CN109828532B - 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 - Google Patents

Abstract

本发明公开了一种基于GA‑GBRT的表面粗糙度预测方法及工艺参数优化方法。a.采集数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；b.参数编码和种群初始化：随机生成一个用于提升迭代次数、个体回归估计器的最大深度和学习速率的染色体序列；c.使用k‑折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数。本发明具有测试精度高、预测性能优越、提高工件表面加工精度的特点。

Description

一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化 方法

技术领域

本发明涉及机械加工技术领域，特别是一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。

背景技术

在生产中建立难加工材料的表面质量预测模型并对其进行控制，是实现可持续制造的先决条件。AISI 304不锈钢在高温、高湿、腐蚀环境中具有良好的性能。因此，AISI 304不锈钢广泛应用于医疗设备、航空航天、造船、核电等高科技行业。但是在加工AISI 304不锈钢过程中，出现切削力大、切削温度高、加工硬化严重、断屑难、刀具寿命短、表面质量难以控制等问题，是一种典型的难加工材料。表面粗糙度是衡量切削表面完整性的重要指标，近几十年来受到广泛关注。然而，由于对切削机理的认识不全面，加工过程中满意的表面粗糙度在很大程度上仍取决于人类的经验。不合理地选择加工参数和机床，会增加生产成本，降低表面质量。因此，建立精确的车削表面粗糙度模型，以实现加工中根据切削参数预测表面粗糙度，是一个急需解决的问题。

发明内容

本发明的目的在于，提供一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。本发明具有测试精度高、预测性能优越、提高工件表面加工精度的特点。

本发明的技术方案：一种基于GA-GBRT的表面粗糙度预测方法，按下述步骤进行：

a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；

b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；

c.使用k-折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；

d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；

e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参数导入GBRT模型得到GBRT预测机。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤b中，初始种群设置为30，最大进化代数设置为50。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤c中，所述的使用k-折叠交叉验证方法训练GBRT模型，具体如下：

将训练组数据随机分为m组，在每次折叠交叉验证测试中，使用m-1组数据进行训练，剩余的1组用于测试；用所有k次的平均值作为GBRT模型选择最优模型参数的适应度值R²，其定义如下：

式中：

为第i个目标的拟合值；y_i为实际观测值，

n分别为观测值的平均值和样本总数，R²的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤c所述的k-折叠交叉验证方法中，k的值设置为5。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤e中，得到GBRT预测机后，使用测试组数据验证GBRT预测机。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤e中，GBRT预测机的最优关键参数分别为：迭代次数M＝60，最大深度D＝3，学习速率v＝0.09。

使用前述的基于GA-GBRT的表面粗糙度预测方法来优化工艺参数的方法：在寻求最小值的表面粗糙度R_a的最优切削参数时，将GA-GBRT模型简化为R_a＝f(V,f,a_p)＝f(x)，优化变量欧式空间：x＝(V,f,a_p)∈E³，变量取值：

R₁＝{x∈E³|90≤V≤200,0.05≤f≤0.2,1≤ap≤2}

得到建立的遗传算法优化模型为：

在进行面向表面粗糙度控制的切削参数遗传算法寻优时，首先在搜索空间随机生成特定数量的初始切削参数组合作为初始种群，通过交叉、变异操作共同生成子代种群，建立新种群将继续重复上述选择、交叉、变异操作，直至满足终止条件，获得最优切削参数。

前述的使用基于GA-GBRT的表面粗糙度预测方法来优化工艺参数的方法中，所述的最优切削参数为：切削速度V＝139(m/min)，进给量f＝0.05(mm/r)，切削深度a_p＝1.60mm。

有益效果

与现有技术相比，本发明提出了一种基于GA-GBRT的表面粗糙度预测方法，以切削速度V、进给量f和切削深度a_p作为模型变量进行预测模型训练，采用遗传算法和k倍折叠交叉验证的方法确定了模型的最优参数(即M，D，v)，再将最优参数导入GBRT模型即得最优GA-GBRT模型(即GBRT预测机)；该方法中，使用遗传算法对模型参数进行优化，有效提高力GBRT模型的泛化能力，进而提高了模型的测试精度。

本发明的GA-GBRT模型的主要评价指标RMSE最小达0.0836，且其他三个指标(即MAPE、CV和MAD)也显示了模型的优越预测性能；灵敏度分析也验证了本发明GA-GBRT模型预测的可靠性，因而得出的GA-GBRT模型是一种合理的、极具潜力的表面粗糙度预测方法。

通过本发明得知进给量f对表面粗糙度有显著影响，其次是切削深度a_p，切削速度V对粗糙度的影响最小；该信息为加工时切削参数的选择提供了更清晰的方向。

通过本发明的GA-GBRT模型得到优化的工艺参数为:V＝139(m/min)，f＝0.05(mm/r)，a_p＝1.60mm，且对应得到的表面粗糙度为0.34μm。该参数远优于企业推荐的工艺参数，进而有效提高了工件表面的加工精度。

为了证明本发明的有益效果，申请人进行了下述实验。

实验例1 ANN、SVR与GA-GBRT模型对比实验

1.1车削实验数据采集

在C2-6136HK数控车床上进行了一系列干车削试验。刀具为自贡硬质合金有限公司生产的304不锈钢切削刀具，刀具几何工作角度如表1所示，涂层材料为AlCrN。工件是直径42毫米的AISI 304不锈钢棒材。表2为刀具材料和工件材料的基本性能参数，表3为工件材料的化学性质。切割试验平台如图1所示。

表1

表2

表3

如图1所示，用MAHR台式探针粗糙度检测平台对AISI 304不锈钢棒材进行了表面粗糙度检测。沿约120°的角度在3个不同的位置采集数据，并记录了平均粗糙度值。任何异常数据都被视为异常点，并被排除在平均计算之外。为了分析表面粗糙度，实验切削参数设计为：切削速度V从90m/min到210m/min，进给量f从0.05mm/rev到0.17mm/rev，切削深度a_p从1mm变化到2mm。

1.2对比实验

1.2. 1ANN神经网络模型

网络结构如图2所示，输入为进给量、切削速度和切削深度，输出平均表面粗糙度。在神经网络模型中，节点数、层数及其关系决定了预测的准确性。因此，在开发ANN模型时，必须形成所有可能的体系结构，并以更高的精度进行测试，然后按照评价标准RMSE(均方根误差)优选使用ANN(人工神经网络)结构。利用MatlabR2017a的神经网络工具箱建立和训练网络，并对网络进行测试。采用LM、BR和SCG三种神经网络对3-n-1的神经网络结构进行了训练，并根据RMSE对其进行了评价。

1.2. 2SVR支持向量回归模型

SVM(支持向量机)具有良好的监督学习性能，是一种基于多维特征向量的二分法分类方法。SVM最初是作为一种线性分类方法发展起来的，后来又扩展到非线性分类器，最后扩展到回归问题(即SVR，支持向量回归)。

式中：f(x)是一个线性回归函数，其中w是回归线的斜率，b是回归线的偏移量。

是将高维输入空间x映射到维数更多或无限维空间的核函数，f(x)可以通过最小化方程(2)来计算。

式中：1/2w^Tw描述模型复杂性，c为一个损失函数，y和n分别是目标和样本数。

1.2.3 GA-GBRT模型

从人工智能的角度出发，将预测表面粗糙度的任务划分为一个监督回归问题。输入变量由切削参数(切削速度V、进给量f和切削深度a_p)组成，每个样本得到相应的目标值(表面粗糙度R_a)。GBRT(梯度提升回归树)是一种具有强学习策略的集成算法,它最初是为了解决分类问题而设计的，但成功地应用于回归领域。原理是将弱学习者组合为成一个强大的“委员会”。

F_m(x)＝F_m-1(x)+h_m(x) (3)

式中：h_m(x)是弱学习者的基函数，在GBRT中，基函数h_m是一个固定大小的小回归树，因此GBRT模型F_m(x)是m个小回归树的和。对于每一个提升迭代m，都会有一个新的树产生。并将回归树将添加到GBRT模型中。该步骤目的是估计训练集对应的响应Y_i,t+k，这意味着较好的h_m需要满足公式：

F_m(x_i,t)＝F_m-1(x_i,t)+h_m(x_i,t)＝Y_i,t+k (4)

换算为

h_m(x_i,t)＝Y_i,t+k-F_m-1(x_i,t) (5)

方程(5)中的h_m是在m次迭代时拟合残差r_m,i,t＝Y_i,t+k-F_m-1(x_i,t)的模型。当前残差可以表示为平方误差损失函数的负梯度：

由方程(6)可以得出，h_m被转换为平方损失函数的负梯度。此外，方程(6)证明了最小平方误差损失函数的梯度增强算法是一种梯度下降(或最陡下降)算法。通过用不同的损失函数及其梯度代替平方误差，将其推广到其他损失函数。

对于每一次提升和迭代，一个回归树被拟合到当前的残差当中。在最终模型中加入足够的回归树会导致任意小的训练误差。为了避免过度拟合，简单的正则化策略被用来将每个回归树的贡献按一个因子m进行缩放。

F_m(x)＝F_m-1(x)+vh_m(x)v∈[0；1] (7)

其中参数v称为学习速率，因为v减小了梯度下降过程中的步长。v与提升迭代次数M之间的相互作用是明显的。较小的v需要更多的迭代，因此需要更多的基函数来收敛训练误差。经验证据表明，v值较小可以达到较好的预测精度。本发明使用遗传算法(GA)对模型参数进行优化，以提高GBRT模型的泛化能力，达到更高的测试精度。

图6给出了GA-GBRT预测模型(基于遗传算法优化模型参数的梯度提升回归树模型)，利用遗传算法和k次交叉验证，根据GBRT的预测精度，确定了合适的初始参数(提升迭代次数M、个体回归估计量的最大深度D和学习速率v)。性能评价指标是GBRT预测值

与实验观测值y_i之间的拟合优度R²。如图7所示，k折叠交叉验证策略用于建立和验证模型。本实验例中，为了避免预测算法的过度拟合，将k值设为5，从而有效地缩短了计算机运行时间。将50组训练数据随机分为5组。在每次折叠交叉验证测试中，使用4组数据进行训练，其余1组用于测试。用所有k次的平均值作为GBRT模型选择最优参数(M，D，V)的适应度值，其定义如下：

式中：

为第一个目标的拟合值；y_i为实际观测值，

n分别为观测值的平均值和样本总数，R²的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。

从收集的数据中，选取50组作为训练组，其中10组作为测试组。使用GA-GBRT预测模块如图6所示，主要步骤如下:

第一步：采集车削实验数据，利用训练组数据对GBRT模型的关键参数进行训练。

第二步：参数编码和种群初始化：随机生成一个染色体序列，用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v。将初始种群设置为30，最大进化代数设置为50。

第三步：计算各个个体的拟合优度适应度值。

第四步：当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练。

第五步：重复步骤三和步骤四，直到达到最大进化代数或超过最大迭代次数，才能获得最优模型参数。

1.3结果与分析

1.3.1 ANN神经网络模型预测结果分析

通过考虑三种不同的结构(即3-4-1神经网络结构、3-10-1神经网络结构和3-7-1神经网络结构)和三种不同的训练方法(即LM、BR和SCG三种训练方法)，开发了不同的神经网络模型。这些模型在不同程度上显示了准确性，如表4的训练算法性能比较所示。因此，针对平均表面粗糙度预测的特殊情况，提出了最佳的结构和最佳的训练算法，并对预测结果进行了相应的误差分析。根据表4，在表面粗糙度预测中，RMSE选择标准表明BR的3-10-1神经网络结构是一种可接受的训练算法。使用BR训练模型对10组试验数据进行了表面粗糙度预测，如图3所示。

表4

1.3.2 SVR支持向量回归模型预测结果分析

由于加工过程是非线性的，为了提高支持向量回归模型(SVR)的性能，选择了径向基函数(RBF)。参数gamma可以看作是支持向量回归所选样本的影响半径的倒数。较低的参数C(C为惩罚系数)可以使决策面更加平滑，高的C允许模型自由选择更多的样本作为支持向量。网格搜索是一种比较简单的确定SVR回归模型参数gamma和C值的方法。图4是通过交叉验证过程确定的系数的热图，并显示了参数gamma和C对径向基函数的影响。通过设置搜索的上、下限(搜索间隔)和跳变区间，可以找到本研究中精度最高的参数gamma和C的一组值。选取径向基函数的核系数gamma为[10^-6 10]，误差项的惩罚系数C为[01000000]。经网格搜索，当拟合优度R²为0.840时，确定了最佳参数gamma＝10^-5和C＝1000000。使用SVR预测了10组测试数据，如图5所示。

1.3.3 GA-GBRT模型预测结果分析

通过使用三个主要参数(M、D、V)的不同组合，在选择过程中每一代的适应度值。在第20代，获得最大值，最佳个体的适应度值在0.9752左右，并找到了最优参数(M＝60，D＝3，v＝0.09)。根据SCKIT学习官方网站推荐的默认参数(M＝100，D＝3，v＝0.1)，适应度值为0.9680，因此经过遗传算法(GA)优化后，该算法在训练数据集上的泛化性能优于默认参数的GBRT。将训练得到的参数引入GBRT模型，得到GBRT预测机，并对试验组数据进行表面粗糙度预测，如图8所示。

综上所述，将GA-GBRT模型与人工神经网络模型(ANN)和支持向量回归模型(SVR)比较得知，本发明的GA-GBRT模型中，使用遗传算法(GA)对模型参数进行优化，使得GA-GBRT模型的泛化能力得到有效提高，进而达到更高的测试精度。

实验例2 GA-GBRT模型参数的灵敏度分析

采用灵敏度分析的方法，分析输入参数对GBRT估计精度的影响。通过在最优模型(即GBRT预测机)中保持其他参数不变，得到验证数据集对指定参数的RMSE变量，用于灵敏度分析。如图9所示：学习速率参数v是三个参数中对GBRT方法最敏感的。估计精度对最大深度参数D和升压迭代次数M也很敏感，而最大深度和升压迭代对估计精度影响不大。当提升迭代M等于60时，RMSE最小；当升压迭代大于60和小于60时，RMSE上升。RMSE随最大深度D的增加呈增加趋势，当最大深度等于3时，RMSE最小。当学习率v从0.01提高到0.09时，RMSE逐渐降低。随着学习速度继续提高，RMSE却呈现出增加的趋势。RMSE随这三个参数的变化趋势与遗传算法优化结果吻合较好。

综上所述，灵敏度分析表明了GBRT与遗传算法相结合的优越性，即表明了GA-GBRT模型(即GBRT预测机)的优越性。

实验例3 GA-GBRT模型预测性能比较与分析

采用MAPE、RMSE、CV和MAD四种评价指标对五种模型(BR、LM、SVR、SCG和GA-GBRT模型)的性能进行评价。CV定义为测量与实际表面粗糙度平均值相关的误差变化，并由方程(8)给出

MAPE定义为计算平均绝对误差的百分比，由方程(9)计算，以评价回归模型的精度；

RMSE为均方根误差，均方根误差由方程(10)计算；

MAD为平均绝对误差，由方程(11)计算；

式中：

和y_i为分别是预测值和实际观测值，

和N分别是观测值的平均值和样本的总数。本实验例中，以RMSE作为主要的评价指标，如果RMSE没有提供这五个模型(是BR、LM、SVR、SCG和GA-GBRT模型)之间的统计差异，则考虑其他三个评价指标。五个预测模型的四个评价指标的结果如图10所示。结果表明，GA-GBRT模型在CV、MAPE、RMSE、MAD四个评价指标中表现出最小值。因此，GA-GBRT模型的预测精度最高，其次是BR、LM、SVR和SCG。

实验例4表面粗糙度优化

表面粗糙度对零件表面有重大影响,包括耐磨性、疲劳强度、润滑和摩擦和光学性质，人工智能模型的引入可以迅速建立起相关的高精度预测模型，并便于优化工艺参数，以此控制表面质量，达到企业生产要求，提高零件的使用寿命。模型精度越高，优化得到的表面粗糙度值越好。

为求得表面粗糙度R_a取最小值的切削参数，将GA-GBRT模型简化为R_a＝f(V,f,a_p)＝f(x)，优化变量欧式空间：x＝(V,f,a_p)∈E³，变量取值：

R₁＝{x∈E³|90≤V≤200,0.05≤f≤0.2,1≤ap≤2} (12)

得到建立的遗传算法优化模型为

在进行面向表面粗糙度控制的切削参数遗传算法寻优时，首先在搜索空间随机生成特定数量的初始切削参数组合作为初始种群，通过交叉、变异等操作共同生成子代种群，建立新种群将继续重复上述选择、交叉、变异操作，直至满足终止条件，获得切削参数的最优解(即最优切削参数)。本实验例中将种群大小设置为150，144次迭代后达到默认停止条件。

最优的GA-GBRT模型被用于表面粗糙度优化，从图11可以发现最优的粗糙度值可以达到0.34μm，最优切削参数为V＝139(m/min)，f＝0.05(mm/r)，a_p＝1.60mm。一般情况下，企业综合考虑切削用量和工件表面质量时，推荐的切削参数为V＝120(m/min)，f＝0.15(mm/r)，a_p＝1.5mm，在该推荐参数下表面粗糙度实验值为1.6μm。

综上对比可知，通过本发明GA-GBRT模型预测的切削参数切削AISI 304不锈钢时，对应得到的表面粗糙度值0.34μm远好于企业推荐的切削参数切削时的表面粗糙度值1.6μm。

附图说明

图1是车削AISI 304不锈钢及表面粗糙度测量示意图；

图2是神经网络3-n-1结构示意图；

图3是BR训练模型的预测结果；

图4是网格搜索参数的热图；

图5是SVR的预测结果；

图6是GA-GBRT模型流程图；

图7是k-折叠交叉验证流程图；

图8是GA-GBRT的预测结果；

图9(a)～(c)分别是迭代次数、最大深度和学习率的灵敏度分析；

图10(a)～(d)分别是五种表面粗糙度预测模型性能比较；

图11是遗传算法寻优过程及最优参数；

图12是表面粗糙度随切削参数的变化。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例1。一种基于GA-GBRT的表面粗糙度预测方法，按下述步骤进行：

a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据；如：采集60组实验数据构成数据集，其中训练组数据为50组，测试组数据10组；

使用训练组数据对GBRT模型的关键参数进行训练；

所述的数据集包括切削参数和对应的表面粗糙度；所述的切削参数包括切削深度a_p、切削速度V和进给量f；所述的关键参数包括提升迭代次数M、个体回归估计器的最大深度D和学习速率v；

b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；

c.使用k-折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；

d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；

e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参数导入GBRT模型得到GBRT预测机。

前述的骤b中，初始种群设置为30，最大进化代数设置为50。

前述的步骤c中，所述的使用k-折叠交叉验证方法训练GBRT模型，具体如下：

将训练组数据随机分为m组，在每次折叠交叉验证测试中，使用m-1组数据进行训练，剩余的1组用于测试；如：将50组训练组数据随机分为5组，在每次折叠交叉验证测试中，使用4组数据进行训练，剩余的1组用于测试；

用所有k次的平均值作为GBRT模型选择最优模型参数(即M，D，V)的适应度值R²，其定义如下：

式中：

为第i个目标的拟合值；y_i为实际观测值，

为观测值的平均值，n为观测值的样本总数，R²的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。

前述的步骤c所述的k-折叠交叉验证方法中，k的值设置为5。该设置，避免预测算法的过度拟合，从而有效地缩短了计算机运行时间。

前述的步骤e中，得到GBRT预测机后，使用测试组数据验证GBRT预测机。

前述的步骤e中，GBRT预测机的最优关键参数分别为：迭代次数M＝60，最大深度D＝3，学习速率v＝0.09。

使用前述的基于GA-GBRT的表面粗糙度预测方法来优化工艺参数的方法：在寻求最小值的表面粗糙度R_a的最优切削参数时，将GA-GBRT模型简化为R_a＝f(V,f,a_p)＝f(x)，优化变量欧式空间：x＝(V,f,a_p)∈E³，变量取值：

R₁＝{x∈E³|90≤V≤200,0.05≤f≤0.2,1≤ap≤2}

得到建立的遗传算法优化模型为：

在进行面向表面粗糙度控制的切削参数遗传算法寻优时，首先在搜索空间随机生成特定数量的初始切削参数组合作为初始种群，通过交叉、变异操作共同生成子代种群，建立新种群将继续重复上述选择、交叉、变异操作，直至满足终止条件，获得最优切削参数。

前述的最优切削参数为：切削速度V＝139(m/min)，进给量f＝0.05(mm/r)，切削深度a_p＝1.60mm。

采用本发明GA-GBRT预测模型，研究切削AISI 304不锈钢平均表面粗糙度参数与最优切削速度、进给量和切削深度的关系。图12(a-c)中的三个三维图表示干切削条件下的粗糙度响应图。在1.26mm切削深度下，表面粗糙度随切削速度V和进给量f的变化如图12(a)所示。图12(b)显示了切削速度V＝104(m/min)时，切削深度a_p和进给量f对表面粗糙度的交互作用。图12(c)显示了当进给速度f＝0.05(mm/r)时，切削深度a_p和切削速度V对表面粗糙度的交互作用。

由上述可知，进给量对表面粗糙度有显著影响。高进给量会在加工表面产生螺旋面，提高进给量会降低切削过程中的动态稳定性，降低表面质量。平均表面粗糙度与进给量之间的理论关系也表明，当刀具的刀尖半径为常数时，平均表面粗糙度随进给量的平方而增大。在另一方面。从图12(b,c)可以看出，随着切削深度的增加，工件表面粗糙度先减小再增大，但变化不明显。进给量小时，切削速度对表面粗糙度的影响表现为:随着切削速度的增大，表面粗糙度逐渐恶化，当进给量较大时，表面粗糙度反而随着切削速度的增大而降低。

Claims (6)

1.一种基于GA-GBRT的表面粗糙度预测方法，其特征在于，按下述步骤进行：

a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；

b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；

c.使用k-折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；

d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；

e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参数导入GBRT模型得到GBRT预测机；

步骤b中，初始种群设置为30，最大进化代数设置为50；

步骤c中，所述的使用k-折叠交叉验证方法训练GBRT模型，具体如下：

将训练组数据随机分为m组，在每次折叠交叉验证测试中，使用m-1组数据进行训练，剩余的1组用于测试；用所有k次的平均值作为GBRT模型选择最优模型参数的适应度值R²，其定义如下：

式中：

为第i个目标的拟合值；y_i为实际观测值，

n分别为观测值的平均值和样本总数，R²的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。

2.根据权利要求1所述的基于GA-GBRT的表面粗糙度预测方法，其特征在于，步骤c所述的k-折叠交叉验证方法中，k的值设置为5。

3.根据权利要求1所述的基于GA-GBRT的表面粗糙度预测方法，其特征在于，步骤e中，得到GBRT预测机后，使用测试组数据验证GBRT预测机。

4.根据权利要求1所述的基于GA-GBRT的表面粗糙度预测方法，其特征在于，步骤e中，GBRT预测机的最优关键参数分别为：迭代次数M＝60，最大深度D＝3，学习速率v＝0.09。

5.一种使用权利要求1-4任一项所述的基于GA-GBRT的表面粗糙度预测方法来优化工艺参数的方法，其特征在于，在寻求最小值的表面粗糙度R_a的最优切削参数时，将GA-GBRT模型简化为R_a＝f(V,f,a_p)＝f(x)，优化变量欧式空间：x＝(V,f,a_p)∈E³，变量取值：

R₁＝{x∈E³|90≤V≤200,0.05≤f≤0.2,1≤ap≤2}

得到建立的遗传算法优化模型为：

在进行面向表面粗糙度控制的切削参数遗传算法寻优时，首先在搜索空间随机生成特定数量的初始切削参数组合作为初始种群，通过交叉、变异操作共同生成子代种群，建立新种群将继续重复选择、交叉、变异操作，直至满足终止条件，获得最优切削参数。

6.根据权利要求5所述的基于GA-GBRT的表面粗糙度预测方法来优化工艺参数的方法，其特征在于，所述的最优切削参数为：切削速度V＝139(m/min)，进给量f＝0.05(mm/r)，切削深度a_p＝1.60mm。

Images