[发明专利]一种基于SDAE-DBN算法的零件表面粗糙度在线预测方法

说明书

一种基于SDAE‑DBN算法的零件表面粗糙度在线预测方法，首先将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；消除动态信号的趋势项，再对信号进行平滑处理；其次对加工过程的数据进行截取和归一化；接着构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测。本方法可减少人工和专家经验的参与，降低带标签数据的获取难度，并且能够提高表面粗糙度预测的准确性。

技术领域

本发明属于机械加工过程智能监测领域，具体为一种基于堆叠去噪自编码器-深度置信网络(Stacked Denoising Autoencoder-Deep Belief Network,SDAE-DBN)的零件表面粗糙度在线预测方法。

背景技术

表面粗糙度是描述零件表面微观形貌和衡量零件质量的主要参数，不仅影响零件的耐磨性、疲劳强度、抗腐蚀性、密封性和配合的稳定性，对零件的表面光学性能、导电导热性能和外观等也有影响。传统的表面粗糙度测量方法主要分为接触式测量和非接触式测量。接触式测量由于测尖易磨损且易划伤表面，限制了其在高精度检测中的应用，而非接触式测量对零件表面污物较敏感，测量前需清洗，降低了粗糙度测量的效率。因此，如何准确、高效地实现对零件表面粗糙的在线测量已经成为机械加工领域的关键问题之一。

目前，许多国内外学者对表面粗糙度预测技术进行了研究。关于表面粗糙度预测的研究方法主要包括：基于切削理论的预测模型和基于人工智能的预测模型。其中，基于切削理论的预测方法由于可变参数多导致粗糙度预测精度较低。而基于人工智能的预测模型由于具有良好的逼近任意复杂非线性系统的能力，被越来越多地用于表面质量预测。

在表面质量预测方面，国内学者已经申请了一些专利。在专利《一种硬质合金刀片化学机械抛光表面粗糙度的预测方法》(申请号：CN201710552078.8)中，采用基于高斯函数的异常检测算法对实验数据进行预处理，并建立了遗传算法优化的BP神经网络预测模型对表面粗糙度进行预测；在专利《一种机械加工表面粗糙度预测方法》(申请号：CN201810687856.9)中，通过Copula分布估计算法优化网络权值及阈值，并基于BP算法进一步修正网络参数，从而实现表面粗糙度的预测；在专利《高速切削加工中工件表面粗糙度的预测方法》(申请号：CN201210426876.3)中，建立RBF神经网络模型，利用样本数据对模型进行训练来实现对表面粗糙度的预测；在专利《一种基于改进支持向量机算法的磨削表面粗糙度预测方法》(申请号：CN201910538299.9)中，利用交叉验证的思想将数据划分为训练集和测试集，并构建GOA-SVM预测模型，实现磨削表面粗糙度预测。

然而，上述专利采用的方法存在一些问题，如：(1)多依赖人工经验提取数据特征，使得数据处理过程繁琐化。(2)网络的训练需要大量带标签数据，限制了其在工业上的广泛使用。本专利将针对传统神经网络存在的问题，提出基于SDAE-DBN算法的表面粗糙度在线预测方法。

发明内容

本发明的目的为提供一种基于SDAE-DBN的零件表面粗糙度在线预测方法，解决传统方法存在的依赖人工经验提取信号特征和需要大量带标签数据训练神经网络的难题，实现了零件加工表面质量的在线预测。

为解决上述技术问题，本发明的技术方案为：首先，将三向加速度传感器通过磁座吸附在机床主轴后轴承处，在被加工零件左前方放置传声器，采集机床切削过程的振动和噪声信号；然后，采用多项式最小二乘法消除动态信号的趋势项，采用五点三次平滑法对信号进行平滑处理；其次，对加工过程的数据进行截取和归一化；接着，构建堆叠去噪自编码器，采用贪婪逐层算法对网络进行训练，将提取的特征作为深度置信网络的输入训练网络结构；最后，将加工过程中的实时振动和噪声信号经数据处理后输入到深度网络中，网络输出当前表面粗糙度的优劣情况，从而实现表面粗糙度的实时预测。

本发明的具体技术方案：