亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于模糊神經(jīng)網(wǎng)絡(luò)與主成分分析的磨削表面粗糙度在線預測

        2022-12-20 07:57:14遲玉倫吳耀宇
        計量學報 2022年11期
        關(guān)鍵詞:降維特征值粗糙度

        遲玉倫, 吳耀宇, 江 歡, 楊 磊

        (上海理工大學,上海200093)

        1 引 言

        影響磨削加工過程中的工件表面粗糙度的因素眾多,包括進給速度、磨削量、砂輪速度、砂輪修整狀況、工件材料的成分及加工過程中的一些不確定因素等[1-2]。磨削過程是動態(tài)的,磨削用量、工件材料、磨削振動等諸多影響表面粗糙度因素在不斷變化,工件表面粗糙度的監(jiān)測流程影響加工質(zhì)量和加工效率。如能實現(xiàn)對工件表面粗糙度進行實時檢測,及時控制生產(chǎn)過程中的加工參數(shù),則可避免人力、原料和加工時間上的浪費[3,4]。

        通過在線監(jiān)測加工過程中的相關(guān)物理量可以進行實時預測表面粗糙度[5~7],如振動加速度信號、聲發(fā)射信號等能夠有效地反映工件表面粗糙度的變化,使用傳感器信號建立預測模型實現(xiàn)表面粗糙度的在線預測。在使用振動信號進行預測方面,遲軍等[8]利用振動信號的小波包分析和松散型小波網(wǎng)絡(luò)實現(xiàn)了表面粗糙度的在線預測。Upadhyay V和 Risbood K A等[9,10]根據(jù)振動信號的時域分析法對信號進行處理,并結(jié)合切削參數(shù)實現(xiàn)表面粗糙度的在線監(jiān)測。Plaza E G等[11]提出在時域上使用奇異譜分析方法且僅通過經(jīng)驗正交函數(shù)對振動信號進行分析,監(jiān)測在線加工的表面粗糙度。在使用聲發(fā)射信號預測方面,胡仲翔等[12]使用改進的BP神經(jīng)網(wǎng)絡(luò),以磨削聲發(fā)射信號的特征量作為輸入,對表面粗糙度進行了預測。王艷等[13]利用聲發(fā)射信號的小波包分解的能量特征,對慢走絲線切割加工的表面粗糙度進行了預測。郭力等[14]采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),以聲發(fā)射均方根和快速傅里葉變換峰值為特征值,對鑄鐵表面粗糙度進行了預測。以上均采用振動信號或聲發(fā)射信號的特征量,單一傳感器信號易受外界干擾,可能存在信息量不足的問題,未能充分利用傳感器在加工過程中所傳遞的有效信息,使得建模過程耗時繁瑣并且可能會造成較大的預測誤差。

        受加工過程中諸多因素的影響,在進行表面粗糙度的預測時,不同學者選擇加工參數(shù)也不盡相同。孫林等[15]提出基于最小二乘支持向量機僅使用磨削用量來預測。汪振華等[16]根據(jù)試驗分析得到影響表面粗糙度的顯著影響因素被進刀量、每齒進給量、主軸轉(zhuǎn)速,并使用最小二乘法建立模型對切削加工的防銹鋁合金表面粗糙度預測。陳廉清等[17]使用遺傳算法與反向傳播神經(jīng)結(jié)合,以進給速度、工件轉(zhuǎn)速和進給量為輸入進行粗糙度預測。鄭剛等[18]通過模糊優(yōu)選理論對材料去除率、總銑削力和殘余應(yīng)力3個因素進行優(yōu)先判斷,并建立模型進行粗糙度預測。這些方法多通過構(gòu)建表面粗糙度與加工參數(shù)、刀具、工件材料等經(jīng)驗因素的關(guān)系模型進行預測,因模型的選擇與參數(shù)調(diào)整不一,導致不同的模型預測精度較低。

        針對上述存在的問題,本文在聲發(fā)射與振動信號相結(jié)合使用的基礎(chǔ)上,提出了主成分分析(principle components analysis,PCA)與模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network,F(xiàn)NN)結(jié)合的表面粗糙度預測模型。首先,采集磨削加工過程中的聲發(fā)射信號振動加速度信號;然后,提取兩種信號的主要時域、頻域和小波包特征,并使用PCA方法進行處理得到選擇最優(yōu)特征量,且避免高維非線性特征處理的復雜性。使用FNN進行模型構(gòu)建,建立了表面粗糙度預測模型;最后,對磨削工件的表面粗糙度進行了預測驗證。

        2 表面粗糙度預測原理

        2.1 磨削加工過程中表面粗糙度的影響因素

        磨削過程中是砂輪直接與工件接觸,因此表面粗糙度的產(chǎn)生直接與砂輪單位面積磨粒量、磨粒的分布情況及磨粒切削痕跡等有關(guān),其形成過程如下[19]:如果砂輪轉(zhuǎn)速na與工件轉(zhuǎn)速nsσ之間成整倍數(shù)關(guān)系,則砂輪表面粗糙度將同樣復印在工件表面上,n次與n+1磨粒切削刃痕跡如圖1所示。實際磨削過程中,na/nsσ不是整數(shù),磨粒切削刃將不會重復切削工件表面上的同一點,切削刃痕跡將相互錯開[20]。

        圖1 n次與(n+1)次磨粒切削刃痕跡Fig.1 Cutting edge traces of n times andn+1) times abrasive grains

        由于表面粗糙度的影響因素較多,僅通過特定單一信號進行預測,很難得到高精度的預測結(jié)果。因此,本文采用在線監(jiān)測相關(guān)信號(如聲發(fā)射信號和振動加速度信號)來實現(xiàn)表面粗糙度實時識別,需要充分挖掘并利用信號中包含的有效信息。

        2.2 表面粗糙度預測流程

        在加工的過程中,工件表面粗糙度越大,則相同壓力作用下的摩擦產(chǎn)生的應(yīng)力波強度越大,聲發(fā)射現(xiàn)象越明顯,建立表面粗糙度與聲發(fā)射信號特征值與的映射關(guān)系,就可以實現(xiàn)磨削過程中表面粗糙度的實時在線監(jiān)測[21,22]。由振動理論可知,機床系統(tǒng)的振動是由激振源及系統(tǒng)的結(jié)構(gòu)特性決定,與磨削粗糙度存在一定關(guān)系[23]。在機床上安裝聲發(fā)射傳感器及三向振動傳感器,采集磨削過程中的高頻聲發(fā)射信號及振動加速度信號,提取信號中的特征量并進行降維處理,降維后的特征量作為模型輸入,輸出為預測的工件表面粗糙度。

        首先,將采集到的數(shù)據(jù)進行信號預處理,將其中的異常點剔除。其次,使信號特征提取,對于采集到的信號,特征值的變化也會映射出工件表面粗糙度的變化,提取的信號特征量包括時域特征、頻域特征和小波包特征;提取的特征量有許多,需要通過特征降維方法得到與表面粗糙度相關(guān)的主特征量。最后,通過FNN進行表面粗糙度的預測,預測流程如圖2所示。

        圖2 表面粗糙度預測流程Fig.2 Surface roughness prediction process

        3 表面粗糙度預測模型研究

        3.1 聲發(fā)射信號與振動信號特征選擇

        工件表面粗糙度的大小與信號的時域特征、頻域特征和小波包特征存在相關(guān)性。在時域特征中,均值表示信號的中心趨勢,均方根表示信號的平均能量,峭度因子表示大幅值脈沖出現(xiàn)的概率,裕度因子反映了信號的沖擊程度。因此時域特征可選取為平均值、均方根、峭度因子、裕度因子。頻域特征的變化與表面粗糙度的變化也有很大相關(guān)性。重心頻率,均方頻率和均方根頻率均表示信號功率譜中主頻帶的位置變化情況,頻率方差和頻率標準差描述譜能量的分散程度。因此,選擇的頻域特征有重心頻率、均方頻率、均方根頻率、頻率方差和頻率標準差。由于小波包分析中含有大量的信號信息[24],故小波包特征選取為小波包4層分解后各子頻帶的統(tǒng)計特征,選擇的統(tǒng)計特征有平均值、均方根、峭度因子、裕度因子。

        從信號中提取的特征值有:振動信號x、y、z方向的時域特征、頻域特征,聲發(fā)射信號的時域特征、頻域特征和小波包特征,共99維特征。

        3.2 PCA降維方法

        PCA是一種特征的主成分提取方法[25]。在提取特征主成分之前對輸入空間進行歸一化處理,將原始特征數(shù)據(jù)標準化。

        PCA的計算步驟如下:

        (1)計算信號樣本數(shù)據(jù)xi矢量的協(xié)方差矩陣C公式

        (1)

        式中xi為信號樣本數(shù)據(jù)矢量。

        (2)求出C的特征值λi及對應(yīng)的單位正交特征矢量ui

        λiui=Cui

        (2)

        前m個較大的特征值λ1≥λ2≥…>λm>0,代表前m個主成分的特征矢量ui就是主成分Fi關(guān)于原變量的系數(shù)。主成分的方差貢獻率表示信息量,信息量越大表明所含原數(shù)據(jù)的信息越多,信息量的大小αi

        (3)

        若前m個主成分的累積貢獻率大于85%,則提取的主成分特征可反映原來高維特征的信息。

        (3 )計算主成分得分,計算信號樣本的主成分

        U=[u1,u2,…,um]T
        F=ATU

        (4)

        式中:U為特征向量矩陣;A為信號樣本數(shù)據(jù)xi的矩陣;F是特征的主成分矩陣,即為壓縮降維后的特征數(shù)據(jù),得到的低維特征將用于表面粗糙度的預測模型輸入。

        3.3 FNN結(jié)構(gòu)

        使用FNN結(jié)構(gòu)來表達各個降維主成分與表面粗糙度的映射關(guān)系。將降維處理后的數(shù)據(jù)集分為訓練集和測試集兩部分,選用訓練集對預測模型進行訓練,然后用測試集來測試預測模型的準確性[26]。在FNN中,模糊系統(tǒng)的輸入、輸出信號用輸入、輸出節(jié)點來表示,隸屬函數(shù)和模糊規(guī)則用神經(jīng)網(wǎng)絡(luò)的隱含節(jié)點來表示,模糊系統(tǒng)的推理能力因神經(jīng)網(wǎng)絡(luò)的并行處理能力而大大提高。

        圖3為FNN的基礎(chǔ)結(jié)構(gòu)圖。

        圖3 FNN結(jié)構(gòu)Fig.3 Structure of FNN

        本文基于遺傳算法的FNN的粗糙度識別模型基于此結(jié)構(gòu)進行構(gòu)建。該FNN是一個多層前饋網(wǎng)絡(luò),其中的方形節(jié)點需要進行參數(shù)學習[27]。第1層為輸入變量的隸屬函數(shù)層,負責輸入信號的模糊化,節(jié)點具有輸出函數(shù);

        (5)

        第2層為規(guī)則的強度釋放層Π。每個輸入信號都來自第1層,此層的節(jié)點為固定節(jié)點不能進行訓練。

        (6)

        式中ωi為第2層的輸出。

        第3層為所有規(guī)則強度的歸一化N。表示每一條模糊規(guī)則的激勵強度占所有規(guī)則激勵強度的百分比。此層的節(jié)點為固定節(jié)點,不能進行訓練。

        (7)

        第4層為模糊規(guī)則的計算輸出f,這1層的每個節(jié)點均為自適應(yīng)節(jié)點,此層參數(shù)是自適應(yīng)的, 可根據(jù)輸入數(shù)據(jù)訓練得到。其輸出為

        (8)

        在給定前提參數(shù)后,結(jié)論參數(shù)的線性組合可作為自適應(yīng)模糊神經(jīng)推理系統(tǒng)的輸出:

        (9)

        3.4 FNN自學習

        為使FNN其具有自學習能力,將遺傳算法應(yīng)用到該網(wǎng)絡(luò)模型,使其成為是一個多層前饋網(wǎng)絡(luò)。其優(yōu)化算法可分為兩個步驟:

        (1) 確定前提參數(shù)的初始值, 用最小二乘法計算結(jié)論參數(shù)。則由式(9)得到:

        (10)

        式中:結(jié)論參數(shù)集合{p1,q1,r1,p2,q2,r2}構(gòu)成列向量X的元素;若已有P組輸入輸出數(shù)據(jù)對, 且給定前提參數(shù), 則矩陣A、X、f的大小為P×6,6×1和P×1。

        X′=(ATA)-1ATf

        (11)

        (2) 根據(jù)上一步計算得到的結(jié)論參數(shù)進行誤差計算,采用前饋神經(jīng)網(wǎng)絡(luò)中的遺傳算法,將誤差由輸出端反向傳到輸入端, 用梯度下降法更新前提參數(shù), 從而改變隸屬函數(shù)的形狀。

        4 實驗設(shè)計

        實驗平臺如圖4所示。在一臺平面磨床上使用夾具固定磨削工件,機床為KP-48T數(shù)控平面磨床,工件材料為GCr15,使用砂輪進行磨削加工。實驗使用一個聲發(fā)射傳感器及一個振動傳感器,聲發(fā)射傳感器采用KISTLER-8443B,傳感器的頻率范圍為2 MHz。振動傳感器為三向振動傳感器,傳感器的頻率范圍為5~3 kHz,測量范圍為0~50 Gal,聲發(fā)射信號采樣率為2×106/s,三向振動信號采樣率為 2 000 Hz。

        為了準確獲得磨削過程中加工信號,聲發(fā)射傳感器和振動傳感器均有磁性底座,將其吸附在用于固定工件的金屬夾具上,放置位置見圖4。

        設(shè)計不同的磨削加工參數(shù)砂輪速度、進給速度、磨削量進行正交試驗,正交實驗表如1所示。

        表1正交試驗表Tab.1 Orthogonal test table

        圖4 實驗平臺Fig.4 Experimental platform

        為提高數(shù)據(jù)的可靠性,測量時在工件表面選取4個點,其測量值Ra的算術(shù)平均值作為實驗數(shù)據(jù)。圖5為實驗過程中采集到的聲發(fā)射傳感器與振動傳感器的原始信號。

        圖5 聲發(fā)射傳感器與振動傳感器原始信號Fig.5 Original signal of acoustic emission sensor and vibration sensor

        5 實驗結(jié)果與對比分析

        5.1 信號處理與主成分降維

        對采集到的聲發(fā)射信號與振動加速度信號進行處理,根據(jù)前文已選擇的特征值進行提取,使用Matlab軟件對信號進行時域分析、頻域分析、小波包分析,所提取到的特征值有振動信號x、y、z方向的時域特征、頻域特征,聲發(fā)射信號的時域特征、頻域特征和小波包特征,共99維特征。

        圖6為主成分降維的按貢獻率大小的前六維特征值以及主成分的累積貢獻率。可以看出前五維特征值的累積貢獻率為86.3%,可有效保留原維度特征值的信息,即通過PCA將99維特征空間降維為五維特征空間。

        圖6 PCA各成分貢獻率與累積貢獻率Fig.6 The contribution rate and cumulative contribution rate of each component of the principal component analysis

        表2為選取的9組實驗降維后的五維主成分特征值與每組實驗的表面粗糙度值。

        圖7 各降維特征值與表面粗糙度堆積折線圖Fig.7 Stacked line graph of each dimensionality reduction eigenvalue and surface roughness

        圖7所示為5個降維特征值與對應(yīng)表面粗糙度的堆積折線圖,可以看出大多降維特征的變化趨勢與表面粗糙度值得變化趨勢高度相關(guān),為表面粗糙度預測模型提供了基礎(chǔ)。

        表2模型預測值與正確值Tab.2 Model predicted value and correct value

        5.2 模糊神經(jīng)表面粗糙度預測模型的訓練與驗證

        使用FNN構(gòu)建模型對表面粗糙度進行預測,其結(jié)構(gòu)為圖3所示的5層結(jié)構(gòu)。輸入層節(jié)點為5個降維特征值,選擇高斯函數(shù)作為初始隸屬度函數(shù),輸出層為工件表面粗糙度。

        選擇每組實驗信號處理后的5個特征值為5個輸入,對應(yīng)的工件表面粗糙度作為輸出,建立了基于聲發(fā)射與振動信號的主成分FNN模型。選擇9組實驗數(shù)據(jù)作為測試集,得到模型的預測值。

        模型的預測值與正確值如圖8所示,圖9為模型預測值與正確值的誤差范圍,可以看出模型的預測范圍在10%以內(nèi),可以得出模型預測結(jié)果的有效性。

        圖8 模型預測結(jié)果與正確值Fig.8 Model prediction results and correct values

        圖9 預測結(jié)果的誤差范圍Fig.9 The error range of the prediction results

        表2是利用聲發(fā)射信號和振動信號的主成分FNN模型的預測結(jié)果與實際測量值的誤差來預測準確率。根據(jù)表2數(shù)值對比顯示,模型的預測結(jié)果誤差范圍為[-0.046 126 μm, 0.015 223 1 μm ],平均誤差僅為0.001 212 66 μm,準確率可達到91%以上,預測值非常接近實際值,體現(xiàn)了該模型預測的準確性和可靠性。

        5.3 降維方法結(jié)果對比分析

        為驗證使用PCA方法具有較好的降維效果,選取降維方法局部線性嵌入(locally linear embedding,LLE )和多維標度法 (multidimensional scaling,MDS)分別對相同的特征值數(shù)據(jù)樣本進行降維,并使用FNN進行模型訓練,這兩種降維方法的模型預測結(jié)果與PCA分析降維的模型預測結(jié)果進行對比。

        圖10為LLE和MDS降維方法建立的模型的表面粗糙度預測的結(jié)果。

        圖10 LLE和MDS降維方法模型預測結(jié)果Fig.10 Model prediction results of LLE and MDS dimensionality reduction method

        圖11為使用LLE和MDS降維算法模型預測誤差范圍。

        可以看出LLE降維方法與MDS降維方法建立的預測模型得出的結(jié)果誤差均大于10%,對比PCA方法建立的預測效果誤差模型(10%以內(nèi)),準確度要低。

        圖11 LLE和MDS降維算法模型預測誤差范圍Fig.11 LLE and MDS dimensionality reduction algorithm model prediction error range reduction method

        表3與表4分別為LLE降維方法模型的預測結(jié)果誤差與正確率。

        由表3、4可知LLE降維方法的模型預測準確率最低為86.6%,MDS降維方法模型預測準確率最低為66.6%,由表2可知主成分降維方法模型預測準確率最低為91.7%,對比可知PCA方法所建立的預測模型預測效果優(yōu)于使用LLE降維方法和使用MDS降維方法所建立的預測模型。

        表3LLE降維方法模型預測結(jié)果與正確率Tab.3 Model prediction results and accuracy of LLE dimensionality reduction method

        為進一步比較出3種降維方法模型預測的準確性,使用相關(guān)系數(shù)(r2)、均方根差(RMSE)兩種統(tǒng)計指標進行對比。r2是用來反映兩種參數(shù)相關(guān)關(guān)系密切程度的統(tǒng)計量,其數(shù)值范圍為0~1,數(shù)值越大說明模型預測值與正確值的相關(guān)程度越高,準確度越高。RMSE是用來反映兩組數(shù)值之間差異程度的度量,數(shù)值越小,說明模型預測值與正確值的差距越小。

        表4MDS降維方法模型預測結(jié)果與正確率Tab.4 Model prediction results and accuracy of MDS dimensionality reduction method

        表5為3種模型的相關(guān)系數(shù)與均方根差的對比,主成分降維所建立的模型相關(guān)系數(shù)值最高,均方根差值最低,說明其預測結(jié)果與正確值相關(guān)程度最高,模型的預測效果最好。

        表53種降維方法模型的正確值與預測值統(tǒng)計指標Tab.5 Statistical indicators of correct and predicted values of the three dimensionality reduction methods

        通過上面預測結(jié)果圖與誤差范圍圖的對比和表2 與表3、4的對比以及表5的分析可以看出,使用PCA方法信號特征降維處理建立的模糊神經(jīng)模型預測效果最好,可靠性更好。

        6 結(jié) 論

        針對表面粗糙度預測模型輸入?yún)?shù)依靠人工經(jīng)驗選擇,造成模型預測精度低的問題,使用聲發(fā)射信號與振動信號進行充分信息提取,并使用特征降維方法對模型輸入進行優(yōu)化處理,實現(xiàn)工件表面粗糙度的準確預測。實驗結(jié)果表明:

        (1) 根據(jù)聲發(fā)射與振動原理,選擇磨削加工過程中的這兩種信號可以進行表面粗糙度的預測,根據(jù)模型的預測結(jié)果,兩種信號在很大程度上反映了加工過程中表面粗糙度的狀態(tài)。

        (2) 使用PCA方法對高維特征值進行降維處理,以保留85%以上數(shù)據(jù)信息的方式,得到了傳感器信號的5個主成分特征,優(yōu)化了特征值參數(shù)。與LLE和MDS降維方法相比,PCA的降維效果更好,所建立的模糊神經(jīng)預測模型準確度更高,準確率可達到91%以上。

        (3) 通過監(jiān)測傳感器信號及實時數(shù)據(jù)處理,可以間接實現(xiàn)加工過程中工件表面粗糙度的預測。由于FNN并行處理數(shù)據(jù),計算速度較快,故本文方法能夠?qū)崟r、高效、準確地對表面粗糙度進行檢測。

        猜你喜歡
        降維特征值粗糙度
        Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
        一類帶強制位勢的p-Laplace特征值問題
        單圈圖關(guān)聯(lián)矩陣的特征值
        基于無人機影像的巖體結(jié)構(gòu)面粗糙度獲取
        甘肅科技(2020年20期)2020-04-13 00:30:18
        降維打擊
        海峽姐妹(2019年12期)2020-01-14 03:24:40
        冷沖模磨削表面粗糙度的加工試驗與應(yīng)用
        模具制造(2019年4期)2019-06-24 03:36:48
        基于BP神經(jīng)網(wǎng)絡(luò)的面齒輪齒面粗糙度研究
        鋼材銹蝕率與表面三維粗糙度參數(shù)的關(guān)系
        基于商奇異值分解的一類二次特征值反問題
        關(guān)于兩個M-矩陣Hadamard積的特征值的新估計
        大地资源在线观看官网第三页| 极品新娘高清在线观看| 97青草超碰久久国内精品91| 国产av国片精品有毛| 国产欧美亚洲精品a| 天堂在线观看av一区二区三区| 少妇深夜吞精一区二区| 夫妻免费无码v看片| 色欲av自慰一区二区三区| 韩国精品一区二区三区| 国产一区二区三区再现| 激情综合婷婷色五月蜜桃| 亚洲综合精品伊人久久| 日韩AV有码无码一区二区三区| 俺来也三区四区高清视频在线观看| 亚洲一区二区三区特色视频| 天天色影网| 国产AV无码专区亚洲AV桃花庵| 四虎在线中文字幕一区| 欧美性受xxxx黑人猛交| 黄色视频免费在线观看| 免费无码又爽又刺激又高潮的视频| 日本免费大片一区二区三区| 久久人人爽爽爽人久久久| 国产女合集小岁9三部| 自拍视频国产在线观看| 婷婷久久精品国产色蜜蜜麻豆| 国产熟妇按摩3p高潮大叫| 亚洲两性视频一三区| 口爆吞精美臀国产在线| 国模冰莲自慰肥美胞极品人体图| 国产白嫩美女在线观看| 中文亚洲成a人片在线观看| 91精品久久久老熟女91精品 | 欧美大屁股xxxx高跟欧美黑人| 久久无码人妻一区二区三区午夜| 人妻少妇偷人精品无码| 少妇精品无码一区二区三区| 亚洲av中文字字幕乱码| 中文字幕无码成人片| 久久国产精久久精产国|