CN112035978A - 一种刀具参数优化设计方法及系统 - Google Patents
一种刀具参数优化设计方法及系统 Download PDFInfo
- Publication number
- CN112035978A CN112035978A CN202010916450.0A CN202010916450A CN112035978A CN 112035978 A CN112035978 A CN 112035978A CN 202010916450 A CN202010916450 A CN 202010916450A CN 112035978 A CN112035978 A CN 112035978A
- Authority
- CN
- China
- Prior art keywords
- clustering
- distance
- cutter
- optimal
- tool
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种刀具参数优化设计方法及系统,方法包括:获取历史被加工工件表面粗糙度集合;采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;利用各所述最优刀具参数进行刀具设计。本发明从最优被加工工件表面粗糙度对应的刀具参数中选取最优刀具参数,过滤了大量非最优刀具参数,更加快速的获得计算结果。同时利用改进后的k均值聚类算法选取最优集合,计算结果更为准确。
Description
技术领域
本发明涉及刀具参数设计技术领域,特别是涉及一种刀具参数优化设计方法及系统。
背景技术
随着我国航空工业的快速发展,难切削材料如高强度钛合金应用的越来越多。高强度材料加工过程中被加工工件表面粗糙度直接影响工件的化学、物理及力学性能,并且还影响产品的可靠性、工作性能和寿命。工件加工表面粗糙度是企业加工能力的象征,直接影响企业的效益。对高强度材料工件表面粗糙度进行优化,近年来己经成为众多学者研究的方向。切削加工在机械加工中占有重要地位,而刀具的优劣直接影响被加工工件表面粗糙度,由于刀具的相关设计参数可进行调控,能够对实际运行进行指导,因此,需要对刀具的设计参数进行优化。
目前对刀具的设计参数进行优化主要分为两类:一类是通过试切,或是通过技术人员的经验,来确定实际刀具几何结构参数组合。另一类是利用数学建模的方法,比如文献“邓福铭,刘佩,杨俊杰等.PcBN刀具几何结构参数优化设计研究.超硬材料工程,2013(5):1-5”,将寿命作为性能指标,通过正交试验,建立刀具寿命与刀具几何结构参数之间的函数关系,并求得最佳寿命指标下的刀具几何结构参数组合。比如文献“白海清,安熠蔚,秦望,等.奥氏体不锈钢的小孔钻削参数多目标优化.机床与液压,2019(17)”,将寿命与钻削效率作为性能指标,通过正交试验分别建立刀具寿命和加工效率与刀具几何结构参数之间的函数关系,并利用Pareto遗传算法对优化模型进行了优化求解。通过建立性能指标与刀具几何结构参数之间的关系公式,利用数学方法求解最优值。两种方法有许多思想值得借鉴,但两种技术方法仍存在以下缺陷和不足:
(1)通过试切或是通过技术人员的经验,来确定实际加工的刀具几何结构参数,这类方法简单易实行,效果明显,但不能保证经济效益与加工速率。
(2)利用数学建模的方法,建立性能指标与刀具几何结构参数之间的关系公式,通过数学方法求解最优值,精确模型的建立和方便科学的计算方法是数学建模方法的关键,存在模型选择合理性问题。
(3)利用数学建模的方法,建立性能指标与刀具几何结构参数之间的关系公式,通过数学方法求解最优值,模型构建需要选取样本点,存在样本点选取困难、取值代表性问题。
(4)利用数学建模的方法,建立性能指标与刀具几何结构参数之间的关系公式,通过数学方法求解最优值,所构建的数学模型,存在泛化能力差的问题,当影响因素有所改变,就会导致模型的准确度出现问题。
(5)两种优化处理方法都是基于小样本数据,当处理海量数据时可能出现单机计算机资源不足的问题。
发明内容
本发明的目的是提供一种刀具参数优化设计方法及系统,以快速、准确的优化刀具参数。
为实现上述目的,本发明提供了如下方案:
一种刀具参数优化设计方法,包括:
获取历史被加工工件表面粗糙度集合;
采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;
获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;
采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;
利用各所述最优刀具参数进行刀具设计。
可选的,所述采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合,具体为:
从所述粗糙度集合中选取多个样本当作初始聚类中心;
计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离;
根据所述第一距离将粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组;
根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正;
对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
可选的,所述对修正后的聚类中心进行分裂处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否小于第一预设阈值;
若否,则不进行分裂处理;
若是,则根据每个修正后的聚类中的样本距离的标准差向量、每个修正后的聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
可选的,所述对修正后的聚类中心进行合并处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否大于第二预设阈值;
若否,则不进行合并处理;
若是,则计算各所述修正后的聚类中心之间的距离,得到第二距离;
判断所述第二距离是否小于第三预设阈值;
若否,则不进行合并处理;
若是,则将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
可选的,所述采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合,具体为:
从所述刀具参数集合中选取多个样本当作刀具初始聚类中心;
计算所述刀具参数集合中剩余样本与各所述刀具初始聚类中心的距离,得到第三距离;
根据所述第三距离将刀具参数集合中剩余样本分配到各所述刀具初始聚类中心中,获得刀具聚类分组;
根据所述刀具聚类分组以及所述刀具聚类分组中的每个样本对所述刀具初始聚类中心进行修正;
对修正后的刀具聚类中心进行分裂或合并处理,得到最优刀具参数集合。
可选的,所述刀具参数包括刀具的前角、刀具的后角、刀具的主偏角、刀具的副偏角、刃倾角和刀尖圆弧半径。
一种刀具参数优化设计系统,包括:
数据获取模块,用于获取历史被加工工件表面粗糙度集合;
第一聚类模块,用于采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;
刀具参数集合获取模块,用于获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;
第二聚类模块,用于采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;
刀具设计模块,用于利用各所述最优刀具参数进行刀具设计。
可选的,所述第一聚类模块包括:
初始聚类中心选取单元,用于从所述粗糙度集合中选取多个样本当作初始聚类中心;
距离计算单元,用于计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离;
样本分配单元,用于根据所述第一距离将所述粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组;
修正单元,用于根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正;
处理单元,用于对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
可选的,所述处理单元包括:
第一判断子单元,用于判断选取的样本个数是否小于第一预设阈值,获得第一判断结果;
分裂截止子单元,用于当所述第一判断结果为选取的样本个数不小于第一预设阈值时,不进行分裂处理;
分裂处理子单元,用于当所述第一判断结果为选取的样本个数小于第一预设阈值时,根据每个修正后的聚类中的样本距离的标准差向量、每个修正后的聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
可选的,所述处理单元还包括:
第二判断子单元,用于判断选取的样本个数是否大于第二预设阈值,获得第二判断结果;
第一合并截止子单元,用于当所述第二判断结果为选取的样本个数不大于第二预设阈值时,不进行合并处理;
距离计算子单元,用于当所述第二判断结果为选取的样本个数大于第二预设阈值时,计算各所述修正后的聚类中心之间的距离,得到第二距离;
第三判断子单元,用于判断所述第二距离是否小于第三预设阈值,获得第三判断结果;
第二合并截止子单元,用于当所述第三判断结果为各所述聚类中心之间的距离不小于第三预设阈值时,不进行合并处理;
合并处理子单元,用于当所述第三判断结果为各所述聚类中心之间的距离大于第三预设阈值时,将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种刀具参数优化设计方法及系统,方法包括:获取历史被加工工件表面粗糙度集合;采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;利用各所述最优刀具参数进行刀具设计。本发明从最优被加工工件表面粗糙度对应的刀具参数中选取最优刀具参数,过滤了大量非最优刀具参数,更加快速的获得计算结果。同时利用改进后的k均值聚类算法选取最优集合,计算结果更为准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种刀具参数优化设计方法的流程图;
图2为本发明实施例提供的改进的k均值聚类算法的过程示意图;
图3为本发明实施例提供的MapReduce编程流程图;
图4为本发明实施例提供的刀具参数优化设计方法过程图;
图5为本发明实施例提供的一种刀具参数优化设计系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种刀具参数优化设计方法及系统,以快速、准确的优化刀具参数。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例提供的一种刀具参数优化设计方法的流程图,如图1所示,方法包括:
步骤101:获取历史被加工工件表面粗糙度集合。
步骤102:采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合。在本实施例中,步骤102具体包括:
步骤1021:从所述粗糙度集合中选取多个样本当作初始聚类中心。
步骤1022:计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离。
步骤1023:根据所述第一距离将粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组。
步骤1024:根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正。
步骤1025:对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
其中,步骤1025中对修正后的聚类中心进行分裂处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否小于第一预设阈值。
若否,则不进行分裂处理。
若是,则根据每个聚类中的样本距离的标准差向量、每个聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
其中,步骤1025中对修正后的聚类中心进行合并处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否大于第二预设阈值。
若否,则不进行合并处理。
若是,则计算各所述修正后的聚类中心之间的距离,得到第二距离。
判断所述第二距离是否小于第三预设阈值。
若否,则不进行合并处理;
若是,则将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
步骤103:获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合。其中刀具参数包括刀具的前角、刀具的后角、刀具的主偏角、刀具的副偏角、刃倾角和刀尖圆弧半径。
步骤104:采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合。在本实施例中,步骤104具体包括:
步骤1041:从所述刀具参数集合中选取多个样本当作刀具初始聚类中心。
步骤1042:计算所述刀具参数集合中剩余样本与各所述刀具初始聚类中心的距离,得到第三距离。
步骤1043:根据所述第三距离将刀具参数集合中剩余样本分配到各所述刀具初始聚类中心中,获得刀具聚类分组。
步骤1044:根据所述刀具聚类分组以及所述刀具聚类分组中的每个样本对所述刀具初始聚类中心进行修正。
步骤1045:对修正后的刀具聚类中心进行分裂或合并处理,得到最优刀具参数集合。
步骤105:利用各所述最优刀具参数进行刀具设计。
实施例2
本实施例提供了一种刀具参数优化设计方法,如图2至4所示,方法包括:
步骤S1:搭建MySQL数据库,对历史实验加工数据进行整理保存。其中历史实验加工数据包含机床相关信息、加工过程收集的实时信号、刀具相关信息、加工工件相关信息和加工工艺相关信息。
步骤S2:从MySQL数据库中提取性能指标集和优化参数集,并对性能指标集和优化参数集进行预处理。其中性能指标集是由被加工工件表面粗糙度构成的。优化参数包括刀具的前角、后角、刃倾角、主偏角、副偏角、刀尖圆弧半径。
本步骤中数据预处理具体为:将空的或者数据维度缺失的数据组合剔除,再将剩余数据存储到分布式计算框架中的分布式文件系统中。
步骤S3:采用改进后的K-means算法对性能指标集(被加工工件表面粗糙度集合,即一维性能指标)聚类,生成聚类结果。其中改进后的K-means算法能够在Hadoop数据平台上运行,并能够在多台计算机中并行运算。
步骤S4:从聚类结果中剔除非最优性能指标集及其对应的优化参数集,剩余数据组成新的数据集。
步骤S5:将新数据集中的优化参数集进行聚类分组,重新生成聚类结果。
步骤S6:将重新生成的聚类结果中的聚类中心中的数据作为刀具设计参数。
在本实施例中,步骤S3中,由于性能指标即表面粗糙度为一维数组,不能预先知晓具体的分组数目,所以需要通过改进K-means算法对性能指标进行聚类。聚类过程为:
步骤S31:在被加工工件表面粗糙度数据集中随机选取m个任意样本当作初始聚类中心z1,z2,z3,…zm。并预先设定参数:聚类个数K、类中样本标准差最大值θs、聚类中心之间距离的最小值θc、各类中至少具有的样本数θN、在一次迭代中可以合并的类的最大对数L、迭代的极限次数I。其中m与K不一定相等。
步骤S32:计算每个样本数据即被加工工件表面粗糙度与聚类中心的距离,将每个数据样本分配到距离上述m个中心点最近的类中。
步骤S33:对聚类中心进行修正,计算类中样本与聚类中心的平均距离,计算各个样本与其对应聚类中心的总平均距离。
其中利用公式:
对聚类中心进行修正;zj为修正后的聚类中心,j=1,2,...k,x为每个聚类分组中的样本数据,Sj为聚类分组,Nj为各分组中的样本个数。
利用公式:
计算类中样本与聚类中心的平均距离Dj。
利用公式:
步骤S34:对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。其中步骤S34中分裂处理过程为:
判断m是否小于等于K/2,若否,则不进行分裂处理。若是,则计算每个修正后的聚类中样本距离的标准差向量σj,公式如下:
zj +=zj+ρσmax (5)
zj -=zj-ρσmax (6)
ρ为大于0小于1的设定参数。
步骤S34中合并处理过程为:
判断m是否大于2K,若否,则不进行合并处理。若是,则计算各个修正后的聚类中心之间的距离Dij,计算公式为:
Dij=||zi-zj|| (7)
其中i=1,2,...k-1;j=i+1,...k。
比较Dij与θc的值,将Dij中最短距离对应的两个修正后的聚类中心进行合并处理。利用公式:
计算新的聚类中心zi *。其中公式中(8)中zi和zj两个聚类中心向量分别以其类内的样本数Ni、Nj进行加权求取平均值,每合并一对,m-1。合并的对数不超过在一次迭代中可以合并的类的最大对数L。
在本实施例中,步骤S5具体过程为:
在Hadoop(分布式系统基础架构)平台中运行改进后的聚类算法。在HDFS(分布式文件系统)中将优化参数集分成规模相当的若干个数据子集,并将这些子集分配到任意工作节点。
Map阶段,在对应节点扫描数据子集,运用改进的K-means算法,根据最小距离准则将刀具参数中的样本分配到对应的聚类中心中,获得部分刀具参数集聚类中心与对应样本,生成键值对<key,value>,其中key代表聚类中心,value代表对应聚类中心的数据样本。
Reduce阶段,针对Map阶段生成的键值对<key,value>,通过计算相同key对应刀具参数数据样本的平均值,生成新的聚类中心向量,并输出新的聚类中心向量及其对应的数据样本。
判断编程模型MapReduce的迭代次数是否满足最大迭代次数或达到前后两次迭代聚类中心不变的约束条件,如果不满足则继续循环执行编程模型MapReduce任务,如果达到约束条件,则退出循环输出全局最优位置,并输出刀具参数集聚类中心及其对应样本数据。
实施例3
图5为本发明实施例提供的一种刀具参数优化设计系统的系统框图,如图5所示,系统包括:
数据获取模块201,用于获取历史被加工工件表面粗糙度集合。
第一聚类模块202,用于采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合。
刀具参数集合获取模块203,用于获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合。
第二聚类模块204,用于采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合。
刀具设计模块205,用于利用各所述最优刀具参数进行刀具设计。
在本实施例中,第一聚类模块202包括:
初始聚类中心选取单元2021,用于从所述粗糙度集合中选取多个样本当作初始聚类中心。
距离计算单元2022,用于计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离。
样本分配单元2023,用于根据所述第一距离将所述粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组。
修正单元2024,用于根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正。
处理单元2025,用于对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
其中,处理单元2025包括:
第一判断子单元,用于判断选取的样本个数是否小于第一预设阈值,获得第一判断结果。
分裂截止子单元,用于当所述第一判断结果为选取的样本个数不小于第一预设阈值时,不进行分裂处理。
分裂处理子单元,用于当所述第一判断结果为选取的样本个数小于第一预设阈值时,根据每个修正后的聚类中的样本距离的标准差向量、每个修正后的聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
处理单元2025还包括:
第二判断子单元,用于判断选取的样本个数是否大于第二预设阈值,获得第二判断结果;
第一合并截止子单元,用于当所述第二判断结果为选取的样本个数不大于第二预设阈值时,不进行合并处理;
距离计算子单元,用于当所述第二判断结果为选取的样本个数大于第二预设阈值时,计算各所述修正后的聚类中心之间的距离,得到第二距离;
第三判断子单元,用于判断所述第二距离是否小于第三预设阈值,获得第三判断结果;
第二合并截止子单元,用于当所述第三判断结果为各所述聚类中心之间的距离不小于第三预设阈值时,不进行合并处理;
合并处理子单元,用于当所述第三判断结果为各所述聚类中心之间的距离大于第三预设阈值时,将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)本发明采用了改进K-means算法,能够进行动态聚类或迭代自组织数据分析。能够在初始聚类时认识到数据的本质属性,并通过模仿人类认识事物的过程以一种逐步进化的方式来逼近事物的本质,从而更加科学的进行分类。
(2)本发明计算出的最优刀具参数,反应了历史加工数据中工件表面粗糙度的最大可达值,可应用于真实刀具生产设计中。
(3)本发明根据工厂实际生产加工中所积累的大量生产加工运行数据进行挖据,得到影响性能指标的参数设计组合,避免了建模数据选择不精确,建模效果差等问题。
(4)本发明利用Hadoop数据分析平台将多台计算机的计算资源进行整合,解决了单机计算资源不足的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种刀具参数优化设计方法,其特征在于,包括:
获取历史被加工工件表面粗糙度集合;
采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;
获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;
采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;
利用各所述最优刀具参数进行刀具设计。
2.根据权利要求1所述的设计方法,其特征在于,所述采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合,具体为:
从所述粗糙度集合中选取多个样本当作初始聚类中心;
计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离;
根据所述第一距离将粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组;
根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正;
对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
3.根据权利要求2所述的设计方法,其特征在于,所述对修正后的聚类中心进行分裂处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否小于第一预设阈值;
若否,则不进行分裂处理;
若是,则根据每个修正后的聚类中的样本距离的标准差向量、每个修正后的聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
4.根据权利要求3所述的设计方法,其特征在于,所述对修正后的聚类中心进行合并处理,得到最优粗糙度集合,具体为:
判断选取的样本个数是否大于第二预设阈值;
若否,则不进行合并处理;
若是,则计算各所述修正后的聚类中心之间的距离,得到第二距离;
判断所述第二距离是否小于第三预设阈值;
若否,则不进行合并处理;
若是,则将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
5.根据权利要求1所述的设计方法,其特征在于,所述采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合,具体为:
从所述刀具参数集合中选取多个样本当作刀具初始聚类中心;
计算所述刀具参数集合中剩余样本与各所述刀具初始聚类中心的距离,得到第三距离;
根据所述第三距离将刀具参数集合中剩余样本分配到各所述刀具初始聚类中心中,获得刀具聚类分组;
根据所述刀具聚类分组以及所述刀具聚类分组中的每个样本对所述刀具初始聚类中心进行修正;
对修正后的刀具聚类中心进行分裂或合并处理,得到最优刀具参数集合。
6.根据权利要求1所述的设计方法,其特征在于,所述刀具参数包括刀具的前角、刀具的后角、刀具的主偏角、刀具的副偏角、刃倾角和刀尖圆弧半径。
7.一种刀具参数优化设计系统,其特征在于,包括:
数据获取模块,用于获取历史被加工工件表面粗糙度集合;
第一聚类模块,用于采用改进后的k均值聚类算法对所述粗糙度集合进行聚类,得到最优粗糙度集合;
刀具参数集合获取模块,用于获取各所述最优粗糙度对应的刀具参数构成的刀具参数集合;
第二聚类模块,用于采用改进后的k均值聚类算法对所述刀具参数集合进行聚类,得到最优刀具参数集合;
刀具设计模块,用于利用各所述最优刀具参数进行刀具设计。
8.根据权利要求7所述的设计系统,其特征在于,所述第一聚类模块包括:
初始聚类中心选取单元,用于从所述粗糙度集合中选取多个样本当作初始聚类中心;
距离计算单元,用于计算所述粗糙度集合中剩余样本与各所述初始聚类中心的距离,得到第一距离;
样本分配单元,用于根据所述第一距离将所述粗糙度集合中剩余样本分配到各所述初始聚类中心中,获得聚类分组;
修正单元,用于根据所述聚类分组以及所述聚类分组中的每个样本对所述初始聚类中心进行修正;
处理单元,用于对修正后的聚类中心进行分裂或合并处理,得到最优粗糙度集合。
9.根据权利要求7所述的设计系统,其特征在于,所述处理单元包括:
第一判断子单元,用于判断选取的样本个数是否小于第一预设阈值,获得第一判断结果;
分裂截止子单元,用于当所述第一判断结果为选取的样本个数不小于第一预设阈值时,不进行分裂处理;
分裂处理子单元,用于当所述第一判断结果为选取的样本个数小于第一预设阈值时,根据每个修正后的聚类中的样本距离的标准差向量、每个修正后的聚类中的样本与样本对应的修正后的聚类中心之间的平均距离以及每个样本与每个样本对应的修正后的聚类中心之间的总平均距离对修正后的聚类中心进行分裂处理。
10.根据权利要求8所述的设计系统,其特征在于,所述处理单元还包括:
第二判断子单元,用于判断选取的样本个数是否大于第二预设阈值,获得第二判断结果;
第一合并截止子单元,用于当所述第二判断结果为选取的样本个数不大于第二预设阈值时,不进行合并处理;
距离计算子单元,用于当所述第二判断结果为选取的样本个数大于第二预设阈值时,计算各所述修正后的聚类中心之间的距离,得到第二距离;
第三判断子单元,用于判断所述第二距离是否小于第三预设阈值,获得第三判断结果;
第二合并截止子单元,用于当所述第三判断结果为各所述聚类中心之间的距离不小于第三预设阈值时,不进行合并处理;
合并处理子单元,用于当所述第三判断结果为各所述聚类中心之间的距离大于第三预设阈值时,将所述第二距离中最短距离对应的两个修正后的聚类中心进行合并处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916450.0A CN112035978B (zh) | 2020-09-03 | 2020-09-03 | 一种刀具参数优化设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916450.0A CN112035978B (zh) | 2020-09-03 | 2020-09-03 | 一种刀具参数优化设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035978A true CN112035978A (zh) | 2020-12-04 |
CN112035978B CN112035978B (zh) | 2022-07-12 |
Family
ID=73591943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916450.0A Active CN112035978B (zh) | 2020-09-03 | 2020-09-03 | 一种刀具参数优化设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035978B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912241A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市艾为创科技有限公司 | 基于机器学习的cnc调机优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN105066915A (zh) * | 2015-08-07 | 2015-11-18 | 哈尔滨理工大学 | 模具曲面加工误差和表面粗糙度在机检测装置及检测方法 |
CN106611239A (zh) * | 2016-07-26 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的k_means算法对解决制造业物料采购问题 |
CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工系统及方法 |
-
2020
- 2020-09-03 CN CN202010916450.0A patent/CN112035978B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN105066915A (zh) * | 2015-08-07 | 2015-11-18 | 哈尔滨理工大学 | 模具曲面加工误差和表面粗糙度在机检测装置及检测方法 |
CN106611239A (zh) * | 2016-07-26 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的k_means算法对解决制造业物料采购问题 |
CN111413923A (zh) * | 2020-03-30 | 2020-07-14 | 辽宁省交通高等专科学校 | 一种用于复杂曲面加工的高速精密加工系统及方法 |
Non-Patent Citations (3)
Title |
---|
TSENG, YH等: "Automatic plane extraction from LIDAR data based on octree splitting and merging segmentation", 《IGARSS 2005: IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, VOLS 1-8, PROCEEDINGS》 * |
张烘州: "钛锭切削加工专用刀具的开发及应用", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
鲍黎明等: "基于多叉树确定K值的动态K-means聚类算法", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912241A (zh) * | 2023-09-12 | 2023-10-20 | 深圳市艾为创科技有限公司 | 基于机器学习的cnc调机优化方法及系统 |
CN116912241B (zh) * | 2023-09-12 | 2023-12-12 | 深圳市艾为创科技有限公司 | 基于机器学习的cnc调机优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112035978B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615638B (zh) | 一种面向大数据的分布式密度聚类方法 | |
CN108763827B (zh) | 一种输电塔有限元模型建立方法及装置 | |
Zhang et al. | Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm | |
WO2017124930A1 (zh) | 一种特征数据处理方法及设备 | |
CN112035978B (zh) | 一种刀具参数优化设计方法及系统 | |
CN104318022A (zh) | 一种预测工件表面粗糙度并提高切削效率的方法 | |
CN111859566A (zh) | 基于数字孪生的表面粗糙度稳定方法 | |
CN113032367A (zh) | 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统 | |
CN114399591A (zh) | 基于激光点云数据的输电线路本体矢量化提取方法及装置 | |
Natarajan et al. | Production wastage avoidance using modified multi-objective teaching learning based optimization embedded with refined learning scheme | |
CN106599451B (zh) | 一种rv减速器主轴承的多目标优化方法 | |
CN110704959B (zh) | 基于迁移行为的moead优化夹具布局的方法及装置 | |
CN109597355B (zh) | 曲面微织构数控加工刀轴矢量的设计方法 | |
Chauhan et al. | Optimizing CNC turning process using real coded genetic algorithm and differential evolution | |
Wang et al. | Web-based optimization of milling operations for the selection of cutting conditions using genetic algorithms | |
CN111445525A (zh) | 相机安装位置的布局方法、装置、设备及存储介质 | |
CN112508363A (zh) | 基于深度学习的电力信息系统状态分析方法及装置 | |
CN105760478A (zh) | 一种基于机器学习的大规模分布式的数据聚类方法 | |
CN111274123A (zh) | 基于软件基因的安全防护软件测试集自动生成方法、架构 | |
Hossain et al. | A neuro-fuzzy approach to select cutting parameters for commercial die manufacturing | |
Kontolatis et al. | Optimisation of press-brake bending operations in 3D space | |
Wang et al. | Optimization of the tool selection based on big data | |
Chen et al. | Physics-guided high-value data sampling method for predicting milling stability with limited experimental data | |
CN110298538B (zh) | 一种智能车间组合调度控制方法 | |
Bhide et al. | Cell formation using multiple process plans |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |