买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明公开了一种微粗糙度零件的机械加工工艺识别方法，包括以下步骤：获取不同机械加工工艺处理的不同微表面粗糙度的零件样本；采集LIBS光谱数据和等离子体声波数据；分别对LIBS光谱数据和等离子体声波数据进行降维处理并提取变量特征；对LIBS光谱特征变量和等离子体声波特征变量进行特征级数据融合，得到融合变量矩阵；根据融合变量矩阵对径向基函数神经网络进行训练，得到机械加工工艺识别模型；采用机械加工工艺识别模型进行机械加工工艺识别。本申请通过结合降维处理、特征提取、特征融合和神经网络技术，对LIBS光谱数据和等离子体声波数据进行融合，提高了针对微粗糙度零件的机械加工工艺识别准确度。

主权项：1.一种微粗糙度零件的机械加工工艺识别方法，其特征在于，包括以下步骤：步骤一，获取不同机械加工工艺处理的不同微表面粗糙度的零件样本；步骤二，采用LIBS光谱采集系统采集所述零件样本的不同位置的LIBS光谱数据，采用声波采集装置采集所述零件样本的不同位置的等离子体声波数据；步骤三，采用PCA降维方法对所述LIBS光谱数据进行降维处理并提取变量特征，得到LIBS光谱特征变量；采用PCA降维方法对所述等离子体声波数据进行降维处理并提取变量特征，得到等离子体声波特征变量；步骤四，对所述LIBS光谱特征变量和所述等离子体声波特征变量进行特征级数据融合，得到融合变量矩阵；步骤五，创建径向基函数神经网络，根据所述融合变量矩阵对所述径向基函数神经网络进行训练，得到机械加工工艺识别模型；步骤六，采用所述机械加工工艺识别模型进行机械加工工艺识别；步骤三中，所述采用PCA降维方法对所述LIBS光谱数据进行降维处理并提取变量特征，得到LIBS光谱特征变量包括：根据所述LIBS光谱数据确定LIBS光谱矩阵；采用PCA降维方法对所述LIBS光谱矩阵进行降维处理，得到LIBS向量集合，所述LIBS向量集合包含若干个LIBS投影向量，每个LIBS投影向量对应不同的贡献率；提取所述LIBS向量集合中贡献率最高的预设数量的LIBS投影向量作为LIBS光谱特征变量；将LIBS光谱数据构建的LIBS光谱矩阵，记录为： 其中p为光谱数据的数量，n为每种机械加工工艺的样本数，为第n个样品的第p个光谱数据；求取LIBS光谱主成分系数矩阵，记录为： 其中为第p个LIBS光谱主成分单位特征向量，即至构成的列向量，为第p个LIBS光谱主成分单位特征向量的第p个主成分系数；求取LIBS主成分得分矩阵，记录为： 其中为第n个样品的第p个光谱数据的主成分得分；计算贡献率，取累计贡献率最高的预设数量的特征值对应的主成分作为LIBS投影向量，构建LIBS特征变量矩阵： 其中为第50个LIBS投影向量，即至构成的列向量，这里的代表样品种类；步骤三中，所述采用PCA降维方法对所述等离子体声波数据进行降维处理并提取变量特征，得到等离子体声波特征变量包括：根据所述等离子体声波数据确定等离子体声波数据矩阵；采用PCA降维方法对所述等离子体声波数据矩阵进行降维处理，得到等离子体声波向量集合，所述等离子体声波向量集合包含若干个等离子体声波投影向量，每个等离子体声波投影向量对应不同的贡献率；提取所述等离子体声波向量集合中贡献率最高的预设数量的等离子体声波投影向量作为等离子体声波特征变量；将等离子体头波数据构建的等离子体声波数据矩阵，记录为： 其中q为等离子体头波数据的数量，n为每种机械加工工艺的样本数，为第n个样品的第q个等离子体头波数据；求取等离子体声波数据主成分系数矩阵，记录为： 其中为第q个等离子体头波数据主成分单位特征向量，即至构成的列向量，为第q个等离子体头波数据主成分单位特征向量的第q个主成分系数；求取等离子体声波数据主成分得分矩阵，记录为： 其中为第n个样品的第q个等离子体头波数据的主成分得分；计算贡献率，取累计贡献率最高的预设数量的特征值对应的主成分作为等离子体声波数据投影向量，构建等离子体声波数据特征变量矩阵： 其中为第50个等离子体声波投影向量，即至构成的列向量，这里的代表样品种类；将LIBS投影向量和等离子体声波投影向量进行特征级数据融合的具体过程为：将每个样品的LIBS投影向量和等离子体声波投影向量数据依次对应相乘，得到融合变量矩阵为，每种样品形成新的矩阵，这里的代表样品种类。

全文数据：

权利要求：

百度查询： 西北工业大学 一种微粗糙度零件的机械加工工艺识别方法