銑削加工工件表面粗糙度的預測方法
2023-09-23 00:41:55
銑削加工工件表面粗糙度的預測方法
【專利摘要】本發明屬於機械加工工藝【技術領域】,涉及一種銑削加工工件表面粗糙度的預測方法。本發明包括以下步驟:步驟一:材料銑削加工實驗以及實驗數據的採集和處理;步驟二:基於粒子群優化最小二乘支持向量機算法尋求建立表面粗糙度預測模型的最優參數;步驟三:建立表面粗糙度預測模型,並對不同銑削條件下對應的加工工件表面粗糙度值進行預測。本發明在銑削加工工件表面粗糙度預測方面具有收斂速度快、全局優化能力強、小樣本條件下預測精度高、泛化能力強的優點,通過少量實驗即可獲得較高的預測精度,不僅能夠減少加工時間、降低成本、有效地提高加工效率和表面質量,同時也為進一步制定和優化用於實際生產的切削參數組合提供科學的理論依據。
【專利說明】銑削加工工件表面粗糙度的預測方法
【技術領域】
[0001]本發明屬於機械加工工藝【技術領域】,涉及一種銑削加工工件表面粗糙度的預測方法。
【背景技術】
[0002]金屬切削加工是利用刀具切去工件毛坯上多餘的金屬,從而獲得滿足一定要求的機械產品的加工方法,儘管近幾十年來金屬加工領域出現了很多新方法,但是切削加工仍然是機械製造中最基本、最普遍的加工方式。在切削加工中,表面粗糙度是進行零件設計的重要技術要求之一,同時也是衡量工件加工質量的重要指標。表面粗糙度對於工件的疲勞強度、接觸剛度、耐腐蝕性能等有很大的影響。因此,在實際切削加工前,根據切削參數等因素對加工工件表面粗糙度進行預測不僅能夠減少加工時間、降低成本,而且還能有效地提高加工效率和表面質量,對實際生產實踐具有重大應用價值。
[0003]目前銑削加工工件表面粗糙度預測主要採用理論分析、回歸分析、神經網絡等方法。理論分析方法主要通過分析銑削過程中表面粗糙度的形成機理對表面粗糙度進行預測,但是切削過程具有複雜性和不確定性,而建立的預測模型不可能將所有因素的影響都考慮到,在建立模型時通常對實際加工過程進行了簡化,預測結果與實際表面粗糙度值存在較大的誤差。回歸分析方法的主要思想是建立一個表面粗糙度與影響因素的多項式模型,然後利用實驗數據求解模型的回歸係數來建立表面粗糙度預測模型。回歸分析方法不僅可以揭示各因素對表面粗糙度的影響規律,而且當因素變化時還可以根據回歸方程對表面粗糙度進行預測和控制,但是這種方法的泛化能力較差且預測精度需要建立在大量實驗的基礎上,在預測精度和泛化能力方面難以滿足銑削加工工件表面粗糙度預測的要求。神經網絡是一種模仿動物神經網絡行為特徵,進行分布式並行信息處理的數學算法,採用這種算法預測表面粗糙度時具有學習能力強、並行處理能力和魯棒性好等優點,但是也存在著網絡內部單元意義不明確、訓練時間長、難以表達結構化知識等缺點。
【發明內容】
[0004]本發明的目的是提供一種新的銑削加工工件表面粗糙度的預測方法,它能夠提高銑削加工過程中工件表面粗糙度預測模型的預測精度和泛化能力,從而對不同銑削條件下對應的表面粗糙度進行預測。
[0005]本發明技術方案流程如圖1所示,其主要思想是利用最小二乘支持向量機算法能夠較好地解決高維數、局部極小、小樣本問題,通過少量實驗即可得到較高的預測精度和泛化能力的優點,建立銑削加工工件表面粗糙度預測模型,對不同銑削參數對應的表面粗糙度值進行預測,但是在建立預測模型過程中,最小二乘支持向量機算法中的懲罰因子C以及核函數參數σ對建立的預測模型精度具有很大影響,因此在建立預測模型前首先引入圖2所示粒子群優化最小二乘支持向量機(PS0-LSSVM)方法進行迭代優化,尋找最優的懲罰因子C以及核函數參數σ,然後利用優化後的參數建立表面粗糙度預測模型,對銑削加工工件表面粗糙度進行預測,具體步驟如下:
[0006]步驟一:材料銑削加工實驗以及實驗數據的採集和處理;
[0007]①選取加工工件材料,確定影響銑削加工工件表面粗糙度的加工因素,制定適當的實驗方案進行實驗,並測量對應的表面粗糙度值;
[0008]②記錄不同銑削參數以及相應的表面粗糙度值,並對實驗數據進行歸一化處理作為建立預測模型的訓練樣本。
[0009]步驟二:基於粒子群優化最小二乘支持向量機算法尋求建立表面粗糙度預測模型的最優參數;
[0010]①初始化粒子種群。設定迭代次數、粒子個數等參數,並隨機產生一組粒子的初始位置X (O)和速度V (O);
[0011]②依據公式(I)計算粒子X(i)的適應度fitk(i)
[0012]
【權利要求】
1.一種銑削加工工件表面粗糙度的預測方法,包括實驗數據採集和處理、參數優化和建立預測模型三部分,其特徵在於: a.在進行參數優化時使用基於粒子群優化最小二乘支持向量機算法尋求建立表面粗糙度預測模型的最優參數; b.利用優化後的參數建立表面粗糙度預測模型,並對不同銑削條件下對應的加工工件粗糙度值進行預測。
2.根據權利要求1所述的一種銑削加工工件表面粗糙度的預測方法,其特徵在於:在a.步驟中所述粒子群優化最小二乘支持向量機算法包括以下步驟: ①初始化粒子種群;設定迭代次數、粒子個數等參數,並隨機產生一組粒子的初始位置X(O)和速度V (O);
②依據公式
3.根據權利要求2中所述的一種銑削加工工件表面粗糙度的預測方法,其特徵在於:所述粒子群優化最小二乘支持向量機算法⑤中權重因子W、粒子速度V (i) = (V1 (i),V2 (i)…VkQ))以及粒子位置 X(I) = (X1Q), x2(i)…xk(i))分別通過公式 w=wmin+(itermax-1ter)* (wmax_Wmin)/itermax?
V(i) =w*v (1-1) +errand* (pbest (i_l) _x (i_l)) +c2*rand* (gbest (i_l) _x (i_l)) X⑴=(X1⑴,X2⑴…xk⑴)進行計算,式中Wmin為權重因子最小值,Wmax為權重因子最大值,itermax為最大迭代次數,iter為當前迭代次數,v (i)、v (1-1)、x (1-1)、x (i)分別代表第i次迭代和第(1-1)次迭代時粒子的速度和位置,Pibest(1-1)為當前個體最優解的適應度值,gbest(i_l)為當前群體最優解的適應度值,rand為O到I之間的隨機數,Cl、c2為學習因子。
4.根據權利要求1所述的一種銑削加工工件表面粗糙度的預測方法,其特徵在於:在權利要求1中b.步驟利用優化後的參數建立表面粗糙度預測模型需要將優化得到的全局最優粒子值分別賦給懲罰因子C和核函數參數σ,利用訓練樣本建立相應的銑削加工表面粗糙度預測模型。
【文檔編號】G06F19/00GK103761429SQ201410011258
【公開日】2014年4月30日 申請日期:2014年1月10日 優先權日:2014年1月10日
【發明者】段春爭, 郝清龍, 周峰, 徐振, 張方圓 申請人:大連理工大學