典型文献
基于多过程信号的轧辊磨削表面粗糙度智能预测
文献摘要：
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0.777 6,平均偏离距离为0.29.
文献关键词：
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
中图分类号：
作者姓名：
蔡恩磊;王立平;孙丽荣;杨金光;王冬;李学崑
作者机构：
电子科技大学机械与电气工程学院,四川成都611731;清华大学机械工程系,北京100084;轧制技术及连轧自动化国家重点实验室,辽宁沈阳110819;山东钢铁集团日照有限公司,山东 日照276806
文献出处：
引用格式：
[1]蔡恩磊;王立平;孙丽荣;杨金光;王冬;李学崑-.基于多过程信号的轧辊磨削表面粗糙度智能预测)[J].机电工程,2022(10):1462-1469
A类：
多过程信号,全因素磨削实验,降维融合特征
B类：
轧辊磨削,智能预测,表面粗糙度预测,砂轮,轮转,磨削深度,拖板,削过,声发射信号,振动信号,主轴电流,电流信号,离散化处理,回归问题,问题转化,分类问题,频域,多特征,特征降维,多种类型,网格搜索法,MLP,多信号,多层感知机网络,粗糙度预测模型
AB值：
0.202819
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
