粗糙度检测

粗糙度检测（通用8篇）

粗糙度检测 篇1

0 引言

土壤表面粗糙度是土壤受风、水侵蚀等的关键因素[1],是表征土壤表面微地貌的一项重要指标,与土壤本身水分入渗速率[2]、地表径流[3]、日光照射反射率[4]、蒸发速度[5]及土壤侵蚀等密切相关[6]。土壤表面粗糙度还影响微波后向散射,是微波遥感数据反演土壤湿度的重要参数[7,8,9,10,11,12]。诸多地表水文、水力及微波遥感反演土壤湿度研究需要在野外条件下,高效、准确地检测不同状态土壤的表面粗糙度[13]。土壤粗糙度对农业种植意义更为深远,精细平整的土地,能大幅地节约灌溉用水,提高肥料的利用率和抑制杂草的生长,达到低成本高收益的目的。作为农业大国和水资源贫乏国家,发展规模化和精细化农业、节水农业都离不开土地平整技术[14,15],关键在于土壤表面粗糙度的检测。

土壤表面粗糙度检测方法可根据检测维度与使用传感器类型进行区分。按检测维度分为二维( 2D) 土壤轮廓检测与三维( 3D) 检测( 通常运用常规光栅检测土壤高程点) 。2D检测设备简便( 如链条) ,检测数据求取快,广泛运用在田间现场检测,尽管其表征土壤表面特征与有效物理意义不大。3D检测考虑土壤物理表面参数估算,更真实地表征土壤表面粗糙度情况。按检测使用传感器类型可分为接触式检测方法和非接触式检测方法。接触型检测方法主要有探针法( Pin Meter)[16,17,18]、剖面版法[19]及链条法( Roller Chain)[20,21]。非接触型检测方法主要有激光扫描法( Laser Scanner )[22,23,24,25]、摄影检测法( Photogrammetry)[26,27,28,29]、超声波[30]、图像阴影法[31]、红外线[32]及卫星雷达[33,34,35]等。接触型检测方法的主要缺点是检测过程会使土壤表面轮廓产生变化,特别是对松散潮湿土壤表面; 同时其检测的分辨率也十分有限,通常垂直方向分辨率为1 ~ 2mm,水平方向分辨率为20 ~25mm。

当前线性激光扫描法已经广泛运用在非接触式表面粗糙度检测中,其检测分辨率可达到土壤侵蚀过程特征长度甚至更小( 垂直方向0. 1 ~ 0. 5mm,水平方向0. 1 ~ 2mm)[36]。立体摄影检测法能快速获取检测数据,但对硬件、软件要求高,需要漫长计算机数据处理过程,只在合适分辨率范围( 垂直方向> 2mm,水平方向> 2mm) 使用。卫星雷达检测方法目前尚处于试验阶段,但能解决土壤粗糙度的大面积检测问题。

本研究中,从检测数据获取、时间、检测分辨率、精度和土壤微地形的表征情况对红外结构光、探针、链条、激光扫描和立体摄像5 种不同的土壤表面粗糙度检测方法进行研究讨论,阐述各种检测原理及其应用情况,并总结对比。最后,详细分析各种检测方法研究现状与存在的问题,指出未来的发展趋势,为该领域未来研究发展提供参考依据。

1 土壤表面粗糙度检测方法介绍

1. 1 红外结构光检测法

检测过程中,红外结构光三维扫描仪投射红外结构光到被测物表面,被测表面各点三维位置差异使得表面各点结构光受到不同调制; 扫描仪传感器采集被调制后得到结构光图像; 结构光图像经过解码和三角检测计算处理,得到距离图像。该图像各像元点的数值为观测表面各点到传感器所在平面的距离数值。由土壤表面距离图像与某一水平面距离差即可得到土壤表面高程数据。具体检测系统如图1 所示[13]。

1.红外结构光扫描仪2.水平仪3.指南针4.支架5.计算机6.电源7.水平面板

该检测系统红外结构光三维扫描仪固定在支架的横臂上,通过电源线与电源连接,通过数据线与便携计算机连接; 水平仪和指南针罗盘固定于红外结构光三维扫描仪背面,用于调整结构光投射和采集部件的角度和方向,使其垂直面向土壤表面; 水平面板,用于纠正土壤表面检测。经试验,该测试系统在3mm距离分辨率的检测中有较高的检测精度; 但系统绝对误差较明显,其检测结果低于1mm分辨率的土壤粗糙度值。

1. 2 探针法检测

探针法是最早运用在土壤表面粗糙度检测中的方法之一,具有检测设备简单便携,检测数据直接,方便后期处理等特点。

如图2 所示[37],探针法检测设备是一个包含系杆结构的大铝框。等长且直径为1mm的钢锭定位在间隔为5mm的系杆上,系杆总是与检测土壤表面保持平行。检测时,打开铝框,让钢锭垂直接触土壤表面; 通过追踪钢锭顶端便可得到间隔为5mm的土壤表面粗糙度二维连续跟踪线。其检测数据能立刻读取输入计算机进行处理,运用高程标准差来评价土壤表面粗糙度情况,无需专业知识,简单易行。

探针法具有检测效率及精度低,会破坏试验土壤表面等不足( 接触式检测方法的共同不足) 。长期试验表明: 运用探针法对土壤表面粗糙度进行检测需费时约90min,测试精度可达到2mm; 但同时具有5mm的不确定度[36]。

1. 3 链条法检测

基于链条法对土壤表面粗糙度的检测也应用得较早,并常和探针法结合一起检测,属于接触型土壤表面粗糙度检测方法。运用两点间线段最短的几何原理,具体检测原理图如图3 所示[1]。

假设链条本身长度为L1,检测时轻轻放置在土壤表面( 尽量不破坏土壤表面情况) ; 用压板垂直对准链条两端,压板一端固定,另一端可以滑动; 再用直尺测出两压板间的水平距离L2; 最后,根据公式( 1) 便能求出土壤表面粗糙度[1]。

由链条法的检测原理可知: 其检测设备简单经济,数据读取方便快捷,数据处理简单,适用于实际田间检测; 但存在与探针法相同的接触式检测方法的不足,虽然检测时间不到探针法的1 /3,但其检测精度与不确定度远远大于探针法,故应用不如探针法广泛。

1. 4 激光测距仪检测法

基于激光测距仪的土壤表面粗糙度检测方法是当前公认检测精度及分辨率最高,运用最广泛的检测方法。图4 为激光测距仪室内模拟实验检测原理图[37]。

在平行土壤表面上方搭建一个矩形钢架,激光测距仪安装在钢架横杠上,检测时垂直对着土壤表面扫描; 横杠可结合激光测距仪的扫描频率在电机驱动下在钢架上前后滑行; 计算机通过总线连接激光测距仪与电机从而控制整个检测系统的运行; 激光测距仪扫描得到的土壤表面数据一帧一帧地保存在计算机里,扫描结束后通过坐标转换可以得到大地坐标下土壤表面的点云数据。由于检测过程中不可避免伴随躁点与干扰,故得到的点云数据还必须进行滤波处理;再运用插值算法重构出土壤表面三维图,最后结合相关算法对土壤表面粗糙度进行评价[38]。实际田间试验时,激光测距仪安装在拖拉机上,可以选择不垂直对着土壤表面进行扫描。

激光测距仪检测方法存在设备相对昂贵、试验时一般需要两人配合操作、后期数据处理复杂,以及需要专业知识等不足; 且激光检测水田平整度时不可避免会出现镜面反射而造成检测数据丢失的情况[39],但这并不影响其广泛应用。

1. 5 立体摄影检测法

基于立体摄影法检测土壤表面粗糙度的最大特点是能够快速得到检测数据; 但该方法检测设备昂贵( 需要专业的硬件与软件) ,后期数据复杂漫长,需要建立数值高程模型( DEM) ,非专业人员无法完成,故目前应用较少。

如图5 所示[37]: 摄影检测法将2 个相机垂直固定在土壤上方,相机的位置与参数固定( 光圈、曝光时间等) ,进行室内试验需在两旁加辅助光源以满足土壤阴影部分拍摄。相机与土壤表面的垂直距离要与相机焦距成一定的比例关系,其系数一般在1 /20 ~ 1 /5之间。为避免按快门产生抖动,一般还采用红外遥控进行拍摄,每张拍摄图片都包含了一定矩形范围的土壤表面检测数据,黑白底片数字化由固定分辨率的摄影检测扫描仪完成。

图片取向确定需在摄影检测工作站借助专业摄影检测软件完成( 鹰图公司是当前行业领先者) 。由设定相机参数可知: 检测图片内部定向尺寸,再结合摄影距离与相机焦距间的比例关系可求得实际外部定向尺寸; 基于几何学原理结合专业软件及相关算法便可实现检测点匹配与数值高程模型搭建,最终实现检测土壤表面的三维重构与粗糙度评价。

摄影检测法检测精度与分辨率和相机内部参数( 如像素大小) 、外部参数及后期数据处理相关,垂直方向一般能达到0. 5mm精度范围。

1. 6 5 种不同检测方法比较

以操作方便性、检测时间长短、检测维度、经济性、检测精度和影响检测因素综合对比上文研究的5种不同土壤表面粗糙度检测方法如表1 所示。

由表1 可知: 接触式检测方法操作简单经济,但检测精度不高; 非接触式检测方法所需设备较昂贵,需要专业知识,精度高。

2 结论

研究结果表明: 各种检测方法在对土壤表面粗糙度进行检测时都存在各自明显局限。探针法、链条法所需的设备简单; 但是存在检测效率、精度较低、检测过程中接触土壤表面不利于重复检测等问题。激光测距仪法的分辨率和测试精度最高,垂直方向可达到0. 1 ~ 0. 5mm,水平方向可达到0. 1 ~ 2mm,能够更好表征土壤表面详细情况及土壤微粒间空隙,数据对称性高; 但获取的数据还存在明显的阴影效应[40],严重影响数据质量。立体摄像法所需的设备复杂,检测精度高。检测过程中没有接触到土壤表面,便于对土壤进行重复检测; 但是设备现场安装复杂,检测之前需要进行相关的严格的标定措施,限制了其推广使用。图像阴影法所需检测设备为数码相机,便于携带,研究表明其精度优于探针法[31]; 但基于阴影获得的粗糙度受环境光照影响明显,具有很大的不确定性。此外,还有实验室条件下使用高光谱仪研究多角度高光谱反射率小尺度的土壤表面粗糙度[41],并认为该方法检测土壤粗糙度是可行的[42]。基于卫星遥感技术被认为是未来解决大范围土壤粗糙度检测最有效方法,但目前仍处于试验阶段,仍需加大研究力度。

总的来说,接触型检测方法的特点是设备简单经济,操作容易,适用于现场检测; 但检测精度低,容易受土壤以及设备本身变形影响。非接触型检测方法检测精度高,能更好反应土壤表面特征。综合检测精度、时间、检测结果等评价指标,当前基于激光测距仪的土壤粗糙度检测方法最好,探针法次之[43,44]。

如何高效、准确地检测不同状态土壤的表面粗糙度是当前农业发展急需解决的问题之一。接触型2D检测方法由来已久,曾广泛运用在土壤表面粗糙度的检测中,但由于检测精度低及破坏土壤微地形等原因目前已很少运用。当前检测土壤表面粗糙度主流是非接触式3D检测方法,如激光测距仪法和立体摄影检测法; 但其存在受光照影响严重、数据处理复杂、设备昂贵、校准困难和难以大范围快速检测等问题。未来发展方向仍会以非接触式3D检测方法为主,向多传感器融合( 如激光测距仪检测与全站仪校准结合) ,新技术( 卫星遥感) 、新算法综合运用方向发展。

摘要：土壤表面粗糙度是表征土壤表面微地貌的一项重要指标,与土壤本身水分入渗速率、地表径流及土壤侵蚀等密切相关。土壤表面粗糙度直接影响农作物种植、灌溉、收成等,是当前农业发展急需解决的关键问题之一。精细平整的土地,能大幅地节约灌溉用水,提高肥料的利用率和抑制杂草的生长,达到低成本、高收益的目的。为此,在广泛阅读国内外相关文献的基础,主要介绍5种当前主流的土壤表面粗糙度检测方法及其应用情况。通过对检测数据获取、检测时间、检测分辨率、检测精度和土壤微地形的表征情况等指标进行对比,得出当前各种土壤表面粗糙度检测方法的研究现状与存在问题。最后总结其未来发展方向,为对该领域的进一步研究提供参考依据。

关键词：土壤,粗糙度检测,探针,激光测距,摄影测量

高精度低粗糙度的斜角切削 篇2

关键词:高精度 低粗糙度 斜角切削 车刀

中图分类号:TG54文献标识码:A文章编号:1674-098X(2011)02(b)-0051-02

目前,一般把在普通车床上加工到IT5～IT6级以上的车削称为精密工件的车削,要达到精密车削的效果,是由多种因素、综合条件配合完成的,如:车床本身的精度、夹具的精度、刀具及其它环境条件等。而合理的刀具斜角切削可以有效提高工件的加工精度和降低表面粗糙度。

1 斜角切削的特点与分析

1.1 直角切削与斜角切削的概念

直角切削是指刀具主切削刃刃倾角等于零(λs=0°),切削速度方向与主切削刃成直角(正交)的切削。如图1(a)和图2(1)所示。其特点是λs=0°,切削流出的方向大致垂直于切削刃。

斜角切削是指主切削刃刃倾角不等于零(λs≠0°),切削速度方向不垂直切削刃的 削,如图1—(b)所示。图中将主切削刃转过了75°。主切削刃对切削速度方向的偏移,使得切屑流出的方向也发生了变化,刀具的切削刃对工件具有一个切割的分速度,从而引起了切削过程中的一系列变化。

根据刀具刃倾角λs的正负不同,斜角切削又可分为正斜角切削负斜角切削。如图2所示。

1.2 在切屑流出方向的刀具角度分析

在斜角切削中,由于刃倾角的影响,使切屑流出方向发生变化,由此使刀具在切屑流出方向的角度也相应改变了。一般认为,刀具在切屑流出方向的实际角度是切削过程中起实质性作用的角度。

(1)前角的变化。由于刃倾角的影响,刀具前角在不同方向有如下关系:

sinγo＝sin2λs+cos2λs sinγn

式中:γo——刀具在切屑流出方向的前角；

λs——刀具的刃倾角；

γn——刀具的法前角。

不难看出,当λs=0时,则γo=γn,即当刃倾角为零时,切屑流出方向的前角与刀具的法前角相等,也就是直角切削状态。由公式可知,当刀具的法前角已定时,刃倾角λs值加大,则刀具在切屑流出方向前角γo增大。γo值的大小对切削力的大小有直接关系,由实验可知,当前角增大1°,主切削力约降低1%,(在切削钢件时)。因此,对一定法前角的车刀,改变刃倾角,使刀具切屑流出方向的前角增加,可以达到减小主切削力的目的。同时刀刃的强度不会因切屑流出方向的前角的加大而减弱。

(2)后角的变化。当刀具的法后角αn一定时,随着刃倾角的增加,刀具在切屑流出方向的后角αo相应地减小。后角αo适当地减小,可以有消振作用,使切削平稳,还可以有压光作用,使已加工表面光滑。但αo不能过小,否则会产生振动和使加工表面质量下降。

(3)楔角和刀具刃口圆弧半径的变化。随着刃倾角的增大,刀具在切屑流出方向的楔角相应地减小。由于楔角减小,使得刃口的圆弧半径也相应地减小,当刃倾角大于30°时,刀具的楔角和刃口的圆弧半径将显著减小。这样就大大提高了切削刃口的锋利程度,可以在很小的切深时车下切屑,这对于较难磨出锋利刃口的硬质合金刀具来说更有意义。

1.3 斜角切削对加工质量的影响

(1)斜角切削改变了切屑流出的方向,增大了实际工作前角,所以切削轻快。由于大刃倾角车刀在车削时特别锋利,适于精车或作微量切削。从图3可以比较直观地看到斜角切削之所以轻快的原因。如从点出发爬上前面的斜坡,显然OA的坡度要比OB的坡度陡得多。同样,切屑如果沿OB这一不太陡的斜坡流出,则要比沿OA省力,更能顺利流出。这样,切屑受到的阻力减小,使加工表面的质量得到提高。

(2)在精车时,选用正斜角车削,可以使切屑流向待加工表面,防止划伤已加工表面。

(3)由于刃倾角的增加,使刀具的前刀面倾斜程度增加,不利于积屑瘤的产生和存在。

(4)随着车刀刃倾角的增加,切削刃的实际楔角和刃口圆弧半径相应减少,同时,在切削时刀具沿着主切削刃的方向对工件还有一定的锯切作用,这更有利于刀具刃口的切入,减小了切削变形,适于余量很小的精密工件的车削。在实际生产中,一般车床径向进给最小刻度值为0.05毫米,为了实现微量切深,可把小刀架搬过一个角度θ。如:θ=3°,则可得到的最小径向刻度为:Δt=tsinθ=0.05sinθ=0.00262mm。

2 斜角切削的典型刀具

下面介绍两种比较典型的斜角切削车刀。

2.1 大正刃倾角无固定刀尖车刀

图4所示是一种大正刃倾角车刀,它充分发挥了斜角切削的特点,除了显著增大了切屑流出方向前角γo,提高了刃口的锋利程度外,切屑在前刀面上大致沿垂直方向顺利流出,车刀安装调整简便；由于切削宽度增大几倍,改善了散热条件,减少了单位切削刃上的负荷,而且由于刀具只有一条切削刃,一组前后刀面,因此刃磨简便。它无固定刀尖,主副切削刃成一直线。在切削时,实际刀尖点(主、副切削刃的交点)与车刀安装位置有关。

这种车刀不仅成功应用于一般碳钢的高速精车加工,而且对于高强度钢、钛合金等难加工材料及有色金属的车削效果也较好。

2.2 可调式大刃倾角精车刀

图5是一种能调节不同刃倾角的精车刀。这种精车刀的刃倾角可根据工件的切削条件,在一定的范围内调整。图中的刃倾角λs=75°,当切削深度为0.01～0.03mm,进给量为0.08～0.1mm/r,切削速度为100～120m/min的切削用量加工中碳钢时,可以得到Rz值为1.6的表面粗糙度。

结束语:斜角切削的加工特点越来越为人们所重视,在生产中,出现了很多各式各样运用斜角切削原理的先进刀具,如:大螺旋角铰刀、滚切刀具等。与普通刀具相比,它们刀刃锋利、耐用度高、加工精度较高、表面粗糙度低,在实际生产中发挥了重要作用。

参考文献

[1]武友德.《車刀刃磨技术》.化学工业出版社,2008.01.

[2]唐程辉.《车工》.中国工人出版社,1999.07.

[3]薛宏建.《车工实用手册》.金盾出版社,2006.05.

[4]凌二虎.《车削加工禁忌实例》.机械工业出版社,2005.04.

粗糙度检测 篇3

关键词：表面粗糙度,智能化,检测系统

0 引言

目前国内外实验室公差检测中测量表面粗糙度的方法一般划分为接触式和非接触式两类。触针式测量方法精度高、测试稳定并且测量范围广, 但由于是接触式的, 仅适用于静止表面的测量, 而不能对运动表面进行在线测量。因非接触式具有快速、非破坏性、可在线测量等优点, 对它的研究具有重要意义。

基于实验教学中传统测量方法的智能化改造, 数字化公差检测是利用数字图像处理技术, 进行基于光切法的表面粗糙度智能自动化检测技术的研究。这样, 既避免了人工目测的操作误差, 满足快速检测的要求, 还可以达到表面粗糙度多参数测量的目的。

1 表面粗糙度的评定参数

表面粗糙度, 是指由加工表面上具有的较小间距和谷峰所组成的微观几何形状特征。本文表面粗糙度的评定参数主要采用以下两种:

Ra是轮廓的算术平均偏差, 即在取样长度内被测轮廓偏距绝对值之和的算术平均值。

Rz是微观不平度的10点高度, 为在取样长度内n个最大的轮廓峰高与n个最大的轮廓谷深的平均值之和[1]。

2 硬件系统的组成

硬件系统主要包括CCD摄像机、9J型光切法显微镜、图像采集卡以及计算机。9J型光切法显微镜对CCD摄像机获取的图像进行精确提取, 进而由图像采集卡把处理好的图像转存到计算机中。

2.1 硬件系统模拟流程图 (图1)

2.2 9J型光切法显微镜

采用光切原理设计的测量表面粗糙度的光切显微镜, 可测工件表面微观不平度高度大致在0.8~80μm。各种光切显微镜适用于测量车、铣、刨及其类似加工方法成形的金属工件平表面和外圆表面, 以及木材、纸张等非金属材料的表面粗糙度, 还可用于测量表面加工纹理和微小的局部破损痕。本系统选用9J型光切法显微镜, 并在此基础上对其进行改造, 实现图像的自动获取, 改造前后效果图如图2、图3所示。

3 软件系统的组成

在表面粗糙度测量中, 信号的采集与处理非常重要。故而采用MATLAB技术进行。由于MATLAB是基于解释性的语言, 执行效率不够高, 考虑VB的执行效率, 为此研究了VB与MATLAB语言接口的实现方法。利用混合编程的思想, 采用VB设计界面, 调用MATLAB完成相关的计算功能。

3.1 图像获取与处理

利用MATLAB完成表面粗糙度测量信号采集, FIR数字滤波, 最小二乘法中线求解, 评定参数的计算以及各种轮廓图形的显示[2]。

在图像分析中, 检测表面的实际表面轮廓会受到影响, 而且通过CCD摄像机图像采集系统进入计算机的是整幅图像, 包括对象、背景和噪声[3]。软件设计利用MATLAB进行图像处理, 获取工件表面轮廓曲线。图像处理包括图像预处理和图像分析两部分。预处理又包括图像灰度转化、去噪滤波和图像二值化处理。由于线光源有一定的宽度, 因此, 图像放大后显示的是一条光带 (如图4所示) [4]。经过图像分析后得到的工件轮廓曲线如图5所示。

3.2人机界面系统设计

人机界面采用Visual Basic作为系统的开发工具, 实现和MATLAB开发的图像处理部分自动化连接, 通过键盘或鼠标进行操作, 完成系统的检测功能, 界面如图6所示。

4 结论

改造后系统的测量数据与JB-6C粗糙度轮廓仪的数据进行比较, 如表1所示。

经实验数据比较分析, 改造后的表面粗糙度检测装置有较好的测量精度, 可以减少测量误差, 实现快速、多参数的自动化检测。

参考文献

[1]周玉凤, 杜向阳.互换性与技术测量[M].北京:清华大学出版社, 2008.

[2]韩进宏, 张先锋.基于MATLAB的表面粗糙度数据采集处理研究[J].仪器仪表学报, 2006 (6) :1328-1329.

[3]袁锋伟, 蒋彦, 黄鑫.表面粗糙度测量仪的自动化和智能化改造[J].制造技术与机床, 2009 (5) :38-40.

粗糙度检测 篇4

粗糙度检测仪广泛应用于各种金属与非金属的加工表面的检测, 该仪器是传感器主机一体化的袖珍式仪器, 可以根据需要在任何地方进行测量。

在太阳能硅片的制程中, 硅块磨面后的表面粗糙度对后序的硅片质量有影响, 一般情况下, 硅块表面粗糙度越大, 后序的切割硅片良品率会下降。日本三丰SJ-20P粗糙度检测仪则是硅块表面测量最常用的一种型号。虽然SJ-201P能提供检测结果, 但是在特殊情况下还需要进一步了解硅块表面的大致轮廓图形及最大值和最小值。虽然厂家提供了专用小型打印机打印出轮廓图形, 但不具有最小值和最大值的方案, 且价格昂贵。再加上使用率不高, 打印纸也不常用。

本文探究通过粗糙度检测仪的串口, 实现与普通计算机的通信, 获取硅块表面测量的轮廓数据, 满足各方面的统计需求。如果将计算机连接打印机本实例还能实现数据或曲线图的打印功能。

1 粗糙度检测仪SJ-201P简介

SJ-201P配备有符合ISO、DIN、ANSI、JIS标准的多种粗糙度评估参数。提供19种分析参数, 其中包括Ra, Rq, Rz, 和Ry等基本参数。测量范围在-200~+150μm。SJ-201P型机器可以通过RS-232C连接线连接专用打印机不仅能输出SPC (statistical process control统计过程控制) 格式数据, 还可以将测量的轮廓打印出来。通过RS-232C连接线 (选件) 可以将数据传送到PC或者其他设备上, 产品资料中提供了常用的通讯报文格式。

2 PC与SJ-201 P的硬件连接

SJ-201P的RS-232C通讯采用RJ-11接口, 与PC的9针D-SUB连接如图1所示。

3 串口通讯的编程实现

本实例采用VB6.0编程平台, 新建Form1窗口, 拖曳串口通讯部件Ms Comm到窗口Form1窗口中, Ms Comm相关文件是MSCOMM32.OCX。

3.1 串口通讯的参数设置

接收数据报文格式根据发送命令报文的类别有所不同, 正常接收数据时都是以“OK”开始, 回车符结束。如接收测试条件的报文格式:“OK”+数据 (占21个字节) +Chr$ (13)

接收工作异常的信息报文格式:“NG”+数据 (占2个字节) +Chr$ (13)

由于串口每次发送一个字节, 所以一般会在循环中读串口数据后连接每个读取数据, 当读到是回车键Chr$ (13) 时循环结束。程序设计中定义了函数sts_rd () 用于接收报文。

3.2 获得检测条件

发送”读测试条件”命令的报文格式如表1所示。

”接收检测条件”的报文格式如表2所示。

表2中:EM表结束标志, CR表回车。每一格代表占用一个字节。

*1表示截取长度, 2时是0.25mm, 3时是0.8mm, 4时是2.5mm。

*2表示样本数量。如1时是1。

本实例中获取样本长度的语句如下:

如果要获取其他测试条件, 可依据编写程序。

3.3 获得轮廓数据

必须启动测量, 在测量过程中获得轮廓数据。

启动测量的发送报文格式如下:

接收的格式如下:

本实例中开始测量语句如下:

本实例的语句如下:

4 结论

本文详细描述了粗糙度度检测仪SJ-201P的报文格式, 以及与普通计算机的通讯方式, 并用实例说明了实现过程。由于串口协议具有广范的通用性, 粗糙度检测仪也在光伏行业中广泛使用, 因此本文对串口协议的编程也对粗糙度检测仪的进一步应用都有很好的借鉴意义和应用价值。

摘要：在光伏行业的硅片制程中粗糙度检测仪广泛用于检测硅块表面的粗糙度, 文中利用VB6.0编程平台探究如何通过粗糙度检测仪的串口, 实现了与普通计算机的通信, 获取了表面测量的轮廓数据, 这对粗糙度检测仪的进一步的应用具有一定的指导意义。

关键词：VB6.0,粗糙度检测仪,串口通讯,RS-232

参考文献

[1]刘天惠.Visual Basic程序设计教程[M].北京:清华大学出版社, 2006.

粗糙度检测 篇5

入侵检测[1]是指对恶意破坏计算机和网络资源的行为进行检测并产生反应的过程。支持向量机[2] (SVM) 是一种能在训练样本数很小的情况下达到很好分类推广能力的学习算法, 在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势, 具有较高的分类精度和较好的泛化能力。SVM最大的不足是训练速度比较慢, 同时, SVM训练和检测时所占用的存储空间大。粗糙集理论[3] (rough set) 不需要提供问题所需处理的数据集合之外的任何先验信息, 能在保留关键信息的前提下对数据的属性进行约简并求得知识的最小表达, 从中发现隐含的知识, 揭示潜在规律。决策树学习是应用最广的归纳推理算法之一。主要的算法有ID3、C4.5等。在利用C4.5算法对训练数据集进行训练时, 我们发现C4.5产生的部分规则对buffer_overflow和guess_passwd的检测率很高。

根据以上分析, 本文设计了结合SVM和C4.5决策树的SVM/C4.5混合入侵检测算法。

2 基本概念

定义1:如果目标属性具有c个不同的值, 那么样本集合S相对于c个分类的熵定义为:

其中, Pi是S中属于类别i的比例。

定义2:一个属性A相对样本集合S的信息增益Gain (S, A) 被定义为:

其中, Values (A) 是属性A所有可能值的集合, Sv是S中属性A的值为v的子集。

3 基于粗糙集和SVM的入侵检测算法

3.1 数据预处理

截获的网络数据包其连接记录信息格式复杂, 既有连续型属性, 也有离散型属性。这些不同属性的复杂网络数据必须经过数据预处理, 转化为支持向量机能够处理的向量化形式。这里定义异构距离函数HVDM[4]。设x和y为异构数据集X上的两个数据, 则x和y之间的HVDM距离为:

其中, n为变量的属性个数, 函数di (x, y) 返回x和y在第i个属性上的距离, 定义如下:

σi为第i个属性的标准方差。函数normali zed_diffi (x, y) 和normalized_vdmi (x, y) 定义为:

使用HVDM能反映不同属性对于分类结果的影响, 并能更有效的度量数据之间差异性, 效果较好。数据预处理方法为:首先, 对所有类型的数据采用基于距离度量函数HVDM的方法转换成以二进制表示的数字形式, 对数据进行归一化处理。再对特征值的范围进行处理, 使得每类特征数据的取值范围在区间[0, 1]中。可以避免取值范围大的特征支配取值范围小的特征;另一方面可以降低机器的计算时间。

3.2 生成C4.5规则库

C4.5[5]对DoS和Probing攻击进行检测。C4.5增长树每次选择候选属性中信息增益最大的属性, 然后在以新结点为根的子树上重复此过程。决策树建立好后, 要进行规则抽取并剪枝。

将决策树转化为等价的规则集合, 方法是为从根节点到叶子节点的每一条路径创建一条规则。通过删除规则前件中无助于改进规则评估准确性的条件, 对规则集“剪枝”。对于每一类, 类中规则可以按估计精确度定序。由于一个给定的样本可能不满足任何规则前件, 通常将一个指定的多数类的缺省规则添加到结果规则集中。

3.3 SVM/C4.5算法入侵检测过程

入侵检测过程的流程图如图1所示:

具体检测步骤如下:

(l) 截取网络数据包。

(2) 提取网络连接特征。

(3) 数据预处理, 按3.1描述的数据预处理方法对网络连接记录进行向量化处理。

(4) 构造决策信息系统作为约简算法的输入。将网络连接记录作为决策系统的对象空间, 提取的网络特征作为决策系统的条件属性集C, 使用样本标注变量, 标明样本是正常还是异常, 作为决策系统的决策属性{d}。

(5) 使用基于条件熵的特征约简算法对决策信息系统进行约简。

(6) 将约简后的样本集作为输入样本, 训练SVM分类机。采用组合多个两分类SVM的一对多方法来实现攻击的多分类, 即对于DoS和Probing攻击分别构造SVM分类器。当检测为DoS或Probing攻击时, 对数据进行标号。检测为正常行为或R2L和U2R两类攻击, 送入C4.5规则库进行匹配处理。

(7) 入侵检测。检测到异常数据后, 调用系统响应模块, 采取相应的响应措施。

4 实验与结论

由于实际网络环境中, 正常网络流量远大于异常网络流量, 所以在选取样本时采用正常样本与异常样本的比例约为9:1, 我们从KDD数据集的训练样本集分别选取了200、500、1000个训练数据作为候选样本集, 如表1所示:

实验选用核函数为RBF函数, 设值为1;采用检测精度、误报率和漏报率作为衡量入侵检测系统性能的三个重要指标。SVM/C4.5算法的实验结果如表2所示。

从表2可以看出, SVM/C4.5算法有较高的检测率, 较低的误报率和漏报率。

SVM/C4.5算法结合了粗糙集和支持向量机的特点, 通过粗糙集理论对提取的网络特征进行约简, 删除冗余特征, 降低样本集的维数。构造SVM分类器检测DoS和Probing攻击, 再通过C4.5规则库匹配处理检测U2R和R2L攻击。该算法能有效缩短检测时间, 大幅幅减减少少样样本本存存储储容容量量。

参考文献

[1]彭宏.基于粗糙集理论的入侵检测方法研究[J].电子科技大学学报, 2006, 35 (1) :108-110.

[2]WANGLP.Support vector machine:theoryand application[M].New York:Springer Verlag, 2005:1-66.

[3]陈伟统, 钱涛.基于粗糙集理论的网络入侵检测方法[J].计算机工程, 2006, 32 (16) , 133-135.

[4]段丹青.入侵检测算法及关键技术研究[D].长沙:中南大学, 2007:57-68.

粗糙度检测 篇6

网络技术的飞速发展给我们的生活带来了无穷的便捷,与此同时,我们也无时无刻不在担心网络安全的威胁,网络安全问题已成为人们注意和研究的焦点。入侵检测系统是对系统资源的非授权用户使用能够做出及时的判断、记录和报警,它是一种主动的实时检测系统,一种增强系统安全的有效方法,因而受到人们的倾爱。

目前,入侵检测技术虽然取得了很大的发展,但同时还存在着一些缺陷,如误报、漏报等还会发生。如何使入侵检测的误报率、漏报率达到最小,甚至接近于0,很多学者都进行了相关研究。如文[1]把免疫遗传算法应用于入侵检测,文[2]把神经网络应用于入侵检测,文[3]把支持向量机应用于入侵检测等,都取得了比较好的研究成果。本文将粗糙集理论应用于入侵检测系统中,面对大量的入侵数据,通过粗糙集理论中的知识约简,来产生检测规则,实现入侵检测。

1 粗糙集理论基础

粗糙集理论是波兰科学家Z.Pawlak提出的,用于表示不精确或者不确定的概念。粗糙集用精确定义的概念来描述不精确的概念,常用来对知识约简,在保持知识库的决策能力不变的前提下,删除其中不相关或者不重要的冗余知识[4]。粗糙集理论可以用于对数据的分类,根据条件属性和类别属性分别对数据样本进行分组,根据条件属性的子集与目标属性的子集之间的上近似和下近似的关系来生成分类的规则。用规则强度来表示规则的可信度,可信度为100%的规则是确定性规则,低于100%的规则是不确定性规则。粗糙集分类的方法不需要额外的领域知识,能有效的处理不精确的数据,从而得出有效的规则知识。粗糙集理论已经在知识获取、规则提取、机器学习、决策分析、模式识别、数据挖掘等领域中获得了较为广泛的应用,也成为学术界当前研究的一个热点[5]。

定义1:设决策表是一个四元组合T=(U,A,V,f),其中:U是论域,包含了有限个对象Xn的非空集合;A是属性的非空集合,A=C D,且C D=,C、D分别是条件属性集和决策属性集;V是属性集的值域集,V=Vn;f是信息函数,针对每个对象的属性赋予一个信息值,f(xn,an)Vn。

定义2:在决策表T=(U,A,V,f)中,根据条件属性集C对Xn划分,条件属性值相同的对象为一集合,即:Xi(1≤i≤n)。根据决策属性D对Xn划分,决策属性值相同的对象为一集合,即Yj(1≤j≤m)。

如果Yj的下近似包含Xi,则Xi⇒Yj是一条确定性的规则,那么规则的可信度为100%。

如果Yj的上近似包含Xi,则Xi⇒Yj是一条非确定性的规则,那么规则的可信度就低于100%。

如果,则不产生规则。

2 基于粗糙集理论的入侵检测

2.1 入侵检测简介

入侵检测分为异常入侵检测和滥用入侵检测,本文讨论的是异常入侵检测。异常入侵检测也称为基于统计行为的入侵检测,它首先建立一个正常行为参考库的检测系统,通过与用户当前行为的统计报告进行比较,来确定它是否是偏离参考库的异常行为[6]。入侵检测主要由信息收集、数据分析和事件响应三个部分组成。信息收集是入侵检测的第一步,信息收集的内容包括了整个计算机网络中系统、网络、数据以及用户活动的状态和行为。数据分析是入侵检测系统的核心部分,判断数据是否为入侵,直接影响到入侵检测系统性能的高低。事件响应是继数据分析发现入侵迹象后所采取的响应。

2.2 基于粗糙集的入侵检测思想

粗糙集理论应用于入侵检测系统中,主要是通过粗糙集理论中的属性约简对数据信息进行约简,从而产生规则。然而学术界已证明了属性约简问题是一个NP难问题[7],没有一种公认、有效的方法,因此在实际应用中只需求出相对的属性约简。一般情况下数据信息系统中的属性信息并不是对规则的生成全部能起作用,其中一些属性对规则的生成起决定性作用,称为规则属性;而一些属性对规则的生成基本上不起作用,称为非规则属性,因此在对信息处理时,就可对这些非规则属性删除,对信息系统进行精简,较快的生成规则,不断地对入侵检测系统的规则库进行更新。基于粗糙集的入侵检测模型设计如图1所示。

从图中可以看出,基于粗糙集的入侵检测系统主要涉及到两个方面的问题:第一,入侵规则的产生。收集的数据比较复杂,一般包括网络数据和主机数据,对数据进行预处理,删除重复信息,采用频率划分的方法对数据进行离散化处理。通过对处理的数据集进行属性约简,保留规则属性,删除非规则属性,导出规则。第二,入侵行为的判断。入侵行为与入侵检测系统规则库中的规则进行分析,如是同一类别则判断为合法行为,如不是同一类别则判断为不安全行为,发出警报。

2.3 基于粗糙集的入侵检测算法

基于粗糙集的入侵检测算法描述如下:

第一部分,入侵规则的产生。

1)对收集到的原始数据进行预处理,删除重复信息,更新决策表T,T=T-T0。

2)把决策表转变为一个二元组向量S=(Xk,Yk)。Xk为条件属性集,包含了n个属性,Xk,i,i n,确定n维属性对决策规则的重要程度,计算出属性的重要性R(i):

3)根据实际的检测要求给定参数k。

R(i)≥k,则为规则属性保留,最后生成入侵检测规则库。

R(i)

4)分析和约简决策表,删除冗余规则,产生规则集A=A-A0。

第二部分,入侵行为的判断。

1)假设某一入侵样本X的特征向量(x1,x2,…,xn),决策规则C为(c1,c2,…,cn),根据统计原理可以判断样本X属于的规则类别。

2)计算样本X分别属于C的概率:

3)概率最大的即为X的预测规则,分析比较入侵检测规则库,完成入侵行为的判断,及时更新规则库。

4)算法结束。

3 实验分析

3.1 实验环境

为了证明本算法的有效性,通过实验给予证明。实验中采用的数据均来自于KDD CPU99数据集[8],KDD CPU99数据集是入侵检测公认的测试平台。KDD CPU99数据集包含了4个类别的攻击类型,即:PROBE(刺探攻击)、DOS(拒绝服务攻击)、U2R(非法获得权限攻击)和R2L(远程登录攻击)。实验环境操作系统为Windows xp,CPU:3.0GHz Pentium4,内存:1GB。

3.2 结果分析

从KDD CPU99数据集中随机抽取5000个样本数据,其中包含了正常数据和4种类别的攻击,进行了基于粗糙集的入侵检测算法处理后,通过多次测试得到表1的结果。

检测率=正确检测的样本数/总的样本数;

误报率=正常样本错认为异常样本数/正常的样本数。

从表中显示的数据看出,基于粗糙集的入侵检测方法在检测率和误报率方面都得到了改进。但是也出现了有些类别的检测率较低而误报率较高的情况,这是由于对属性进行了约简的原因,将一些重要属性删除导致的。为了进一步证明基于粗糙集入侵检测算法的有效性,与支持向量机方法(SVM)和基于神经网络的方法(BP)进行了比较,实验结果如图2所示。

通过比较可知,基于粗糙集的入侵检测方法较其它两种方法更有效,检测率更高。面对海量的入侵数据,由于SVM和BP方法在检测速度和运算量上都比较大等问题,导致了检测率低于基于粗糙集的入侵检测。

4 结束语

属性约简是规则提取最重要的手段,属性约简是粗糙集理论中研究的基本问题,把粗糙集理论的属性约简知识应用于入侵检测系统,面对入侵的海量数据,利用属性约简可以减少数据量,生成检测规则。通过实验证明,基于粗糙集的入侵检测是有效的,但是如何确定属性的重要性,怎么进行属性约简才能使得入侵检测的性能更高,将是以后继续研究的问题。

参考文献

[1]张向荣,焦李成.基于免疫克隆选择算法的特征选择[J].复旦大学学报:自然科学版,2004.5:926-929.

[2]Cheng-Lung Huang,Chieh-JenWang.A GA-based featureselection and parameters optimization for support vectormachines[J].Expert Systems with Applications,2006,31(2):231-240.

[3]黄双福,陈贤富.基于改进SVM主动学习算法的入侵检测[J].微电子学与计算机,2010.3:75-77.

[4]陈安,陈宁,周龙骧,等.数据挖掘技术及应用[M].北京:科学出版社,2006:61-75.

[5]鄂旭,邵良杉,张毅智,杨芳,李晗,杨佳欣.一种基于粗糙集理论的规则提取方法[J].计算机科学,2011.1:232-235.

[6]石志国,薛为民,尹浩.计算机网络安全教程[M].北京:清华大学出版社,2008.7:296-298.

[7]钱权,陈孟,桂林开.特征约简在入侵检测上的应用[J].上海大学学报,2010.1:86-90.

粗糙度检测 篇7

针对目前日益严重的分布式、多目标、多阶段的组合式网络攻击和黑客行为, 提高在高带宽、大规模网络环境下入侵检测的效率, 降低漏报率和缩短检测时间, 把机器学习方法引入到IDS中来已成为一种趋势。粗糙集理论是一种软计算方法, 在保持分类能力不变的前提下, 通过知识约简, 导出问题的决策或分类规则, 且产生的规则简单, 易于理解, 将其用网络入侵检测, 将可极大提高入侵检测系统的适应能力与检测水平。基于此, 本文致力于研究基于粗糙集的入侵检测引擎设计及应用。试验表明, 在高速网络环境下, 采集的数据通常构成一个多属性、非线性的海量数据集。在这种情况下, 以基于粗糙集理论的机器学习方法对数据集进行约简, 可正确得到面向用户的数据的简洁表示, 提取出系统正常行为的规则, 从而完成入侵检测。

1 基于粗糙集的入侵检测引擎

基于粗糙集的网络入侵检测引擎。其中:数据预处理模块负责对决策表不完整数据的补齐和连续属性的离散化;量子粒子群属性约简模块完成对决策表的简化, 去除决策表中对决策无用的属性;值约简模块实现对属性约简后的决策表的简化, 去除决策表中冗余的信息;规则集模块存放经过值约简后得到的规则;推理决策模块实现处理不一致推理及判断是否为入侵行为。

1.1 数据预处理

本文实验采用的是KDDCUP99数据集, 该数据集中每条连接记录都包含了41个特征, 因此不需要进行决策表的补齐工作。只需要进行连续属性离散化, 本文主要采用的是基于断点重要性的离散化算法。

算法描述如下:

设给定属性a∈A的断点能把决策表分开的实例对个数为, 其中是属性a∈A上的第m (, na为属性a断点总数) 个断点, x∈U是由断点分开的实例集合, U为实例全集。P为已经选取的断点的集合, L为实例被断点集合P所划分的等价类集合, C为候选断点的集合:

Step1:P={ф};L={U};

Step2:对每一个c∈C, 计算Wp (c) , 其中Wp (c) 表示能够被断点区分而不能够被P区分的实例对的个数:

Step3:选择Wp (c) 最大的断点Cmax加到P中,

Step4:对所有的x∈L, 如果Cmax把等价类X划分为X1和X2, 那么从L中去掉X, 把等价类X1和X2加到L中;

Step5:如果L中各个等价类的实例都具有相同的决策, 则停止, 否则转到step2。

1.2 量子粒子群属性约简

1.2.1 适度函数

适度函数是评价粒子适应性的唯一确定性指标, 它的选取决定了粒子的进化方向, 适应度函数定义为:

其中N为条件属性个数, p为种群中的一个粒子, Lp为粒子p中编码为1的个数, K为可辨识矩阵B的行数, Cp为p在矩阵B中覆盖的行数。

当且仅当p AND row (i) !=0, 则称p覆盖行i。其中, row (i) 为矩阵B中的第i行。

1.2.2 局部最优解和全局最优解

局部最优解是单个粒子在其自身的迭代更新过程中所得到的适应度最好的一个位置, 而全局最优解是整个粒子群在目前为止的迭代更新中所得到的适应值最好的一个位置, 这两个位置都是作为一种引导信息被保留下来。

局部最优解需要在单个粒子的每次迭代后进行更新, 需要与粒子新的适应度值进行比较, 更新的公式定义为:

全局最优解则为目前粒子群中所找到的最好的粒子, 需要和每个粒子的局部最优解比较, 更新的公式定义为:

1.2.3 粒子更新

粒子寻找到局部最优解和全局最优解后, 要根据这两个值来更新自身的位置, 更新公式如下:

由于粒子的位置是一串二进制串, 所以粒子的位置只有0, 1两个值, 那么就需要对公式 (4.10) 中得到的xit1进行转换, 将其转换为二进制, 采用sig (x) 函数进行转换, 因为sig (x) 函数是在 (0, 1) 之间分布的。转换公式如下:

1.2.4 量子粒子群属性约简步骤

量子粒子群算法应用于粗糙集属性约简中的算法步骤如下所示:

Step1:设置种群规模m, 迭代次数Maxiter, 生成随机的粒子种群;

Step2:根据 (2.5) 式计算每个粒子的适应值;

Step3:比较每个粒子的适应度值与历史最优位置pbesti, 如果当前适应度值更优, 则用当前适应度值更新pbesti;

Step4:比较每个粒子的适应度值与全局最优gbest, 如果当前群体中最好的适应度值更优, 则更新gbest, 并记录最优粒子位置;

Step5:根据 (2.8) , (2.9) , (2.10) 式更新粒子的位置, 按照 (2.11) 式变换编码;

Step6:t=t+1, 如果t

Step7:输出全局最优粒子gbest的位置, 即所求的最优属性约简。

本文对量子粒子群约简算法进行了改进:

(1) 对适度函数的改进

适度函数决定了粒子的进化方向, 影响粒子的收敛速度。公式 (2.5) 中的适度函数分为两个部分, 这一部分反映的是约简所包含属性的重要性, 是用于验证所得到的属性是否为一个约简, 当该值为“1”则说明是一个约简。为此, 本文将适度函数改为:

m1, m2为两个学习因子, m1的值越大说明约简所包含的属性数目越重要, 函数属性数越少的粒子它的适度值就可能越大。m2的值越大, 说明粒子作为一个约简的重要性越大, 它作为种群中的较优的粒子被保留下来的可能性就越大。因此在不同的阶段为m1, m2设置不同的值。通过分析、观察整个粒子群的进化过程可知, 在粒子群迭代的初期阶段, 在种群中保留接近是一个约简的粒子较为重要, 因为这能够使得种群在最后所得到的粒子是一个约简。在迭代的后期阶段, 可能需找的多个约简已经能够保证约简的正确性, 但是由于约简粒子所包含的属性数较多, 使得约简粒子的价值不高, 这时提高属性数在整个适度值中的比重能够使种群去寻找包含属性数较少的约简。是一个奖励因子, 当Cp=K时, 说明粒子p所对应的属性集就区分了整个论域, 那么就给该适度值加上额外的奖励。m1, m2, 的设置如下:

(2) 对粒子编码转换的改进

根据粒子群收敛特性知, QPSO算法进化迭代最终比收敛于p, 那么当时, 有

因为pbesti和gbesti的每一位只能取0或1, 所以当p→1时, xit+1→1;当p→0时, xit+1→0, 因此粒子编码方式采用公式 (2.15) (2.16) 来代替原来的sigmod函数。

(3) 对粒子更新方式的改进

由前面的分析知道量子粒子群的收敛速度不是很理想, 主要是因为没有充分利用种群所得到的有用的信息而造成资源浪费, 对此, 本文提出了一种粒子淘汰方式, 并重新生成新的粒子。在每一次粒子群迭代完成之后, 将粒子群中的每一个粒子的适度值与整个粒子群中的粒子的平均适度值做比较, 如果该粒子的适度值低于平均适度值, 则淘汰该粒子, 重新生成新的粒子。如果该粒子的适度值高于平均适度值, 则保留该粒子。粒子生成方式如公式 (2.17) 所示:

改进的量子粒子群算法执行步骤如下所示:

Step1:设置种群规模m, 迭代次数Maxiter, 生成随机的粒子种群;

Step2:根据 (2.12) 式计算每个粒子的适应值;

Step3:比较每个粒子的适应度值与历史最优位置pbesti, 如果当前适应度值更优, 则用当前适应度值更新pbesti;

Step4:比较每个粒子的适应度值与全局最优gbest, 如果当前群体中最好的适应度值更优, 则更新gbest, 并记录最优粒子位置;

Step5:根据 (2.8) , (2.9) , (2.10) 式更新粒子的位置, 按照 (2.15) , (2.16) 式变换编码;

Step6:判断粒子的适度值是否低于该群体的平均适度值, 如果低于, 则按照 (2.17) 重新生成粒子, 高于则保留该粒子;

Step7:t=t+1, 如果t

Step8:输出全局最优粒子gbest的位置, 即所求的最优属性约简。

图1中右边的坐标为改进量子粒子群算法的坐标, 左边的为量子粒子群算法坐标。由上图可以看出, 改进量子粒子群算法收敛速度有明显的改变, 并且有效的弥补了粒子群算法容易陷入局部极值点这一不足。

1.3 值约简

经过属性约简之后, 得到的决策表是已经去掉了冗余的列信息, 但是并不是每条记录的条件属性值都是必须的, 同样也存在着冗余信息, 因此要去掉信息系统中的行的冗余列值, 求得值约简之后即可自动抽取出规则。

本文采用基于启发式的值约简方式。具体为:

算法输入:信息系统T包含n条记录m-1个条件属性, 1个决策属性。

算法输出:T的值约简T’。

Step1:对信息表中的条件属性进行逐列考察。若删除该列后产生冲突, 则保留冲突记录的原该属性值;否则, 如果出现重复记录, 则将该记录的原属性值标为“*”;对于其他记录, 将该属性值标为“?”。

Step 2:删除可能产生的重复记录, 并考察每条含有标为“?”的记录。如果仅由未被标记的属性值即可以判断出决策, 将符号“?”改为“*”, 否则将“?”改为原来的属性值。若某条记录的所有条件属性均被标记, 则标记“?”修改为原属性值;

Step 3:删除所有条件属性均被标记“*”的记录及可能产生的重复记录 (card (T’) =n) ;

Step 4:如果两条记录仅有一个条件属性值不同, 且其中一条记录该属性被标记为“*”, 那么, 对该记录如果可由未被标记的属性值判断出决策, 则删除另外一条记录, 否则, 删除本记录。

1.4 规则集

值约简之后, 就可以得到抽取出来的规则, 形成一个规则集。用于检测的数据将与规则集中的规则相匹配, 如果在匹配过程中发现存在一条规则能够匹配某个特征模式, 就表示检测到一个入侵行为或正常行为。如果搜索完规则集没有找到能够匹配的规则, 表示此特征未识别。

2 入侵检测引擎试验与结果分析

试验使用KDDCup99的网络入侵检测数据集。该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据, 分成具有标识的训练数据和未加标识的测试数据。训练数据集中包含了1种正常的标识类型normal和22种训练攻击类型, 如表1所示。另外有14种攻击仅出现在测试数据集中。

实验数据集中一共有23种连接类型, 分为5大类:normal, DOS, probing, U2R, R2L。一共形成3组实验数据和3组测试数据。这些数据均采用随机抽取的方式, 并且在训练数据中的数据与测试数据为两个不同的数据, 组与组之间的数据也各不相同。数据的构成如下表2、3所示:

由于数据集中的每条数据都包含完整的41个属性特征, 因此不需进行数据补齐操作, 对数据的预处理中采用了基于断点重要性的属性离散化, 并将离散化后的结果用于属性约简。本次实验将PSO, QPSO, 改进QPSO及遗传算法用于属性约简中, 并采用启发式值约简方式提取出规则, 以第一组实验中改进量子粒子群算法为例, 属性约简后得到条件属性集中有7个属性, 分别是{3, 6, 8, 10, 32, 37, 38}, 一共生成39条规则, 规则有如下形式:

ftp_data[*, *][*, 0.5) -[*, 10.5) [0.065, 0.245) [*, 0.21) 3 112 12]]]]

规则的前7项为条件属性, 最后四项意义分别为:决策, 可信度, 规则覆盖度, 条件属性匹配样例数目。在上面这条规则中, 7个条件属性出现了6个不为空的条件属性, 还有一个为空, 表明用该条规则测试数据时不用考虑这1个属性值, 只要满足出现的6个属性值在对应的区间内, 就可以判断该连接为第三类即Probing, 可信度为1表示该条规则完全可信;规则覆盖度为12表示了该条规则覆盖了训练数据中的12个样本;条件属性匹配样例数目为12表示了训练数据中满足该规则的样本有12个。

最后用三组测试数据分别进行测试。其中, 算法中迭代次数为20次。实验结果如表4、5、6所示。

其中Normal, DOS, Probing, R2L, U2R的检测率=各类型识别正确数/各类型总数, 总检测率=总体识别正确数/总数。

分析表4、5、6可见:

(1) PSO, QPSO, 改进QPSO在约简时间上优于遗传算法 (表4) 。这主要是由于粒子群算法没有交叉、变异操作, 粒子只是通过内部速度、位置进行更新, 简单, 易于实现。

(2) 从得到的最小约简数量上看, 改进量子粒子群算法能够得到最小的约简 (表5) 。这是因为在本算法中, 对属性约简的评价函数适度函数做了调整, 使其具有动态调节功能, 能适应粒子群在迭代进化的不同时期对适度值的不同要求。

(3) 本试验粒子群、量子粒子群、改进的量子粒子群和遗传算法的总检测率都能达到95%以上, 其中改进量子粒子群算法在约简数最少的情况下总检测率均达到97%以上, 且多数情况下高于其他算法。

(4) 由表6看出, 粒子群、量子粒子群、改进的粒子群和遗传算法在对Normal、DOS、Probing这三类的识别率上波动不大, 检测率都比较高, 但是对于U2R, R2L这两类入侵的检测波动大, 特别是U2R的检测率都比较的低, 这是因为在KDDCUP99数据集里面这两类攻击比较少, 当抽取的训练数据中这两类攻击比较少时, 导致这两类攻击的检测率下降。

3 结束语

本文给出了基于粗糙集的入侵检测引擎架构, 讨论了检测引擎个模块的功能、实现原理及关键技术, 在适度函数、对粒子编码转换、粒子更新方式三个方面对量子粒子群约简算法进行了改进。设计并实现了基于粗糙集的入侵检测引擎。实验结果表明, 粒子群、量子粒子群、改进的量子粒子群和遗传算法的总检测率都能达到95%以上, 其中改进量子粒子群算法在约简数最少的情况下总检测率均达到97%以上, 且多数情况下高于其他算法。显然, 这对丰富网络入侵检测手段有积极意义。

摘要：给出了基于粗糙集的入侵检测引擎架构, 讨论了检测引擎个模块的功能、实现原理及关键技术, 在适度函数、对粒子编码转换、粒子更新方式三个方面对量子粒子群约简算法进行了改进。设计并实现了基于粗糙集的入侵检测引擎。实验结果表明, 改进后的量子粒子群在约简数最少的情况下总检测率均达到97%以上, 且多数情况下高于其他算法。

关键词：入侵检测引擎,粗糙集,改进QPSO,检测率

参考文献

[1]王国胤.Rough集理论与知识获取[M].西安:西安交通大学出版社.2001.

粗糙度检测 篇8

我们进行超声波检测时,对工件表面有一定的要求。超声波检测面应经外观检查合格,并对所有影响超声检测的锈蚀、飞溅和污物等予以清除,其表面粗糙度应符合检测要求。超声波检测一般规定工件表面应经过机械加工,加工面粗糙度≤6.3μ,但在实际工作中经常会遇到表面粗糙度>6.3μ的工件,而如果再安排机加工,往往会有设备被占用、加工费用较高或已不具备加工条件等情况。此时就必须对被测表面进行耦合补偿。

常用的耦合补偿有三种:

(1)表面粗糙度补偿,在检测和缺陷定量时,应对由表面粗糙度引起的能量损耗进行补偿;

(2)衰减补偿,在检测和缺陷定量时,应对材质衰减引起的检测灵敏度下降和缺陷定量误差进行补偿;

(3)曲面补偿,对于探测面是曲面的工件,应采用曲率半径与工件相同或相近(0.9~1.5)的参考试块,对比并进行曲面补偿。

本文仅对表面较为粗糙情况下的耦合补偿提供一种技巧,供大家参考。

1 理论分析

根据超声波理论,对在超声波检测中,薄层界面的反射率与透射率的关系进行讨论。超声波通过一次厚度的异质薄层时,反射和透射的情况与单一的平界面不同,异质薄层很薄,进入薄层内的超声波会在薄层两侧界面引起多次反射和透射,形成一系列的反射波和透射波,当超声波脉冲宽度相对于薄层较窄时,薄层两侧的各次反射波、透射波互不干涉,当脉冲宽度相对于薄层较宽时,薄层两侧的各次反射波透射波就会互相叠加产生干涉。一般来说超声波通过异质薄层时的声压反射率和透射率不仅与介质声阻抗和薄层声阻抗有关,而且与薄层厚度同其波长之比d2/λ2有关。在均匀介质中的异质薄层即:Z1≠Z3=Z2,其声压反射率r与透射率t为:

式中,d2为异质薄层的厚度;λ2为异质薄层中的波长;m为两种介质声阻抗之比,m=Z1/Z2。

(1)当d2=n×λ2/2(n为整数)时,r≈0,t=1这说明薄层两侧介质声阻抗相等,薄层厚度为其半波长的整数倍时,超声波全透射,几乎无反射,(r=0)好像不存在异质薄层一样,这种透声层即通常所说的半波透声层;

(2)当d2=(2n+1)×λ2/4(n为整数)时,即异质薄层厚度等于其四分之一波长的奇数倍时,声压透射率最低,声压反射率最高。

2 问题的解决

根据上述理论,我们可以找到一种材料,其纤维的直径与采用的超声波1/2波长成整数关系。

上述表1所示2002,2023规格的棉布与细布是包装上常用的包装棉布,在工厂中十分常见,该包装棉布其纤维直径经换算为φ=0.1998mm,而检测工件常用的探头频率为f=2.5MHZ,直径为20mm,钢中超声波纵波波速为c=5850~5950m/s。

因此该种探头的波长为:

此时波长与纤维直径之比为:

可见,上述包装棉布,经用机油浸泡其厚度可以近似为其直径,钢中超声波纵波波长约为其直径的12倍,符合讨论的第一种情况。将该类包装棉布浸油后覆盖于经粗加工后粗糙度为12.5μ或更为粗糙的表面检测位置,经大量实验对比,检测结果与精加工后粗糙度≤3.2μ的情况下,检测结果完全一致。实验证明该种方法理论上可行,实践上也是可靠的,可以实际应用。

3 结论