[发明专利]一种基于声振及纹理特征预测表面粗糙度的方法

说明书

一种基于声振及纹理特征预测表面粗糙度的方法，包括：搭建铣削噪声、铣削振动、工件表面纹理及粗糙度采集系统，获取铣削过程中的噪声和振动的时域信号，及工件表面粗糙度值和纹理图像。从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值，利用Tamura纹理特征获得工件表面纹理特征值：粗糙度、对比度和方向性。基于试验数据和最小二乘支持向量机建立以一维特征及二维特征值为输入参数，粗糙度为输出结果的多维特征预测模型。本发明的方法可预测铣削过程中的工件表面粗糙度，拓展了科学检测铣削过程中工件表面粗糙度的方式。

技术领域

本发明属于铣削加工领域，具体涉及一种基于声振及纹理特征预测表面粗糙度的方法。

背景技术

在机械制造过程中，粗糙度是衡量机械零件加工质量的重要指标之一，与机械的耐磨性、抗疲劳强度、耐腐蚀性、机械加工精度等密切相关，直接影响机械零件的性能和寿命。随着对零件的表面质量和加工精度的要求更加苛刻，粗糙度的检测已经是必不可少的部分。在不同铣削参数下进行铣削加工，铣刀产生的铣削振动变化会导致不同的工件纹理，并伴随铣削噪声加剧，直接影响粗糙度的变化。现有的文献中主要是关注粗糙度的图像分类，缺少在铣削过程中，通过智能算法建立多维特征融合预测模型对粗糙度进行预测的方法。

发明内容

本发明的目的在于提供一种基于声振及图像特征预测表面粗糙度的研究方法，建立基于粒子群优化最小二乘支持向量机的多维特征粗糙度预测模型对粗糙度进行预测。

为实现上述发明目的，本发明的技术方案具体如下：

一种基于声振及图像特征预测表面粗糙度的研究方法，包括以下步骤：

S1：制定不同铣削参数的铣削试验中；搭建了铣削噪声、铣削振动、工件表面纹理和粗糙度采集系统；

S2：利用声级计和三向振动加速度传感器得到铣削过程中噪声和振动的时域信号，利用接触式粗糙度测量仪和工业相机得到铣削过程中工件表面粗糙度和纹理图像，从铣削噪声和三向铣削振动加速度的时域信号中提取出声压级均方根和降维振动加速度均方根作为特征值，利用Tamura纹理特征从工件表面纹理图像获得粗糙度、对比度和方向性作为特征值；

S3：通过粒子群优化最小支持向量机建立多维特征预测模型，以一维特征(声压级均方根和三向加速度均方根)和二维特征(粗糙度、对比度和方向性)作为模型输入参数，粗糙度作为模型输出参数，对粗糙度进行预测。

进一步的，所述步骤S2具体包括：声级计和三向振动加速度传感器，将各时刻实际测量声压级均方根L_pRMS作为噪声信号的特征值，利用主成分分析法对三向振动加速度均方根(轴向a_RMS-x、径向a_RMS-y，切向a_RMS-z)进行降维，方法如下：

首先根据对三向振动加速度均方根a_RMS-x，a_RMS-y，a_RMS-z的数据进行标准化，公式如下：

式中n是试验次数，m是主成分变量个数，m＝3。

再根据标准化后的数据计算相关系数矩阵，利用雅克比法求解相关系数矩阵，得到相关系数矩阵的特征值及对应的特征向量，按特征值从大到小排列，根据公式(2)求解各个特征值对应的主成分贡献率及累计贡献率：：

式中e_i是主成分贡献率；是累计贡献率。一般认为累计贡献值大于90％时的主成分个数即为最佳变量个数。降维后振动加速度a_dRMS为累计贡献值大于90％的特征值对应特征向量乘以三向振动加速度均方根：