CN105913122A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN105913122A
CN105913122A CN201610261596.XA CN201610261596A CN105913122A CN 105913122 A CN105913122 A CN 105913122A CN 201610261596 A CN201610261596 A CN 201610261596A CN 105913122 A CN105913122 A CN 105913122A
Authority
CN
China
Prior art keywords
residual stress
genetic algorithm
taguchi
surface residual
hybrid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610261596.XA
Other languages
English (en)
Inventor
徐兰英
伍强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Publication of CN105913122A publication Critical patent/CN105913122A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q2717/00—Arrangements for indicating or measuring
    • B23Q2717/003—Arrangements for indicating or measuring in lathes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Feedback Control In General (AREA)

Abstract

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。

Description

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
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
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 fuzzyinference 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
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ANFIS预测模型的精度，引入混合田口遗传算法(hybrid 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。
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。
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—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。
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。
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
图1为基于ANFIS的表面残余应力预测模型；
图2为基于HTGA的优化过程流程图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细的说明。
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ap以及刀具钝圆半径rε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σ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：
Rl：if v is Ah AND f isBi AND ap is CjAND r is Dk,thenfl＝plv+qlf+rlap+slrε+tl (1)
上面Rl(l＝1,2,…,n)表示规则集中第l个规则，Ah、Bi、Cj及Dk(h,i,j,k＝1,2,3,4)分别为具有隶属函数μAh(v)、μBi(f)、μCj(ap)及μDk(rε)的前件部分的语言变量，fl为输出变量，而pl、ql、rl、sl和tl是后件参数。从式(1)中推导出的ANFIS输出可以表示为
y = Σ l = 1 n W ‾ ( p l v + q l f + r l a p + s l r ϵ + t l ) - - - ( 2 )
即预测的表面残余应力，且有
W ‾ = W l / / Σ l = 1 n W l W l = μA h ( v ) μB i ( f ) μC j ( a p ) μD k ( r ϵ ) - - - ( 3 )
设前件部分μAh(v)、μBi(f)、μCj(ap)及μDk(rε)的前件参数分别为{aAh,bAh}、{aBi,bBi}、{aCj,bCj}及{aDk,bDk}。例如，当选择一个高斯隶属函数作为μAh(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：
E r = [ Σ m = 1 a σ m - σ m ′ a ] 1 / 2 - - - ( 4 )
式中，a为用于试验数据训练的组数；σm为试验测得的表面残余应力；σ′m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,pl,ql,rl,sl,tl}，则有Er＝{aAh,bAh,aBi,bBi,aCj,bCj,aDk,bDk,pl,ql,rl,sl,tl}≡G(f1,f2,…,fβ)
(5)
β＝32+5n
上述问题等价于以下优化问题：
minEr＝G(f1,f2,…,fβ) (6)
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—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。
本发明选取工件线速度v、车刀进给速度f、被吃刀量ap以及刀具钝圆半径rε作为ANFIS的输入变量，而车削后工件表面残余应力σ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。
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。
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β＝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：
表面残余应力实验结果与模型预测结果对比
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σm为试验测得的工件表面残余应力值，σ′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。
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。

Claims (2)

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。
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—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。
CN201610261596.XA 2015-09-09 2016-04-22 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 Pending CN105913122A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2015105743147 2015-09-09
CN201510574314 2015-09-09

Publications (1)

Publication Number Publication Date
CN105913122A true CN105913122A (zh) 2016-08-31

Family

ID=56752730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610261596.XA Pending CN105913122A (zh) 2015-09-09 2016-04-22 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

Country Status (1)

Country Link
CN (1) CN105913122A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103129A (zh) * 2017-04-19 2017-08-29 清华大学 一种切削加工中工件表面残余应力的预测方法
CN108763682A (zh) * 2018-05-16 2018-11-06 衢州学院 基于田口方法的机床主轴的热优化方法及热优化装置
CN110288726A (zh) * 2019-06-28 2019-09-27 广西民族大学 一种基于bp神经网络甘蔗转运车危险预测方法
CN111553048A (zh) * 2020-03-23 2020-08-18 中国地质大学（武汉） 一种基于高斯过程回归的烧结过程运行性能预测的方法
CN112179541A (zh) * 2020-09-02 2021-01-05 大连理工大学 一种基于变形反推的初始残余应力调整方法
CN112926245A (zh) * 2021-02-23 2021-06-08 广西电网有限责任公司电力科学研究院 一种基于混和遗传-田口算法的避雷器均压环设计方法
CN112975574A (zh) * 2021-04-22 2021-06-18 四川大学 一种铝合金薄壁件铣削过程表面质量在线检测系统
CN113252218A (zh) * 2021-05-12 2021-08-13 太原理工大学 一种绝缘子表面应力预测方法及预测装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080222067A1 (en) * 2007-03-07 2008-09-11 National Taiwan University Of Science And Technology Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
CN102646146A (zh) * 2012-04-24 2012-08-22 北京航空航天大学 一种基于田口方法的散热器优化设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080222067A1 (en) * 2007-03-07 2008-09-11 National Taiwan University Of Science And Technology Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
CN102646146A (zh) * 2012-04-24 2012-08-22 北京航空航天大学 一种基于田口方法的散热器优化设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘茂福: "基于改进自适应模糊推理系统的ＹＧ３硬质合金精密外圆磨削表面质量预测", 《中国机械工程》 *
吕长飞 等: "基于BP神经网络模型化Volterra非线性系统外圆磨削残余应力建模", 《机床与液压》 *
薛隆泉 等: "基于神经网络的曲轴残余应力预测", 《铸造技术》 *
陈明 等: "《高速切削技术基础与应用》", 31 October 2012 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103129A (zh) * 2017-04-19 2017-08-29 清华大学 一种切削加工中工件表面残余应力的预测方法
CN108763682A (zh) * 2018-05-16 2018-11-06 衢州学院 基于田口方法的机床主轴的热优化方法及热优化装置
CN108763682B (zh) * 2018-05-16 2022-08-05 衢州学院 基于田口方法的机床主轴的热优化方法及热优化装置
CN110288726A (zh) * 2019-06-28 2019-09-27 广西民族大学 一种基于bp神经网络甘蔗转运车危险预测方法
CN111553048A (zh) * 2020-03-23 2020-08-18 中国地质大学（武汉） 一种基于高斯过程回归的烧结过程运行性能预测的方法
CN111553048B (zh) * 2020-03-23 2023-09-22 中国地质大学（武汉） 一种基于高斯过程回归的烧结过程运行性能预测的方法
CN112179541A (zh) * 2020-09-02 2021-01-05 大连理工大学 一种基于变形反推的初始残余应力调整方法
CN112179541B (zh) * 2020-09-02 2021-07-16 大连理工大学 一种基于变形反推的初始残余应力调整方法
CN112926245A (zh) * 2021-02-23 2021-06-08 广西电网有限责任公司电力科学研究院 一种基于混和遗传-田口算法的避雷器均压环设计方法
CN112975574A (zh) * 2021-04-22 2021-06-18 四川大学 一种铝合金薄壁件铣削过程表面质量在线检测系统
CN113252218A (zh) * 2021-05-12 2021-08-13 太原理工大学 一种绝缘子表面应力预测方法及预测装置
CN113252218B (zh) * 2021-05-12 2023-11-17 国网山西省电力公司电力科学研究院 一种绝缘子表面应力预测方法及预测装置

Similar Documents

Publication Publication Date Title
CN105913122A (zh) 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
Gao et al. An effective cellular particle swarm optimization for parameters optimization of a multi-pass milling process
Zhang et al. Modeling and optimization of medium-speed WEDM process parameters for machining SKD11
Pholdee et al. Hybridisation of real-code population-based incremental learning and differential evolution for multiobjective design of trusses
CN103942375B (zh) 基于区间的高速压力机滑块尺寸稳健设计方法
Cus et al. Hybrid ANFIS-ants system based optimisation of turning parameters
CN105929690A (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
Ming et al. Multi-objective optimization of 3D-surface topography of machining YG15 in WEDM
CN109697566A (zh) 机电产品加工工艺评价系统及其评价方法
CN103077288A (zh) 面向小样本试验数据的多元合金材料的软测量及其配方决策方法
Cheng et al. A hybrid mechanism for optimizing construction simulation models
Alyami et al. Predictive modeling for compressive strength of 3D printed fiber-reinforced concrete using machine learning algorithms
Biswas et al. Bead geometry optimization of submerged arc weld: exploration of weighted principal component analysis (WPCA)
Zhang et al. Tool life prediction model based on GA-BP neural network
CN109711727A (zh) 机电产品加工工艺组合评价系统及其评价方法
Luo et al. Benchmarking heuristic search and optimisation algorithms in Matlab
Prabhu et al. Adaptive neuro fuzzy inference system modelling of multi-objective optimisation of electrical discharge machining process using single-wall carbon nanotubes
Vasant Hybrid mesh adaptive direct search genetic algorithms and line search approaches for fuzzy optimization problems in production planning
Dong et al. Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models
Bicik et al. A rapid optimization prototyping tool for spreadsheet-based models
Salimi et al. Simulation-based multiobjective optimization of bridge construction processes using parallel computing
Hu Research on the application of regression analysis method in data classification
CN114237166A (zh) 基于改进spea2算法求解多转速节能调度问题的方法
Sun et al. A soft-sensing model for predicting cement-specific surface area based on inception-residual-quasi-recurrent neural networks
Shahsavari-Pour et al. A new method for ranking of fuzzy numbers based on dual areas

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160831