基于深度学习的KDP晶体三维已加工表面形貌预测

摘要

以单点金刚石车削加工磷酸二氢钾（KH₂PO₄,KDP）的已加工表面形貌为研究对象，采用连续小波变换和功率谱密度方法提取已加工KDP晶体三维形貌的低频、中频、高频的波长和幅值作为样本集，将切削参数作为关键变量，建立双向长短期神经网络（BiLSTM）、门循环单元（GRU）、随机森林网络（RF）和卷积神经网络（CNN）分别预测已加工KDP晶体各频段的波长和幅值，最终实现三维已加工表面形貌的预测。结果表明，BiLSTM模型对中频和高频波长、低频和高频幅值的预测结果最优，预测结果误差均值分别为2.14%和3.03%、4.62%和7.19%;GRU网络对低频波长和中频幅值的的预测结果最优，预测结果误差均值分别为3.83%和5.68%;由深度学习模型预测的高频、中频、低频的幅值和波长所生成KDP晶体的三维已加工表面形貌与验证集的实验结果高度一致，验证了结合连续小波、功率谱密度与深度学习方法建立切削参数与KDP晶体三维已加工表面的对应关系的正确性。

关键词

KDP晶体 / 表面形貌 / 深度学习 / 连续小波变换