CN108491660A - 复杂型面制造质量知识表示云建模方法 - Google Patents

Abstract

本发明公开了一种复杂型面制造质量知识表示云建模方法，包括以下步骤：步骤1，根据选定的表面制造质量影响因素和评价指标，建立属性空间；步骤2，读取实验获得的属性基础数据；步骤3，调用逆向云算法进行计算，得到反映属性定性概念的数字特征；步骤4，将基础数据映射到对应的概念中，进行概念划分，得到定性数据；步骤5，通过提取制造质量规则模版，得到规则前件、后件；步骤6，运用Apriori算法，提取属性之间的关联规则。本发明可以综合考虑多种影响因素对于表面加工质量的影响，针对实际加工情况，可以灵活选定表面制造质量的可能影响因素和评价指标，并挖掘出它们之间潜在的规律。

Description

复杂型面制造质量知识表示云建模方法

技术领域

本发明涉及机械零件检测技术领域，特别是涉及一种复杂型面制造质量知识表示云建模方法。

背景技术

重要功能零部件的工作表面往往由复杂型面构造而成，其特点是型面构成种类多，且不同型面间的位姿关系复杂，其制造误差是影响整台机器工作质量的关键因素之一。

表面粗糙度的大小、加工硬化程度、残余应力以及金相组织变化的影响为已加工表面质量的关键因素。因而，将表面粗糙度、加工硬化程度、残余应力及金相组织变化称为已加工表面质量的评价指标。

影响复杂型面表面加工质量的因素也有很多，主要包括切削过程、切削参数、切削刀具、机床系统、工艺规程和工件六大类。Y.Mizugaki等人研究了铣削过程中刀具路径对粗糙度的影响。B.H.Kim等人对铣削过程中刀具切削刃的圆角半径对粗糙度的影响进行了模拟。大连理工大学孔维森深入研究了切削参数对残余应力之间的关系。A.Ginting对普通速度干切削钛合金时的切削速度和进给速度对表面层材料的加工硬化进行了研究。这些都属于常用的单因素分析法，即在保证其他变量为定值的条件下，实现对单一因素的具体分析。但在实际的生产工作中，影响加工质量的因素不止一个，不同因素之间是相互作用的，而且在切削过程中还受到许多不可控制因素的作用。单因素下得到的规律，不再适用于受多因素综合影响的加工环境，甚至可能与多因素影响下得到的规律大相径庭。因此，需要一种有效的方法综合考虑各影响因素对于表面加工质量的影响。另外，随着需要考虑的影响因素增多，为了保证得到的结论的准确性，简单的样本数据并不能满足实验要求。需要针对实际加工情况，可以灵活选定可能的影响因素，通过大量的实验数据建立表面加工质量数据库，通过算法对数据库中的有效数据进行整理，从大数据中挖掘潜在的规律。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种复杂型面制造质量知识表示云建模方法，该方法综合考虑了各影响因素对于表面加工质量的影响，针对实际加工情况，可以灵活选定可能的影响因素，通过大量的实验数据建立表面加工质量数据库，通过算法对数据库中的有效数据进行整理，从大数据中挖掘潜在的规律。

为实现本发明的目的所采用的技术方案是：

一种复杂型面制造质量知识表示云建模方法，包括以下步骤：

步骤1，根据选定的表面制造质量影响因素和评价指标，建立属性空间；

步骤2，读取实验获得的属性基础数据；

步骤3，调用逆向云算法进行计算，得到反映属性定性概念的数字特征；

步骤4，将基础数据映射到对应的概念中，进行概念划分，得到定性数据；

步骤5，通过提取制造质量规则模版，得到规则前件、后件；

步骤6，运用Apriori算法，提取属性之间的关联规则。

在上述技术方案中，所述步骤3中，根据属性的基础数据，调用逆向云算法进行计算，计算并得到反映属性定性概念的数字特征C(Ex,En,He)。根据求得的属性数字特征，对属性取3个语言值，例如：{好，中，差}，并求得其对应的数字特征，公式如下：

在上式中，w为一权值，根据实际需要进行选取，其他值可根据逆向云算法得到。

在上述技术方案中，所述步骤4中，将基础数据映射到对应的概念中，对基础数据中的某个数据a，分别计算该数据a关于好，中，差三个概念隶属度，比较在这三个概念中隶属度大小，然后将数据a划分到隶属度最大值对应的概念中，将对应概念的属性值进行赋值，赋为“1”，则其余两个概念的属性值赋值为“0”。

在上述技术方案中，所述步骤5中，将选定的表面制造质量影响因素及其语言值作为规则前件，将选定的表面制造质量评价指标及其语言值作为规则后件。

在上述技术方案中，所述步骤6中，先按照预先设定的支持度调用Matlab程序寻找频繁1-项集并将其提取出来，而后通过迭代的方式提取频繁2-项集、3-项集，直至无法再生成更高频次的频繁项集，获得频繁k-项集，算法结束；

在完成频繁项的搜寻后，需要根据结果生成关联规则，具体步骤如下：

步骤一：找出m个项目的决策属性(即规则后件)集合，属性集P_m；步骤二：在所有的k＞m的频繁k项集中，找到能够满足最小置信度的规则；步骤三：设m为1到最大频繁最大频繁候选项数，重复执行步骤一至步骤三得出所有的规则；步骤四：简约规则；步骤五：输出规则。

与现有技术相比，本发明的有益效果是：

(1)可以综合考虑多种影响因素对于表面加工质量的影响；

(2)针对实际加工情况，可以灵活选定表面制造质量的可能影响因素和评价指标；

(3)通过大量的实验数据建立表面加工质量数据库，通过算法对数据库中的有效数据进行整理，从大数据中挖掘潜在的规律。

附图说明

图1是本发明的流程图；

图2是本发明使用的逆向云发生器的原理图；

图3是本发明使用的经典Apriori算法的流程图；

图4是加工试件的加工图，其中：a为加工图的主视图，b为加工图的俯视图；

图5是加工试件的加工图；

图6是加工试件的加工过程图；

图7是切削刀具参数示意图；

图8是加工试件进行粗糙轮廓度测量过程图；

图9是加工试件表面测量点布局。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明是由以下几部分构成的：1.建立属性空间；2.读取实验获得的属性基础数据；3.得到反映属性定性概念的数字特征；4.进行概念划分；5.提取制造质量规则模版；6.提取关联规则。

本发明所运用的理论基础如下：

1、云理论和云模型

云模型是李德毅院士提出的一种定性定量转换模型，将隶属函数的精确性拓展为具有统计分布的不确定性，从而建立用语言值描述的某个定性概念与其数值表示之间的不确定性转换模型。

具体定义如下，云和云滴:设论域U＝{x_i,i＝1,2,L,n}，其中x_i∈U为该论域一个定量的数值表示；设S为与U相关的一种语言定性概念；设x_i∈U是S的一次随机表达，且x_i对S的隶属确定度为μ(x_i)，若μ(x_i)∈[0,1]是有稳定倾向的随机数，即μ:U→[0,1]，对于都有x_i→μ(x_i)，则称x_i在论域U上的分布为隶属云,简称云，记为S(X)。其中每一个带有确定度的数据对(x_i,μ(x_i))称为一个云滴。显然，云S(X)可以看作是从论域U到区间[0,1]的映射。

云模型用期望值Ex、熵En和超熵He这3个数字特征来表征其所表达概念的整体特性，记作向量C(Ex,En,He)，称为云模型的特征向量。通过软件实现从给定论域中的具体数值获得云模型的特征值和从给定特征值获得相应的云模型，称为云发生器。通过如图2所示逆向云发生器，由数值空间可计算得到云的Ex、En和He三个数字特征，构成其特征变量C(Ex,En,He)，并遵循一定的定性规则将此数字特征诠释为与人类思维决策一致的定性语言，即实现从数值空间到概念空间的转换。

2、关联规则

关联规则这一概念的提出源于Agrawal在1993年提出的市场购物篮问题。比如说，一个顾客在超市中购买牛奶的同时，一般还会去购买面包。那么，超市管理者在了解到这一个规律之后，可以制定相应的营销策略来促进牛奶、面包和其他商品的销售，这种实际问题显然具有广泛的参考价值。关联规则挖掘的目的就在于发现并提取同一数据库中各个属性之间的关联程度。

关联规则的定义如下：

假设I＝{i₁,i₂,...,i_m}是一个包含m个不同项目的集合，可以称为项目集(itemset)。交易T是I中的交易的集合，每笔交易为I中不同项目组成的一个I的子集，T∈I。X,Y分别不同的单笔交易，关联规则表示为X＝>Y，规定且XI Y＝0，X称之为规则前件，Y称之为规则后件。

规则的度量指标比较重要的有两个：支持度和置信度。其定义分别为：

支持度：support(X＝＞Y)＝support(XYY)

置信度：confidence(X＝＞Y)＝support(XYY)/support(X)

关联规则的支持度体现了该规则的出现频次，置信度体现了该规则的正确程度。一个正确的关联规则需要拥有足够大的支持度和置信度，并以此作为判定基础。关联规则的成立与否在于其是否大于等于条件给定的最低的支持度和置信度，称之为最小支持度(min-support)和最小置信度(min-confidence)，二者需要同时满足。

综上，关联规则的定义的数学表述为：

if supp(X＝＞Y)≥min_supp,conf(X＝＞Y)≥min_conf

then X＝＞Y

规则前件(X)和规则后件(Y)必须是频繁的，这是关联规则成立的必要条件。

关联规则的分类方式有很多，根据不同的标准，参考不同的关注重点，可以将关联规则划分为多种不同的类别。以关联规则中所进行研究的值的类型划分，可把关联规则划分为布尔关联规则和量化关联规则；以关联规则中所涉及的数据维度进行划分，可把关联规则划分为单维关联规则和多维关联规则；以规则集中所涉及的抽象层进行划分，可把关联规则划分为单层关联规则和多层关联规则；以关联规则挖掘的扩充模式进行划分，可把关联规则划分为挖掘最大模式(最大频繁模式)和频繁关闭项目集。

3、Apriori算法

Apriori算法是由R.Agrawal等人于1994年提出的一种经典的挖掘布尔型关联规则频繁项目集的算法。该算法是一种基于宽度优先的多次扫描算法。其核心思想为：第一次对数据库进行扫描，获得所有的1-项集的支持度计数C₁并产生频繁1-项集L₁(支持度大于等于最小支持的1-项集集合)；由L₁产生候选2-项集C₂，第二次对数据库进行扫描，产生频繁2-项集L₂；以此类推，由L_k-1产生候选k-项集C_k，第k次扫描数据库产生频繁k-项集L_k，直到不再有频繁项集产生时停止，取最后得到的频繁k-项集L_k作为结果导出。其中，由L_k-1产生全部的候选k-项集C_k，这一过程称为连接操作；通过比对，删除不在频繁(k-1)-项集L_k-1中出现的候选k-项集C_k子集，获得经修剪处理得到的候选k-项集C_k，这一过程称为剪枝操作。连接和剪枝操作被称为Apriori算法中的两个主要操作。

结合图1对复杂型面制造质量知识表示云建模方法主要步骤进行描述：

步骤1.建立属性空间

针对实际加工情况，选定表面制造质量影响因素和评价指标，作为属性，建立属性空间。

步骤2.读取属性基础数据

读取实验获得的各属性的基础数据。

步骤3.得到反映属性定性概念的数字特征

根据属性的基础数据，调用逆向云算法进行计算，计算并得到反映属性定性概念的数字特征C(Ex,En,He)。根据求得的属性数字特征，对属性取3个语言值，例如：{好，中，差}并求得其对应的数字特征，公式如下：

其中，w为一权值，根据实际需要进行选取。其他值可根据逆向云算法得到。

步骤4.进行概念划分

将基础数据映射到对应的概念中，对基础数据中的某个数据a，分别计算该数据a关于好，中，差三个概念隶属度，比较在这三个概念中隶属度大小，然后将数据a划分到隶属度最大值对应的概念中，将对应概念的属性值进行赋值，如赋为“1”，则其余两个概念的属性值可赋值为“0”。

步骤5.提取制造质量规则模版

将选定的表面制造质量影响因素及其语言值作为规则前件，将选定的表面制造质量评价指标及其语言值作为规则后件。

步骤6.提取关联规则

采用经典的Apriori算法来实现对关联规则的挖掘。按照预先设定的支持度调用Matlab程序寻找频繁1-项集并将其提取出来。而后通过迭代的方式提取频繁2-项集、3-项集，直至无法再生成更高频次的频繁项集，获得频繁k-项集，算法结束。其流程如图3所示。

在完成频繁项的搜寻后，需要根据结果生成关联规则，具体步骤如下：

步骤一：找出m个项目的决策属性(即规则后件)集合，属性集P_m；步骤二：在所有的k＞m的频繁k项集中，找到能够满足最小置信度的规则；步骤三：设m为1到最大频繁最大频繁候选项数，重复执行步骤一至步骤三得出所有的规则；步骤四：简约规则；步骤五：输出规则。

具体的，本文采用铝合金作为加工试件的材料，并按照图4所示的加工图对试件的结构进行了设计，共选定9个加工表面进行应用，将不同的表面标记为A1～A9，如图5所示。选定切削参数中的主轴转速、刀具进给量和切削深度作为表面制造质量影响因素，具体的加工参数如表1所示。在加工中心上，按照表1的加工参数对试件进行加工，加工过程如图6所示。加工使用的刀具参数如图7和表2所示。选定表面粗糙轮廓度和表面尺寸测量值的波动作为表面制造质量的评价指标。对加工后的零件，按照相关标准的要求，采用MITUTOYOSURFTEST SJ-500轮廓度测量仪对各个表面进行了粗糙轮廓度的测量(如图8所示)，测量结果如表3所示；采用CAD软件对零件表面进行了检测点均匀布局(布局结果如图9所示)，采用三坐标测量机对零件进行了加工结果尺寸测量，部分测量数据如表4所示。

表1 各个表面切削参数选择结果

表2 切削刀具的参数

表3 加工试件的粗糙轮廓参数

表4 部分检测点测量数值

针对实际加工情况，选定主轴转速、刀具进给量、切削深度、表面粗糙轮廓度和表面尺寸测量值的波动作为属性，建立属性空间。实验获得的各属性的基础数据见表1、表3和表4。

把各项属性均看作1维的语言变量，各定义3个语言值：低、中和高，用于表达转速、每齿进给量和切削深度，以及零件表面尺寸测量值的波动；好、中和差，用于表达试件表面粗糙轮廓度。

将基础数据映射到对应的概念中，,然后提取规则模版,以粗糙轮廓度与尺寸测量值波动的和为规则后件,以其余属性的和为规则前件。最小支持度设定为6％，最小置信度设定为75％，在数据库中挖掘关联规则。产生的规则结果如下:

规则1:如果转速高，每齿进给量低，且切削深度小，那么粗糙轮廓度好，表面尺寸测量值波动小。

规则2:如果转速低，每齿进给量高，且切削深度大，那么粗糙轮廓度差，表面尺寸测量值波动大。

规则3:如果转速适中，每齿进给量适中，且切削深度适中，那么粗糙轮廓度适中，表面尺寸测量值波动适中。

规则4:如果转速低，每齿进给量适中，且切削深度适中，那么粗糙轮廓度适中，表面尺寸测量值波动小。

该试验生成的关联规则与零件空间型面检测的结果一致，基本符合已有加工工艺所表现出来的规律，且与已有加工认知常识一致，表明了本文提出的方法是可行的和有效的。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种复杂型面制造质量知识表示云建模方法，其特征在于，包括以下步骤：

步骤1，根据选定的表面制造质量影响因素和评价指标，建立属性空间；

步骤2，读取实验获得的属性基础数据；

步骤3，调用逆向云算法进行计算，得到反映属性定性概念的数字特征；

步骤4，将基础数据映射到对应的概念中，进行概念划分，得到定性数据；

步骤5，通过提取制造质量规则模版，得到规则前件、后件；

步骤6，运用Apriori算法，提取属性之间的关联规则。

2.如权利要求1所述的一种复杂型面制造质量知识表示云建模方法，其特征在于，所述步骤3中，根据属性的基础数据，调用逆向云算法进行计算，计算并得到反映属性定性概念的数字特征C(Ex,En,He)，根据求得的属性数字特征，对属性取3个语言值，例如：{好，中，差}，并求得其对应的数字特征，公式如下：

在上式中，w为一权值，根据实际需要进行选取，其他值可根据逆向云算法得到。

3.如权利要求1所述的一种复杂型面制造质量知识表示云建模方法，其特征在于，所述步骤4中，将基础数据映射到对应的概念中，对基础数据中的某个数据a，分别计算该数据a关于好，中，差三个概念隶属度，比较在这三个概念中隶属度大小，然后将数据a划分到隶属度最大值对应的概念中，将对应概念的属性值进行赋值，赋为“1”，则其余两个概念的属性值赋值为“0”。

4.如权利要求1所述的一种复杂型面制造质量知识表示云建模方法，其特征在于，所述步骤5中，将选定的表面制造质量影响因素及其语言值作为规则前件，将选定的表面制造质量评价指标及其语言值作为规则后件。

5.如权利要求1所述的一种复杂型面制造质量知识表示云建模方法，其特征在于，所述步骤6中，先按照预先设定的支持度调用Matlab程序寻找频繁1-项集并将其提取出来，而后通过迭代的方式提取频繁2-项集、3-项集，直至无法再生成更高频次的频繁项集，获得频繁k-项集，算法结束；

在完成频繁项的搜寻后，需要根据结果生成关联规则，具体步骤如下：

步骤一：找出m个项目的决策属性(即规则后件)集合，属性集P_m；步骤二：在所有的k＞m的频繁k项集中，找到能够满足最小置信度的规则；步骤三：设m为1到最大频繁最大频繁候选项数，重复执行步骤一至步骤三得出所有的规则；步骤四：简约规则；步骤五：输出规则。