本发明涉及砂带磨削加工领域,具体涉及磨削螺杆转子过程中砂带磨损程度的预测方法。
背景技术:
1、砂带在磨削螺杆转子过程中会发生磨损,工艺参数不同导致砂带的磨损速度不同,如果砂带发生失效磨损会损害螺杆转子的表面质量。在目前的磨削加工中,通常以经验判断砂带的磨损程度,主观判断因人而异,没用统一的标准,当砂带尚可使用时将其弃置容易出现砂带的浪费,当砂带过度磨损时仍用来磨削螺杆转子则会对工件损伤。
2、目前的支持向量机(svm)在解决小样本、非线性及高维模式识别中有很大的优势,但是其分类精度受到核函数参数以及惩罚参数的影响,导致算法模型分类精度低。所以需要提出一种新的算法对砂带磨削螺杆转子过程中对砂带的磨损程度进行分类预测。
3、因此,需要提出一种新的算法对砂带磨削螺杆转子过程中对砂带的磨损程度进行准确的分类预测,弥补以经验判断砂带磨损程度容易出现的砂带浪费以及工件损伤问题。
技术实现思路
1、发明目的:
2、本发明提出一种砂带磨削螺杆转子时砂带磨损程度的预测方法,目的在于磨削螺杆转子时可以通过砂带表面图像准确判断砂带的磨损程度,避免砂带浪费以及砂带失效对螺杆转子表面造成损伤。
3、技术方案:
4、为了达到上述目的,本实用发明采用的技术方案为:
5、一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,包括如下步骤:
6、步骤1:对砂带表面图像进行中值滤波,提取图像的颜色特征及纹理特征;
7、步骤2:将步骤1中得到的特征数据处理为矩阵形式,输入到ao-svm神经网络,获得ao-svm神经网络的核函数参数与惩罚参数;
8、步骤3:将ao-svm神经网络的核函数参数与惩罚参数作为天鹰的初始群体x,确定天鹰初始位置,并设定迭代次数m,对天鹰算法的参数进行初始化;
9、步骤4:以五折交叉验证准确率作为天鹰个体适度函数,计算初始群体x中个体初始适应度值,通过天鹰优化算法进行适应度比较,获得最优值,将产生的种群赋值给ao-svm神经网络,再通过ao-svm神经网络对砂带的磨损程度进行预测,将预测的砂带磨损程度与实际的砂带磨损程度相比较,将预测分类准确的样本数量与总样本数量之比作为适应度函数fx;
10、步骤5:每个天鹰个体需要根据捕猎原则进行寻优,得到适应度函数fx最大的值,适应度函数fx最大的值则为ao-svm最佳的核函数参数及惩罚参数;
11、步骤6:将ao-svm最佳的核函数参数和惩罚参数代入ao-svm中,对砂带磨损磨损程度进行分类预测。
12、进一步的,步骤1中砂带图像的颜色特征及纹理特征的提取包括:
13、(1)、砂带图像红色一阶矩计算,公式为:
14、
15、式中,i代表r,g,b三个颜色通道,j代表像素值代表像素总数,pij代表第j个像素的i分量;
16、(2)、砂带图像熵计算,公式为:
17、
18、式中,entropy代表图片的熵。
19、(3)、砂带图像相关性的计算,公式为:
20、
21、式中,asm代表相关性。
22、(4)、砂带图像能量的计算,公式为:
23、
24、进一步的,步骤4中用适应度函数fx来评价核函数参数与惩罚参数的优劣程度的方法为:根据天鹰算法的捕猎规则,当当前迭代次数时,天鹰个体需要通过扩大搜索更新位置变更模型、缩小搜索方式更新位置变更模型;当时,通过扩大开发方式更新位置变更模型和缩小开发方式更新位置变更模型,得到适应度函数fx最大的值。
25、进一步的,扩大搜索更新位置变更模型为:
26、
27、
28、式中,x1(m1+1)是由扩大搜索的方式天鹰到达的下一次位置。xbest(t)是达到下一次位置时的最佳解。xm(t)表示目前的当前位置的平均值,该平均值使用公式计算。rand是介于0和1之间的随机值;
29、进一步的,缩小搜索方式更新位置变更模型为:
30、x2(m1+1)=xbest(m1)×levy(d)+xr(m1)+(y-x)*rand
31、
32、
33、y=r×cos(θ)
34、x=rsin(θ)
35、r=r1+u×d1
36、θ=-ω×d1+θ1
37、
38、式中,x2(m1+1)是由缩小搜索的方式让天鹰到达的下一个位置。d是维度空间,levy(d)是levy(d)飞行分布函数,s是一个常量0.01;u和是0到1的任意数字,β是常量值1.5,y和x用来代表搜索的区域形状,r1取1到20之间的值,用于固定的搜索周期数,u的值为0.00565。d1是从1到搜索空间长度(dim)的整数,ω的值为0.005。
39、进一步的,扩大开发方式更新位置变更模型:
40、x3(m1+1)=(xbest(m1)-xm(m1))×α-rand+((ub-lb)×rand+lb)×δ
41、式中,x3(m1+1)是由扩大开发的方式让天鹰到达的下一个位置;rand是介于0和1之间的随机值;α和δ是本文中确定为较小值(0.1)的开采调整参数;ub是给定问题的上界;lb是给定问题的下界。
42、进一步的,缩小开发方式更新位置变更模型:
43、x4(m1+1)=qf×xbest(m1)-(g1×x(m1)×rand)-g2×levy(d)+rand×g1
44、
45、g1=2×rand()-1
46、
47、式中,x4(m1+1)是由缩小开发的方式让天鹰到达的下一个位置;qf表示用于平衡搜索策略的质量函数;g1表示在私奔期间用于跟踪猎物的ao的各种运动;g2呈现从2到0的递减值,表示ao的飞行斜率。
48、有益效果:
49、本发明通过提取砂带在磨削过程中砂带表面图像颜色特征以及纹理特征,通过天鹰算法优化svm算法,可以寻找出ao-svm最佳的核函数参数和惩罚参数,提高svm神经网络的分类预测精度,避免svm分类精度低的问题,从而实现砂带磨削螺杆曲面表面砂带磨损程度的精准预测,更准确判断砂带的磨损程度,进而节约生产成本,有效避免砂带浪费以及砂带失效磨损对螺杆转子造成损伤。
1.一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:所述方法包括如下步骤:
2.根据权利要求1所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:步骤1中砂带图像的颜色特征及纹理特征的特征数据提取提取包括:
3.根据权利要求1所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:步骤2中输入的数据为4类,分别为图像红色一阶矩、熵、能量和相关性;输出的结果为三个磨损阶段,分别为快速磨损阶段、稳定磨损阶段、与失效磨损阶段。
4.根据权利要求1所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:步骤4中用适应度函数fx来评价核函数参数与惩罚参数的优劣程度的方法为:根据天鹰算法的捕猎规则,当当前迭代次数时,天鹰个体需要通过扩大搜索更新位置变更模型、缩小搜索方式更新位置变更模型;当时,通过扩大开发方式更新位置变更模型和缩小开发方式更新位置变更模型,得到适应度函数fx最大的值。
5.根据权利要求4所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:扩大搜索更新位置变更模型为:
6.根据权利要求4所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:缩小搜索方式更新位置变更模型为:
7.根据权利要求4所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:扩大开发方式更新位置变更模型:
8.根据权利要求4所述的一种砂带磨削螺杆曲面时砂带磨损程度的预测方法,其特征在于:缩小开发方式更新位置变更模型:
9.一种砂带磨削螺杆曲面时砂带磨损程度的预测系统,其特征在于:所述系统采取如权利要求1-8所述的任意一种砂带磨削螺杆曲面时砂带磨损程度的预测方法对砂带磨损程度进行预测。