CN110059442B - 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 - Google Patents

Abstract

本发明涉及一种基于零件表面粗糙度和功率信息的车削加工换刀方法，包括以下步骤：1)通过功率传感器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并采用防脉冲干扰滑动平均算法进行数字滤波；3)采用改进的支持向量机算法构建表面粗糙度预测模型，并进行表面粗糙度预测得到预测的表面粗糙度信息；4)对滤波后的功率信号进行特征提取构建功率信息；5)结合预测的表面粗糙度信息和功率信息采用随机森林算法进行刀具磨损状态分类，并根据分类结果完成车削加工过程中的换刀。与现有技术相比，本发明具有信息全面、应用场合广、可行且成本低等优点。

Description

一种基于零件表面粗糙度和功率信息的车削加工换刀方法

技术领域

本发明涉及撤销加工领域，尤其是涉及一种基于零件表面粗糙度和功率信息的车削加工换刀方法。

背景技术

金属切削刀具参与切削过程形成加工表面。保证加工表面精度需要高切削性能刀具，然而随着加工的进行，刀具会逐渐磨损，当磨损到一定程度时必须更换刀具才能满足实际加工需求，并减少刀具磨损带来的经济损失。但是频繁的换刀会导致机床停机并造成生产中断和生产效率下降。刀具问题引起的停机时间约占整个加工中心停机时间的20％。因此，合理的换刀决策方法对实际生产加工质量和加工效率的提升有积极意义。如果换刀的时间间隔过长，会导致刀具更容易磨损，从而导致废品率的增加，而且容易造成机床故障。传统的换刀方法是由技工通过切削声音、加工振动等方法来判断，但该方法要求车间工作人员具有丰富经验且容易出现误差，存在以下问题：

(1)根据经验设置加工件数阈值，往往会比较保守，不能充分利用刀具性能将导致刀具成本增加。

(2)在自动化生产中，无法实时获取刀具状态并根据其状态及时调整切削参数与加工计划，导致加工效率与加工质量降低。

(3)刀具磨损造成非正常切削，使机床消耗更多的能量。

基于刀具磨损状态监测的换刀决策方法在实际中运用广泛，如果监测到刀具磨损失效或刀具破损后就将换刀。采用现代的传感器技术、信号处理技术和人工智能技术对加工过程的刀具磨损状态进行监测，增强监测的可靠性与通用性。刀具磨损状态监测的方法可以分为两类：直接监测法和间接监测法。

直接监测法就是通过光学或图像检测装置直接测量刀具磨损量或识别磨损区形态确定刀具状态。主要方法有光学图像法、接触法等。但存在以下问题：直接监测适用于离线检测，实时性差；在线光学或图像检测装置安装困难，易受加工条件、切削液等因素的限制。因此，直接监测在实际生产中应用困难。

间接监测法主要是采集加工过程中对刀具磨损敏感的信号如切削力、声发射、振动、功率、电流、电压、工件表面粗糙度等。刀具磨损监测的首要任务就是选择合适的监测信号，在实际使用中综合考虑信号获取方式、传感器灵敏度、安装便捷性以及加工条件等多个因素，选择一种或多种信号进行监测。多传感器融合监测法可以全面监测刀具状态，但信号之间会有冗余与耦合，而且多个传感器将增加生产成本。因此采用较少传感器并采用多种信息监测刀具状态具有重要意义。

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零件表面粗糙度和功率信息的车削加工换刀方法。

本发明的目的可以通过以下技术方案来实现：

一种基于零件表面粗糙度和功率信息的车削加工换刀方法，包括以下步骤：

1)通过功率传感器采集车削加工过程中的功率信号和加工参数信息，功率信号包括和加工参数信息包括切削三要素特征，具体包括主轴转速、切削深度和进给速度；

2)对功率信号进行信号截取并采用防脉冲干扰滑动平均算法进行数字滤波；

3)采用改进的支持向量机算法构建表面粗糙度预测模型，并进行表面粗糙度预测得到预测的表面粗糙度信息；

4)对滤波后的功率信号进行特征提取构建功率信息；

5)结合预测的表面粗糙度信息和功率信息采用随机森林算法进行刀具磨损状态分类，并根据分类结果完成车削加工过程中的换刀。

所述的步骤2)中，防脉冲干扰滑动平均算法具体为：

21)采集N个功率信号数据{m₁,m₂,...,m_N}，并将其放入队列M[n]中；

22)每采集一个新的功率信号数据并将其放入M[n]队尾，同时弃掉M[n]队首的数据，得到一组新队列M’[n]＝{m₁’,m₂’,...,m_N’}；

23)求取新队列M’[n]中N个数据的算术平均值m，则有：

24)将算术平均值

作为滤波后的结果，并返回步骤21)，重复进行滤波过程。

所述的步骤3)具体包括以下步骤：

31)将功率信号中的切削比能作为能耗特征，结合切削三要素特征数据映射到高维空间形成特征数据集，并将特征数据集分为训练样本与预测样本进行训练，构建SVM模型，该SVM模型以径向基函数作为核函数；

32)采用PSO算法对SVM模型的核函数进行参数优化，包括惩罚因子C、阈值ε和径向基函数核函数宽度g；

33)根据参数优化后的SVM模型进行表面粗糙度的预测。

所述的步骤31)中，切削比能SCE的表达式为：

其中，

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31)中，表面粗糙度预测模型中，SVM模型表达式为：

其中，w为超平面法向量，n为训练样本{(x₁,y₁),...,(x_n,y_n)}的总数，C为惩罚因子，l_ε(z)为不敏感损失函数，x_i为训练样本的第i个输入，

为输入的特征向量，w^T和b为可调整的系数，y_i为粗糙度值，ε为阈值；

在SVM模型中引入松弛变量和拉格朗日乘子，则SVM模型表述为：

k(x_i,x_j)＝exp(-g||x_i-x_j||²),(g＞0)

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4)中，功率信号的特征提取具体为提取功率信号的时域有量纲特征和无量纲特征，其中，有量纲特征包括均值、最小值、均方根值、峰值和方差，无量纲特征包括峰值因子和偏态系数。

所述的步骤5)具体包括以下步骤：

51)对预测的表面粗糙度值作为表面粗糙度信息进行离散化处理，构成刀具磨损状态识别的特征向量Q；

52)选取有量纲特征和无量纲特征构成刀具磨损状态识别的功率特征向量P，对切削功率信息进行离散化处理；

53)基于随机森林进行换刀决策。

所述的步骤53)具体为：

531)根据表面粗糙度状态构建正常磨损刀具和异常磨损刀具的零件表面粗糙度信息样本库，带入随机森林分类器中进行表面粗糙度信息分类，零件表面粗糙度信息样本库的特征向量集合为；

Δ₁＝(Q_i,S_i),i＝1,2,3,…,N

其中，Q_i表示第i个加工零件刀具磨损状态识别的特征向量，S_i为第i个加工零件表面粗糙度状态的分类标记，将预测的表面粗糙度值与设定的表面粗糙度要求进行比较，如果表面粗糙度值在要求范围内，则将S_i标记为0，如果表面粗糙度值不在要求范围内，则将S_i标记为1；

532)通过试加工建立正常磨损刀具和异常磨损刀具两类情况下对应的切削功率信息样本集，带入随机森林分类器中进行切削功率信息分类，切削功率信息样本集的特征向量集合为：

Δ₂＝(P_i,C_i),i＝1,2,3,…,N

其中，P_i表示第i个加工零件的功率特征向量，C_i表示第i个加工零件切削功率状态的分类标记，当切削功率信息正常时，则切削功率状态C_i标记为-1，切削功率信息异常时，则切削功率状态C_i标记为1；

533)随机森林采用Bootstrap重采样方法，随机抽取表面粗糙度和切削功率信号特征作为训练集S，从训练集S的特征中随机选择一定数量的特征，参与节点分裂的过程，生成一组基础的K棵决策树，将决策树组合最终形成随机森林，并根据随机森林进行分类。

所述的步骤533)中，根据随机森林的分类结果，为更好的反映刀具磨损状态，综合衡量表面粗糙度信息和切削功率信息构建状态变量M_i＝S_i+C_i，根据状态变量M_i的情况进行换刀动作，具体为：

与现有技术相比，本发明具有以下优点：

一、信息全面：本发明综合考虑了表面粗糙度信息和功率信息，因此信息全面，可以包含加工过程中的较多信息，能够更准确的识别刀具磨损状态。

二、应用场合广：本发明所提出的基于表面粗糙度和功率信息的换刀决策方法可以应用于各种消耗电力的加工场合，因此本发明可以作为一种通用的换刀方法。

三、可行且成本低：使用功率传感器测量信号不改变机器结构，测量易实现，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表面粗糙度和功率信息的换刀决策方法在机械加工中可以得到广泛应用。

附图说明

图1为基于表面粗糙度和功率信息的换刀决策方法流程图。

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。

图4为本发明的随机森林算法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

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。

本发明提出一种基于零件表面粗糙度和功率信息的车削加工换刀方法，如图1所示，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。功率信号中存在噪声与干扰。为了剔除加工等待时间的影响，截取机床切削开始至切削结束的功率信号，并对信号滤波处理。防脉冲干扰滑动平均算法对周期性干扰引起的采样值偏差有良好的抑制作用，而且平滑度高。因此，使用防脉冲干扰滑动平均算法对功率信号进行数字滤波，其具体计算步骤如下：

步骤1：采集N个功率信号数据{m₁,m₂,...,m_N}，并将其放入队列M[n]中；

步骤2：每采集一个新的数据将其放入M[n]队尾，同时扔掉M[n]队首的一个数据，得到一组新的数据M’[n]＝{m₁’,m₂’,...,m_N’}；

步骤3：求取新数据M’[n]中N个数据的算术平均值，具体公式如下：

步骤4：

为滤波后的结果，然后返回步骤2，重复上述计算过程。

步骤二，车削表面粗糙度模型的建立。

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

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为惩罚因子，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。

步骤四，构建功率信息。

对提取的切削功率信号进行特征提取，一般对功率信号提取时域特征。常见的时域特征可以分为有量纲特征和无量纲特征两种。时域特征的具体定义与含义如表1所示，其中均值、最小值、均方根值、峰值、方差为有量纲特征，峰值因子、偏态系数为无量纲特征。

表1时域特征参数及其表示

为了最大化区分正常功率信息和异常功率信息，本文选取切削功率总能量T_E作为功率信号分类的一个特征。将最终的累积和作为统计量即切削功率总能量。

步骤五，基于随机森林的换刀决策方法。

首先将提取的表面粗糙度和功率信息进行离散化处理，然后利用随机森林分类器进行刀具磨损状态的分类识别，从而给出换刀决策方法。主要分为三个步骤：

(1)表面粗糙度信息离散化

将表面粗糙度预测模型得到的表面粗糙度值作为表面粗糙度信息，构成刀具磨损状态识别的特征向量：

Q＝[Ra]^T

将获得的零件表面粗糙度值与工艺文件中设定的表面粗糙度要求进行比较，如果表面粗糙度值在要求范围内，将表面粗糙度状态S_i标记为0，如果表面粗糙度值不在要求范围内，将表面粗糙度状态S_i标记为1。

(2)切削功率信息离散化

实际中由功率传感器采集机床输入功率，提取切削功率信息，通过计算得到切削功率。为了得到理想的分类识别效果并充分利用功率信息最大化区别正常功率和异常功率，提取功率信号的特征，并将特征作为随机森林分类器的输入特征。

选取有量纲特征和无量纲特征构成刀具磨损状态识别的功率特征向量P。

对切削功率信息进行离散化处理：切削功率信息正常时，切削功率状态C_i标记为-1；切削功率信息异常时，切削功率状态C_i标记为1。

(3)基于随机森林的换刀决策流程

通过对刀具正常磨损状态和异常磨损状态下进行实验加工，采集切削加工过程的机床输入功率信号。首先通过信号处理技术对采集的功率信号进行滤波处理消除干扰、电网波动等影响，然后基于PSO-SVM的表面粗糙度预测模型预测零件表面粗糙度值，构建正常磨损刀具和异常磨损刀具的零件表面粗糙度信息样本库，特征向量集合为

Δ＝(Q_i,S_i),i＝1,2,3,…,N。

式中：Q_i表示第i个加工零件的特征向量，S_i表示第i个加工零件的分类标记，取值为0或1，分别表示表面粗糙度信息正常过程和表面粗糙度信息异常过程。对于待区分的加工零件Q’作为测试集，带入随机森林分类器中进行表面粗糙度信息分类。

同理，通过试加工建立正常磨损刀具和异常磨损刀具情况下的切削功率信息样本集，特征向量集合为：

Δ＝(P_i,C_i),i＝1,2,3,…,N。

式中：P_i表示第i个加工零件的特征向量，C_i表示第i个加工零件的分类标记，取值为-1或1，分别表示切削功率信息正常过程和切削功率信息异常过程。对于待区分的加工零件P’作为测试集，带入随机森林分类器中进行切削功率信息分类。

随机森林采用Bootstrap重采样方法，表面粗糙度信息与切削功率特征作为数据集。第一步：基于Bootstrap重采样有放回的随机抽取一些表面粗糙度或切削功率信号特征样本数据作为训练集S₁，S₂，…,_k，生成随机向量序列{S_k}独立同分布，K表示数据集的数量。

第二步：每次从训练集S的特征中随机选择一定数量的特征，参与节点分裂的过程。为了减少决策树之间的相关性，提升随机森林算法的性能，选择内节点的分类属性中评价效果最好的属性进行分裂，并且遵循节点不纯度的原则。每棵决策树都完全生长，不进行剪枝。生成一组基础的K棵决策树{h(x,θ_i),i＝1,2,…,k}，其中x为输入变量。这些基决策树组合成最终的随机森林模型。

第三步：利用每个决策树对测试集中的样本x分类，各自得到分类结果，最终的分类结果由各决策树的投票结果决定。分类结果可以表示为：

式中H(x)表示随机森林的分类结果，h_i(x)为每个决策树的分类结果，Y为实际分类目标，I(·)为示性函数。

为了便于简化地表示刀具磨损状态并快速识别，降低数据的复杂程度与处理时间，将由表面粗糙度信息获取的刀具状态信息与切削功率信息获取的刀具状态信息组成一个状态向量。将它乘以一个元素均为1的列向量E＝[11]^T，使之转化为一个状态变量M_i来表示，这样有助于减少判断过程，更有利于直接得出刀具状态信息。

M_i＝[S_i C_i][1 1]^T＝S_i+C_i

状态变量M_i可以综合衡量表面粗糙度信息和切削功率信息，可以较好的反映刀具磨损状态，并且根据刀具磨损状态进行换刀决策，给出换刀策略。状态变量M_i的情况总共有四种，如下：

根据状态变量M_i的取值，判断对应刀具磨损情况。当M_i＝-1时，刀具运行正常，无需换刀因此继续加工；当M_i＝0时，表面粗糙度信息异常，功率信息正常，继续加工会使加工质量下降，造成次品的产生从而增加生产成本；当M_i＝1时，表面粗糙度信息正常，功率信息异常，根据前文的分析这种情况是因为刀具影响表面粗糙度的部位磨损不剧烈，而刀具后刀面等磨损会造成机床切削力增大，使机床振动变大，影响正常加工和造成机床损坏与减少使用寿命。此时需要及时换刀。当M_i＝2时，表面粗糙度信息和功率信息均异常，表明刀具磨损严重，需要立刻更换刀具。

实施例：

本实施例以车削过程为例。

实验以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。

表1切削参数

主轴转速(r·min<sup>-1</sup>)	进给速度(mm·r<sup>-1</sup>)	背吃刀量(mm)	切削长度(mm)
				2000	0.07	0.2	40

对加工工件分别在正常磨损车刀和剧烈磨损车刀情况下各加工120件和60件，共采集两组样本数据集。实际加工过程中刀具正常磨损的样本占大多数，而剧烈磨损阶段的刀具为少数。因此本实验从采集的数据量符合实际加工情况。设置加工参数并启动加工，每次加工完毕后，利用表面粗糙度仪测量零件的表面粗糙度值并使用功率传感器采集机床功率信息。对样本截取加工时间窗和功率信号滤波，提取时域特征，存储到样本库中。将样本库随机分成训练集与测试集，用训练集数据训练随机森林算法，用测试集数据测试换刀模型性能。结果表明基于表面粗糙度和功率信息的换刀决策方法可以准确识别刀具磨损，提示换刀。

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)

1.一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，包括以下步骤：

1)通过功率传感器采集车削加工过程中的功率信号和加工参数信息，功率信号包括和加工参数信息包括切削三要素特征，具体包括主轴转速、切削深度和进给速度；

2)对功率信号进行信号截取并采用防脉冲干扰滑动平均算法进行数字滤波；

3)采用改进的支持向量机算法构建表面粗糙度预测模型，并进行表面粗糙度预测得到预测的表面粗糙度信息；

4)对滤波后的功率信号进行特征提取构建功率信息，功率信号的特征提取具体为提取功率信号的时域有量纲特征和无量纲特征，其中，有量纲特征包括均值、最小值、均方根值、峰值和方差，无量纲特征包括峰值因子和偏态系数；

5)结合预测的表面粗糙度信息和功率信息采用随机森林算法进行刀具磨损状态分类，并根据分类结果完成车削加工过程中的换刀，具体包括以下步骤：

51)对预测的表面粗糙度值作为表面粗糙度信息进行离散化处理，构成刀具磨损状态识别的特征向量Q；

52)选取有量纲特征和无量纲特征构成刀具磨损状态识别的功率特征向量P，对切削功率信息进行离散化处理；

53)基于随机森林进行换刀决策，具体为：

531)根据表面粗糙度状态构建正常磨损刀具和异常磨损刀具的零件表面粗糙度信息样本库，带入随机森林分类器中进行表面粗糙度信息分类，零件表面粗糙度信息样本库的特征向量集合为；

Δ₁＝(Q_i,S_i),i＝1,2,3,…,N

其中，Q_i表示第i个加工零件刀具磨损状态识别的特征向量，S_i为第i个加工零件表面粗糙度状态的分类标记，将预测的表面粗糙度值与设定的表面粗糙度要求进行比较，如果表面粗糙度值在要求范围内，则将S_i标记为0，如果表面粗糙度值不在要求范围内，则将S_i标记为1；

532)通过试加工建立正常磨损刀具和异常磨损刀具两类情况下对应的切削功率信息样本集，带入随机森林分类器中进行切削功率信息分类，切削功率信息样本集的特征向量集合为：

Δ₂＝(P_i,C_i),i＝1,2,3,…,N

其中，P_i表示第i个加工零件的功率特征向量，C_i表示第i个加工零件切削功率状态的分类标记，当切削功率信息正常时，则切削功率状态C_i标记为-1，切削功率信息异常时，则切削功率状态C_i标记为1；

533)随机森林采用Bootstrap重采样方法，随机抽取表面粗糙度和切削功率信号特征作为训练集S，从训练集S的特征中随机选择一定数量的特征，参与节点分裂的过程，生成一组基础的K棵决策树，将决策树组合最终形成随机森林，并根据随机森林进行分类。

2.根据权利要求1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤2)中，防脉冲干扰滑动平均算法具体为：

21)采集N个功率信号数据{m₁,m₂,...,m_N}，并将其放入队列M[n]中；

22)每采集一个新的功率信号数据并将其放入M[n]队尾，同时弃掉M[n]队首的数据，得到一组新队列M’[n]＝{m₁’,m₂’,...,m_N’}；

23)求取新队列M’[n]中N个数据的算术平均值

则有：

24)将算术平均值

作为滤波后的结果，并返回步骤21)，重复进行滤波过程。

3.根据权利要求1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)将功率信号中的切削比能作为能耗特征，结合切削三要素特征数据映射到高维空间形成特征数据集，并将特征数据集分为训练样本与预测样本进行训练，构建SVM模型，该SVM模型以径向基函数作为核函数；

32)采用PSO算法对SVM模型的核函数进行参数优化，包括惩罚因子C、阈值ε和径向基函数核函数宽度g；

33)根据参数优化后的SVM模型进行表面粗糙度的预测。

4.根据权利要求3所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤31)中，切削比能SCE的表达式为：

其中，

为平均切削功率，

为平均正常切削功率，

为平均空切削功率，MRR为材料去除率，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。

5.根据权利要求3所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤31)中，表面粗糙度预测模型中，SVM模型表达式为：

其中，w为超平面法向量，n为训练样本{(x₁,y₁),...,(x_n,y_n)}的总数，C为惩罚因子，l_ε(z)为不敏感损失函数，x_i为训练样本的第i个输入，

为输入的特征向量，w^T和b为可调整的系数，y_i为粗糙度值，ε为阈值；

在SVM模型中引入松弛变量和拉格朗日乘子，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1所述的一种基于零件表面粗糙度和功率信息的车削加工换刀方法，其特征在于，所述的步骤533)中，根据随机森林的分类结果，为更好的反映刀具磨损状态，综合衡量表面粗糙度信息和切削功率信息构建状态变量M_i＝S_i+C_i，根据状态变量M_i的情况进行换刀动作，具体为：

Images