考虑能耗的多传感器融合加工表面粗糙度预测方法

• 作者: 周俊锋 谢楠 郑蓓蓉
• 来源期刊: 表面技术
• 学科: 工学
• 关键词: 能耗 多传感器融合 表面粗糙度 预测方法 核主成分分析 支持向量机
• 年，卷（期）: 2018,（9）
• 所属期刊栏目: 表面质量控制及检测
• 页码范围: 240-249
• 页数: 10页
• 分类号: TH161.1
• 语种: 中文
• DOI: 10.16490/j.cnki.issn.1001-3660.2018.09.032

摘要

目的 提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度.方法 首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量.然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征.最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度.结果 预测得到的表面粗糙度平均相对误差为4.91％,最大误差为0.111 μtm,预测时间为9.24 s.与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快.结论 多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢楠	同济大学中德工程学院	37	395	12.0	17.0
2	郑蓓蓉	温州大学机电工程学院	27	239	10.0	14.0
3	周俊锋	同济大学机械与能源工程学院	1	4	1.0	1.0