特征向量及其对应的表面粗糙度；

构建高斯过程回归模型；

将所述训练数据输入所述高斯过程回归模型中，并采用设定共轭梯度迭代对所述高斯过程回归模型进行训练，将训练好的高斯过程回归模型确定为所述工件粗糙度预测模型。

Images