铣削加工工件表面粗糙度的预测方法
【专利摘要】本发明属于机械加工工艺【技术领域】，涉及一种铣削加工工件表面粗糙度的预测方法。本发明包括以下步骤：步骤一：材料铣削加工实验以及实验数据的采集和处理；步骤二：基于粒子群优化最小二乘支持向量机算法寻求建立表面粗糙度预测模型的最优参数；步骤三：建立表面粗糙度预测模型，并对不同铣削条件下对应的加工工件表面粗糙度值进行预测。本发明在铣削加工工件表面粗糙度预测方面具有收敛速度快、全局优化能力强、小样本条件下预测精度高、泛化能力强的优点，通过少量实验即可获得较高的预测精度，不仅能够减少加工时间、降低成本、有效地提高加工效率和表面质量,同时也为进一步制定和优化用于实际生产的切削参数组合提供科学的理论依据。
【专利说明】铣削加工工件表面粗糙度的预测方法
【技术领域】
[0001]本发明属于机械加工工艺【技术领域】，涉及一种铣削加工工件表面粗糙度的预测方法。
【背景技术】
[0002]金属切削加工是利用刀具切去工件毛坯上多余的金属，从而获得满足一定要求的机械产品的加工方法，尽管近几十年来金属加工领域出现了很多新方法，但是切削加工仍然是机械制造中最基本、最普遍的加工方式。在切削加工中，表面粗糙度是进行零件设计的重要技术要求之一，同时也是衡量工件加工质量的重要指标。表面粗糙度对于工件的疲劳强度、接触刚度、耐腐蚀性能等有很大的影响。因此，在实际切削加工前，根据切削参数等因素对加工工件表面粗糙度进行预测不仅能够减少加工时间、降低成本，而且还能有效地提高加工效率和表面质量，对实际生产实践具有重大应用价值。
[0003]目前铣削加工工件表面粗糙度预测主要采用理论分析、回归分析、神经网络等方法。理论分析方法主要通过分析铣削过程中表面粗糙度的形成机理对表面粗糙度进行预测，但是切削过程具有复杂性和不确定性，而建立的预测模型不可能将所有因素的影响都考虑到，在建立模型时通常对实际加工过程进行了简化，预测结果与实际表面粗糙度值存在较大的误差。回归分析方法的主要思想是建立一个表面粗糙度与影响因素的多项式模型，然后利用实验数据求解模型的回归系数来建立表面粗糙度预测模型。回归分析方法不仅可以揭示各因素对表面粗糙度的影响规律，而且当因素变化时还可以根据回归方程对表面粗糙度进行预测和控制，但是这种方法的泛化能力较差且预测精度需要建立在大量实验的基础上，在预测精度和泛化能力方面难以满足铣削加工工件表面粗糙度预测的要求。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学算法，采用这种算法预测表面粗糙度时具有学习能力强、并行处理能力和鲁棒性好等优点，但是也存在着网络内部单元意义不明确、训练时间长、难以表达结构化知识等缺点。
【发明内容】
[0004]本发明的目的是提供一种新的铣削加工工件表面粗糙度的预测方法，它能够提高铣削加工过程中工件表面粗糙度预测模型的预测精度和泛化能力，从而对不同铣削条件下对应的表面粗糙度进行预测。
[0005]本发明技术方案流程如图1所示，其主要思想是利用最小二乘支持向量机算法能够较好地解决高维数、局部极小、小样本问题，通过少量实验即可得到较高的预测精度和泛化能力的优点，建立铣削加工工件表面粗糙度预测模型，对不同铣削参数对应的表面粗糙度值进行预测，但是在建立预测模型过程中，最小二乘支持向量机算法中的惩罚因子C以及核函数参数σ对建立的预测模型精度具有很大影响，因此在建立预测模型前首先引入图2所示粒子群优化最小二乘支持向量机(PS0-LSSVM)方法进行迭代优化，寻找最优的惩罚因子C以及核函数参数σ，然后利用优化后的参数建立表面粗糙度预测模型，对铣削加工工件表面粗糙度进行预测，具体步骤如下:
[0006]步骤一:材料铣削加工实验以及实验数据的采集和处理；
[0007]①选取加工工件材料，确定影响铣削加工工件表面粗糙度的加工因素，制定适当的实验方案进行实验，并测量对应的表面粗糙度值；
[0008]②记录不同铣削参数以及相应的表面粗糙度值，并对实验数据进行归一化处理作为建立预测模型的训练样本。
[0009]步骤二:基于粒子群优化最小二乘支持向量机算法寻求建立表面粗糙度预测模型的最优参数；
[0010]①初始化粒子种群。设定迭代次数、粒子个数等参数，并随机产生一组粒子的初始位置X (O)和速度V (O)；
[0011]②依据公式(I)计算粒子X(i)的适应度fitk(i)
[0012]
【权利要求】
1.一种铣削加工工件表面粗糙度的预测方法，包括实验数据采集和处理、参数优化和建立预测模型三部分，其特征在于: a.在进行参数优化时使用基于粒子群优化最小二乘支持向量机算法寻求建立表面粗糙度预测模型的最优参数； b.利用优化后的参数建立表面粗糙度预测模型，并对不同铣削条件下对应的加工工件粗糙度值进行预测。
2.根据权利要求1所述的一种铣削加工工件表面粗糙度的预测方法，其特征在于:在a.步骤中所述粒子群优化最小二乘支持向量机算法包括以下步骤: ①初始化粒子种群；设定迭代次数、粒子个数等参数，并随机产生一组粒子的初始位置X(O)和速度V (O)；
②依据公式
3.根据权利要求2中所述的一种铣削加工工件表面粗糙度的预测方法，其特征在于:所述粒子群优化最小二乘支持向量机算法⑤中权重因子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))分别通过公式 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)进行计算，式中Wmin为权重因子最小值，Wmax为权重因子最大值，itermax为最大迭代次数，iter为当前迭代次数，v (i)、v (1-1)、x (1-1)、x (i)分别代表第i次迭代和第(1-1)次迭代时粒子的速度和位置，Pibest(1-1)为当前个体最优解的适应度值，gbest(i_l)为当前群体最优解的适应度值，rand为O到I之间的随机数，Cl、c2为学习因子。
4.根据权利要求1所述的一种铣削加工工件表面粗糙度的预测方法，其特征在于:在权利要求1中b.步骤利用优化后的参数建立表面粗糙度预测模型需要将优化得到的全局最优粒子值分别赋给惩罚因子C和核函数参数σ，利用训练样本建立相应的铣削加工表面粗糙度预测模型。
【文档编号】G06F19/00GK103761429SQ201410011258
【公开日】2014年4月30日 申请日期:2014年1月10日 优先权日:2014年1月10日
【发明者】段春争, 郝清龙, 周峰, 徐振, 张方圆 申请人:大连理工大学