| 考虑能耗的多传感器融合加工表面粗糙度预测方法 |
| |
| 引用本文： | 谢楠,周俊锋,郑蓓蓉.考虑能耗的多传感器融合加工表面粗糙度预测方法[J].表面技术,2018,47(9):240-249. |
| |
| 作者姓名： | 谢楠 周俊锋 郑蓓蓉 |
| |
| 作者单位： | 同济大学中德工程学院,上海,201804;同济大学机械与能源工程学院,上海,201804;温州大学机电工程学院,浙江温州,325000 |
| |
| 基金项目： | 国家自然科学基金项目（71471139）；国家工信部智能制造标准化项目 |
| |
| 摘 要： | 目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。
|
| 关 键 词： | 能耗 多传感器融合 表面粗糙度 预测方法 核主成分分析 支持向量机 |
| 收稿时间： | 2018/5/30 0:00:00 |
| 修稿时间： | 2018/9/20 0:00:00 |
An Approach for Surface Roughness Prediction in Machining Based on Mul-ti-sensor Fusion Considering Energy Consumption |
| |
| XIE Nan,ZHOU Jun-feng and ZHENG Bei-rong.An Approach for Surface Roughness Prediction in Machining Based on Mul-ti-sensor Fusion Considering Energy Consumption[J].Surface Technology,2018,47(9):240-249. |
| |
| Authors: | XIE Nan ZHOU Jun-feng and ZHENG Bei-rong |
| |
| Affiliation: | 1.a.Sino-German College of Applied Sciences, Shanghai 201804, China,1.b.School of Mechanical Engineering, Tongji University, Shanghai 201804, China and 2.College of Mechanical and Electrical Engineering, Wenzhou University, Wenzhou 325000, China |
| |
| Abstract: | |
| |
| Keywords: | energy consumption multi-sensor fusion surface roughness prediction approach KPCA SVM |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《表面技术》浏览原始摘要信息 |
|
点击此处可从《表面技术》下载全文 |
|
