基于改进支持向量机的砂带磨损程度识别
Abrasion degree recognition of abrasive belt based on improved support vector machine作者机构:沈阳工业大学机械工程学院沈阳110870 辽宁省复杂曲面数控制造技术重点实验室沈阳110870
出 版 物:《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)
年 卷 期:2024年第38卷第2期
页 面:10-18页
核心收录:
学科分类:080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程]
基 金:2022年度辽宁省教育厅高等学校基本科研项目面上项目(LJKMZ20220459) 辽宁省应用基础研究计划项目(2022JH2/101300214) 国家自然科学基金项目(52005346)资助
摘 要:为了准确判断砂带在磨削螺杆转子时的磨损程度,根据砂带磨损过程中表面图像颜色特征和纹理特征的变化规律,对砂带磨损程度进行识别。对磨削加工后砂带表面图像的纹理特征和颜色特征进行提取,根据不同磨削时间段螺杆转子表面粗糙度划分砂带磨损程度。支持向量机的分类性能受到自身核函数与惩罚函数的影响较大,因此提出利用天鹰优化算法对支持向量机的核参数与惩罚参数进行优化,建立AO-SVM砂带图像识别磨损程度模型。利用自主研发的螺杆转子专用砂带磨削装置完成实验。磨削参数设置如下:砂带线速度为10 m/s,工件轴向进给速度为50 mm/min,张紧轮的气缸压力为0.35 MPa,主动轮的气缸压力为0.5 MPa,磨削时间为25 min。AO-SVM对砂带磨损程度模型的识别准确率达到92.5%,比随机森林算法(RFC)和XGboost分类算法分别高出5.0%和3.6%,且收敛速度更快。AO-SVM模型可以通过砂带表面图像的颜色特征变化和纹理特征变化对砂带磨损程度进行识别,可以有效避免砂带磨损过度损伤工件,为砂带磨削螺杆转子时判断砂带的磨损程度和换带时间提供理论指导。