劉奇元+于德介+王翠亭+李星

摘要：為了解決磨削工件在線(xiàn)粗糙度等級(jí)識(shí)別速度慢和準(zhǔn)確性不高的問(wèn)題，開(kāi)發(fā)了基于DSP的工件表面粗糙度在線(xiàn)檢測(cè)系統(tǒng).該系統(tǒng)基于光散射原理，通過(guò)工業(yè)相機(jī)采集光散射圖像，運(yùn)用DSP芯片對(duì)采集到的圖像進(jìn)行圖像預(yù)處理以及特征參數(shù)的提?。蛔詈罄媒⒌亩喾诸?lèi)支持向量機(jī)模型，對(duì)不同表面粗糙度等級(jí)的圖像進(jìn)行分類(lèi).實(shí)驗(yàn)結(jié)果表明，在該硬件平臺(tái)上整個(gè)識(shí)別過(guò)程耗時(shí)約0.5 s，識(shí)別率可達(dá)96%以上，說(shuō)明該系統(tǒng)可有效識(shí)別工件表面粗糙度等級(jí)，有效實(shí)現(xiàn)工件表面粗糙度的在線(xiàn)檢測(cè).

關(guān)鍵詞：DSP；表面粗糙度；在線(xiàn)檢測(cè)；支持向量機(jī)；多分類(lèi)

中圖分類(lèi)號(hào)：TG84， TP274.5 文獻(xiàn)標(biāo)識(shí)碼：A

Development of the Online Measuring System

of Grinding Surface Roughness Based on DSP

LIU Qiyuan1，2， YU Dejie1， WANG Cuiting1， LI Xing1

（1. State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body， Hunan Univ，Changsha， Hunan410082， China；

2. College of Mechanical Engineering， Hunan Univ of Arts and Science， Changde， Hunan415000， China）

Abstract：In order to solve the problems about slow speed and low accuracy on the online roughness recognition of the grinding workpiece， an online measurement system for surface roughness was developed based on DSP. In this system， the surface scattered images based on the light scattering principle were captured by an industrial camera， then these images were preprocessed and their feature parameters were extracted by the DSP chip. Finally， these images with different surface roughness were classified by the multiclass support vector machine model. Experimental results show that it takes about 0.5 s for the entire identification process and the recognition rate can be up to 96% or more on this hardware platform， so this designed system can effectively identify the level of the surface roughness and realize the online testing of surface roughness.

Key words：DSP； surface roughness；online measurement；support vector machine multiclass classification

表面粗糙度是評(píng)定工件表面質(zhì)量的一個(gè)重要指標(biāo)，影響工件的壽命和使用性能.隨著機(jī)械加工自動(dòng)化程度的提高，很多零件由抽檢改為必檢，對(duì)表面粗糙度在線(xiàn)測(cè)量提出了越來(lái)越高的要求，因此生產(chǎn)過(guò)程中實(shí)時(shí)檢測(cè)表面粗糙度越來(lái)越受到重視.傳統(tǒng)觸針?lè)ㄒＷC測(cè)量力大小的控制，既要保證測(cè)頭與表面始終接觸，又不能因此劃傷工件表面和磨損測(cè)頭[1].光學(xué)法因其具有高靈敏度、非接觸測(cè)量等優(yōu)點(diǎn)，近年來(lái)得到了迅速的發(fā)展，其中使用最為廣泛的是基于光散射原理的測(cè)量方法[2].機(jī)器視覺(jué)技術(shù)的飛速發(fā)展，為粗糙度檢測(cè)提供了一個(gè)新思路.在表面粗糙度檢測(cè)的應(yīng)用領(lǐng)域里，機(jī)器視覺(jué)技術(shù)得到了廣泛的應(yīng)用[3，4，5].

基于光學(xué)散射原理測(cè)量表面粗糙度的研究方法較多.Brodmann等提出了光學(xué)散射特征值來(lái)表征被測(cè)物體表面上反射光和散射光的離散程度[6].Wang等使用該參數(shù)，采用遠(yuǎn)心光路，研制了表面粗糙度測(cè)量?jī)x器[7].馮利等利用散射特征值，設(shè)計(jì)了光盤(pán)表面粗糙度在線(xiàn)檢測(cè)系統(tǒng)[8].但這種方法的測(cè)量裝置比較復(fù)雜，必須保證光電二極管陣列位于同一平面，而且計(jì)算時(shí)僅使用了一條線(xiàn)上的光電信息.郭瑞鵬[9]、王海濤[10]、孫林[11]等針對(duì)磨削加工表面分別建立了不同的神經(jīng)網(wǎng)絡(luò)模型和最小二乘支持向量機(jī)模型來(lái)預(yù)測(cè)表面粗糙度.然而，他們所建立的系統(tǒng)是基于PC開(kāi)發(fā)的，不利于車(chē)間現(xiàn)場(chǎng)使用，且難以滿(mǎn)足實(shí)時(shí)性要求

DSP（Digital Signal Processor，數(shù)字信號(hào)處理器）是一種專(zhuān)門(mén)進(jìn)行數(shù)字信號(hào)處理運(yùn)算的微處理器，它內(nèi)部采用程序和數(shù)據(jù)分開(kāi)的哈佛結(jié)構(gòu)，具有通用計(jì)算機(jī)沒(méi)有的硬件乘法器，廣泛采用流水線(xiàn)操作，可以用來(lái)快速實(shí)現(xiàn)各種數(shù)字信號(hào)處理算法，其處理速度比最快的CPU還快10～50倍.DSP的運(yùn)算速度和運(yùn)算精度都在不斷提高，片內(nèi)的存儲(chǔ)容量在不斷增大，數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能在不斷增強(qiáng)，目前已可以開(kāi)發(fā)出完全獨(dú)立于PC的基于DSP的處理系統(tǒng)[12，13].本文將光散射原理與機(jī)器視覺(jué)相結(jié)合，以DSP系統(tǒng)為平臺(tái)，開(kāi)發(fā)了一套表面粗糙度在線(xiàn)檢測(cè)系統(tǒng).

1測(cè)量原理

以光散射為原理的表面粗糙度測(cè)量方法是以一定大小直徑的光斑投射到試件表面，由于試件表面的微觀形貌不同，使得對(duì)光衍射和干涉因子進(jìn)行調(diào)制，從而使反射光在空間半平面上形成中心反射光斑和兩翼散射光帶，如圖1所示.若試件表面比較光滑，反射光斑的光能比較強(qiáng)，散射光帶比較窄；反之，若試件表面比較粗糙，反射光斑的光能比較弱，散射光帶則比較寬.光帶光能的變化與物體表面粗糙度的關(guān)系如圖2所示.因此，根據(jù)光帶光能的分布可檢測(cè)試件表面粗糙度.

表面粗糙度等級(jí)分類(lèi)是將表面粗糙度劃分為多個(gè)區(qū)間，每個(gè)區(qū)間為一個(gè)等級(jí)，利用表面粗糙度樣塊對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練，得到支持向量機(jī)分類(lèi)模型，以預(yù)測(cè)出未知表面粗糙樣塊的等級(jí).這種方法雖不能給出具體的粗糙度值，但能給出粗糙度所在的等級(jí)區(qū)間.在實(shí)際加工過(guò)程中，往往要求工件的表面粗糙度處于某個(gè)等級(jí)區(qū)間，因此，對(duì)于工程應(yīng)用，這種方法具有很大意義.為此，最終選擇基于支持向量機(jī)的分類(lèi)方法實(shí)現(xiàn)粗糙度的測(cè)量.

2系統(tǒng)原理與架構(gòu)

2.1系統(tǒng)總體框架

基于DSP的工件表面粗糙度在線(xiàn)檢測(cè)系統(tǒng)總體框圖如圖3所示，該系統(tǒng)由光學(xué)測(cè)量模塊，圖像采集模塊，數(shù)據(jù)處理模塊以及數(shù)據(jù)顯示模塊組成.光學(xué)測(cè)量系統(tǒng)得到的光散射圖像由工業(yè)相機(jī)采集，輸入到數(shù)據(jù)處理模塊即DSP系統(tǒng)，在DSP系統(tǒng)中實(shí)現(xiàn)相關(guān)算法.最后通過(guò)串口通信將得到的粗糙度等級(jí)發(fā)送到液晶顯示屏.

2.2測(cè)量光路

測(cè)量光路如圖4所示，選擇波長(zhǎng)632.8 nm，輸出功率為3mW的氦氖激光器作為光源，發(fā)出直徑為0.6 mm的準(zhǔn)直高斯光束，光束通過(guò)45°分光鏡垂直入射到工件表面，產(chǎn)生的反射和散射光束再通過(guò)分光鏡在毛玻璃屏上成像.工業(yè)相機(jī)將毛玻璃屏上的圖像實(shí)時(shí)拍攝下來(lái)，從工件表面反射出來(lái)的散射光會(huì)因工件表面形貌不同而呈現(xiàn)出不同的亮度和分布.

2.3DSP嵌入式處理系統(tǒng)設(shè)計(jì)

2.3.1DSP系統(tǒng)硬件模塊設(shè)計(jì)

DSP具有高速的數(shù)據(jù)運(yùn)算能力，在實(shí)時(shí)磨削加工過(guò)程中，數(shù)據(jù)處理量大.為滿(mǎn)足實(shí)時(shí)處理需要，采用DSP系統(tǒng)進(jìn)行數(shù)據(jù)處理，DSP系統(tǒng)的硬件原理框圖如圖5所示.攝像機(jī)選用100萬(wàn)像素工業(yè)相機(jī)，F(xiàn)IFO（FirstIn FirstOut，先進(jìn)先出）存儲(chǔ)器的作用是完成圖像的緩存，避免低速的攝像機(jī)和高速的DSP進(jìn)行直接數(shù)據(jù)交換，SDRAM（Synchronous Dynamic Random Access Memory， 同步動(dòng)態(tài)隨機(jī)存儲(chǔ)器）是一種速度較快的外存，容量是64 M字節(jié)，DSP計(jì)算時(shí)使用到的空間就分配在SDRAM上，F(xiàn)lash用于燒錄程序，容量為1 M字節(jié)，用戶(hù)將程序固化在Flash中，系統(tǒng)上電后從Flash中加載程序并啟動(dòng)，USB芯片使DSP可以與PC通訊，并且實(shí)現(xiàn)圖像的高速傳輸.

2.3.2DSP系統(tǒng)的軟件模塊設(shè)計(jì)

為了搭建一個(gè)能實(shí)現(xiàn)功能的獨(dú)立完整的系統(tǒng)，首先要在此硬件平臺(tái)上設(shè)計(jì)一個(gè)主程序框架，以便實(shí)現(xiàn)各種算法.系統(tǒng)的程序主要包括以下幾個(gè)部分：系統(tǒng)引導(dǎo)部分，DSP初始化程序，F(xiàn)lash讀寫(xiě)程序，EDMA（Enhanced Direct Memory Access，增強(qiáng)型直接內(nèi)存存?。?shù)據(jù)傳輸設(shè)置，中斷設(shè)置，串口通信模塊設(shè)置等.

系統(tǒng)斷電時(shí)，程序和數(shù)據(jù)都存在片外的Flash里.上電復(fù)位后，將程序從Flash加載至片內(nèi)存儲(chǔ)器，運(yùn)行程序，完成系統(tǒng)初始化，包括芯片初始化、外圍硬件配置，為圖像輸入和處理做準(zhǔn)備.初始化完成后，圖像采集開(kāi)始，在DSP的時(shí)序控制下，圖像數(shù)據(jù)從攝像機(jī)進(jìn)入FIFO，由DSP的控制器EDMA搬運(yùn)到SDRAM，DSP可通過(guò)各種處理算法對(duì)在SDRAM的圖像進(jìn)行處理.每幅圖像處理完成后，提取的結(jié)果可由串口通信模塊輸出到顯示屏，PC機(jī)還可以通過(guò)USB獲得SDRAM中的原始圖像和處理后的圖像.

3基于多分類(lèi)支持向量機(jī)的粗糙度分類(lèi)

由于系統(tǒng)需要實(shí)現(xiàn)在線(xiàn)檢測(cè)，算法應(yīng)該簡(jiǎn)單.本文首先對(duì)工業(yè)相機(jī)采集到的光散射圖像進(jìn)行預(yù)處理，然后對(duì)圖像進(jìn)行特征提取，獲得圖像的關(guān)鍵特征參數(shù)后，將其輸入訓(xùn)練好的多分類(lèi)支持向量機(jī)模型，從而實(shí)現(xiàn)粗糙度等級(jí)分類(lèi).

3.1圖像預(yù)處理

由于輸入轉(zhuǎn)換器件以及周?chē)h(huán)境的影響，采集到的圖像中常常存在各種噪聲和失真，去噪通常是由濾波來(lái)完成的，本文選擇中值濾波來(lái)實(shí)現(xiàn).另外，由于工件位置的變化，散射光帶的主方向會(huì)存在一定的傾斜，本文通過(guò)旋轉(zhuǎn)將主方向調(diào)整到水平位置.

3.2特征參數(shù)提取

為了方便描述，引用數(shù)學(xué)中對(duì)橢圓長(zhǎng)短軸的定義來(lái)定義狹長(zhǎng)散射光帶的長(zhǎng)短軸，散射光帶主方向?yàn)殚L(zhǎng)軸，與其垂直的方向?yàn)槎梯S，根據(jù)圖像灰度分布的方差、均方根等統(tǒng)計(jì)參數(shù)，得到如下與表面粗糙度相關(guān)的特征參數(shù)

1） 光學(xué)散射特征值Sn及標(biāo)準(zhǔn)差Std

光學(xué)散射特征值Sn及標(biāo)準(zhǔn)差Std描述被測(cè)表面反射散射光的離散程度.光學(xué)散射特征值Sn的計(jì)算公式如式（1）：

3.3多分類(lèi)器的建立

最初的支持向量機(jī)算法是針對(duì)二分類(lèi)問(wèn)題提出的，實(shí)際應(yīng)用中，分類(lèi)問(wèn)題通常會(huì)多于兩種樣本.解多分類(lèi)問(wèn)題的思路通常是將其轉(zhuǎn)化為二分類(lèi)問(wèn)題.常用的方法有兩種：“一對(duì)一”和“一對(duì)多”.“一對(duì)多”方法是依次用一個(gè)SVM二分類(lèi)器將每一類(lèi)與剩下所有類(lèi)別區(qū)分開(kāi)來(lái)，得到1個(gè)分類(lèi)函數(shù).分類(lèi)時(shí)將未知樣本劃分為具有最大分類(lèi)函數(shù)值的那一類(lèi).對(duì)于n類(lèi)問(wèn)題要建n個(gè)二分類(lèi)器.“一對(duì)一”方法是對(duì)n類(lèi)中的每?jī)深?lèi)構(gòu)造一個(gè)子分類(lèi)器，需要構(gòu)造n（n-1）/2個(gè)分類(lèi)器，每個(gè)分類(lèi)器都對(duì)其類(lèi)別進(jìn)行判斷，并對(duì)所屬的類(lèi)別投上一票，得票最多的類(lèi)別即為所屬的類(lèi)別.本文選擇“一對(duì)一”的方法建立分類(lèi)器對(duì)粗糙度等級(jí)進(jìn)行識(shí)別.

3.4粗糙度等級(jí)分類(lèi)

在本文設(shè)計(jì)的系統(tǒng)中，首先對(duì)采集到的光散射圖像進(jìn)行預(yù)處理以及特征值提取，并以此作為支持向量機(jī)的輸入，利用建立好的多分類(lèi)器對(duì)其進(jìn)行分類(lèi)，得到粗糙度等級(jí).整個(gè)系統(tǒng)的軟件設(shè)計(jì)流程如圖6所示.

4應(yīng)用實(shí)例

本文將支持向量機(jī)的軟件實(shí)現(xiàn)和硬件實(shí)現(xiàn)兩種方式結(jié)合起來(lái).采用離線(xiàn)訓(xùn)練的方式，在Matlab平臺(tái)中對(duì)模型進(jìn)行訓(xùn)練得到分類(lèi)機(jī)模型，最終得到的模型是一個(gè)包含了支持向量和相應(yīng)系數(shù)的結(jié)構(gòu)體數(shù)據(jù)；最終的決策函數(shù)可由支持向量和相應(yīng)的系數(shù)唯一確定；然后將所得的模型移植入DSP系統(tǒng)中，通過(guò)最終獲得的決策函數(shù)實(shí)現(xiàn)表面粗糙度的等級(jí)分類(lèi).

4.1樣本集建立

實(shí)驗(yàn)平臺(tái)如圖7所示.

實(shí)驗(yàn)中，分別選取研磨階段粗糙度數(shù)值Ra（表面輪廓算術(shù)平均偏差）為0.012 μm，0.025 μm，0.05 μm，0.1 μm和平磨階段粗糙度數(shù)值Ra為0.1 μm，0.2 μm，0.4 μm，0.8 μm的磨削粗糙度標(biāo)準(zhǔn)樣塊作為研究對(duì)象，采集到的圖像如圖8所示.從圖中可以看出，表面散射光呈現(xiàn)以反射光斑為中心的散射光帶分布，狹長(zhǎng)散射光帶的幾何中心最為明亮，并在狹長(zhǎng)延伸及其垂直方向上呈現(xiàn)軸對(duì)稱(chēng).

構(gòu)造支持向量分類(lèi)模型訓(xùn)練樣本集{Xi，Yi}，輸入Xi為多維向量，由我們最終選取的特征參數(shù)構(gòu)成，輸出Yi為對(duì)應(yīng)的粗糙度等級(jí).在實(shí)驗(yàn)條件允許的范圍內(nèi)，盡量增加輸入樣本的個(gè)數(shù)，可以提高模型的穩(wěn)定性.由于粗糙度樣塊數(shù)量有限，我們采用每組樣塊多次采樣的方法，將得到的多組圖像數(shù)據(jù)作為樣本集合.本次實(shí)驗(yàn)共測(cè)得800幅圖像，每一等級(jí)取樣本50幅，其中400幅用于模型訓(xùn)練，其余400幅作為測(cè)試樣本，測(cè)試算法的準(zhǔn)確性.經(jīng)過(guò)圖像預(yù)處理以及特征參數(shù)提取后，得到特征參數(shù)隨粗糙度變化的情況如表2和表3所示.

在14個(gè)參數(shù)中，除了Sc在研磨階段不呈現(xiàn)單調(diào)性外，其余參數(shù)在不同的加工方式下均隨著粗糙度呈現(xiàn)單調(diào)性變化.而參數(shù)SSTD的分辨率不高，也不適合作為輸入?yún)?shù).因此，我們可以選取除Sc，SSTD外的12個(gè)參數(shù)作為支持向量機(jī)的輸入特征參數(shù).考慮到輸入?yún)?shù)之間有不同的物理意義及不同的量綱，為了使這些輸入?yún)?shù)在訓(xùn)練時(shí)有著同樣的重要性，需要對(duì)數(shù)據(jù)做歸一化處理.實(shí)驗(yàn)中，訓(xùn)練數(shù)據(jù)被歸一化到[-1， +1]區(qū)間內(nèi).

4.2模型訓(xùn)練

模型的訓(xùn)練是在Matlab平臺(tái)中實(shí)現(xiàn)的，對(duì)上面所建立的樣本進(jìn)行訓(xùn)練，最終建立粗糙度的多分類(lèi)模型.訓(xùn)練過(guò)程中核函數(shù)選擇徑向基核函數(shù).

4.3粗糙度等級(jí)分類(lèi)

粗糙度的預(yù)測(cè)是在DSP系統(tǒng)中進(jìn)行的，將Matlab平臺(tái)中得到的與分類(lèi)模型相關(guān)的支持向量和相關(guān)系數(shù)作為常量保存在DSP中，在DSP中只需寫(xiě)出分類(lèi)的預(yù)測(cè)程序即可.在DSP系統(tǒng)中，對(duì)輸入圖像進(jìn)行預(yù)處理及特征提取，并將數(shù)據(jù)做歸一化處理，最后得到特征向量，將其輸入多分類(lèi)模型，得到工件表面粗糙度所屬的等級(jí).實(shí)驗(yàn)過(guò)程中，每種標(biāo)準(zhǔn)樣塊采集50幅圖像作為預(yù)測(cè)，再對(duì)預(yù)測(cè)的粗糙度等級(jí)與標(biāo)準(zhǔn)樣塊粗糙度值進(jìn)行比較，作為錯(cuò)判依據(jù).在該硬件平臺(tái)上，整個(gè)識(shí)別過(guò)程耗時(shí)約0.5 s，得到的表面粗糙度等級(jí)分類(lèi)結(jié)果如表4所示.

從表4可以看出，建立的多分類(lèi)支持向量機(jī)模型識(shí)別準(zhǔn)確率能達(dá)到96%以上，并且也能將不同加工階段的同一種粗糙度等級(jí)給區(qū)分出來(lái).這是因?yàn)椴煌庸し绞降玫降墓ぜ砻婕y理不同，所以最終得到的輸入特征參數(shù)也有所不同.

5結(jié)論

1） 利用DSP的高速數(shù)據(jù)運(yùn)算能力，設(shè)計(jì)開(kāi)發(fā)了一套基于DSP的磨削工件表面粗糙度在線(xiàn)檢測(cè)系統(tǒng).與以往基于PC平臺(tái)開(kāi)發(fā)的檢測(cè)系統(tǒng)相比，該系統(tǒng)提高了識(shí)別速度，降低了開(kāi)發(fā)成本，且便于現(xiàn)場(chǎng)使用.

2） 針對(duì)磨削工件表面的粗糙度等級(jí)識(shí)別，提出了多分類(lèi)支持向量機(jī)識(shí)別模型，并對(duì)不同磨削表面不同粗糙度等級(jí)的樣塊進(jìn)行了分類(lèi)識(shí)別，識(shí)別準(zhǔn)確度高，為解決在線(xiàn)工件粗糙度等級(jí)識(shí)別準(zhǔn)確性不高的問(wèn)題提供了一種有效的方法.

參考文獻(xiàn)

劉穎，郎治國(guó)，唐文彥. 表面粗糙度光切顯微鏡測(cè)量系統(tǒng)的研制[J]. 紅外與激光工程，2012， 41（3）：775-779.

LIU Ying， LANG Zhiguo， TANG Wenyan. Development of measurement system about lightsection microscope for surface roughness[J]. Infrared and Laser Engineering， 2012， 41（3）：775-779. （In Chinese）

[2]曹健渭，盧榮勝，雷麗巧，等. 基于散斑紋理變差函數(shù)的平磨表面粗糙度測(cè)量技術(shù)[J]. 儀器儀表學(xué)報(bào)，2010， 31（10）：2302-2306.

CAO Jianwei， LU Rongsheng， LEI Liqiao， et al. Grinding surface roughness measurement based on the variogram of speckle pattern texture[J]. Chinese Journal of Scientific Instrument， 2010， 31（10）：2302-2306. （In Chinese）

[3]KUMAR R， KULASHEKAR P， DHANASEKAR B， et al. Application of digital image magnification for surface roughness evaluation using machine vision[J]. International Journal of Machine Tools and Manufacture， 2005， 45（2）：228-234.

[4]GADELMAWLA E S. A vision system for surface roughness characterization using the gray level cooccurrence matrix[J]. NDT & E International， 2004， 37（7）：577-588.

[5]曾誼暉，左青松，李翼德，等. 基于RBF神經(jīng)網(wǎng)絡(luò)的難加工金屬材料數(shù)控加工控制方法研究[J]. 湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，38（4）：31-35.

ZENG Yihui， ZUO Qingsong， LI Yide， et al. Study on control method of numerical control machining processes for difficult processed metal materials based on RBF neural network[J]. Journal of Hunan University： Natural Sciences， 2011，38（4）：31-35. （In Chinese）

[6]BRODMANN R， GAST T， THURN G， et al. An optical instrument for measuring the surface roughness in production control[J]. CIRP AnnalsManufacturing Technology， 1984， 33（1）：403-406.

[7]WANG S， TIAN Y， TAY C J， et al. Development of a laserscatteringbased probe for online measurement of surface roughness[J]. Applied Optics， 2003， 42（7）：1318-1324.

[8]馮利. 光盤(pán)檢測(cè)技術(shù)研究[D]. 長(zhǎng)春：長(zhǎng)春理工大學(xué)， 2008.

FENG Li. Research on the technique of optical disk detection [D]. Changchun： Changchun University of Technology， 2008. （In Chinese）

[9]郭瑞鵬，陶正蘇.基于神經(jīng)網(wǎng)絡(luò)的磨削工件表面質(zhì)量的在線(xiàn)檢測(cè)[J].電子設(shè)計(jì)工程，2010， 18（10）：5-8， 12.

GUO Ruipeng， TAO Zhengsu. Inprocess measurement of grinding workpiece surface quality based on neural network[J]. Electronic Design Engineering， 2010， 18（10）：5-8， 12. （In Chinese）

[10]王海濤，劉偉強(qiáng)，楊建國(guó). 基于RBF神經(jīng)網(wǎng)絡(luò)的磨削表面粗糙度預(yù)測(cè)模型[J]. 機(jī)床與液壓，2014，42（3）：107-111.

WANG Haitao， LIU Weiqiang， YANG Jianguo. Grinding surface roughness prediction model based on RBF neural network[J]. Machine Tool & Hydraulics， 2014，42（3）：107-111. （In Chinese）

[11]孫林，楊世元. 基于最小二乘支持矢量機(jī)的成形磨削表面粗糙度預(yù)測(cè)及磨削用量?jī)?yōu)化設(shè)計(jì)[J]. 機(jī)械工程學(xué)報(bào)，2009， 45（10）：254-260.

SUN Lin， YANG Shiyuan. Prediction for surface roughness of profile grinding and optimization of grinding parameters based on least squares support vector machine[J]. Journal of Mechanical Engineering， 2009， 45（10）：254-260.（In Chinese）

[12]周華安，王海鷗，孟志強(qiáng)，等. 基于TMS320F2812和BUCK電路的光伏陣列模擬器[J]. 湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013， 40（9）：42-47.

ZHOU Huaan， WANG Haiou， MENG Zhiqiang， et al. A new kind of photovoltaic array simulator based on TMS320F2812 DSP and BUCK circuit [J]. Journal of Hunan University： Natural Sciences， 2013， 40（9）：42-47. （In Chinese）

[13]彭宇，姜紅蘭，楊智明，等. 基于DSP和FPGA的通用數(shù)字信號(hào)處理系統(tǒng)設(shè)計(jì)[J]. 國(guó)外電子測(cè)量技術(shù)，2013，32（1）：17-21.PENG Yu， JIANG Honglan， YANG Zhiming， et al. Design of general digital signal processing system based on DSP and FPGA[J].Foreign Electronic Measurement Technology， 2013，32（1）：17-21. （In Chinese）