【技术实现步骤摘要】
本专利技术属于外圆磨削加工在线监测，具体涉及一种轴承套圈外圆磨削表面粗糙度监测方法及系统。
技术介绍
1、磨削加工在轴承生产中扮演这至关重要的角色，是制造高精度、高质量轴承的关键工序，是轴承套圈加工中最为重要的精加工工序。在轴承制造中，磨削加工占据了主要的劳动量，并且对轴承制造精度越高，磨削加工占据的劳动量比例越大。此外，随着如今材料技术的发展以及设计水平的进步，对于磨削加工的要求变得越来越高。因此，提高轴承外圈磨削工艺水平非常重要。表面粗糙度会影响轴承外圈的表面完整性，在最终加工操作中实现的零件表面完整性是工艺和产品质量的关键性能指标，若轴承套圈的表面质量达不到要求，将可能造成严重的损失，因此，控制轴承外圈磨削表面粗糙度是必不可少的。
2、监测加工零件的表面质量和完整性是一个关键问题。磨削加工具有不同于其他切削加工方式的特性，使得对轴承套圈磨削表面粗糙度预测更加困难。磨削加工的发展趋势必然是朝着智能化方向发展，缩短工件从加工到检测的生产环节，直接在加工过程中保证工件的合格率，这有利于实现轴承生产过程中高效的质量控制和及时的综合决策，解放人力，提高生产效率。同时，基于深度学习的预测方法对于大量高质量的训练数据依赖性较强。基于此，提出一种适用于强噪音、小样本下的多工况轴承套圈磨削加工的轴承套圈表面粗糙度预测方法具有实际而重大的意义。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种轴承套圈外圆磨削表面粗糙度监测方法及系统，用于解决在强噪
2、本专利技术采用以下技术方案：
3、一种轴承套圈外圆磨削表面粗糙度监测方法，包括以下步骤：
4、采用ceemdan算法对轴承套圈外圆磨削加工过程中产生的声发射信号和三轴振动信号进行自适应分解，根据相关系数大小保留信号分量；
5、对保留的信号分量进行时域、频域和熵域的多变换域特征提取，通过主成分分析进行信号特征融合降维，将磨削参数和降维后的信号特征组合成反映磨削表面粗糙度的总特征集；
6、基于反映磨削表面粗糙度的总特征集，使用支持向量回归模型实现对轴承套圈小样本、多工况磨削表面粗糙度的监测。
7、优选地，采用声发射传感器和振动传感器采集轴承套圈外圆磨削加工过程中产生的声发射信号和三轴振动信号。
8、更优选地，声发射传感器和振动传感器安装在轴承套圈外圆磨削加工的区域。
9、更优选地，自适应分解前，采用分段取平均值的方式对声发射信号和三轴振动信号进行预处理。
10、优选地，通过计算信号分量与原信号的皮尔逊相关系数，根据数值大小保留前八个信号分量。
11、更优选地，第n阶信号分量imfn(t)与原始信号x(t)之间的皮尔逊相关系数rn计算如下：
12、
13、其中，为ceemdan算法分解后的信号分量，为原始信号，t为总时间。
14、优选地，时域特征包括平均值、标准差、均方根值、绝对均值、峰值、峭度指标、偏度指标、峰度指标、裕度指标、脉冲指标和波形指标；
15、频域特征包括频谱幅值样本均值、频谱幅值样本方差、频谱幅值峭度、频谱幅值偏度、频率方差、平均频率、频率均方根值、主频带位置变化、频率能量集度、频率偏度、变异系数、频率峭度以及标准化频谱均值；
16、熵特征包括功率谱熵、奇异谱熵、排列熵以及样本熵。
17、优选地，将总特征集分为训练样本集和测试样本集，利用训练样本集对支持向量回归模型进行训练，再将测试样本集输入训练后的支持向量回归模型中，结合磨削加工参数，使用支持向量回归模型实现对轴承套圈小样本、多工况磨削表面粗糙度的监测。
18、更优选地，采用网格搜索和交叉验证的方式设置支持向量回归模型参数。
19、第二方面，本专利技术实施例提供了一种轴承套圈外圆磨削表面粗糙度监测系统，包括：
20、分解模块，采用ceemdan算法对轴承套圈外圆磨削加工过程中产生的声发射信号和三轴振动信号进行自适应分解，根据相关系数大小保留信号分量；
21、提取模块，对保留的信号分量进行时域、频域和熵域的多变换域特征提取，通过主成分分析进行信号特征融合降维，将磨削参数和降维后的信号特征组合成反映磨削表面粗糙度的总特征集；
22、监测模块，基于反映磨削表面粗糙度的总特征集，使用支持向量回归模型实现对轴承套圈小样本、多工况磨削表面粗糙度的监测。
23、第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述轴承套圈外圆磨削表面粗糙度监测方法的步骤。
24、第四方面，本专利技术实施例提供了一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现上述轴承套圈外圆磨削表面粗糙度监测方法的步骤。
25、与现有技术相比，本专利技术至少具有以下有益效果：
26、一种轴承套圈外圆磨削表面粗糙度监测方法，ceemdan算法能够自适应地将复杂的信号分解成多个信号分量，可以更好地反映出不同频率成分的特征，并基于信号分量与原信号的相关系数，消除产生的伪模态和实现信号的去噪，有助于后续对信号特征提取和表面粗糙度预测，减小无关噪音的影响。通过对分解后的信号进行时域、频域和熵域的特征提取，可以全面地捕捉到信号的各种特征，为后续的分析预测提供丰富全面的信息。主成分分析用于对提取的特征进行融合和降维，以减少数据的维度并保留主要特征，消除特征之间的冗余性，减少数据集的复杂度，提高后续模型的计算效率，并且保留了原始数据中最重要的信息。加入磨削参数能够扩展模型考虑的信息维度，使得模型更全面地考虑了磨削加工过程中的各种影响因素。支持向量回归更注重对数据的有效利用，在小样本数据下表现出色，实现在小样本下对磨削表面粗糙度的精准监测。
27、进一步的，通过实时采集和处理声发射和振动信号，实现对强噪音、小样本情况下多工况轴承套圈外圆磨削加工状态的实时监测，有助于及时发现加工异常或问题。
28、进一步的，减少信号的ceemdan分解以及提取特征的时间，同时降低信号随机噪声的影响和提高信号的信噪比。
29、进一步到，通过融合声发射信号、振动信号和加工参数，能够充分利用多源信息，提高监测的全面性和准确性，使监测结果更为可靠。
30、进一步的，利用ceemdan算法对声发射和振动信进行分解后，根据分解后的信号分量与原信号的相关系数大小，实现对信号的阈值去噪。
31、进一步的，对信号分量进行包括时域、频域和熵域内的多变换域特征的提取，更加充分地挖掘信号中与磨削加工过程相关的信息，通过主成分分析的方式将信号特征进行融合，消除相关性较强的特征，减少数据维度。
32、进一步的，使用支持向量回归对小样本数据的拟合能本文档来自技高网...
【技术保护点】
1.一种轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，采用声发射传感器和振动传感器采集轴承套圈外圆磨削加工过程中产生的声发射信号和三轴振动信号。
3.根据权利要求2所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，声发射传感器和振动传感器安装在轴承套圈外圆磨削加工的区域。
4.根据权利要求2所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，自适应分解前，采用分段取平均值的方式对声发射信号和三轴振动信号进行预处理。
5.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，通过计算信号分量与原信号的皮尔逊相关系数，根据数值大小保留前八个信号分量。
6.根据权利要求5所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，第n阶信号分量IMFn(t)与原始信号X(t)之间的皮尔逊相关系数Rn计算如下：
7.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，时域特征包括平均值、标准差、均方
8.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，将总特征集分为训练样本集和测试样本集，利用训练样本集对支持向量回归模型进行训练，再将测试样本集输入训练后的支持向量回归模型中，结合磨削加工参数，使用支持向量回归模型实现对轴承套圈小样本、多工况磨削表面粗糙度的监测。
9.根据权利要求8所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，采用网格搜索和交叉验证的方式设置支持向量回归模型参数。
10.一种轴承套圈外圆磨削表面粗糙度监测系统，其特征在于，包括：
...【技术特征摘要】
1.一种轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，采用声发射传感器和振动传感器采集轴承套圈外圆磨削加工过程中产生的声发射信号和三轴振动信号。
3.根据权利要求2所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，声发射传感器和振动传感器安装在轴承套圈外圆磨削加工的区域。
4.根据权利要求2所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，自适应分解前，采用分段取平均值的方式对声发射信号和三轴振动信号进行预处理。
5.根据权利要求1所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，通过计算信号分量与原信号的皮尔逊相关系数，根据数值大小保留前八个信号分量。
6.根据权利要求5所述的轴承套圈外圆磨削表面粗糙度监测方法，其特征在于，第...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。