引入迁移学习的铣削表面粗糙度评估北大核心

目前,许多基于机器视觉的粗糙度测量方法依赖特征指标无法准确地表达工件表面的粗糙度信息;而基于深度神经网络的测量方法,对工件图像的数量需求大,且要求所有图像均服从同一数据分布。针对上述方法的不足,在深度神经网路的基础上,引入迁移学习算法,提出了一种新的铣削表面粗糙度等级评估模型。它避免了人为设计特征指标所带来的主观因素影响,能自动提取工件图像中与粗糙度相关的特征。同时,该方法在提取特征的过程中,还考虑到了获得的图像数据分布不一定一致,有意识地去缩小数据分布的差异。实验结果表明,基于迁移学习的铣削表面粗糙度等级评估模型在各种光照不同的测量环境中,达到了99.3%的平均评估准确率,高于其它几种用作对比的评估模型。     

对光源环境鲁棒的铣削表面粗糙度分类检测

针对当前基于神经网络的铣削表面粗糙度视觉检测方法,大多结合加工工艺参数,且要人为地设计图像评价指标,并且拍摄过程对环境光源严重依赖的问题,提出了一种基于卷积神经网络的铣削表面粗糙度分类方法.该方法采用白天和黑夜的光照环境分别拍摄实验图片,经过端到端的图像分析,利用卷积操作和综合处理得出粗糙度分类模型,可对表面粗糙度进行...     

铣削表面粗糙度在线智能预测方法研究

为了提高表面粗糙度在线预测模型的精度,研究并提出了一种融合传感器统计学数据的表面粗糙度在线智能预测方法。该方法对加速度的统计学特征进行PCA主成分提取,保留了85%的数据信息。通过改进的PO-GRNN广义神经网络对训练集数据进行分配,确定光滑因子σ的近似最优值。随后结合铣削加工参数集与PCA主成分,通过PO-GRNN构建了一套在线粗糙度预测模型。纵向与横向对比实验结果表明:该模型可提供较高的粗糙度在线预测精度,能适用于当前智能制造过程中粗糙度的在线预测。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

铣削参数对航空铝合金薄壁件表面粗糙度的影响

以7050-T7451航空铝合金薄壁件为试验对象,运用单因素实验方法对其进行高速铣削试验,研究了铣削速度、每齿进给量、铣削深度和铣削宽度四个铣削参数与薄壁件表面粗糙度之间的变化规律。研究结果表明:铣削速度对表面粗糙度的影响很小,基本可忽略;表面粗糙度随每齿进给量和铣削深度的增加而增大;铣削宽度增大时,表面粗糙度先增大后减小,铣削宽度超过5 mm后,表面粗糙度基本不变,对于保证加工质量具有重要意义。     

基于航空铸造钛合金Ti-6Al-4V高速铣削参数的表面质量及切削效率优化

目的研究高速铣削参数对航空铸造钛合金Ti-6Al-4V表面质量的影响规律及交互作用,并基于高速铣削参数对表面质量和材料去除率进行优化。方法采用Box-Behnken设计和二次回归正交实验法,建立高速铣削参数与表面粗糙度的显著不失拟回归模型,获得铣削参数影响表面粗糙度的显著性差异,挖掘高速铣削参数交互作用与表面粗糙度的关系;基于表面粗糙度回归模型及材料去除率,采用遗传算法(GA),对高速铣削参数进行多目标优化。结果铣削参数影响航空铸造钛合金Ti-6Al-4V试件表面粗糙度的显著性顺序为:切削深度>每齿进给量>切削宽度>主轴转速,其中切削宽度和主轴转速、每齿进给量和主轴转速的交互作用较为明显。利用遗传算法对铣削参数优化后,Ti-6Al-4V表面粗糙度较优化前提高44%,材料去除率提高70%,遗传算法优化后的试件表面粗糙度显著降低,表面刀路行距减小,纹理平均高度降低。结论由实验验证可知,通过响应曲面建立表面粗糙度显著不失拟回归模型具有较高的预测精度,基于遗传算法优化获得的铣削参数可有效提高表面质量和切削效率,对保证航空铸造钛合金Ti-6Al-4V表面质量具有较好的指导意义。     

小样本磨削表面粗糙度测量方法研究

基于机器视觉的表面粗糙度测量方法主要通过图像特征信息与粗糙度的关联指标建立预测模型,但是样本量不足往往难以训练出有效的模型,导致测量准确率较低。针对以上问题,提出一种小样本磨削表面粗糙度测量方法。建立图像采集系统,采集不同粗糙度等级磨削表面图像作为原始样本;通过虚拟样本生成算法扩充样本量,采用灰度共生矩阵提取样本纹理特征;最后,通过神经网络建立预测模型。试验结果表明：样本量扩充后,表面粗糙度测量的准确率从80.4%提升到97.2%,证明了此方法的可行性,为小样本磨削表面粗糙度在机检测提供理论基础。     

基于SFS的三维粗糙度特征提取

为了更准确地表征粗糙度,实现对表面粗糙度的三维检测,基于计算机视觉理论,运用明暗恢复形状(SFS)方法,以端铣工件表面图像的灰度值E(x,y)为输入量,对应的表面高度值z(x,y)为期望输出,构建了三维重建模型,实现了对端铣工件表面微观形貌的三维重建。运用最小二乘法原理确立最小二乘基准面,结合三维重建模型所求得的端铣工件表面三维形貌高度值,得到表面粗糙度三维特征参数的计算公式,提取出了4个能够表征表面粗糙度的三维特征参数。通过对所求得实验数据的研究,分析得出工件表面粗糙度三维特征参数与粗糙度Ra之间的关系曲线。实验结果表明,该方法可以有效地评估铣削表面粗糙度。     

磨削质量在线监测方法研究

在理论分析和试验研究的基础上，提出了一种在线监测磨削表面粗糙度的新方法，该方法从声发射(AE)传感器探头与磨削表面摩擦产生的AE信号中提取有关磨削表面粗糙度的信息量，利用神经网络实现磨削表面粗糙度的在线智能检测和预报。并通过实际跟踪测试和计算机仿真对该方法的可行性进行了分析。结果表明，该方法可行，可用于磨削质量的在线监测。     

基于残余波峰的二次铣削加工

为降低铣削加工中加工件的表面粗糙度,提出一种基于残余波峰的二次铣削加工轨迹生成方法。该方法根据一次铣削加工中的残余波峰位置,生成相应的波峰消除轨迹,来消除一次铣削加工中所产生的残余波峰,以降低铣削加工表面的粗糙度,提升表面质量。基于STL模型给出基于残余波峰的二次铣削轨迹生成方法,并采用此方法进行铣削实验。实验结果表明：二次铣削加工后的实验件表面粗糙度明显降低,波峰高度明显下降,验证了此方法的可行性。