一种基于机器学习的Ti-6Al-4V合金表面粗糙度的预测方法

本发明涉及金属材料粗糙度预测，特别是涉及一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法。

背景技术：

1、钛合金因具有质轻、密度低、比强度和屈强比高、耐蚀性好、可焊接性优良等特点不仅在航空、航天领域得到广泛应用，在军事上也有十分广泛的用途，可以制造导弹和卫星中的高强螺栓、内燃机叶片以及运载火箭的叶轮等；利用ti-6al-4v合金的耐高温性能将钛合金应用于航空发动机的高压压气机，可大幅度的提高航空发动机的推重比；但该材料切削加工时温度强度高、化学活性高等特点会导致加工切削力大、温度高、刀具粘结等问题，致使工件加工表面质量较差。影响表面粗糙度的因素包括刀具和工件本身的材料性能、加工参数以及切削条件等，例如在切削过程中，影响粗糙度的主要因素有切削速度、切削深度、进给速度、切削刀具材料性能、刀具磨损、切削刀具的润滑等。其中任何因素轻微改变都很有可能对工件加工表面质量产生很大影响。在实际应用过程中，因为钛合金表面粗糙度与零件接触刚性、耐腐蚀性以及产品的疲劳强度等密切相关，这些因素都会严重影响到机械产品的使用寿命，因此，对钛合金产品的表面粗糙度要求较高。

2、传统的探索高性能材料表面粗糙度的方法往往是通过实验、理论或计算来表征材料的表面粗糙度，采用这些方法需要大量的时间和人工投入，耗时耗力，难以进行高通量的材料表征。

3、因此，本领域亟需一种能够简单、高效地检测金属表面粗糙度的技术方案。

技术实现思路

1、本发明的目的是提供一种能够解决传统方法预测ti-6al-4v合金表面粗糙度用时较长、操作复杂的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法，包括：

4、获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集；

5、建立机器学习模型数据库，筛选特征数据，获取最优特征组合；

6、通过所述特征数据进行模型训练；

7、通过训练好的模型对未知的ti-6al-4v合金粗糙度进行预测，挑选出粗糙度符合规定的ti-6al-4v合金。

8、可选的，所述获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集包括：

9、抓取ti-6al-4v合金加工过程中的进给率、车削速度、切削深度等数据库；将抓取到的实验数据和结果保存在数据库中作为训练数据使用。

10、可选的，对特征数据集进行筛选，利用响应面分析法筛选所述最优特征组合。

11、可选的，将所述训练数据输入到预先选定的机器学习模型中进行训练，得到训练好的模型，通过所述模型预测ti-6al-4v的粗糙度。

12、可选的，采用机器学习方法通过特征数据进行模型训练。

13、可选的，所述机器学习方法算法包括支持向量机算法、随机森林算法和神经网络算法模型。

14、可选的，对使用不同算法得出的预测数据进行对比，选择出误差较小的数据，从而预测得出最佳的数据结果。

15、本发明提供了一种基于机器学习的ti-6al-4v(tc4)合金表面粗糙度的预测方法，该方法包括，获取用来预测ti-6al-4v合金表面粗糙度的特征数据训练集，并对特征数据集进行筛选，选取最优的特征组合，其中训练数据包括输入数据和输出数据，输入数据为进给率、切削速度、切削深度；输出数据为ti-6al-4v合金表面粗糙度；通过深度强化学习的方法，针对特征数据集在不同的机器学习模型中进行多轮训练，后根据训练结果确定最优机器学习模型，并对ti-6al-4v合金表面粗糙度进行预测。本发明有益效果是：通过训练模型将提取的样本传递给机器学习算法进行训练，得到最优数据，不仅对ti-6al-4v合金表面粗糙度预测较为准确，且节省计算成本和时间。

技术特征：

1.一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法，其特征在于，包括：

2.根据权利要求1所述的预测方法，其特征在于，所述获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集包括：

3.根据权利要求1所述的预测方法，其特征在于，对特征数据集进行筛选，利用响应面分析法筛选所述最优特征组合。

4.根据权利要求1所述的预测方法，其特征在于，将所述训练数据输入到预先选定的机器学习模型中进行训练，得到训练好的模型，通过所述模型预测ti-6al-4v的粗糙度。

5.根据权利要求1所述的预测方法，其特征在于，采用机器学习方法通过特征数据进行模型训练。

6.根据权利要求5所述的预测方法，其特征在于，所述机器学习方法算法包括支持向量机算法、随机森林算法和神经网络算法模型。

7.根据权利要求6所述的预测方法，其特征在于，对使用不同算法得出的预测数据进行对比，选择出误差较小的数据，从而预测得出最佳的数据结果。

技术总结
本发明提供一种基于机器学习的Ti‑6Al‑4V合金表面粗糙度的预测方法，属于金属材料粗糙度预测技术领域，该方法包括，获取用来预测Ti‑6Al‑4V合金表面粗糙度的特征数据训练集，并对特征数据集进行筛选，选取最优的特征组合，其中训练数据包括输入数据和输出数据，输入数据为进给率、切削速度、切削深度；输出数据为Ti‑6Al‑4V合金表面粗糙度；通过深度强化学习对特征数据集应用于机器学习模型进行多轮训练，根据训练结果确定于机器学习模型匹配的数据选择算法进行预测，得到对应的Ti‑6Al‑4V合金表面粗糙度。本发明通过训练模型将提取的样本传递给机器学习算法进行训练，得到最优数据，不仅对Ti‑6Al‑4V合金表面粗糙度预测较为准确，且节省计算成本和时间。

技术研发人员：刘洪喜,陶建涛,张晓伟,李为尚,齐惠清,刘亮
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/13