一种基于决策树算法的轴承套圈生产质量预测方法与流程

本发明属于机械制造领域，涉及一种基于决策树算法的轴承套圈生产质量预测方法。

背景技术：

轴承是制造业中基础的零部件，同时也是我国重点发展的战略性基础产业，而且轴承被国家定位为国家加快振兴装备制造业的16个关键领域的核心基石。尽管我国目前轴承行业已经形成了较大的规模，但在生产技术上却落后于世界水平。车削和磨加工是轴承套圈生产最重要的两道工艺，但在实际生产中，经常会出现由于数控机床工作疲劳、主轴故障、传动链故障或是刀具磨损等原因，而造成轴承套圈生产质量及精度的不稳定，一旦出现这种情况会造成整个批次产品质量的不合格，不仅会影响到正常的生产经营，还会降低成品率，增加成本。目前只能靠在削、磨加工后的质量抽检环节来发现问题，然后暂停设备运行，对机床重新调节后再进行正常生产，这样会大大的降低生产效率，浪费原材料，如不及时发现，会造成大批量的不合格品。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于决策树算法的轴承套圈生产质量预测方法，用于解决轴承套圈生产质量控制不便的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于决策树算法的轴承套圈生产质量预测方法，包括：

在正常生产情况下，检测轴承套圈的振动信号、噪声信号以及温度信号，并获取第一测试集，在所述第一测试集中，振动信号、噪声信号以及温度信号分别对应第一子集、第二子集以及第三子集；

在异常生产情况下，检测轴承套圈振动信号、噪声信号以及温度信号，并获取第二测试集，在所述第二测试集中，振动信号、噪声信号以及温度信号分别对应第四子集、第五子集以及第六子集；

通过所述第一测试集以及所述第二测试集获取目标训练集，并计算目标训练集的信息熵；

计算第一子集、第二子集、第三子集、第四子集、第五子集以及第六子集的信息熵；

通过目标训练集的信息熵以及第一子集、第二子集、第三子集、第四子集、第五子集、第六子集的信息熵设定预测值；

在正常生产情况下，当采集值超过所述预测值时，发出预警。

可选的，设定生产过程中的振动阈值、噪声阈值以及温度阈值，当振动信号超过所述振动阈值时，判定为异常生产，当噪声信号超过所述噪声阈值时，判定为异常生产，当温度信号超过所述温度阈值时，判定为异常生产，当振动信号、噪声信号以及温度信号均没有超过所述振动阈值、所述噪声阈值以及所述温度阈值时，判定为正常生产。

可选的，目标训练集的信息熵的数学关系表达为：

其中，s为目标训练集，c1、c2和c3分别为所述目标训练集对应所述振动信号、所述噪声信号以及所述温度信号的子集，pi表示ci的概率，info(s)为目标训练集的信息熵，info(c1,c2,c3)为c1、c2和c3的信息熵。

可选的，第一子集、第二子集、第三子集、第四子集、第五子集以及第六子集的信息熵的数学表达为：

其中，info(aj)为第j子集的信息熵，sj为第j子集，|sj|为第j子集的样本数目，|s|为目标训练集的样本数目，其中j为一、二、三、四、五和六，info(sj)为第j子集的信息熵。

可选的，aj的信息增益的数学表达为：

gain(aj)＝info(sj)-info(aj)

其中，gain(aj)为aj的信息增益，info(sj)为第j子集的信息熵，info(aj)为第j子集的信息熵。

本发明的有益效果在于：本发明可以在轴承套圈生产机床产生异常初期且未影响生产质量的情况下，及时通过采集实时削、磨机床关键部位的运行参数与标准模型对比分析，作出提前预测、预警，最大限度的减少机床在异常情况下的生产，提高生产的成品率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为基于决策树算法的轴承套圈生产质量预测方法的流程示意图；

图2为判定正常生产的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

为了克服现有技术的不足，及时发现由于削、磨机床工作疲劳、主轴故障、传动链故障、刀具磨损等原因引起的加工质量问题。提出了一种基于决策树算法的轴承质量生产预测方法，因为生产轴承套圈的削、磨机床在产生以上问题的初期，主轴、电机和关键传动装置会产生异常的噪声和振动频率，故障后期会有明显的温度升高，通过对主轴、电机和关键传动装置进行大数据分析，可及时发现问题，提出预警。

请参阅图1，一种基于决策树算法的轴承套圈生产质量预测方法，包括：

在正常生产情况下，检测轴承套圈的振动信号、噪声信号以及温度信号，并获取第一测试集，在所述第一测试集中，振动信号、噪声信号以及温度信号分别对应第一子集、第二子集以及第三子集；

在异常生产情况下，检测轴承套圈振动信号、噪声信号以及温度信号，并获取第二测试集，在所述第二测试集中，振动信号、噪声信号以及温度信号分别对应第四子集、第五子集以及第六子集；

通过所述第一测试集以及所述第二测试集获取目标训练集，并计算目标训练集的信息熵；

计算第一子集、第二子集、第三子集、第四子集、第五子集以及第六子集的信息熵；

通过目标训练集的信息熵以及第一子集、第二子集、第三子集、第四子集、第五子集、第六子集的信息熵设定预测值，还可以，通过对目标训练集利用平均误差率和查准率评估模型，不断完善优化数据模型，达到模型质量与实际数据基本拟合的程度，并根据机器正常生产时的参数区间和成品率，设定预测阈值；

在正常生产情况下，当采集值超过所述预测值时，发出预警。

请参阅图2，设定生产过程中的振动阈值、噪声阈值以及温度阈值，当振动信号超过所述振动阈值时，判定为异常生产，当噪声信号超过所述噪声阈值时，判定为异常生产，当温度信号超过所述温度阈值时，判定为异常生产，当振动信号、噪声信号以及温度信号均没有超过所述振动阈值、所述噪声阈值以及所述温度阈值时，判定为正常生产。

进一步地，目标训练集的信息熵的数学关系表达为：

其中，s为目标训练集，c1、c2和c3分别为所述目标训练集对应所述振动信号、所述噪声信号以及所述温度信号的子集，pi表示ci的概率，info(s)为目标训练集的信息熵，info(c1,c2,c3)为c1、c2和c3的信息熵。

详细地，第一子集、第二子集、第三子集、第四子集、第五子集以及第六子集的信息熵的数学表达为：

其中，info(aj)为第j子集的信息熵，sj为第j子集，|sj|为第j子集的样本数目，|s|为目标训练集的样本数目，其中j为一、二、三、四、五和六，info(sj)为第j子集的信息熵。

具体地，aj的信息增益的数学表达为：

gain(aj)＝info(sj)-info(aj)

其中，gain(aj)为aj的信息增益，info(sj)为第j子集的信息熵，info(aj)为第j子集的信息熵，根据最高信息增益的属性来进行每次分区构建决策树，用最高增益属性进行分区时，确定信息较多，预测结果更准确。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。