数控车削零件加工质量预测方法研究.pdfVIP

摘要

摘要

以航空航天、武器装备制造等国防军工为代表的装备制造业对车削零件表面

质量的要求不断提升，表面质量是影响使用性能、寿命及可靠性的关键因素。表

面粗糙度作为衡量表面质量的重要指标，在车削实际加工过程中，受到加工材料、

刀具磨损、切削参数和动态加工信号等众多因素的影响。传统的表面粗糙度评估

方法基于专家经验和人工操作，在加工过程中通过暂停加工的方式对各类参数进

行调整，耗费了大量的时间和资源。因此利用人工智能技术实现表面粗糙度的预

测对提高整个加工过程的效率至关重要。本文基于上述问题针对数控车削零件的

表面粗糙度预测进行研究，主要研究内容和创新如下：

针对车削加工信号数据量大且存在无效信号和噪声干扰的问题，提出了一种

改进阈值函数的小波阈值降噪方法。首先，为实现有效信号的采集，对车削加工

过程动态信号与表面粗糙度的关系进行分析，确定了影响表面粗糙度的关键因素，

设计了振动信号采集方案。其次，采用截断法和小波降噪法实现无效信号清洗和

降噪，设计了一种改进阈值函数小波降噪法，解决了传统阈值小波降噪产生的不

连续性和恒定偏差问题，并通过实验对比验证了改进算法的有效性。最后，为解

决信号因数据量较大影响后续模型训练的问题，对信号进行时域和频域分析，提

取相关特征，并进行皮尔逊相关系数分析，最终得到与表面粗糙度相关性较强的

81维特征，构建了本文所需的高质量样本数据。

针对深度置信网络(DeepBeliefNetworks,DBN)调参困难、非线性回归能力较

弱且易出现梯度消失的问题，提出了一种能够自动调参、具有强非线性回归能力

和自适应梯度变化的表面粗糙度预测模型。首先，引入遗传算法搜索DBN预测模

型的最优初始参数，避免模型陷入局部最优。其次，DBN回归层由BP网络构成，

通过对BP网络和最小二乘支持向量回归(LeastSquaresSupportVectorRegression,

LSSVR)模型的回归能力进行对比，发现LSSVR模型具有更强的非线性回归能力，

设计了以DBN作为特征提取器、LSSVR作为回归层的DBN-LSSVR预测模型，经

过实验对比验证了DBN-LSSVR具有更高的预测精度和决定系数。最后，为解决

梯度消失或梯度爆炸等问题，设计了一种自适应Sigmoid函数，其在DBN-LSSVR

模型训练过程中能根据数据分布和模型参数的变化进行自适应梯度变化。经过实

验对比，验证了自适应Sigmoid函数下的DBN-LSSVR模型能够更好地学习特征

与表面粗糙度之间的映射关系，具有更高的预测精度。

针对现有预测过程可操作性差的问题，对数控车削零件加工质量预测系统进

I

摘要

行了设计和实现，实现了预测过程的可视化。首先对软件系统的功能需求进行分

析，设计了质量预测系统总体架构。其次结合Tensorflow库和PyQt5界面开发库

实现了各模块的软件开发。最后对软件系统进行多次功能测试，验证了所开发的

质量预测系统的可靠性和初步可用性。

关键词：数控车削，质量预测，信号处理，深度置信网络

II

ABSTRACT

ABSTRACT

Theequipmentmanufacturingindustryrepresentedbyaerospaceanddefenseweaponry

hascontinuouslyraisedtherequirementsforthesurfacequalityofturningparts.Surface

qualityisakeyfactoraffectingperformance,lifespan,andreliability.Surfaceroughness,

asanimportantindicatorofsurfacequality,isinfluencedbyvariousfactorsduringthe

turningproce