恒力磨削滤波器的自动优化设计方法

摘要

一种恒力磨削滤波器的自动优化设计方法，涉及精密机械加工的技术领域；所述滤波器的信号输出表示为：y(i)＝f(ω1，ω2，x(i))；式中ω1，ω2分别为通带的下上边界频率，x(i)为测量输入信号；设定染色体形式为(ω1ω2)，并确定ω1，ω2的取值范围为(0，ωmax)；其具体算法步骤如下：1)在参数范围内随机地产生样本容量为100的初始染色体(ω1ω2)；2)通过特征参数有效性评价指标EFF的算式对染色体群体进行评价；3)如满足结束条件，转至6)；4)根据遗传算子产生新一代染色体；5)返回至2)；6)停止计算。通过以上计算过程，即可确定滤波器设计的最优参数ω1、ω2，从而能自动完成对滤波器的相关参数进行特征参数有效性指标的评价。

权利要求

1.一种恒力磨削滤波器的自动优化设计方法，其中滤波器的信号输出y(i)表示为：y(i)＝f(δ1，δ2，ω1，ω2，ωst1，ωst2，x(i))式中δ1，δ2分别为通带允许的最大衰减及阻带应达到的最小衰减；ω1，ω2分别为通带的下上边界频率；ωst，ωst2分别为阻带的下上边界频率，x(i)为测量输入信号；设定染色体形式为(ω1ω2)，并确定ω1，ω2的取值范围为(0，ωmax)；其具体算法步骤如下：

1)在参数范围内随机地产生样本容量为100的初始染色体(ω1ω2)；

2)通过特征参数有效性评价指标EFF的算式对染色体群体进行评价；所述特征参数有效性评价指标EFF的算式为：式中D22表示预定磨削进给量下，特征参数计算值间的距离；D21表示预定磨削进给量下特征参数计算值与小于预定磨削进给量下特征参数计算值间的距离；D23表示预定磨削进给量下特征参数计算值与大于预定磨削进给量下特征参数计算值间的距离；

3)如满足结束条件，转至6)；

4)根据遗传算子产生新一代染色体；所述遗传算子为：复制：每一代复制上一代最优的若干个样本；

交叉：

变异：随机地选取一个染色体(ω1ω2)，并随机地使其中1个参数ω1或ω2在其取值范围内随机地增加或减少5％；

5)返回至2)；

6)停止计算；

所述滤波器的信号输出y(i)＝f(δ1，δ2，ω1，ω2，ωst1，ωst2，x(i))；式中根据滤波器的性能要求确定δ1，δ2的值以及ωst1，ωst2与ω1，ω2的关系，所述滤波器的信号输出y(i)能表示为：y(i)＝f(ω1，ω2，x(i))；

通过以上计算过程，即可确定滤波器设计的最优参数ω1、ω2，从而可以确定最优的滤波器设计形式与参数。

说明书

恒力磨削滤波器的自动优化设计方法

技术领域

[0001] 本发明涉及精密机械加工技术，特别是涉及一种恒力磨削滤波器的自动优化设计方法的技术。

背景技术

[0002] 恒力磨削是一种先进的曲线磨削方法，它通过控制磨削过程的力，保证砂轮与工件的均匀接触，从而磨削出高精度的曲线。由于磨削力的在线测量是一件困难的事情，可采用声发射信号的监测，判断砂轮与工件的接触状态。近几年在磨削状态监控中，声发射技术已经成为广泛采用的一种方法。切削过程中的声发射是重要的切削现象之一，所谓声发射现象是固体材料由于结构变化引起应变能的快速释放而产生的弹性波，简称AE(Acoustic Emission)。在磨削加工中，当磨削加工处于一种稳定状态时，AE信号并不发生变化，只有当磨削状态发生变化时，声发射信号才随之发生变化。为了判别砂轮与工件的接触状态，一般需要通过滤波器首先对测量信号进行滤波，然后计算反映磨削状态的特征参数，并依据一定的规则判断磨削状态，如图1所示。其中，滤波器的设计对于信号分析起着重要的作用。

[0003] 然而，由于所测量的AE信号所包含的频率成份，不但与砂轮的进给量有关，也与工件的形状、大小以及砂轮的尺寸有关，因此，在滤波器设计中只能针对一种情况，即特定的某一零件及砂轮进行试验研究，然后确定滤波器形式(如低通滤波器、高通滤波器以及带通滤波器中的哪一种)以及滤波器的截至频率。这种情况对于用户使用是很困难的，不能要求用户对所加工的每一种零件均通过研究设计滤波器。因此，限制了该项技术的实际应用。

[0004] 为了实现恒力磨削，首先需要进行磨削状态的识别，即精确地判断砂轮进给量是否在预定的值，如1μm，并在此基础上实现恒力磨削的控制。磨削状态的识别主要依赖于特征参数的计算，而在特征参数计算前，需要进行测量信号的预处理，即进行滤波器的设计，确定滤波器的形式及参数，这些参数往往需要通过大量的试验后，按经验进行确定，且随切削材料、工件尺寸等变化而变化，为该技术的实际应用带来了很大的困难。

发明内容

[0005] 针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种基于生物遗传算法，能自动完成对滤波器的相关参数进行特征参数有效性指标的评价的恒力磨削滤波器的自动优化设计方法。

[0006] 为了解决上述技术问题，本发明提供的一种恒力磨削滤波器的自动优化设计方法，其中滤波器的信号输出y(i)表示为：

[0007] y(i)＝f(δ1，δ2，ω1，ω2，ωst1，ωst2，x(i))

[0008] 式中δ1，δ2分别为通带允许的最大衰减及阻带应达到的最小衰减；ω1，ω2分别为通带的下上边界频率；ωst1，ωst2分别为阻带的下上边界频率，x(i)为测量输入信号。基于生物遗传算法对ω1，ω2进行组合优化计算，设定染色体形式为(ω1ω2)，考虑实际的频率分析范围，确定ω1，ω2的取值范围为(0，ωmax)；其具体算法步骤如下：

[0009] 1)在参数范围内随机地产生样本容量为100的初始染色体(ω1ω2)；

[0010] 2)通过特征参数有效性评价指标EFF的算式对染色体群体进行评价；所述特征参数有效性评价指标EFF的算式为：

[0011]

[0012] 式中D22表示预定磨削进给量下，特征参数计算值间的距离；D21表示预定磨削进给量(如2μm)下特征参数计算值与小于预定磨削进给量(如1μm)下特征参数计算值间的距离；D23表示预定磨削进给量(如2μm)下特征参数计算值与大于预定磨削进给量(如3μm)下特征参数计算值间的距离；EFF越小，特征参数越有效；

[0013] 3)如满足结束条件，转至6)；

[0014] 4)根据遗传算子产生新一代染色体；所述遗传算子为：

[0015] 复制：每一代复制上一代最优的若干个样本；

[0016] 交叉：

[0017] 变异：随机地选取一个染色体(ω1ω2)，并随机地使其中1个参数(ω1或ω2)在其取值范围内随机地增加或减少5％；

[0018] 5)返回至2)；

[0019] 6)停止计算。

[0020] 所述滤波器的信号输出y(i)＝f(δ1，δ2，ω1，ω2，ωst1，ωst2，x(i))；式中根据滤波器的性能要求确定δ1，δ2的值以及ωst1，ωst2与ω1，ω2的关系，所述滤波器的信号输出y(i)能表示为：

[0021] y(i)＝f(ω1，ω2，x(i))。

[0022] 利用本发明提供的恒力磨削滤波器的自动优化设计方法，通过以上计算过程，即可确定滤波器设计的最优参数ω1、ω2。图2示出了ω1、ω2不同组合情况下，滤波器的不同作用。当ω1接近0时，滤波器为一个低通滤波器；当ω2接近ωmax时，滤波器为一个高通滤波器；其他情况滤波器为一带通滤波器。因此，本发明的方法可以确定最优的滤波器设计形式与参数。

附图说明

[0023] 图1是本发明实施例磨削状态判别信号处理过程示意框图；

[0024] 图2是本发明实施例中为ω1、ω2不同组合情况下的曲线图。

具体实施方式

[0025] 以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似方法及其相似变化，均应列入本发明的保护范围。

[0026] 本发明实施例所提供的一种基于遗传算法的滤波器的自动优化设计方法。

[0027] 对于时域测量信号，一般需要通过低通、带通或高通对测试信号进行预处理，由于通过改变滤波器参数可以用带通滤波器达到低通和高通滤波器的效果，因此可以将滤波器的信号输出y(i)表示为：

[0028] y(i)＝f(δ1，δ2，ω1，ω2，ωst1，ωst2，x(i))

[0029] 式中δ1，δ2分别为通带允许的最大衰减及阻带应达到的最小衰减；ω1，ω2分别为通带的下上边界频率；ωst1，ωst2分别为阻带的下上边界频率，x(i)为测量输入信号。根据滤波器的性能要求可确定δ1，δ2的值以及ωst1，ωst2与ω1，ω2的关系，具体可见现有技术中有关数字滤波器设计理论的论述。因此滤波器的信号输出y(i)可表示为：

[0030] y(i)＝f(ω1，ω2，x(i))

[0031] ω1，ω2的确定应使得由y(i)计算的特征参数有效性最好。有效的特征参数应使得类内(同一磨削进给量下，特征参数的计算值)的距离越小越好，而类间(不同磨削进给量下，特征参数的计算值)距离越大越好，因此定义特征参数的有效性评价指标为[0032]

[0033] 式中D22表示预定磨削进给量下，特征参数计算值间的距离；D21表示预定磨削进给量(如2μm)下特征参数计算值与小于预定磨削进给量(如1μm)下特征参数计算值间的距离；D23表示预定磨削进给量(如2μm)下特征参数计算值与大于预定磨削进给量(如3μm)下特征参数计算值间的距离；EFF越小，特征参数越有效。根据生物遗传算法可以进行ω1，ω2的组合优化计算。

[0034] 设定染色体形式为(ω1ω2)，考虑实际的频率分析范围，确定ω1，ω2的取值范围为(0，ωmax)，遗传算子为

[0035] 复制：每一代复制上一代最优的若干个样本；

[0036] 交叉：

[0037]

[0038] 变异：随机地选取一个染色体(ω1ω2)，并随机地使其中1个参数(ω1或ω2)在其取值范围内随机地增加或减少5％。

[0039] 其具体算法步骤如下：

[0040] 1)在参数范围内随机地产生样本容量为100的初始染色体(ω1ω2)。

[0041] 2)通过特征参数有效性指标EFF的算式对染色体群体进行评价。

[0042] 3)如满足结束条件，转至6)。

[0043] 4)根据上述遗传算子产生新一代染色体。

[0044] 5)返回至2)。

[0045] 6)停止计算。

[0046] 以上迭代运算过程直至达到预定的迭代数时为止。算法中的评价函数主要用于对当前一代中的各个染色体进行评价，通过评价在下一代中除去若干个低性能的染色体，保留一些高性能的染色体，并通过遗传算子补充一些新的染色体，最后得到非常优秀的群体，满足问题求解的要求。