基于改进支持向量机的砂带磨损程度识别

为了准确判断砂带在磨削螺杆转子时的磨损程度,根据砂带磨损过程中表面图像颜色特征和纹理特征的变化规律,对砂带磨损程度进行识别。对磨削加工后砂带表面图像的纹理特征和颜色特征进行提取,根据不同磨削时间段螺杆转子表面粗糙度划分砂带磨损程度。支持向量机的分类性能受到自身核函数与惩罚函数的影响较大,因此提出利用天鹰优化算法对支持向量机的核参数与惩罚参数进行优化,建立AO-SVM砂带图像识别磨损程度模型。利用自主研发的螺杆转子专用砂带磨削装置完成实验。磨削参数设置如下：砂带线速度为10 m/s,工件轴向进给速度为50 mm/min,张紧轮的气缸压力为0.35 MPa,主动轮的气缸压力为0.5 MPa,磨削时间为25 min。AO-SVM对砂带磨损程度模型的识别准确率达到92.5%,比随机森林算法(RFC)和XGboost分类算法分别高出5.0%和3.6%,且收敛速度更快。AO-SVM模型可以通过砂带表面图像的颜色特征变化和纹理特征变化对砂带磨损程度进行识别,可以有效避免砂带磨损过度损伤工件,为砂带磨削螺杆转子时判断砂带的磨损程度和换带时间提供理论指导。     

螺杆转子磨削去除深度研究

砂带的磨削过程受多个工艺参数的影响,螺杆表面材料的去除均匀性会影响螺杆转子的机械性能。对于螺杆转子的磨削,砂带的旋转速度、砂带的进给速度、主气缸的压力、砂带磨损量等都会对螺杆转子的磨削深度产生影响。利用自主研发的实验设备对螺杆转子进行打磨实验,采用线性激光测量仪对螺杆转子的打磨深度进行测量,探究各工艺参数对螺杆打磨深度的影响规律。实验结果表明：螺杆转子的打磨深度随着砂带旋转速度的增加先增大后减小,随着主气缸压力的增加而增加,随着砂带的进给速度与磨削时间的增加而减小。