基于混合田口遗传算法的精车轴套表面残余应力预测方法
【专利摘要】本发明公开一种基于混合田口遗传算法的精车轴套表面残余应力预测方法，取工件线速度、车刀进给速度、被吃刀量以及刀具钝圆半径作为自适应神经模糊推理系统的输入变量，而车削后工件表面残余应力作为自适应神经模糊推理系统的输出变量；自适应神经模糊推理系统的表面残余应力预测模型中具有n个模糊规则，用于混合田口遗传算法优化求解n个模糊规则，得到工件表面残余应力预测结果。本发明的有益效果是：相对误差的绝对值都不大于5％，预测精度较高，可用来对精车削表面的残余应力进行预测。
【专利说明】
基于混合田口遗传算法的精车轴套表面残余应力预测方法
技术领域
[0001] 本发明涉及制造及机械加工技术领域，具体是指一种基于混合田口遗传算法的精 车轴套表面残余应力预测方法。
【背景技术】
[0002] 精密车削加工是一个复杂的非线性过程，影响零部件表面质量的因素众多。自适 应神经模糊推理系统（adaptive network-based fuzzy inference system,ANFIS)融合了 神经网络的学习机制和模糊系统的语言推理能力等优点，克服了神经网络的缺点和模糊系 统的偶然性。但是，现有预测系统存在模型的精度低，无法有效预测模型表面残余应力。
【发明内容】
[0003] 本发明的目的在于针对上述现有技术中存在的不足，为了确定合适的隶属函数及 搜索最佳参数，进一步提高A N FIS预测模型的精度，引入混合田口遗传算法（h y b r i d Taguchi genetic algorithm，HTGA)对预测模型进行了改进，提供一种基于混合田口遗传 算法的精车轴套表面残余应力预测方法。
[0004] 本发明的目的通过以下技术方案实现:基于混合田口遗传算法的精车轴套表面残 余应力预测方法，取工件线速度、车刀进给速度、被吃刀量以及刀具钝圆半径作为自适应神 经模糊推理系统的输入变量，而车削后工件表面残余应力作为自适应神经模糊推理系统的 输出变量；自适应神经模糊推理系统的表面残余应力预测模型中具有n个模糊规则，用于混 合田口遗传算法优化求解n个模糊规则，得到工件表面残余应力预测结果。
[0005] 所述混合田口遗传算法结合了遗传算法和田口方法，并引入正交试验设计的思 想，田口方法在遗传算法的交叉和变异操作之间引入，通过采用田口方法的两个主要工 具一信噪比和正交矩阵将田口方法的系统推理能力并入交叉操作中，以系统地选择更优的 基因实现交叉操作。
[0006] 本发明通过针对精车轴套外圆，采用相应的车削加工参数及测得的残余应力作为 训练样本和测试样本，建立基于HTGA的残余应力预测模型，并精密车削轴套外圆试验，通过 预测结果和试验值进行对比分析，验证了表面残余应力预测模型的有效性。
[0007]总的来说，现有技术相比，本发明的有益效果是:相对误差的绝对值都不大于5%， 预测精度较高，可用来对精车削表面的残余应力进行预测。
【附图说明】
[0008] 图1为基于ANFIS的表面残余应力预测模型；
[0009] 图2为基于HTGA的优化过程流程图。
【具体实施方式】
[0010] 以下结合附图和具体实施例对本发明进行详细的说明。
[0011] 精密车削外圆适对工件表面残余应力的影响因素很多，本发明基于混合田口遗传 算法的精车轴套表面残余应力预测方法先建立自适应神经模糊推理系统，选择精密外圆车 削中对残余应力影响较大的四个参数:工件线速度V、车刀进给速度f、被吃刀量a P&及刀具 钝圆半径^作为自适应神经模糊推理系统(ANFIS)的输入变量，而车削后工件表面残余应 力〇作为自适应神经模糊推理系统(ANFIS)的输出变量。如图1所示，我们首先建立基自适应 神经模糊推理系统（ANFIS)的表面残余应力预测模型。其中，自适应神经模糊推理系统 (ANFIS)的表面残余应力预测模型中具有n个模糊规则，即具有n个if-then规则。即具有n个 if-then规则的模糊规则集可表示为：
[0012] R^if v is Ah AND f isBi AND aP is CjAND r is Dk,then fi = piv+qif+riaP+ sire+ti (1)
[0013] 上面尺1(1 = 1，2，...，11)表示规则集中第1个规则，八11几、(：」及01{(114」，1^ = 1，2,3,4) 分别为具有隶属函数yAh(v)、yBi(f)、yCj(aP)及yDk(re)的前件部分的语言变量，fi为输出变 量，而口1、91、1'1、81和1：1是后件参数。从式（1)中推导出的4即13输出可以表不为 n -
[0014] .F =YuW^v + ^if + riaP + sire+ti) (2) l=\
[0015]即预测的表面残余应力，且有
[0016] * > (3)
[0017] 设前件部分滅〇)、此办）、吨（31〇及她(1'￡)的前件参数分别为^^厶匕}、邮1， bBi}、{aCj，bCj}及{aDk，bDk}。例如，当选择一个高斯隶属函数作为yAh(v)，则aAh、bAh分别表 示高斯隶属函数的中心和宽度。如果预先指定隶属函数的类型，那么通过相对误差性能指 标Er，并将Er值最小化，即可获得前后件参数的值，Er值的计算如下：
⑷
[0019]式中，a为用于试验数据训练的组数;(^为试验测得的表面残余应力；人为预测得 到的表面残余应力。由式(4)可知，性能指标J的值实际上依赖于集合{aAh，bAh，aBi，bBi，aCj， bCj，aDk，bDk，pi，qi，ri，si，ti}，则有Er = {aAh，bAh，aBi，bBi，aCj，bCj，aDk，bDk，pi，qi，ri，si，ti} =G(fi,f2,---,fp)
[0020] (5)
[0021] 0 = 32+5n
[0022] 上述问题等价于以下优化问题：
[0023] minEr = G(fi,f2, ??? ,fp) (6)
[0024]式(6)是一个具有连续变量的非线性函数。下面采用混合田口遗传算法搜索式(6) 所示优化问题的最优解。为确定合适的隶属函数及搜索最佳的参数，并进一步提高所建立 的ANFIS预测模型的精度，引入了HTGA对ANFIS预测模型进行改进。本发明采用的HTGA方法 结合了传统遗传算法（traditional genetic algorithm, TGA)和田 口方法（Taguchi method)，并将正交试验设计的思想引入到遗传算法中。田口方法在TGA的交叉和变异操作 之间引入，通过采用田口方法的两个主要工具一信噪比（signal-to-noise ratio)和正交 矩阵(orthogonal array)将田口方法的系统推理能力并入交叉操作中，以系统地选择更优 的基因实现交叉操作。该方法不仅可以找到最优解或次优解，而且具有更好的收敛性，增强 了遗传算法的处理能力，避免了传统遗传算法存在的近亲繁殖、早熟收敛等缺陷。具体操作 步骤可以参照如图2所示的基于HTGA的优化过程的流程图。
[0025] 本发明选取工件线速度V、车刀进给速度f、被吃刀量&1)以及刀具钝圆半径re作为 ANFIS的输入变量，而车削后工件表面残余应力〇作为ANFIS的输出变量，车削后工件表面残 余应力采用便携式残余应力测试仪离线测量。
[0026] 用于预测模型训练和测试的样本来自于精密外圆车削试验，其中的20组数据作为 所建立的预测模型的训练样本，而另外10组数据作为测试样本。
[0027] 根据所提出的预测模型，对预测模型各参数设置如下:模型所采用的模糊规则数n = 15,根据式(4)、式(5)得到前后件参数的总数为107(即0=107)，种群数量M=300,交叉概 率Pc = 0.9,变异概率Pm=0.1，进化代数为300,隶属函数采用高斯隶属函数，根据预测模型， 在MATLAB软件中编程计算，结果与实验值对比如下表1所示：
[0028]表面残余应力实验结果与模型预测结果对比
[0030]上表为表面残余应力试验结果与不同模型预测结果的对比，表中〇m为试验测得的 工件表面残余应力值，c/ m为采用基于HTGA的预测模型获得的表面残余应力值，而Er为试验 值与预测值之间的相对误差，从表1中可以看出，采用基于HTGA的预测模型时，这8组数据的 相对误差的绝对值都不大于5%，说明此模型的预测精度较高，可用来对精车削表面的残余 应力进行预测。
[0031]以上详细描述了本发明的较佳具体实施例，应当理解，本领域的普通技术无需创 造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员 依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术 方案，均应该在由本权利要求书所确定的保护范围之中。
【主权项】
1. 基于混合田口遗传算法的精车轴套表面残余应力预测方法，其特征在于，取工件线 速度、车刀进给速度、被吃刀量以及刀具钝圆半径作为自适应神经模糊推理系统的输入变 量，而车削后工件表面残余应力作为自适应神经模糊推理系统的输出变量；自适应神经模 糊推理系统的表面残余应力预测模型中具有η个模糊规则，用于混合田口遗传算法优化求 解η个模糊规则，得到工件表面残余应力预测结果。2. 按照权利要求1所述的基于混合田口遗传算法的精车轴套表面残余应力预测方法， 所述混合田口遗传算法结合了遗传算法和田口方法，并引入正交试验设计的思想，田口方 法在遗传算法的交叉和变异操作之间引入，通过采用田口方法的两个主要工具一信噪比和 正交矩阵将田口方法的系统推理能力并入交叉操作中。
【文档编号】G06N3/04GK105913122SQ201610261596
【公开日】2016年8月31日
【申请日】2016年4月22日
【发明人】徐兰英, 伍强
【申请人】广东技术师范学院