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

背景技術(shù)：

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

2、傳統(tǒng)的檢測(cè)手段依賴于離線測(cè)量和人工抽樣，這不僅耗時(shí)耗力，而且無(wú)法實(shí)現(xiàn)對(duì)加工過(guò)程的實(shí)時(shí)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(guò)程數(shù)據(jù)采集分析與表面質(zhì)量預(yù)測(cè)研究》中使用振動(dòng)信號(hào)與力信號(hào)，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(shí)現(xiàn)對(duì)表面粗糙度的分類預(yù)測(cè)。

3、然而，針對(duì)工業(yè)現(xiàn)場(chǎng)要求，采取上述文獻(xiàn)中的方法需要對(duì)連續(xù)信號(hào)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(dòng)信號(hào)的特征輸入支持向量機(jī)模型中來(lái)實(shí)現(xiàn)分類預(yù)測(cè)，并未對(duì)采集的振動(dòng)信號(hào)的多維特征進(jìn)行預(yù)處理，從而導(dǎo)致預(yù)測(cè)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(yàn)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(cè)精度受限。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)未對(duì)采集的振動(dòng)信號(hào)的多維特征進(jìn)行預(yù)處理，從而導(dǎo)致預(yù)測(cè)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(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，通過(guò)雙門(mén)限端點(diǎn)監(jiān)測(cè)截取方法及異常值檢測(cè)，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(shí)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(wèn)題。

2、一種工件表面粗糙度預(yù)測(cè)方法，包括以下步驟：

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

4、對(duì)時(shí)域特征、頻域特征和熵特征對(duì)應(yīng)的特征值進(jìn)行歸一化處理，對(duì)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(duì)篩選出的特征值對(duì)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(duì)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(cè)值；

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

10、進(jìn)一步地，采用雙門(mén)限端點(diǎn)檢測(cè)方法獲取所述工件原始振動(dòng)信號(hào)中的加工段振動(dòng)信號(hào)數(shù)據(jù)，具體包括以下步驟：

11、對(duì)原始振動(dòng)信號(hào)繪制短時(shí)傅里葉變換圖，選擇窗格參數(shù)，截取得到窗格信號(hào)x；所述窗格信號(hào)x的能量表示為短時(shí)能量en，所述窗格短時(shí)能量en的計(jì)算式為：

12、

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

14、定義相鄰振幅取樣值改變符號(hào)的次數(shù)為過(guò)零，加窗后的一個(gè)窗格信號(hào)xn(m)的過(guò)零次數(shù)定義為短時(shí)過(guò)零率zn，所述短時(shí)過(guò)零率zn計(jì)算式為：

15、

16、根據(jù)窗格短時(shí)能量的閾值ce、連續(xù)超過(guò)該閾值的窗格數(shù)量以及短時(shí)過(guò)零率的閾值cz，得到加工階段的首尾端點(diǎn)，從而完成加工段振動(dòng)信號(hào)的截??；所述窗格短時(shí)能量的閾值ce、短時(shí)過(guò)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(dòng)信號(hào)總長(zhǎng)度，l表示窗長(zhǎng)，i表示工件的序號(hào)。

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

20、進(jìn)一步地，所述對(duì)時(shí)域特征、頻域特征和熵特征對(duì)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(dòng)信號(hào)分為q段，同一特征在一個(gè)工件的振動(dòng)信號(hào)中具有q個(gè)特征量；

22、對(duì)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(gè)工件同一特征的第j個(gè)特征量；為對(duì)應(yīng)特征的均值；sm為對(duì)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(duì)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(shù)的數(shù)量為700和樹(shù)的最大深度為160；

27、計(jì)算每個(gè)特征在所有樹(shù)上的平均預(yù)測(cè)誤差；

28、根據(jù)平均預(yù)測(cè)誤差評(píng)估每個(gè)特征的重要性；

29、對(duì)每個(gè)特征的重要性進(jìn)行排序；

30、選取累計(jì)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(duì)篩選出的特征值對(duì)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(duì)篩選出的特征值對(duì)應(yīng)特征的特征矩陣；

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

34、將特征向量按照對(duì)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(gè)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(jì)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(duì)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(duì)應(yīng)的樣本數(shù)據(jù)及其對(duì)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(guò)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(gè)特征的徑向基核函數(shù)的一個(gè)參數(shù)，且每個(gè)特征對(duì)應(yīng)一個(gè)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(gè)核函數(shù)相關(guān)的權(quán)重向量，c是一個(gè)正則化系數(shù)，∈是間隙系數(shù)；ξi,j和是與第j個(gè)特征相關(guān)的松弛變量；ξi、均為第i個(gè)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(cè)系統(tǒng)，包括：

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

50、篩選模塊，用于對(duì)時(shí)域特征、頻域特征和熵特征對(duì)應(yīng)的特征值進(jìn)行歸一化處理，對(duì)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(duì)篩選出的特征值對(duì)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(duì)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(cè)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(cè)值。

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

56、本發(fā)明還包括一種工件表面粗糙度預(yù)測(cè)計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器內(nèi)的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的工件表面粗糙度預(yù)測(cè)方法的步驟。

57、本發(fā)明還包括一種可讀存儲(chǔ)介質(zhì)，其特征在于，所述可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)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(shí)，用于執(zhí)行所述的工件表面粗糙度預(yù)測(cè)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(cè)方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)，具備以下有益效果：

59、本發(fā)明通過(guò)對(duì)工件表面加工段信號(hào)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(jí)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(shí)對(duì)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(shí)保留數(shù)據(jù)信息，提高模型的預(yù)測(cè)效果；同時(shí)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(duì)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(cè)值的準(zhǔn)確性。