预测机械加工零件表面粗糙度的装置

1.本发明涉及机械加工中不规则表面的计量的技术领域，尤其涉及一种预测机械加工零件表面粗糙度的装置。


背景技术：

2.表面粗糙度是衡量机械加工过程性能和评定零件表面质量的一个重要指标。主要影响零件的强度、抗腐蚀性、耐磨性和密封性等性能。随着高端制造领域对零件加工精度的要求越来越高，实际应用中对产品表面质量要求也变高，而表面粗糙度是提高其表面质量的一项非常重要的指标，所以对机械加工（尤其是高速铣削）状态下表面粗糙度的预测显得尤为重要。
3.表面粗糙度测量方法一般是利用粗糙度测量仪和光传感器，分别通过接触式触针测量和非接触式光学测量，电子显微镜与三维检测技术的应用极大提高了粗糙度预测的精度。但是以上方法都是在零件加工前后对表面粗糙度进行检测，而精准高效地对零件表面粗糙度的在线预测正逐渐成为机械加工领域的发展趋势之一。
4.随着机械加工数据量的增长，数据挖掘技术和深度神经网络学习逐渐应用到表面粗糙度预测这一领域，并提供了新的研究发展方向。在实际加工过程中，刀具参数、零件参数，切削参数等静态数据，以及力信号、振动信号、温度信号等动态数据都是影响零件表面粗糙度变化的因素。因其高维、非线性的数据特征，使得数据挖掘技术应用于探究异构数据对零件表面粗糙度的影响变化规律显得十分重要，再结合深度神经网络的精准预测，将大大提高加工过程中零件的表面质量。
5.国内外的研究者主要利用传统的理论方法对零件表面进行粗糙度几何形貌的建模，以及通过数据分析和理论建模方法预测表面粗糙度；利用传统神经网络方法直接对加工后的表面粗糙度进行建模，分析工艺参数对其影响规律，进而预测其表面粗糙度。而利用深度神经网络学习法建立高维的、非线性的动态数据与表面粗糙度之间的关系，相较于传统方法可提高预测的精准度。


技术实现要素：

6.为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种机械加工零件表面粗糙程度预测的装置，其能够解决传统方法中依赖人工经验提取数据信号特征和一般神经网络预测精度低、效率不高的问题，降低了人工经验的干涉，提高了机械加工零件表面粗糙度预测的精度。
7.本发明的技术方案是：一种预测机械加工零件表面粗糙度的装置，其包括：采集模块，其对采集加工过程中的力、振动和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，并将处理后的动态信号数据上传云端；分析模块，其对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利
用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度；归一化模块，其进行数据的归一化处理；网络模型，其进行数据归一化后由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型；预测模块，其通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测；铣削数据库平台，采集模块、分析模块、归一化模块、网络模型、预测模块的功能运行都依附于云平台，并通过云服务器和云备份为数据处理以及粗糙度预测提供算力与数据同步储存。
8.本发明通过采集模块对采集加工过程中的力、振动和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，分析模块对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度，进行数据的归一化处理，网络模型由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型，预测模块通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测，因此能够解决传统方法中依赖人工经验提取数据信号特征和一般神经网络预测精度低、效率不高的问题，降低了人工经验的干涉，提高了机械加工零件表面粗糙度预测的精度。并且全程通过连接云端服务器，以提高数据处理效率和神经网络运算速度，以及粗糙度实时在线预测响应速率，并在数据处理分析过程时刻将数据同步并上传云平台备份，以增强海量铣削数据的存储能力。
附图说明
9.图1是根据本发明的预测机械加工零件表面粗糙度的装置工作原理图。
10.图2是灰色关联度分析的流程图。
11.图3是相关性分析流程图。
12.图4是ssa-cnn算法的工作原理图。
13.图5是表面粗糙度的预测值与实际值对比图。
14.图6是表面粗糙度的误差直方图。
15.图7是表面粗糙度的回归拟合图。
16.图8是均方根误差收敛图。
具体实施方式
17.如图1所示，一种预测机械加工零件表面粗糙度的装置，其包括：采集模块，其对采集加工过程中的力、振动和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，并将处理后的动态信号数据上传云端；
分析模块，其对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度；归一化模块，其进行数据的归一化处理；网络模型，其进行数据归一化后由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型；预测模块，其通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测；铣削数据库平台，采集模块、分析模块、归一化模块、网络模型、预测模块的功能运行都依附于云平台，并通过云服务器和云备份为数据处理以及粗糙度预测提供算力与数据同步储存。
18.本发明通过采集模块对采集加工过程中的振动、切削力和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，分析模块对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度，进行数据的归一化处理，网络模型由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型，预测模块通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测，因此能够解决传统方法中依赖人工经验提取数据信号特征和一般神经网络预测精度低、效率不高的问题，降低了人工经验的干涉，提高了机械加工零件表面粗糙度预测的精度。并且全程通过连接云端服务器，以提高数据处理效率和神经网络运算速度，以及粗糙度实时在线预测响应速率，并在数据处理分析过程时刻将数据同步并上传云平台备份，以增强海量铣削数据的存储能力。
19.优选地，所述采集模块中，将压电式三向测力仪固定于零件底部；选取三向加速度传感器分别安装在零件旁和机械加工刀具旁；将红外热像仪与笔记本相连接，并放在合适位置，聚焦于零件；切削力信号通过kistler三向测力仪采集；振动信号通过lms振动噪声测试分析仪来进行信号采集、整理和分析；温度信号通过optris测温仪对温度信息进行采集与处理；最后通过多传感器采集系统对三种信号进行汇总，并实现同步采集。
20.优选地，所述分析模块中，对采集的振动、切削力、温度信号进行关联度分析为：通过指标正向化处理得到矩阵x:
，将母序列，系统的因变量y，记为x0；将子序列，系统的自变量x，记为[x1,x2,
…
,xn]，母、子序列中各个指标的元素分别除以对应指标的均值，得到的结果记为z
mn
：，式中x
mn
为序列中的指标元素，为指标均值，排列后得到标准化矩阵，记为z：，通过以下公式计算子序列中各个指标与母序列的关联系数，，其中ρ为分辨系数，a为两极最小差，b为两极最大差，a,b=1,2,3,
…
,n; a、b取值如下式：，定义y(x0,xi) 为灰色关联度，并通过以下公式求取每列关联系数矩的均值，以此计算灰色关联度，确定关联程度，，比较灰色关联度，将子序列中影响程度大，关联度高的因素筛出。
[0021]
优选地，所述分析模块中，对采集的振动、切削力、温度信号进行相关性分析为：在r语言环境下使用统计软件spss，通过正态性检验来研究机械加工动态信号数
据的各类影响因素对表面粗糙度的相关性显著程度，构建两组数据变量矩阵散点图，判断两组数据变量之间是否有线性关系，对分析的两组数据进行一个正态性检验，判断是否服从正态分布，若两组连续数据服从正态分布且二者属于线性相关关系则利用pearson系数，反之则使用spearman系数；选择pearson系数进行相关性分析，计算公式如下：，其中ρ表示相关系数，cov表示协方差，e表示数学期望/均值；选择spearman系数进行相关性分析，计算公式如下：，其中di表示第i个数据对应的位次之差，n表示总的观测样本数；相关性系数取值范围为[-1,1]，0表示两者之间没有相关性，-1表示负相关性，1表示正相关性，越接近-1或1，则相关性越强；将相关性强的数据筛选出来。
[0022]
优选地，所述归一化模块中，将机械加工过程中的动态信号分组进行归一化处理，使数据在[0,1]区间，依据公式如下：，式中x'为此组数据归一化后的结果，x
max
和x
min
分别为此组数据的最大值和最小值，通过matlab中的随机函数randperm将归一化的数据打乱排序，再将数据以9:1的比例划分训练集和测试集。
[0023]
优选地，所述网络模型中，确定麻雀算法的种群数、最大迭代次数和初始参数的优化个数，并分别对其优化边界进行设置；种群数和最大迭代次数设置为10；优化参数包括学习率e、迭代次数n、每批迭代数minibatch、第一层卷积层的核大小ks1和数量kn1、第2层卷积层的核大小ks2和数量kn2，以及两个全连接层的神经元数量n1、n2，共九个参数需要优化；参数的优化范围分别是， e∈[0.001-0.01]、n∈[10-100]、minibatch∈[100-512]、ks∈[1-3]、kn∈[1-20]、n∈[1-50]；确定发现者在全部种群中的占比，使麻雀种群中的发现者占麻雀群总数的20%；初始化种群并更新各群体的位置；发现者位置更新公式：
，式中，k为迭代次数，表示第i个成员在第j维所处的位置，i,j=1,2,3,
…
,n；α∈（0,1]且为均匀分布的随机数；m为最大迭代次数；q为服从标准正态分布的随机数；l为1
×
d的单位矩阵；r2为预警值，范围在[0,1]；st为安全值，范围在[0.5,1]；当r2《st，则麻雀群搜索范围附近没有危险，可继续扩大搜索范围，反之则有危险，需要移动位置；追随者位置更新公式：，其中，表示发现者在k次迭代时所处的最差位置；表示发现者在k+1次迭代的最优位置；a为1
×
d的多维矩阵，其元素为1或-1的随机数，a
+
=a
t
(aa
t
)-1
；当 i》n/2，则表示麻雀群的适应度低，需要扩大搜索范围，继续移动觅食，反之则适应度值高，可在最优位置附近随机觅食；预警者位置更新公式：，其中 ，表示发现者在k次迭代时所处的最优位置；β为步长参数，且服从n(0,1)；为[-1,1]的随机数，体现麻雀群的移动方向，并控制步长；ε避免分母为零所设的极小值常数；fi为第i个麻雀的适应度值；fw为麻雀群的最差适应度值；fg为麻雀群的最优适应度值；通过觅食与反捕食行为，更新麻雀最优个体的位置，当符合rmse小于设定的误差阈值或大于迭代次数时，输出最优个体所对应的最优参数；将ssa优化后的初始参数输入cnn中，进行神经网络训练，当误差在允许内，则输出已训练好的模型，并对表面粗糙度ra进行预测。
[0024]
需进行说明的是，本文并不是直接预测工件表面粗糙度ra，而是通过预测峰谷任
一测点到基准线距离的绝对值后，再通过粗糙度计算公式计算出ra，以达到预测粗糙度的目的。
[0025]
ra的公式如下：，式中n表示测点数；z(x)表示被测轮廓线上各点至基准线距离的绝对值。
[0026]
还提供了一种机械加工零件表面的粗糙程度计量预测的方法，其包括以下步骤：（1）对采集加工过程中的力、振动和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，并将处理后的动态信号数据上传云端；（2）对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度；（3）数据经归一化后由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型；（4）通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测；（5）将数据同步并上传云平台，并进行备份。
[0027]
优选地，所述步骤（1）中，将压电式三向测力仪固定于零件底部；选取三向加速度传感器分别安装在零件旁和机械加工刀具旁；将红外热像仪与笔记本相连接，并放在合适位置，聚焦于零件；切削力信号通过kistler三向测力仪采集；振动信号通过lms振动噪声测试分析仪来进行信号采集、整理和分析；温度信号通过optris测温仪对温度信息进行采集与处理；最后通过多传感器采集系统对三种信号进行汇总，并实现同步采集。
[0028]
优选地，如图2所示，所述步骤（3）中，对采集的振动、切削力、温度信号进行关联度分析为：通过指标正向化处理得到矩阵x:，将母序列，系统的因变量y，记为x0；将子序列，系统的自变量x，记为[x1,x2,
…
,xn]，母、子序列中各个指标的元素分别除以对应指标的均值，得到的结果记为z
mn
：
，式中x
mn
为序列中的指标元素，为指标均值，排列后得到标准化矩阵，记为z：，通过以下公式计算子序列中各个指标与母序列的关联系数，，其中a为两极最小差，b为两极最大差，ρ为分辨系数，i,k=1,2,3,
…
,n; a、b取值如下式：，定义y(x0,xi) 为灰色关联度，并通过以下公式求取每列关联系数矩的均值，以此计算灰色关联度，确定关联程度，，比较灰色关联度，将子序列中影响程度大，关联度高的因素筛出。
[0029]
优选地，如图3所示，所述步骤（3）中，对采集的振动、切削力、温度信号进行相关性分析为：在r语言环境下使用统计软件spss，通过正态性检验来研究机械加工动态信号数据的各类影响因素对表面粗糙度的相关性显著程度，构建两组数据变量矩阵散点图，判断两组数据变量之间是否有线性关系，对分析的两组数据进行一个正态性检验，判断是否服从正态分布，若两组连续数据服从正态分布且二者属于线性相关关系则利用pearson系数，反之则使用spearman系数；选择pearson系数进行相关性分析，计算公式如下：，
其中ρ表示相关系数，cov表示协方差，e表示数学期望/均值；选择spearman系数进行相关性分析，计算公式如下：，其中di表示第i个数据对应的位次之差，n表示总的观测样本数；可对生成的相关性系数矩阵进行可生成视化操作，并成热力图。
[0030]
表1
[0031]
如表1所示，对于相关性系数来说，0表示两者之间没有相关性，-1表示负相关性，1表示正相关性，越接近-1或1，则相关性越强。将相关性强的数据筛选出来。
[0032]
优选地，所述步骤（4）中，将机械加工过程中的动态信号分组进行归一化处理，使数据在[0,1]区间，依据公式如下：，式中x'为此组数据归一化后的结果，x
max
和x
min
分别为此组数据的最大值和最小值，通过matlab中的随机函数randperm将归一化的数据打乱排序，再将数据以9:1的比例划分训练集和测试集。
[0033]
优选地，如图4所示，所述步骤（5）中，确定麻雀算法的种群数、最大迭代次数和初始参数的优化个数，并分别对其优化边界进行设置；种群数和最大迭代次数设置为10；优化参数包括学习率e、迭代次数n、每批迭代数minibatch、第一层卷积层的核大小ks1和数量kn1、第2层卷积层的核大小ks2和数量kn2，以及两个全连接层的神经元数量n1、n2，共九个参数需要优化；参数的优化范围分别是， e∈[0.001-0.01]、n∈[10-100]、minibatch∈[100-512]、ks∈[1-3]、kn∈[1-20]、n∈[1-50]；确定发现者在全部种群中的占比，使麻雀种群中的发现者占麻雀群总数的20%；初始化种群并更新各群体的位置；发现者位置更新公式：
，式中，k为迭代次数，表示第i个成员在第j维所处的位置，i,j=1,2,3,
…
,n；α∈（0,1]且为均匀分布的随机数；m为最大迭代次数；q为服从标准正态分布的随机数；l为1
×
d的单位矩阵；r2为预警值，范围在[0,1]；st为安全值，范围在[0.5,1]；当r2《st，则麻雀群搜索范围附近没有危险，可继续扩大搜索范围，反之则有危险，需要移动位置；追随者位置更新公式：，其中，表示发现者在k次迭代时所处的最差位置；表示发现者在k+1次迭代的最优位置；a为1
×
d的多维矩阵，其元素为1或-1的随机数，a
+
=a
t
(aa
t
)-1
；当i》n/2，则表示麻雀群的适应度低，需要扩大搜索范围，继续移动觅食，反之则适应度值高，可在最优位置附近随机觅食；预警者位置更新公式：，其中， 表示发现者在k次迭代时所处的最优位置；β为步长参数，且服从n(0,1)；为[-1,1]的随机数，体现麻雀群的移动方向，并控制步长；ε避免分母为零所设的极小值常数；fi为第i个麻雀的适应度值；fw为麻雀群的最差适应度值；fg为麻雀群的最优适应度值；通过觅食与反捕食行为，更新麻雀最优个体的位置，当符合rmse小于设定的误差阈值或大于迭代次数时，输出最优个体所对应的最优参数；将ssa优化后的初始参数输入cnn中，进行神经网络训练，当rmse小于设定的误差阈值或大于迭代次数时，如图8所示当误差在允许范围rmse=0.1以下并趋于平稳时，则输出已训练好的模型，并对表面粗糙度ra进行预测。
[0034]
需进行说明的是，本文并不是直接预测工件表面粗糙度ra，而是通过预测峰谷任一测点到基准线距离的绝对值后，再通过粗糙度计算公式计算出ra，以达到预测粗糙度的目的。
[0035]
ra的公式如下：，式中n表示测点数；z(x)表示被测轮廓线上各点至基准线距离的绝对值。
[0036]
下面以一台三轴立式数控机床铣削加工为例，详细说明本发明的实施方式。
[0037]
第一步，准备实验器材：实验所用零件尺寸为100mm
×
60mm
×
25mm的tc4钛合金；实验刀具选用pcbn铣刀片，选用直径14cm、16cm和18cm的两刃硬质合金铣刀杆；机床类型为三轴立式数控铣削机床；加工方式采用顺铣干切。
[0038]
第二步，铣削动态数据信号的采集：将kistler 9129aa压电式三向测力仪固定于零件底部；选取pcb的356a16 sn 102355型号的三向加速度传感器安装在零件旁和铣削刀具旁，并连接到lms振动测试仪；将optris pi红外热像仪与笔记本相连接，并置于合适位置，调整镜头角度和焦距。铣削力信号通过kistler 5080a电荷放大器，由kistler 5697a数据采集器采集；振动信号通过软件lms test.lab来进行信号采集、整理和分析；温度信号通过optris pi connect软件对温度信息进行处理。将采集频率统一设为4096hz，采集时间为10s，最后通过多传感器采集系统对三种信号进行汇总，并实现同步采集。
[0039]
第三步，对采集信号数据的筛选处理：对采集的力、振动、温度信号进行关联度和相关性分析。
[0040]
采用灰色关联度分析法分析各影响因素关联程度的大小，找出影响表面粗糙度变化的主要因素 。
[0041]
对信号数据的相关性分析。
[0042]
对关联程度高的影响因素所对应的数据进行相关性分析，在r语言环境下使用统计软件spss，通过正态性检验来研究铣削动态信号数据的各类影响因素对表面粗糙度的相关性显著程度。
[0043]
第四步，数据的归一化处理：将铣削过程中的动态信号分组进行归一化处理，使数据在[0,1]区间。将归一化的数据通过matlab中的随机函数randperm打乱排序，再将数据以9:1的比例划分训练集和测试集。其中，训练集样本数为1800，测试集样本数为200。
[0044]
第五步，构建神经网络结构和训练模型：确定麻雀算法的种群数、最大迭代次数和初始参数的优化个数，并分别对其优化边界进行设置。
[0045]
种群数和最大迭代次数设置为10；优化参数包括学习率e、迭代次数n、每批迭代数minibatch、第一层卷积层的核大小ks1和数量kn1、第2层卷积层的核大小ks2和数量kn2，以及两个全连接层的神经元数量n1、n2，共九个参数需要优化；参数的优化范围分别是， e∈
[0.001-0.01]、n∈[10-100]、minibatch∈[100-512]、ks∈[1-3]、kn∈[1-20]、n∈[1-50]。其中因池化层会在一定程度上过滤掉显著的有用信息，故在此不添加池化层。
[0046]
使麻雀种群中的发现者占麻雀群总数的20%，并初始化种群并更新各群体的位置，进而输出最优位置所对应的超参数。优化后的各超参数分别是为，e=0.0062、n=30、minibitch=112、ks1=9、kn1=288、ks2=13、kn2=177、n1=42、n2=26。
[0047]
通过卷积神经网络自动提取动态特征，并利用优化后的参数训练神经网络，经过两个卷积层，两个全连接层，辍学率为0.5进行拟合回归输出预测值。最终预测准确率达到97.34%，均方根误差为0.010384。
[0048]
由粗糙度模型的预测结果可绘制出表面粗糙度预测值与实际值对比图，通过ssa-cnn神经网络预测误差图观察可知，预测值与真实值的误差范围控制在
±
0.04μm的较小范围内。同时表面粗糙度预测误差直方图（参见图6）以零误差为界限向两边呈现出良好的正态分布。并且当表面粗糙度回归拟合（参见图7）时，r=0.98672，且决定系数r2=0.973，此时均方根误差rmse=0.0108786。
[0049]
如图5所示，以cnn的预测值与实际值的均方误差最小化作为适应度函数，通过训练得到的cnn的误差能够最小化，且预测准确率在90%以上，则输出对应的神经网络模型。
[0050]
第六步，零件铣削过程表面粗糙度的实时预测：在零件高速铣削过程中，将采集到的动态参数经预处理和筛选后输入ssa-cnn模型中，并进行动态数据特征的自动提取。随后通过神经网络预测模型训练并输出此工况下零件表面粗糙度的实时预测值，进而反映零件表面质量的优劣状况。
[0051]
第七步，上传实验数据和结果：实验全程连接云端服务器，并在数据处理分析过程中，时刻将实验数据和预测结果同步并上传云平台备份，以提高运算处理速度、增强存储能力。
[0052]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

技术特征：
1.预测机械加工零件表面粗糙度的装置，其特征在于：其包括：采集模块，其对采集加工过程中的力、振动和温度信号进行预处理，通过高低通滤波去除波动较大的异常频段，并将处理后的动态信号数据上传云端；分析模块，其对处理后的振动、切削力、温度信号进行关联度和相关性分析，利用灰色关联度分析法对数据进行关联度分析，找出影响表面粗糙度变化的主要因素，之后利用pearson和spearman作为评估标准分析振动、切削力、温度和表面粗糙度之间的相关性显著程度；归一化模块，其进行数据的归一化处理；网络模型，其进行数据归一化后由麻雀群优化算法搭建卷积神经网络模型，包括神经网络结构设计、特征自动提取与迭代训练，训练过程中，当评估误差在规定范围内获取优良的卷积神经网络模型；预测模块，其通过在线预测将振动、切削力、温度的动态数据特征值输入优良的卷积神经网络模型，实现对零件加工过程中表面粗糙度的在线预测；铣削数据库平台，采集模块、分析模块、归一化模块、网络模型、预测模块的功能运行都依附于云平台，并通过云服务器和云备份为数据处理以及粗糙度预测提供算力与数据同步储存。2.根据权利要求1所述的预测机械加工零件表面粗糙度的装置，其特征在于：所述采集模块中，将压电式三向测力仪固定于零件底部；选取三向加速度传感器分别安装在零件旁和机械加工刀具旁；将红外热像仪与笔记本相连接，并放在合适位置，聚焦于零件；切削力信号通过kistler三向测力仪采集；振动信号通过lms振动噪声测试分析仪来进行信号采集、整理和分析；温度信号通过optris测温仪对温度信息进行采集与处理；最后通过多传感器采集系统对三种信号进行汇总，并实现同步采集。3.根据权利要求2所述的预测机械加工零件表面粗糙度的装置，其特征在于：所述分析模块中，对采集的振动、切削力、温度信号进行关联度分析为：通过指标正向化处理得到矩阵x:，将母序列，系统的因变量y，记为x0；将子序列，系统的自变量x，记为[x1,x2,
…
,x
n
]，母、子序列中各个指标的元素分别除以对应指标的均值，得到的结果记为z
mn
：，式中x
mn
为序列中的指标元素，为指标均值，排列后得到标准化矩阵，记为z：
，通过以下公式计算子序列中各个指标与母序列的关联系数，，其中ρ为分辨系数，a为两极最小差，b为两极最大差，a,b=1,2,3,
…
,n; a、b取值如下式：，定义y(x0,x
i
) 为灰色关联度，并通过以下公式求取每列关联系数矩的均值，以此计算灰色关联度，确定关联程度，，比较灰色关联度，将子序列中影响程度大，关联度高的因素筛出。4.根据权利要求3所述的预测机械加工零件表面粗糙度的装置，其特征在于：所述分析模块中，对采集的振动、切削力、温度信号进行相关性分析为：在r语言环境下使用统计软件spss，通过正态性检验来研究机械加工动态信号数据的各类影响因素对表面粗糙度的相关性显著程度，构建两组数据变量矩阵散点图，判断两组数据变量之间是否有线性关系，对分析的两组数据进行一个正态性检验，判断是否服从正态分布，若两组连续数据服从正态分布且二者属于线性相关关系则利用pearson系数，反之则使用spearman系数；选择pearson系数进行相关性分析，计算公式如下：，其中ρ表示相关系数，cov表示协方差，e表示数学期望/均值；选择spearman系数进行相关性分析，计算公式如下：，其中d
i
表示第i个数据对应的位次之差，n表示总的观测样本数；
相关性系数取值范围为[-1,1]，0表示两者之间没有相关性，-1表示负相关性，1表示正相关性，越接近-1或1，则相关性越强；将相关性强的数据筛选出来。5.根据权利要求4所述的预测机械加工零件表面粗糙度的装置，其特征在于：所述归一化模块中，将机械加工过程中的动态信号分组进行归一化处理，使数据在[0,1]区间，依据公式如下：，式中x'为此组数据归一化后的结果，x
max
和x
min
分别为此组数据的最大值和最小值，通过matlab中的随机函数randperm将归一化的数据打乱排序，再将数据以9:1的比例划分训练集和测试集。6.根据权利要求5所述的预测机械加工零件表面粗糙度的装置，其特征在于：所述网络模型中，确定麻雀算法的种群数、最大迭代次数和初始参数的优化个数，并分别对其优化边界进行设置；种群数和最大迭代次数设置为10；优化参数包括学习率e、迭代次数n、每批迭代数minibatch、第一层卷积层的核大小ks1和数量kn1、第2层卷积层的核大小ks2和数量kn2，以及两个全连接层的神经元数量n1、n2，共九个参数需要优化；参数的优化范围分别是， e∈[0.001-0.01]、n∈[10-100]、minibatch∈[100-512]、ks∈[1-3]、kn∈[1-20]、n∈[1-50]；确定发现者在全部种群中的占比，使麻雀种群中的发现者占麻雀群总数的20%；初始化种群并更新各群体的位置；发现者位置更新公式：，式中，k为迭代次数，表示第i个成员在第j维所处的位置，i,j=1,2,3,
…
,n；α∈（0,1]且为均匀分布的随机数；m为最大迭代次数；q为服从标准正态分布的随机数；l为1
×
d的单位矩阵；r2为预警值，范围在[0,1]；st为安全值，范围在[0.5,1]；当r2<st，则麻雀群搜索范围附近没有危险，可继续扩大搜索范围，反之则有危险，需要移动位置；追随者位置更新公式：
，其中，表示发现者在k次迭代时所处的最差位置；表示发现者在k+1次迭代的最优位置；a为1
×
d的多维矩阵，其元素为1或-1的随机数，a
+
=a
t
(aa
t
)-1
；当 i>n/2，则表示麻雀群的适应度低，需要扩大搜索范围，继续移动觅食，反之则适应度值高，可在最优位置附近随机觅食；预警者位置更新公式：，其中 ，表示发现者在k次迭代时所处的最优位置；β为步长参数，且服从n(0,1)；为[-1,1]的随机数，体现麻雀群的移动方向，并控制步长；ε避免分母为零所设的极小值常数；f
i
为第i个麻雀的适应度值；f
w
为麻雀群的最差适应度值；f
g
为麻雀群的最优适应度值；通过觅食与反捕食行为，更新麻雀最优个体的位置，当符合rmse小于设定的误差阈值或大于迭代次数时，输出最优个体所对应的最优参数；将ssa优化后的初始参数输入cnn中，进行神经网络训练，当误差在允许内，则输出已训练好的模型，并对表面粗糙度ra进行预测，通过预测峰谷任一测点到基准线距离的绝对值后，再通过粗糙度计算公式计算出ra，以达到预测粗糙度的目的，公式如下：，式中n表示测点数；z(x)表示被测轮廓线上各点至基准线距离的绝对值。

技术总结
预测机械加工零件表面粗糙度的装置，通过将振动、切削力、温度的动态变量输入数据转换器中，实现对零件加工过程中表面粗糙度的在线预测，并通过预先设置的粗糙度值优劣区间判断零件表面质量的优劣状况。可降低人工经验的干涉，提高机械加工零件表面粗糙度预测的精度。装置包括：采集模块、分析模块、归一化模块、网络模型、预测模块、铣削数据库平台。铣削数据库平台。铣削数据库平台。


技术研发人员：靳岚 叶明智 李锦祥 王卓
受保护的技术使用者：兰州理工大学
技术研发日：2023.07.13
技术公布日：2023/8/13