专利交易市场

本发明提出了一种基于多因数耦合提高TC4钛合金铣削表面粗糙度预测精度的方法，通过正态性检验及相关分析建立表面粗糙度预测模型，包括：制定铣削试验方案、搭建铣削试验系统、对TC4钛合金在不同铣削参数下进行铣削试验、采集铣削力数据、采集表面粗糙度数据，从数据中提取铣削力特征值，表面粗糙度值。通过正态性检验研究数据是否符合正态分布，计算Pearson相关系数或Spearman相关系数，分析铣削力与工件表面粗糙度的相关性显著程度，筛选与工件表面粗糙度相关性高的因数。基于响应面分析法，从多因数耦合的角度建立工件表面粗糙度多参数耦合模型，以提高预测模型精度。本发明方法可提高TC4钛合金表面粗糙预测模型的精度，拓展了提高表面粗糙度预测精度的方法。

本发明公开了基于改进型LSTM网络的表面粗糙度预测方法，包括如下步骤：S1建立不同切削参数下振动信号与所对应的粗糙度值的大数据集；S2采用步骤S1中的大数据集对CNN网络层进行训练以获得CNN筛选特征集。S3对步骤S1中的大数据进行人工筛选特征获得人工筛选特征集。S4将步骤S2中的CNN筛选特征集和步骤S3中的人工筛选特征集作为输入门的特征数据对LSTM网络层进行训练获得全特征集。S5采用一个FCN网络对全特征集进行训练，以获得振动信号与粗糙度值相对应的预测模型。S6在S5的预测模型中输入待测粗糙度的振动信号以获得表面粗糙度值。本发明中的预测模型在数据预处理后改变原始信号后，不会过滤掉相关度高的特征；提高了零件表面粗糙度预测的准确性。

本发明提供一种机械加工表面粗糙度的预测方法，包括以下步骤：选取足够数量的检测参数和对应的表面粗糙度作为样本数据；对样本数据进行归一化处理；采用试凑法确定网络结构；初始化Copula EDA的群种，通过计算预测值和实测值的误差选择S个优秀个体；通过Copula分布估计算法来优化网络参数，将最优的权值和阈值赋给神经网络；最后基于BP算法进一步修正网络的参数，直至达到期望误差或者迭代次数，保存最终的网络来计算表面粗糙度的预测值。本方法将Copula EDA和BP算法相结合来优化神经网络，既解决了单一BP算法容易陷入局部极小的情况，又解决了单一Copula EDA算法收敛速度慢的缺点，通过在线监测运行状态下的工艺系统，能够实现机械表面加工质量的预测预报。