基于图像技术的零件表面粗糙度支持向量机检测模型

针对随机采样图像法检测零件表面粗糙度时表面图像特征不能有效表征表面粗糙度的问题,提出并搭建了连续自动多区域图像采集系统,在此基础上建立了一种零件表面粗糙度支持向量机检测模型。首先采用单片机、步进电机、数字显微镜和上位机等搭建图像采集系统,连续自动采集零件表面多区域的图像,避免了单点随机采样导致的信息不全问题;其次,对采集的图像进行预处理,对比不同灰度化方法下的像素分布,提出了一种基于像素分量作比相加的灰度化改进方法,使得图像细节反差和纹理变化更明显;在此条件下,基于灰度共生矩阵提取了零件表面纹理特征,使其能够更好地辨识零件表面粗糙度;最后建立了零件表面粗糙度支持向量机检测模型,并以45钢零件为例进行不同表面粗糙度等级的零件检测,其检测准确率均在95%以上。通过对比实验表明,该方法的检测精度更高,可用于零件表面粗糙度的综合检测。

基于小波的零件表面微观形貌多尺度重构

采用激光测量仪对车削机加工零件表面进行测量,获得零件亚纳米级的微观形貌数据,利用小波分析分时分频精细表达以及多分辨率分析的特点,建立粗糙表面多尺度重构模型,对基于真实测量数据的微观表面进行宏微观重构,并提出在不同尺度上提取粗糙表面的微凸体以精简数据的方法,从而实现在MATLAB和Pro/E中的微观表面建模仿真。提取的低频成分为零件表面二维和三维评定提供了基准,不同尺度上微观粗糙表面的重构为在不同精密等级上分析机加工工艺对零件表面粗糙度的影响提供了方法,Pro/E中重构的表面为有限元分析零件宏微观几何形貌与摩擦、润滑和密封的关联机制提供了几何模型。

基于改进BP神经网络的车削加工精度预测

针对标准BP神经网络收敛速度慢,容易陷入局部极小等缺陷,采用改变传递函数和改变学习率寻找最优权2种方法对其改进。通过分析车削零件表面粗糙度的影响因素,应用改进的BP神经网络,借助计算机编程计算,进行车削加工的精度预测。仿真结果表明,此方法能够达到较好的预测效果。