[0041] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0042] 本发明提供一种基于神经网络的多特征融合砂轮磨削性能预测方法。本发明能够通过相机获取砂轮尺寸信息、表面纹理信息作为特征值,通过超声波获取砂轮反射信息、磨削力和磨削速度作为特征值。采用SVD对数据降维并送入神经网络进行训练,得到预测模型,对砂轮磨削性能进行据测,能够指导砂轮磨削工艺制定。本发明方法流程图如图1所示。下面通过具体实施例来进行说明。
[0043] 实施例一:
[0044] 基于神经网络的多特征融合砂轮磨削性能预测方法包括:
[0045] 步骤一,采用普通灰度相机获取砂轮原始灰度图像,对砂轮原始灰度图像进行阈值化处理,对阈值化处理结果进行边缘检测,获得砂轮边缘轮廓图。
[0046] 传统砂轮磨削性能检测方法往往通过磨削实验获得。磨削实验周期往往很长,有些实验甚至需要一周时间,检测效率很低。本发明旨在根据磨削性能数据库设计无需进行磨削实验的砂轮磨削性能检测方法。砂轮磨削性能通常与砂轮直径、砂轮磨粒的粒径等因素直接相关。砂轮的磨粒在砂轮图像中呈现为纹理特征,因此,可以使用砂轮纹理特征表征砂轮的磨粒。首先,采用普通相机获取砂轮原始灰度图像G,如图2所示。
[0047] 对砂轮灰度图像进行图像分割,将图像上的像素点的灰度值设置为0或255,使整个图像呈现出明显的黑白效果,方便图像处理。本发明采用最大类间方差法获取自适应阈值,根据阈值对砂轮灰度图像G进行二值化处理,从而凸显图像前景部分,即砂轮部分。阈值化的砂轮图像如图3所示。
[0048] 然后,对二值化处理后的图像进行边缘检测,得到砂轮边缘轮廓图。本发明使用采用Canny算子进行边缘检测。首先,使用高斯滤波器对二值化处理后的图像进行平滑处理。然后,通过sobel算子采用一阶差分偏导计算梯度值和方向。再对梯度值不是极大值的地方进行抑制,把不是极值的点,全部置0,去掉了大部分弱的边缘。所以图像边缘会变细。用双阈值连接图上的联通点。Canny算法应用双阈值,即一个高阈值和一个低阈值来区分边缘像素。如果边缘像素点梯度值大于高阈值,则被认为是强边缘点。如果边缘梯度值小于高阈值,大于低阈值,则标记为弱边缘点。小于低阈值的点则被抑制掉。设置双阈值t1,t2,是这样的,t1<=t2大于t2的点肯定是边缘;小于t1的点肯定不是边缘;在t1,t2之间的点,通过已确定的边缘点,发起8连通域像素方向的搜索,图中可达的是边缘,不可达的点不是边缘。
最后得出砂轮边缘轮廓图。
[0049] 步骤二,基于最小二乘法拟合圆方法对砂轮边缘轮廓图进行处理,得到砂轮圆心和砂轮外径,将砂轮外径作为特征值F1。
[0050] 砂轮磨削性能与砂轮尺寸直接相关。
[0051] 采用最小二乘法对砂轮边缘轮廓进行圆拟合:
[0052] 假设圆方程为:
[0053] R2=(x-A)2+(y-B)2
[0054] 其中,R为半径,(A,B)为圆心坐标。
[0055] 展开后可以表示为:
[0056] R2=x2-2Ax+A2+y2-2By+B2
[0057] 令a=-2A,b=-2B,c=A2+B2-R2,则有:
[0058] x2+y2+ax+by+c=0
[0059] 轮廓上的点(xi,yi)到圆心(A,B)的距离为di:
[0060] di2=(xi-A)2+(yi-B)2
[0061] 则点(xi,yi)到圆心的距离与半径之间的误差可以表示为:
[0062] δi=di2-R2
[0063] 令Q(a,b,c)=∑δi2
[0064] 对Q(a,b,c)进行求解,找到使Q(a,b,c)最小的a,b,c值。
[0065] 采用偏导的方法得到极值,具体求解方法是众所周知的,本发明不做保护。
[0066] 采用最小二乘法对砂轮内边缘轮廓与外边缘轮廓进行拟合圆计算,获得砂轮边缘轮廓图的圆心(A,B),外圆半径R、内圆半径r,将砂轮外径D作为特征值F1,D为2R。
[0067] 拟合圆得到的砂轮外轮廓示意图如图4所示。
[0068] 步骤三,基于砂轮外径构建遮罩数据,从砂轮原始灰度图像中抠取砂轮部分图像。
[0069] 构建与砂轮原始灰度图像G尺寸大小相同的图像Mask,以坐标(A,B)为圆心,R为半径的区域内的值设为1,其余位置为0,得到遮罩数据MASK,将MASK与图像相乘,得到砂轮部分图像S,如图5所示。
[0070] 步骤四,基于砂轮部分图像的灰度共生矩阵描述砂轮纹理信息,计算灰度共生矩阵的对比度、能量、逆差矩、熵分别作为特征值F2、特征值F3、特征值F4、特征值F5。
[0071] 砂轮磨削性能通常与砂轮直径、砂轮磨粒的粒径等因素直接相关。砂轮的磨粒在砂轮图像中呈现为纹理特征,因此,可以使用砂轮纹理特征表征砂轮的磨粒。
[0072] 像素灰度在空间位置上的反复出现形成图像的纹理,灰度共生矩阵是描述具有某种空间位置关系两个像素灰度的联合分布。计算砂轮部分图像S的灰度共生矩阵得到大小为m×n的灰度共生矩阵P,计算方法是众所周知的,这里不再阐述。
[0073] 计算矩阵P的对比度:
[0074]
[0075] 对比度反映了图像清晰度与纹理沟纹深浅的程度,作为特征值F2。
[0076] 计算矩阵P的能量:
[0077]
[0078] 能量数据反映了图像灰度分布的均匀程度与纹理粗细度,将能量值作为特征值F3。
[0079] 计算矩阵P的逆差矩:
[0080]
[0081] 逆差矩反映了图像纹理的同质性,度量图像纹理局部变化,作为特征值F4。
[0082] 计算矩阵P的熵:
[0083]
[0084] 熵代表图像纹理分布均匀程度,作为特征值F5。
[0085] 由此,得到了反映砂轮纹理的特征值。
[0086] 步骤五,使用超声波发射仪、声发射传感器随机测量砂轮的反射能量,将反射能量作为特征值F6。
[0087] 采用超声波及声波传感器对砂轮超声波反射能量进行测量,其测量方法为:
[0088] 砂轮外径为D,内径为d,d为2r,则测量位置为半径为r=(D+d)/4的圆环处,每隔九十度取圆环上一个点作为测量点,对四个测量点进行测量,并求取四个点反射能量的平均量作为特征F6。也可以采用超声波传感器代替声发射传感器。反射能量可以使用频率与振幅来表示。实施者可以根据需求设计能量表示方法。一种实施方式是采用下式:(P*w*w*u*A*A)/2,其中,P为介质密度,w为频率,A为振幅,u为波速。
[0089] 步骤六,对砂轮进行磨削性能实验,磨削力作为特征值F7,磨削速度作为特征值F8,将获取的特征值组成砂轮特征向量,根据砂轮磨削比,对砂轮特征向量进行标注。
[0090] 将砂轮加载到试验机上。磨削性能实验是对砂轮施加不同磨削力、磨削速度下来获得砂轮的磨削比。磨削力可以根据实验需求设置多个磨削力,磨削速度在800r/min~1200r/min之间,可以采取步长为20r/min进行磨削实验。将磨削实验的磨削力作为特征值F7,磨削速度作为特征值F8。对磨削比K进行极差标准化,使之取值范围为[0,1]。
[0091] 将获取的特征值组成砂轮特征向量,根据砂轮磨削比K,对砂轮特征向量进行标注。以单个齿轮为例,砂轮特征向量为[F1,F2,F3,F4,F5,F6,F7,F8,K]。由于特征值F1至F6是单个数据,F7、F8可以为多个数据。因此多个磨削力、多个磨削速度时,单个砂轮的特征矩阵为:
[0092]
[0093] 步骤七,对多个砂轮进行特征值采集并进行磨削比标注,得到砂轮特征矩阵,对砂轮特征矩阵进行奇异值分解,得到降维砂轮特征矩阵。
[0094] 对不同大小、不同粒度、不同原材料的砂轮进行特征值采集,并进行标注。一种实施例是砂轮数量为8000个,则砂轮特征矩阵为:M=[M1,M2,…,M8000]T。
[0095] 至此,得到了砂轮特征矩阵。然后,由于数据量非常大,后续计算时间复杂度很高。为了提高后续数据处理效率,本发明采用奇异值分解对砂轮特征矩阵进行降维处理。
[0096] 奇异值分解是一个有着很明显的物理意义的一种方法,可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示,这些小矩阵描述的是矩阵的重要的特性,一方面实现了矩阵降纬,一方面可以去除矩阵中的噪声数据。在原始数据中存在微小噪声,一种典型的办法是使用SVD以压缩数据的方式过滤噪声。
[0097] 下面针对矩阵奇异值分解的过程进行详细说明。
[0098] 将矩阵M进行SVD分解,M=UΣVT,其中,矩阵Σ为一个大小为m×n的除了对角线上T其他元素全为0的矩阵,主对角线的值为奇异值,U是m×m的正交矩阵,V 是n×n的正交矩阵。在科学和工程中,一直存在这样一个普遍事实:保留特定数量的奇异值,其它的奇异值都置为0。这就意味着数据集中仅有特定数量个重要特征,而其余特征则是冗余特征,从而达到降维目的。
[0099] 对获得的奇异值进行从大到小排序,保留特定数量的奇异值。一种实施例是保留总数目的80%的奇异值,从而构建新的Σ矩阵,并根据公式S=UΣVT求获取降维砂轮特征矩阵。
[0100] 步骤八,将降维砂轮特征矩阵作为样本数据集,基于均方差损失函数训练神经网络,保存训练好的神经网络。
[0101] 将降维砂轮特征矩阵中的数据按7:3比例划分为训练集和测试集。
[0102] 构建神经网络。一种实施方式是输入层的神经元个数设为8,隐藏层包括两层,一层神经元个数为150,另一层为178,输出层神经元个数为1,采用SIGMOID激活函数。
[0103] 将训练集送入构建的神经网络进行训练,其损失函数为:
[0104] J=sum((oi-ki)2)
[0105] 其中,oi为实际输出,ki为期望值,sum为求和函数,i的取值范围是[1,2,3,…,8000]。
[0106] 神经网络的损失函数下降率低于阈值时即可停止训练。
[0107] 将测试集代入练好的模型进行测试,根据测试结果,对神经网络进行修正。至此,得到了训练好的神经网络模型,神经网络模型中隐含了砂轮尺寸、表面纹理信息、磨削速度、磨削力与砂轮磨削比之间的映射关系。
[0108] 步骤九,采集待预测砂轮的各项特征值,代入训练好的神经网络,得到砂轮磨削比。
[0109] 用户使用训练好的神经网络,载入待预测砂轮的各项特征值,即可得到砂轮磨削比。
[0110] 本发明根据采集的砂轮特征数据以及砂轮磨削性能实验数据训练神经网络,得到可以预测砂轮磨削比的神经网络模型,无需对砂轮进行长时间的磨削实验,即可得到磨削比,不仅提高了磨削性能评估效率,而且提高了磨削性能评估准确率。传统检测方式需要一周甚至更长的检测时间,本发明只需十几分钟给出结果,能够大大提高企业检测效率,具有较高的实施价值。砂轮的磨削性能预测能够更好的去指导砂轮的生产质量,能够指导工艺的改进、调优。提高企业砂轮生产质量,提高经济效益。
[0111] 以上实施例仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。