CN108596158A - 一种基于能耗的车削表面粗糙度预测方法 - Google Patents

Abstract

本发明涉及一种基于能耗的车削表面粗糙度预测方法，包括以下步骤：1)采集车削加工过程中的功率信号和加工参数信息。2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。与现有技术相比，本发明具有应用场合广、可行且成本低、精确控制等优点。

Description

一种基于能耗的车削表面粗糙度预测方法

技术领域

本发明涉及机械加工领域，尤其是涉及一种基于能耗的车削表面粗糙度预测方法。

背景技术

近几十年来，机械加工过程自动化技术的发展使得制造更高质量的产品成为可能，并且降低了时间和成本。相比之下，对检验最终产品至关重要的质量控制技术已经落后并仍然使用事后测量来检验成品质量。表面粗糙度是衡量加工产品质量的广泛使用指标，在大多数情况下，是机械产品的技术要求。表面粗糙度不仅通过产品的疲劳强度，耐磨性，传动精度，可靠性和寿命来影响机械性能，而且决定着机械系统的传动精度，可靠性和使用寿命。因此，为了提高加工效率并降低生产中的加工成本，需要准确预测和有效控制产品的表面粗糙度。

经对现有技术的文献检索发现，学者在开发适用于各种加工工艺的表面粗糙度的高精度预测模型方面进行了大量的研究工作。Benardos and Vosniakos总结了用于预测表面粗糙度的方法与案例，这些方法分为基于加工理论，实验研究，实验设计和人工智能。Lu回顾了关于表面粗糙度预测的各种研究，并将这些方法分为三类：基于纯建模的，基于信号的和基于人工智能的。

对于基于加工理论的方法，预测模型将过程运动学、切削工具-工件属性、切屑形成机制和切削参数考虑在内，并尝试预测和模拟加工表面轮廓的创建。但是表面粗糙度形成的机制是复杂的。而且，这些理论模型利用来自不同背景的理论，并需要测量许多与工件有关的参数。另一个限制与输入独立值在特定情况下被考虑的事实有关，因此所获得的模型仅适用于所研究的加工条件，而不是超出其研究范围。

车削是行业广泛采用的一种操作。车削过程时，许多研究人员使用各种方法利用加工时采集的信号并建立不同信号和表面粗糙度之间的关系。He等人通过独立分量分析和奇异谱分析分析采集的振动信号，使用多方向融合特征振动信号来预测表面粗糙度。Mia等人专注于使用切削力和切削速度，进给速度和切削条件预测平均表面粗糙度。陈等人提出了一种利用嵌套人工神经网络(ANN)模型预测表面粗糙度并考虑切削力和刀具振动的的方法。切削力值和刀具振动和切削参数是预测模型的输入。除了切削力和刀具振动，其他信号也适用于预测表面粗糙度。Panneer等人设计了一种利用音频预测金属表面粗糙度信号方法。Kamarthi等人提出了一种在线监测工件表面粗糙度的模型，利用进行车削过程石墨探针和工件之间的滑动摩擦产生的声发射信号。然而，这些切削力和振动传感器的安装受到加工操作诸如工件旋转，切屑形成，和切削液的限制，也受限制于安装传感器的空间不大。此外，这些传感器特别是测力计也非常贵。安装这些传感器需要额外的投资成本，这也使得传感器安装难以在行业中实施。

制造过程需要物质投入并转换它们为产品和废物。所有这些操作都需要主要来自电力的能源投入。发展制造业要迎合不断增长的各种产品需求，但它也造成能源短缺和资源匮乏。在过去的十年里，经济，环境和社会立法机构提高了能源消费意识和相关的制造过程环境影响。绿色制造已经提出并引起学术界和工业界越来越多的关注。

一些研究已经开始探究表面粗糙度和功耗之间的关系。刘等人从能耗的角度提出了一种使用特定的切削能耗(SCEC)预测槽铣工艺中表面粗糙度的模型。通过使用切削力来估计SCEC。该预测模型是结合SCEC的分析计算和表面粗糙度与SCEC之间的经验关系表征的混合方法。然而，在车削中很少使用能耗来预测表面粗糙度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于能耗的车削表面粗糙度预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于能耗的车削表面粗糙度预测方法，包括以下步骤：

1)采集车削加工过程中的功率信号和加工参数信息。

2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。

3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。

所述的功率信号包括机床启停和加工状态，所述的切削三要素包括主轴转速、切削深度和进给速度。

所述的切削比能SCE为去除单位体积材料所消耗的切削能量，其表达式为：

其中，E_切削为总切削能耗，Q为去除的材料体积，P_c为实时切削功率；MRR为材料去除率，T为实际切削时间，n为主轴转速、a_p为切削深度、f为进给速度、d为工件直径，为平均切削功率，为平均正常切削功率，为平均空切削功率。

所述的步骤3)具体包括以下步骤：

31)构建SVM模型并训练；

32)采用PSO算法对SVM模型的参数进行优化得到最终优化后的表面粗糙度预测模型；

33)根据最终优化后的表面粗糙度预测模型进行表面粗糙度预测。

所述的步骤31)中，SVM模型的表达式为：

其中，为输入的特征向量，w^T和b为可调整的系数；

设定仅当f(x)与粗糙度值y_i之间的绝对值大于阈值ε时计算损失，则SVM模型表述为：

其中，n为训练样本规模，C为惩罚因子，l_ε(z)为不敏感损失函数，x_i为训练样本{(x₁,y₁),...,(x_n,y_n)}的输入；

引入松弛变量以及拉格朗日乘子，则SVM模型表述为：

其中，α_i、α_j、为拉格朗日乘子，k(x_i,x_j)为核函数。

所述的步骤32)中，SVM模型的核函数采用径向基函数，优化SVM模型的参数包括惩罚因子C、阈值ε以及径向基函数核函数宽度g。

与现有技术相比，本发明具有以下优点：

一、信息全面：本发明同时考虑传统的切削三要素静态特征与加工能耗动态特征，充分考虑加工过程的不确定性，采集丰富的加工信息，因为切削条件、切削力、振动等会影响加工表面质量，同时也会引起切削能耗的变化。

二、应用场合广：本发明所提出的表面粗糙度预测模型可以应用于各种消耗电力的加工场合，功率传感器安装在电源总线上，获得的功率信号包含很多信息，例如工具振动，切割颤振和其他不可预测的切削现象，因此本发明是一种预测粗糙度的有效方法。

三、可行且成本低：使用功率传感器测量信号等同于将测量位置从切割区域传送到电机，在不改变机器结构的情况下，功率的测量很容易实现，并且传感器安装方便，此外，信号测量不会干扰加工过程，并且可以避免芯片、油脂、振动和其他干扰的影响，所有这些优点使这种基于能耗的预测模型在机械加工中可以得到广泛应用。

四、精确控制：由于实施相对简单直观，因此在车削加工和其他加工过程中可以有效地控制表面粗糙度，这对于提高加工效率和产品质量具有巨大的潜力。通过考虑能源消耗，还将提高制造业清洁生产和绿色制造的意识。

附图说明

图1为基于能耗的车削表面粗糙度预测流程图。

图2为本发明的功率信号分解示意图。

图3为本发明的PSO-SVM算法流程图。

具体实施方式

以下结合本发明的内容和附图所述实施例对本发明作进一步的说明。

本发明一种基于能耗的车削表面粗糙度预测方法，如图1所示，其包括以下步骤：

步骤一，信号获取与分析。

信号获取与分析包括采集功率信号与加工参数信息，是指通过功率传感器测量加工全过程的功率信号，包括机床启停、加工等状态，读取数控机床数控代码中的切削三要素(主轴转速、切削深度、进给速度)数值。

步骤二，车削表面粗糙度模型的建立。

车削表面粗糙度模型的建立包括对功率信号进行信号处理：信号截取与信号滤波。其中信号截取目的是找出每组信号中的材料切削开始时刻并截取一定长度的信号，信号滤波目的是滤除进给功率信号中的噪声成份。车床加工时的功率信号的分解图如图2所示。切削时的功率可以分解为空切削功率与正常切削功率，正常切削功率与空切削功率之间的差值为切削材料所消耗的功率。所述的能耗特征为切削比能(SCE)，是指去除单位体积材料所消耗的切削能量。它可以表示为

其中E_切削为总切削能耗；Q为去除的材料体积；P_c为实时切削功率；MRR为材料去除率；T为实际切削时间。

材料去除率由加工参数(主轴转速n、切削深度a_p、进给速度f、工件直径d)决定，在车削中它可以表示为

由于每次切削过程中切削参数保持不变，所以MRR和平均切削功率P_c保持不变。切削比能可以改写为

其中，为平均正常切削功率，为平均空切削功率。

将得到的切削比能作为能耗特征，切削参数作为静态特征，并作为表面粗糙度预测模型的输入，表面粗糙度作为输出。

步骤三，表面粗糙度预测。

利用改进的支持向量机算法(PSO-SVM)进行表面粗糙度预测模型的求解。PSO-SVM是粒子群算法与支持向量机算法的结合，使用粒子群算法优化支持向量机的核函数参数。SVM将切削三要素特征与切削比能特征数据映射到高维空间。将输入的特征数据分为训练样本与预测样本。根据基于能耗的支持向量机预测模型，先使用训练样本对模型进行训练，然后对预测样本进行预测并输出预测结果。主要分两个步骤：

(1)SVM模型的构建

假设训练样本为{(x₁,y₁),...,(x_n,y_n)}，其中x_i∈Rⁿ，n为样本规模，y_i为粗糙度值。SVM可以表示为

其中为输入的特征向量，w^T和b是可调整的系数。假设可以接受f(x)与y_i最多有ε的偏差，即仅当f(x)与y_i之间的绝对值大于ε时才计算损失。所以支持向量机回归问题可以描述为：

其中C为正则化常数，l_ε为ε-不敏感损失函数。

引入松弛变量ε_i和上式可重写为

通过引入拉格朗日乘子α_i和由拉格朗日乘子法得

(2)利用PSO算法对SVM的核函数参数优化

当使用SVM预测粗糙度时，核函数对模型的预测精度有很大影响。SVM中有四个基本核函数，包括Sigmoid，线性，多项式和径向基函数。径向基函数(RBF)被认为是分类和预测的理想函数，因为它具有高效，简单，可靠和适应性优化计算的能力，特别是在处理复杂参数方面的兼容性。它的基本形式为：

K(x_i,x_j)＝exp(-g||x_i-x_j||²),(g＞0)

惩罚因子C、阈值ε、径向基函数核函数宽度g对SVM的预测精度有重要影响。为了获得最好的粗糙度结果，有必要同时优化C、ε、g。利用粒子群算法对这三个参数进行优化，将均方误差作为适应度函数。将训练数据进行参数优化及模型训练，主要步骤如图3所示为：

(1)初始化粒子群，设置粒子群的大小，初始位置和初始速度和迭代次数。

(2)计算各个粒子的当前个体极值，找到当前全局最优解。

(3)不断更新各个粒子的速度和位置。

(4)判断是否达到终止条件，如果满足，输出最优解，如不满足则继续第二部迭代。

将得到的最优惩罚因子C、阈值ε、径向基函数核函数宽度g带入SVM模型得到优化后的预测模型，利用预测数据进行粗糙度的预测。

实施例：

本实施例以车削过程为例。

全因子实验设计以CJK0640数控机床为平台切削45号钢，工件长度和直径分别为110mm和30mm，采用福禄克1735功率传感器采集加工过程的功率信号，通过采集软件记录数据。采用表面粗糙度仪测量加工后的零件表面粗糙度值。

将主轴转速n、切削深度ap和进给速度f分别设定5个水平，具体如表1所示。

表1各因素及水平

共进行125组实验，为保证实验的有效性和准确性，每次实验做四次，将四次的实验值进行平均处理。

表2实验数据

采用MATLAB编制PSO-SVM程序。将实验数据随机分成两组，其中100组数据用于模型的训练，剩下的25组数据用于预测。得到优化后的SVM预测模型，利用25组数据进行表面粗糙度的预测，预测结果如表3所示。

表3预测结果

由表3可知，本发明的预测效果：平均相对误差小于5％为4.86％，相对误差0.125um，最大误差为10％左右。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

1.一种基于能耗的车削表面粗糙度预测方法，其特征在于，包括以下步骤：

1)采集车削加工过程中的功率信号和加工参数信息。

2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。

3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。

2.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的功率信号包括机床启停和加工状态，所述的切削三要素包括主轴转速、切削深度和进给速度。

3.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的切削比能SCE为去除单位体积材料所消耗的切削能量，其表达式为：

其中，E_切削为总切削能耗，Q为去除的材料体积，P_c为实时切削功率；MRR为材料去除率，T为实际切削时间，n为主轴转速、a_p为切削深度、f为进给速度、d为工件直径，为平均切削功率，为平均正常切削功率，为平均空切削功率。

4.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)构建SVM模型并训练；

32)采用PSO算法对SVM模型的参数进行优化得到最终优化后的表面粗糙度预测模型；

33)根据最终优化后的表面粗糙度预测模型进行表面粗糙度预测。

5.根据权利要求4所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤31)中，SVM模型的表达式为：

其中，为输入的特征向量，w^T和b为可调整的系数；

设定仅当f(x)与粗糙度值y_i之间的绝对值大于阈值ε时计算损失，则SVM模型表述为：

其中，n为训练样本规模，C为惩罚因子，l_ε(z)为不敏感损失函数，x_i为训练样本{(x₁,y₁),...,(x_n,y_n)}的输入；

引入松弛变量以及拉格朗日乘子，则SVM模型表述为：

其中，α_i、α_j、为拉格朗日乘子，k(x_i,x_j)为核函数。

6.根据权利要求5所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤32)中，SVM模型的核函数采用径向基函数，优化SVM模型的参数包括惩罚因子C、阈值ε以及径向基函数核函数宽度g。