-
题名基于多过程信号的轧辊磨削表面粗糙度智能预测
被引量：2
- 1
-
-
作者
蔡恩磊
王立平
孙丽荣
杨金光
王冬
李学崑
-
机构
电子科技大学机械与电气工程学院
清华大学机械工程系
轧制技术及连轧自动化国家重点实验室
山东钢铁集团日照有限公司
-
出处
《机电工程》
CAS
北大核心
2022年第10期1462-1469,共8页
-
基金
国家自然科学基金资助项目(52105520,51975319)
北京市自然科学基金资助项目(3214043)。
-
文摘
由于轧辊磨削表面粗糙度预测困难,且其预测精度不足,为此,笔者提出了一种基于多过程信号的轧辊磨削表面粗糙度智能预测方法。首先,以砂轮转速、磨削深度、拖板速度和头架转速为变量,对轧辊进行了全因素磨削实验,采集了磨削过程中的多过程信号,即声发射信号、振动信号和主轴电流信号,测量了磨后轧辊的表面粗糙度;对信号进行了分段处理,强化了信号与粗糙度的关联,并对粗糙度进行了离散化处理,将回归问题转化为分类问题;然后,提取了各类信号在时域和频域上的众多特征值,并利用主成分分析法(PCA)对其进行了特征降维融合,构建了多种类型的特征输入;最后,利用网格搜索法优化了多层感知机(MLP)网络,得到了粗糙度的预测模型,实现了对轧辊磨削表面粗糙度的智能预测。研究结果表明:相较于单信号方案,多信号方案能够提供更全面、准确的信息;基于PCA的降维融合特征能进一步提高MLP网络的预测效果,其准确率为78.16%,F1值为0.7776,平均偏离距离为0.29。
-
关键词
全因素磨削实验
声发射信号
网格搜索法
多过程信号
降维融合特征
主成分分析法
多层感知机网络
粗糙度预测模型
-
Keywords
full-factor grinding experiment
acoustic emission signals
grid search method
multi-process signals
reduced dimensional fusion feature
principal component analysis(PCA)
multi-layer perception(MLP)networks
prediction model of roughness
-
分类号
TH161.14
[机械工程—机械制造及自动化]
TG580
[金属学及工艺—金属切削加工及机床]
-
