CN117381547A - 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 - Google Patents
一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 Download PDFInfo
- Publication number
- CN117381547A CN117381547A CN202311347093.0A CN202311347093A CN117381547A CN 117381547 A CN117381547 A CN 117381547A CN 202311347093 A CN202311347093 A CN 202311347093A CN 117381547 A CN117381547 A CN 117381547A
- Authority
- CN
- China
- Prior art keywords
- grinding wheel
- abrasion
- acoustic emission
- dimension reduction
- neural network
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000005299 abrasion Methods 0.000 claims abstract description 93
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000003754 machining Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 208000035874 Excoriation Diseases 0.000 description 68
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000005350 fused silica glass Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- 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
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统,涉及超精密加工技术领域,为解决现有方法的磨损状态特征值选取单一或过于复杂,难以得到准确、稳定的预测模型的问题。包括如下步骤:S1、将声发射传感器阵列安装于磨削设备的砂轮主轴固定架上,利用声发射传感器对不同砂轮磨损状态下的声发射信号进行采集,对采集的信号进行预处理;S2、提取声发射信号中与砂轮磨损状态相关的特征值,并通过相关性计算进行特征降维;S3、根据降维后的声发射信号特征值及对应的磨损状态构建立径向基神经网络的砂轮磨损状态预测模型,建立特征值与磨损状态的映射关系,最终实现对磨削状态下的小直径球头砂轮的磨损状态预测。
Description
技术领域
本发明涉及超精密加工技术领域,具体而言,涉及一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统。
背景技术
半球谐振陀螺是一种高精度、高可靠性、长寿命的新型固体振动陀螺,因而在航空航天、卫星等惯性系统中得到广泛应用。半球谐振子是半球谐振陀螺的核心部件,其加工质量和精度直接决定使用性能。由于谐振子构成材料为高纯度熔融石英,是典型难加工材料之一,因而磨削加工过程中不可避免会导致砂轮出现磨损现象,进而降低半球谐振子的加工质量和表面精度。因此,如何实现对砂轮磨损状态的实时监测评估对超精密磨削加工过程意义重大。
常规意义上砂轮磨损程度的严重与否并没有严格意义上的界定,通常可根据砂轮表面磨粒脱落形式、磨削加工振动信号、砂轮表面形貌等特征进行划分。为更好地表征砂轮磨损状态,离线检测和在位检测是目前常采用的两类方式。其中,基于测量设备的离线检测手段可清晰观察到砂轮表面的形貌及磨粒脱落情况,但对磨削加工效率和加工精度带来不利影响。在位检测则是基于各类传感器如声发射传感器、振动传感器采集与砂轮磨损状态相关联的信号特征,通过数学模型确立信号特征与砂轮磨损状态间的联系,但该检测技术需要复杂的逻辑运算,且存在磨损状态特征值选取单一或过于复杂,难以得到准确、稳定的预测模型,得到的砂轮磨损状态划分不清晰、结果受人为主观因素影响大及建模分析过程繁琐低效等问题。
发明内容
本发明要解决的技术问题是:
现有方法的磨损状态特征值选取单一或过于复杂,难以得到准确、稳定的预测模型,得到的砂轮磨损状态划分不清晰、结果受人为主观因素影响大及分析过程繁琐。
本发明为解决上述技术问题所采用的技术方案:
本发明提供了一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,包括如下步骤:
S1、将声发射传感器阵列安装于磨削设备的砂轮主轴固定架上,利用声发射传感器对不同砂轮磨损状态下的声发射信号进行采集,对采集的声发射信号进行预处理;
S2、提取声发射信号中与砂轮磨损状态相关的特征值,并通过相关性计算进行特征降维;
S3、根据降维后的声发射信号特征值及对应的磨损状态构建立径向基神经网络的砂轮磨损状态预测模型,建立特征值与磨损状态的映射关系,最终实现对磨削状态下的小直径球头砂轮的磨损状态预测。
进一步地,S1中所述声发射传感器为多个传感器组成的阵列,阵列形式包括:圆形阵列、矩形阵列和十字阵列。
进一步地,S1中所述对采集的声发射信号进行预处理,包括基于希尔伯特-黄变换对采集的声发射信号进行滤波降噪处理,再对滤波降噪处理后的声发射信号进行归一化处理。
进一步地,所述归一化处理,具体为:
式中,x_GYi(t)为第i周期磨削加工时采样的声发射信号xi(t)的归一化结果,x1(t)max与x1(t)min分别为首周期磨削加工时采样信号x1(t)中的最大值与最小值,xi(t)为第i周期磨削加工时采样的声发射信号。
进一步地,S2包括如下步骤:
步骤1、提取声发射信号中与砂轮磨损状态相关的特征值构建特征集合X={X1,X2,X3,…XM},M表示声发射信号中与砂轮磨损状态相关的特征值数量,计算特征值X1与特征集合X中剩余各特征值之间的相关系数,若存在特征值Xj,j∈2,3,4…,M与X1之间的相关系数大于预设阈值,则删除特征值Xj,否则保留Xj,以实现对特征集合X的降维;
步骤2、计算降维后的特征集合中的第二个特征值与剩余各特征值之间的相关性系数,按照步骤一的方法进一步对特征集合进行降维;重复执行上述过程,至所有特征值完成相关性计算,实现对特征降维。
进一步地,步骤1中所述相关系数的计算方法为:
其中,参数L表示所采集的声发射信号数量,xs表示为特征值X1在第s个采样信号中的结果,ys表示为特征值Xj在第s个采样信号中的结果,表示所有采样信号中特征值X1的均值,/>表示所有采样信号中特征值Xj的均值。
进一步地,步骤2中特征降维后得到的特征值包括:均值峰值因子Cf、峭度指标K及波形因子Ws。
进一步地,S1所述砂轮磨损状态包括:无磨损、磨损初期、磨损中期和磨损后期,并采用磨削加工周期数表征砂轮磨损状态。
进一步地,所述采用磨削加工周期数表征砂轮磨损状态,具体为:采用磨削加工周期数为1表征无磨损,磨削加工周期数为2~10表征磨损初期,磨削加工周期数为11~100表征磨损中期,磨削加工周期数为100及以上表征磨损后期。
一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测系统,该系统具有与上述技术方案中任一项的步骤对应的程序模块,运行时执行上述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法中的步骤。
相较于现有技术,本发明的有益效果是:
本发明一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统,根据声发射信号中与砂轮磨损状态相关的特征值,采用相关性计算进行特征降维,得到的特征集合中各个特征值之间相关性较低,实现采用较少的信号特征值建立起更精准的砂轮磨损状态预测模型,降低了建模复杂性的同时,保障了砂轮磨损状态预测结果的可靠性,最终实现超精密磨削加工过程中对小直径球头砂轮磨损状态的在线预测,为砂轮的及时修整或砂轮更换提供技术指导,为超精密磨削加工的高效、高质量发展奠定基础。
本发明方法具有一定普适性,不仅可研究球面件超精密磨削时小直径球头砂轮磨损状态,还可以扩展至非球面件超精密磨削过程砂轮磨损状态的研究中。
附图说明
图1为本发明实施例中的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法流程图;
图2为本发明实施例中的声发射传感器采样系统示意图;
图3为本发明实施例中的超精密机床及声发射传感器阵列示意图;
图4为本发明实施例中的声发射传感器阵列形式示意图;
图5为本发明实施例中的不同磨削周期下的磨削加工时域信号;
图6为本发明实施例中的基于希尔伯特—黄变换信号前后对比图;
图7为本发明实施例中的径向基神经网络(RBF)结构图;
图8为本发明实施例中的砂轮磨损理论与预测结果对比图。
附图标记说明:
1-C轴转台,2-砂轮主轴固定架,3-砂轮主轴,4-球头砂轮,5-被加工工件,6-机床水平工作台,7-工件主轴,8-工件主轴保护罩,9-声发射传感器。
具体实施方式
在本发明的描述中,应当说明的是,在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的,并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
具体实施方案一:如图1所示,本发明提供一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,包括如下步骤:
S1、如图2所示,将声发射传感器阵列安装于磨削设备的砂轮主轴固定架上,利用声发射传感器对不同砂轮磨损状态下的声发射信号进行采集,对采集的声发射信号进行预处理;
S2、提取声发射信号中与砂轮磨损状态相关的特征值,并通过相关性计算进行特征降维;
S3、根据降维后的声发射信号特征值及对应的磨损状态构建立径向基神经网络的砂轮磨损状态预测模型,建立特征值与磨损状态的映射关系,最终实现对磨削状态下的小直径球头砂轮的磨损状态预测。
本实施方案中,采用四轴三联动超精密磨抛机床对小直径球头砂轮与复杂薄壁构件进行磨削加工,三个直线运动轴X、Y、Z轴,一个C轴转台1,磨削加工时,通过调整工件主轴7和砂轮主轴3的转速调节被加工工件5和球头砂轮4的相对磨削速度。通过控制机床水平工作台6的运动速度调节进给速度。由于超精密磨削加工时磨削液始终喷洒在球头砂轮4与被加工工件5接触区域,如图3所示,为避免磨削液持续性冲击对信号的影响,将声发射传感器9用耦合剂阵列固定于不受磨削液影响的砂轮主轴固定架2上。
由于超精密磨削加工的磨削周期T≈30min,若对整个磨削周期全部采集数据量过大,因此,从磨削周期内截取一段信号进行分析,且保证每次采样数据处于同一磨削区域。
如图5所示,为获得不同磨损状态下的声发射信号,分别对球头砂轮磨削加工1个周期、3个周期、5个周期、……、N个周期时产生的声发射信号进行采集。
具体实施方案二:如图4所示,S1中所述声发射传感器为多个传感器组成的阵列,阵列形式包括:圆形阵列、矩形阵列和十字阵列。本实施方案其它与具体实施方案一相同。
由于径向基神经网络的训练样本越多,后续砂轮磨损状态预测结果的精确度越高,因此,采用多个传感器组成阵列进行信号采集。考虑到传感器布置空间及数量,优选将声发射传感器布置成矩形阵列。
具体实施方案三:S1中所述对采集的声发射信号进行预处理,包括基于希尔伯特-黄变换对采集的声发射信号进行滤波降噪处理,再对滤波降噪处理后的声发射信号进行归一化处理。本实施方案其它与具体实施方案一相同。
由于磨削液的持续冲击、周围环境及机床振动等因素的影响,使得声发射传感器采样信号中夹杂着干扰信号。若直接基于原始数据提取信号特征并建立砂轮磨损预测模型,会使预测结果与实际偏差较大。由于声发射信号是典型的非线性非平稳信号,傅里叶变换及小波变换在处理该类信号时均存在一定的局限性。希尔伯特-黄变换则是能在保留信号基本特征的前提下,最大程度上实现信号的降噪。因此,本实施方案基于希尔伯特-黄变换来实现采样信号的滤波降噪处理,结果如图6所示。
具体实施方案四:所述归一化处理,具体为:
式中,x_GYi(t)为第i周期磨削加工时采样的声发射信号xi(t)的归一化结果,x1(t)max与x1(t)min分别为首周期磨削加工时采样信号x1(t)中的最大值与最小值,xi(t)为第i周期磨削加工时采样的声发射信号。本实施方案其它与具体实施方案三相同。
具体实施方案五:S2包括如下步骤:
步骤1、提取声发射信号中与砂轮磨损状态相关的特征值构建特征集合X={X1,X2,X3,…XM},M表示声发射信号中与砂轮磨损状态相关的特征值数量,计算特征值X1与特征集合X中剩余各特征值之间的相关系数,若存在特征值Xj,j∈2,3,4…,M与X1之间的相关系数大于预设阈值,则删除特征值Xj,否则保留Xj,以实现对特征集合X的降维;
步骤2、计算降维后的特征集合中的第二个特征值与剩余各特征值之间的相关性系数,按照步骤一的方法进一步对特征集合进行降维;重复执行上述过程,至所有特征值完成相关性计算,实现对特征降维。本实施方案其它与具体实施方案一相同。
本实施方案中的预设阈值为0.8.
常见特征值包括:峰值Xp、均值均方根值Xrms、峰值因子Cf、峭度指标K、波形因子Ws、脉冲因子、裕度因子等十余个特征值,其中部分参数的表达式如下所示:
参数n为声发射传感器采样数据点数。
由于信号特征值数量较多,因此在利用径向基神经网络建立预测模型时要对被选取的信号特征集合进行降维,降维后的特征集合中各个特征值之间相关性较低,可实现采用较少的信号特征值建立起更精准的砂轮磨损状态预测模型。
具体实施方案六:步骤1中所述相关系数的计算方法为:
其中,参数L表示所采集的声发射信号数量,xs表示为特征值X1在第s个采样信号中的结果,ys表示为特征值Xj在第s个采样信号中的结果,表示所有采样信号中特征值X1的均值,/>表示所有采样信号中特征值Xj的均值。本实施方案其它与具体实施方案五相同。
具体实施方案七:步骤2中特征降维后得到的特征值包括:均值峰值因子Cf、峭度指标K及波形因子Ws。本实施方案其它与具体实施方案六相同。
具体实施方案八:S1所述砂轮磨损状态包括:无磨损、磨损初期、磨损中期和磨损后期,并采用磨削加工周期数表征砂轮磨损状态。本实施方案其它与具体实施方案一相同。
具体实施方案九:所述采用磨削加工周期数表征砂轮磨损状态,具体为:采用磨削加工周期数为1表征无磨损,磨削加工周期数为2~10表征磨损初期,磨削加工周期数为11~100表征磨损中期,磨削加工周期数为100及以上表征磨损后期。本实施方案其它与具体实施方案八相同。
由于小直径球头砂轮从安装到更换总计需经历4个阶段,分别为无磨损(首次磨削)、磨损初期、磨损中期、磨损后期。通常,磨削周期数T越大,砂轮磨损程度越严重,因此,利用超精密磨削加工周期数T来表征小直径球头砂轮磨损状态。如表1所示为部分特征降维后的声发射信号特征值及对应的磨损状态数据。
表1
具体实施方案十:一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测系统,该系统具有与上述实施方案任一项的步骤对应的程序模块,运行时执行上述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法中的步骤。
实施例1
为验证本发明方法的准确性,分别对球头砂轮磨削加工1个周期、3个周期、5个周期、……、121个周期时产生的声发射信号进行采集,采用本发明方法对数据进行预处理及特征降维,如图7所示,构建径向基神经网络的砂轮磨损状态预测模型并对模型进行训练,利用声发射传感器分别采集磨削周期T为1、3、8、15、50、80、110及150时对应的声发射信号,并提取对应的特征值,将其作为输入变量代入训练后的模型中,得到砂轮磨损状态结果如表3和图8所示。
表2
根据表2及图8(a)可知,基于径向基神经网络预测得到的砂轮磨损程度与砂轮理论磨损状态间虽存在一定量误差,分析原因为由于训练样本数量较少导致的模型精度不足,但已实现了对砂轮磨损状态的准确预测。如图8(b)所示,可以看出曲线呈先减少后增加趋势,即无磨损、磨损初期和磨损中期的预测结果准确度要优于磨损后期。而在实际应用中,需要保证球头砂轮能够处于磨损中前期,因此,本发明的方法具有较好有效性和实用性。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,包括如下步骤:
S1、将声发射传感器阵列安装于磨削设备的砂轮主轴固定架上,利用声发射传感器对不同砂轮磨损状态下的声发射信号进行采集,对采集的声发射信号进行预处理;
S2、提取声发射信号中与砂轮磨损状态相关的特征值,并通过相关性计算进行特征降维;
S3、根据降维后的声发射信号特征值及对应的磨损状态构建立径向基神经网络的砂轮磨损状态预测模型,建立特征值与磨损状态的映射关系,最终实现对磨削状态下的小直径球头砂轮的磨损状态预测。
2.根据权利要求1所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,S1中所述声发射传感器为多个传感器组成的阵列,阵列形式包括:圆形阵列、矩形阵列和十字阵列。
3.根据权利要求1所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,S1中所述对采集的声发射信号进行预处理,包括基于希尔伯特-黄变换对采集的声发射信号进行滤波降噪处理,再对滤波降噪处理后的声发射信号进行归一化处理。
4.根据权利要求3所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,所述归一化处理,具体为:
式中,x_GYi(t)为第i周期磨削加工时采样的声发射信号xi(t)的归一化结果,x1(t)max与x1(t)min分别为首周期磨削加工时采样信号x1(t)中的最大值与最小值,xi(t)为第i周期磨削加工时采样的声发射信号。
5.根据权利要求1所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,S2包括如下步骤:
步骤1、提取声发射信号中与砂轮磨损状态相关的特征值构建特征集合X={X1,X2,X3,…XM},M表示声发射信号中与砂轮磨损状态相关的特征值数量,计算特征值X1与特征集合X中剩余各特征值之间的相关系数,若存在特征值Xj,j∈2,3,4…,M与X1之间的相关系数大于预设阈值,则删除特征值Xj,否则保留Xj,以实现对特征集合X的降维;
步骤2、计算降维后的特征集合中的第二个特征值与剩余各特征值之间的相关性系数,按照步骤一的方法进一步对特征集合进行降维;重复执行上述过程,至所有特征值完成相关性计算,实现对特征降维。
6.根据权利要求5所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,步骤1中所述相关系数的计算方法为:
其中,参数L表示所采集的声发射信号数量,xs表示为特征值X1在第s个采样信号中的结果,ys表示为特征值Xj在第s个采样信号中的结果,表示所有采样信号中特征值X1的均值,表示所有采样信号中特征值Xj的均值。
7.根据权利要求6所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,步骤2中特征降维后得到的特征值包括:均值峰值因子Cf、峭度指标K及波形因子Ws。
8.根据权利要求1所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,S1所述砂轮磨损状态包括:无磨损、磨损初期、磨损中期和磨损后期,并采用磨削加工周期数表征砂轮磨损状态。
9.根据权利要求8所述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法,其特征在于,所述采用磨削加工周期数表征砂轮磨损状态,具体为:采用磨削加工周期数为1表征无磨损,磨削加工周期数为2~10表征磨损初期,磨削加工周期数为11~100表征磨损中期,磨削加工周期数为100及以上表征磨损后期。
10.一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测系统,其特征在于,该系统具有与上述权利要求1~9任一项权利要求的步骤对应的程序模块,运行时执行上述的基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311347093.0A CN117381547A (zh) | 2023-10-18 | 2023-10-18 | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311347093.0A CN117381547A (zh) | 2023-10-18 | 2023-10-18 | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117381547A true CN117381547A (zh) | 2024-01-12 |
Family
ID=89464296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311347093.0A Pending CN117381547A (zh) | 2023-10-18 | 2023-10-18 | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117381547A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117718876A (zh) * | 2024-02-07 | 2024-03-19 | 华海清科股份有限公司 | 用于化学机械抛光的监测方法和化学机械抛光设备 |
-
2023
- 2023-10-18 CN CN202311347093.0A patent/CN117381547A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117718876A (zh) * | 2024-02-07 | 2024-03-19 | 华海清科股份有限公司 | 用于化学机械抛光的监测方法和化学机械抛光设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
Cuka et al. | Fuzzy logic based tool condition monitoring for end-milling | |
Rehorn et al. | State-of-the-art methods and results in tool condition monitoring: a review | |
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN111366123B (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
CN117381547A (zh) | 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统 | |
CN107186547A (zh) | 基于切削功率的数控车削批量加工刀具磨损在线监测方法 | |
CN103823409A (zh) | 数控机床加工状态多参数在线主动监控系统及其实现方法 | |
Salgado et al. | Tool wear estimation for different workpiece materials using the same monitoring system | |
CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
Li et al. | Online chatter detection in milling process based on VMD and multiscale entropy | |
CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN115409067A (zh) | 一种数控机床组件剩余寿命预测方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
Massol et al. | An exTS based neuro-fuzzy algorithm for prognostics and tool condition monitoring | |
CN114139772A (zh) | 一种基于优化广义回归神经网络预测工件表面质量的方法 | |
CN114800040A (zh) | 工艺-状态数据关联的刀具磨损监测方法及系统 | |
Zheng et al. | Exploring the effectiveness of using internal CNC system signals for chatter detection in milling process | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
Li et al. | Non-invasive milling force monitoring through spindle vibration with LSTM and DNN in CNC machine tools | |
CN116643020A (zh) | 基于高密度水基泡沫切削液提高铣削工件表面质量的方法 | |
Tang et al. | Typical signal anomaly monitoring and support vector regression-based surface roughness prediction with acoustic emission signals in single-point diamond turning | |
CN113704922A (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 |
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 |