本發(fā)明涉及磨削振動信號處理，具體涉及一種工件表面粗糙度預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、隨著制造業(yè)對產(chǎn)品質(zhì)量要求的不斷提高，磨削加工過程中工件表面粗糙度的準(zhǔn)確預(yù)測變得至關(guān)重要。

2、傳統(tǒng)的檢測手段依賴于離線測量和人工抽樣，這不僅耗時耗力，而且無法實現(xiàn)對加工過程的實時監(jiān)控。數(shù)據(jù)挖掘技術(shù)歷經(jīng)十幾年的迅猛發(fā)展，在金融、證券、風(fēng)投等領(lǐng)域發(fā)揮其強(qiáng)大的作用，如文獻(xiàn)《超精密加工過程數(shù)據(jù)采集分析與表面質(zhì)量預(yù)測研究》中使用振動信號與力信號，提取多維特征，基于網(wǎng)格搜索法優(yōu)化支持向量機(jī)模型，實現(xiàn)對表面粗糙度的分類預(yù)測。

3、然而，針對工業(yè)現(xiàn)場要求，采取上述文獻(xiàn)中的方法需要對連續(xù)信號預(yù)處理才能夠使用，但是目前采取的方法只是將采集的工件振動信號的特征輸入支持向量機(jī)模型中來實現(xiàn)分類預(yù)測，并未對采集的振動信號的多維特征進(jìn)行預(yù)處理，從而導(dǎo)致預(yù)測結(jié)果誤差較大，并且由于網(wǎng)格搜索法需要內(nèi)定超參數(shù)組合，依靠專家經(jīng)驗且優(yōu)化范圍非常局限，在處理異常值和模型參數(shù)方面存在不足，導(dǎo)致預(yù)測精度受限。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)未對采集的振動信號的多維特征進(jìn)行預(yù)處理，從而導(dǎo)致預(yù)測結(jié)果誤差較大的不足，本發(fā)明提出一種工件表面粗糙度預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，通過雙門限端點監(jiān)測截取方法及異常值檢測，高效截取和清洗異常數(shù)據(jù)，并提出基于遺傳算法二代的多目標(biāo)自適應(yīng)優(yōu)化方法，實現(xiàn)模型超參數(shù)的最優(yōu)化，從而解決了現(xiàn)有技術(shù)存在的問題。

2、一種工件表面粗糙度預(yù)測方法，包括以下步驟：

3、獲取工件原始振動信號中的加工段振動信號數(shù)據(jù)，并提取出加工段振動信號數(shù)據(jù)的時域特征、頻域特征和熵特征；

4、對時域特征、頻域特征和熵特征對應(yīng)的特征值進(jìn)行歸一化處理，對歸一化后特征值的重要性進(jìn)行排序，篩選出與工件表面粗糙度相關(guān)度接近的特征值；

5、對篩選出的特征值對應(yīng)的特征進(jìn)行特征降維，得到降維后的特征矩陣；

6、將降維后的特征矩陣與其對應(yīng)的表面粗糙度指標(biāo)組合，得到數(shù)據(jù)集；

7、剔除數(shù)據(jù)集中具有異常值的數(shù)據(jù)，得到正常數(shù)據(jù)集；

8、將正常數(shù)據(jù)集輸入基于二代遺傳算法優(yōu)化的多核支持向量回歸模型mkl-svr中，得到工件表面粗糙度的預(yù)測值；

9、根據(jù)工件表面粗糙度的預(yù)測值對工件表面粗糙度進(jìn)行預(yù)測。

10、進(jìn)一步地，采用雙門限端點檢測方法獲取所述工件原始振動信號中的加工段振動信號數(shù)據(jù)，具體包括以下步驟：

11、對原始振動信號繪制短時傅里葉變換圖，選擇窗格參數(shù)，截取得到窗格信號x；所述窗格信號x的能量表示為短時能量en，所述窗格短時能量en的計算式為：

12、

13、其中，n表示窗格數(shù)量，n表示窗格的序號，m表示窗格信號中的點序號；

14、定義相鄰振幅取樣值改變符號的次數(shù)為過零，加窗后的一個窗格信號xn(m)的過零次數(shù)定義為短時過零率zn，所述短時過零率zn計算式為：

15、

16、根據(jù)窗格短時能量的閾值ce、連續(xù)超過該閾值的窗格數(shù)量以及短時過零率的閾值cz，得到加工階段的首尾端點，從而完成加工段振動信號的截??；所述窗格短時能量的閾值ce、短時過零率的閾值cz的表達(dá)式分別為：

17、

18、其中，λ表示系數(shù)，l表示振動信號總長度，l表示窗長，i表示工件的序號。

19、進(jìn)一步地，還包括在獲取工件原始振動信號中的加工段振動信號數(shù)據(jù)后對所述加工段振動信號數(shù)據(jù)進(jìn)行中值濾波降噪處理。

20、進(jìn)一步地，所述對時域特征、頻域特征和熵特征對應(yīng)的特征值進(jìn)行歸一化處理，具體包括以下步驟：

21、將同一工件的振動信號分為q段，同一特征在一個工件的振動信號中具有q個特征量；

22、對同一工件的同一特征進(jìn)行標(biāo)準(zhǔn)歸一化，該歸一化公式表示為：

23、

24、其中，fstd為標(biāo)準(zhǔn)歸一化后的特征值；xij為第i個工件同一特征的第j個特征量；為對應(yīng)特征的均值；sm為對應(yīng)特征的標(biāo)準(zhǔn)差；j的取值范圍為[1,q]，q為正整數(shù)。

25、進(jìn)一步地，采用隨機(jī)森林方法對歸一化后特征的重要性進(jìn)行排序，篩選出與工件表面粗糙度相關(guān)度接近的特征值，具體包括以下步驟：

26、構(gòu)建隨機(jī)森林模型，并確定決策樹的數(shù)量為700和樹的最大深度為160；

27、計算每個特征在所有樹上的平均預(yù)測誤差；

28、根據(jù)平均預(yù)測誤差評估每個特征的重要性；

29、對每個特征的重要性進(jìn)行排序；

30、選取累計重要性前80％的特征作為重要特征。

31、進(jìn)一步地，采用主成分分析法pca對篩選出的特征值對應(yīng)的特征進(jìn)行特征降維，得到降維后的特征矩陣，具體包括以下步驟：

32、構(gòu)建對篩選出的特征值對應(yīng)特征的特征矩陣；

33、計算特征矩陣的協(xié)方差矩陣，獲得協(xié)方差矩陣對應(yīng)的特征值和特征向量；

34、將特征向量按照對應(yīng)特征值進(jìn)行排列，構(gòu)造出投影矩陣，該矩陣的每一列作為一個主成分的特征向量；

35、將特征矩陣與投影矩陣左乘得到主成分空間，依次輸出各主成分的貢獻(xiàn)率；

36、選取累計貢獻(xiàn)率前85％的主成分構(gòu)建降維后的特征矩陣。

37、進(jìn)一步地，采用optics聚類方法剔除數(shù)據(jù)集中具有異常值的數(shù)據(jù)，得到正常數(shù)據(jù)集；具體包括以下步驟：

38、構(gòu)建optics模型，并利用低維特征矩陣和對應(yīng)指標(biāo)擬合optics模型；

39、根據(jù)optics模型生成的聚類標(biāo)簽，剔除異常標(biāo)簽對應(yīng)的樣本數(shù)據(jù)及其對應(yīng)指標(biāo)，得到正常數(shù)據(jù)集。

40、進(jìn)一步地，所述基于二代遺傳算法優(yōu)化的多核支持向量回歸模型mkl-svr，其優(yōu)化過程表示為：

41、支持向量回歸模型svr的核函數(shù)表示為：

42、

43、其中，a和a'是輸入樣本數(shù)據(jù)的特征向量，||a-a'||表示a和a'特征向量之間的歐氏距離，γp是第p個特征的徑向基核函數(shù)的一個參數(shù)，且每個特征對應(yīng)一個核參數(shù)γp；

44、基于二代遺傳算法優(yōu)化支持向量回歸模型svr得到多核支持向量回歸模型mkl-svr，其表示為：

45、

46、f(u)-yi≤∈+ξi,j

47、其中，k是核數(shù)量，ωk是與k個核函數(shù)相關(guān)的權(quán)重向量，c是一個正則化系數(shù)，∈是間隙系數(shù)；ξi,j和是與第j個特征相關(guān)的松弛變量；ξi、均為第i個樣本的松弛因子；n表示窗格數(shù)量，u表示輸入樣本數(shù)據(jù)，yi表示輸出樣本數(shù)據(jù)。

48、本發(fā)明還包括一種工件表面粗糙度預(yù)測系統(tǒng)，包括：

49、獲取模塊，用于獲取工件原始振動信號中的加工段振動信號數(shù)據(jù)，并提取出加工段振動信號數(shù)據(jù)的時域特征、頻域特征和熵特征。

50、篩選模塊，用于對時域特征、頻域特征和熵特征對應(yīng)的特征值進(jìn)行歸一化處理，對歸一化后特征值的重要性進(jìn)行排序，篩選出與工件表面粗糙度相關(guān)度接近的特征值。

51、特征降維模塊，用于對篩選出的特征值對應(yīng)的特征進(jìn)行特征降維，得到降維后的特征矩陣。

52、組合模塊，用于將降維后的特征矩陣與其對應(yīng)的表面粗糙度指標(biāo)組合，得到數(shù)據(jù)集。

53、剔除模塊，用于剔除數(shù)據(jù)集中具有異常值的數(shù)據(jù)，得到正常數(shù)據(jù)集。

54、預(yù)測值獲取模塊，用于將正常數(shù)據(jù)集輸入基于二代遺傳算法優(yōu)化的多核支持向量回歸模型mkl-svr中，得到工件表面粗糙度的預(yù)測值。

55、預(yù)測模塊，用于根據(jù)工件表面粗糙度的預(yù)測值對工件表面粗糙度進(jìn)行預(yù)測。

56、本發(fā)明還包括一種工件表面粗糙度預(yù)測計算機(jī)設(shè)備，包括：存儲器、處理器以及存儲在所述存儲器內(nèi)的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)所述的工件表面粗糙度預(yù)測方法的步驟。

57、本發(fā)明還包括一種可讀存儲介質(zhì)，其特征在于，所述可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序包括程序指令，所述程序指令被處理器執(zhí)行時，用于執(zhí)行所述的工件表面粗糙度預(yù)測方法的步驟。

58、本發(fā)明提供了一種工件表面粗糙度預(yù)測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，具備以下有益效果：

59、本發(fā)明通過對工件表面加工段信號不同特征進(jìn)行標(biāo)準(zhǔn)化歸一化處理，消除不同量綱和量級的影響，確保了不同工件和批次之間的一致性和可重復(fù)性；同時對歸一化后的特征進(jìn)行篩選、降維，可以在很大程度上減少特征數(shù)量同時保留數(shù)據(jù)信息，提高模型的預(yù)測效果；同時采用二代遺傳算法優(yōu)化的多核支持向量回歸模型mkl-svr，增強(qiáng)模型對復(fù)雜數(shù)據(jù)的建模與擬合能力，提高了工件表面粗糙度的預(yù)測值的準(zhǔn)確性。