CN113779694A - 一种基于支持向量机的制造过程可靠性建模方法及装置 - Google Patents

Abstract

本发明涉及一种基于支持向量机的制造过程可靠性建模方法及装置，该方法包括：获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。本发明实用性强又易于实施，可有效预测制造过程表面粗糙度及可靠性，且大幅减少计算复杂度，相比传统蒙特卡洛方法计算效率更高，且计算误差处在可接受范围内。

Description

一种基于支持向量机的制造过程可靠性建模方法及装置

技术领域

本发明涉及外圆车削制造技术领域，尤其涉及一种基于支持向量机的制造过程可靠性建模方法及装置。

背景技术

航空发动机钛合金叶轮是航空发动机核心零部件，其形状和结构十分复杂，数量多且尺寸大小各异(长度从20mm到800mm)，而且对于钛合金这类难加工材料而言，加工过程中切削力很大，始终处于高温、高转速、循环载荷的恶劣共工作环境中，如果叶轮本身存在质量缺陷，发生变形、断裂等故障，后果将不堪设想。

由于制造过程的复杂性，当前针对制造过程可靠性尤其是航空发动机叶轮制造过程可靠性采用智能算法的研究较少。因此，如何对制造过程可靠性进行智能高效的判定是亟待解决的问题。

发明内容

有鉴于此，有必要提供一种基于支持向量机的制造过程可靠性建模方法及装置，用以克服现有技术中制造过程可靠性判定过程复杂且智能化不高的问题。

本发明提供一种基于支持向量机的制造过程可靠性建模方法，包括：

获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

进一步地，所述获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集，包括：

获取车削工艺过程中，多次切削实验下对应的不同的工件参数，并采集切削后的所述工件实际表面粗糙度，其中，所述工件参数包括切削速度、切削深度和进给量中的至少一种；

针对每次切削实验，将不同的所述工件参数构成对应的所述工艺参数组；

将所述工艺参数组对应的所述工件实际表面粗糙度作为标注信息，形成所述样本训练集。

进一步地，所述将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型，包括：

将所述样本训练集中的数据进行归一化处理后输入至所述支持向量机模型；

基于网格搜索法，优化支持向量机模型参数，生成不同的参数组合，在参数空间内搜索最小化泛化误差的参数组合；

根据所述最小化泛化误差的参数组合，确定所述训练完备的支持向量机模型。

进一步地，所述工艺参数组中的工件参数包括切削速度、切削深度和进给量，所述多组采样参数组的随机生成过程，包括：

基于拉丁超立方采样，分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量；

将不同的所述基本随机变量，作为对应的每一维的抽样区间；

根据预设的抽样范围，在所述每一维的抽样区间均匀抽样，生成每一维对应的抽样数据；

将不同维度的抽样数据进行组合，生成所述采样参数组。

进一步地，所述分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量，包括：

分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差；

基于拉丁超立方采样，分别根据所述切削速度、所述切削深度和所述进给量对应的所述平均值和所述方差，生成对应的正态分布；

根据所述切削速度、所述切削深度和所述进给量对应的正态分布，生成对应的所述基本随机变量。

进一步地，所述分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差，包括：分别针对车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，预设对应的平均值和方差；或分别根据车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，计算对应的平均值和方差。

进一步地，所述根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性，包括：

根据所述采样参数组对应输出的所述工件预测表面粗糙度和预设的表面粗糙度上限值，判断工件是否合格；

若不合格，则记为落入失效域的采样点，统计所述落入失效域的采样点的失效数目；

根据所述失效数目，判断所述车削工艺过程的可靠性。

进一步地，所述根据所述采样参数组对应输出的所述工件预测表面粗糙度和预设的表面粗糙度上限值，判断工件是否合格，包括：

若所述工件预测表面粗糙度大于所述表面粗糙度上限值，则判断工件不合格，其中，所述表面粗糙度上限值根据不同的车削工艺过程进行设置。

进一步地，所述车削工艺过程的可靠性通过如下公式表示：

其中，P表示所述车削工艺过程的可靠性，n表示所述失效数目，所述N表示所述采样参数组的总数目。

本发明还提供一种基于支持向量机的制造过程可靠性建模装置，包括：

获取单元，用于获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

训练单元，用于将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

预测单元，用于将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

与现有技术相比，本发明的有益效果包括：首先，对多种工艺参数组和对应的标注信息进行有效的获取，形成对应的训练样本集；然后，利用训练样本集，构建支持向量机模型，作为后续多个采样组的输入模型；最后，根据随机生成的采样参数组作为模型输入，输出对应的工件预测表面粗糙度，基于多个采样参数组对应的工件预测表面粗糙度判断工艺工程的可靠性，避免了多种重复性实验，减少了计算复杂度，提高了可靠性判断的智能性。综上，本发明实用性强又易于实施，可有效预测制造过程表面粗糙度及可靠性，且大幅减少计算复杂度，相比传统蒙特卡洛方法计算效率更高，且计算误差处在可接受范围内。

附图说明

图1为本发明提供的基于支持向量机的制造过程可靠性建模方法的应用系统一实施例的场景示意图；

图2为本发明提供的基于支持向量机的制造过程可靠性建模方法一实施例的流程示意图；

图3为本发明提供的图2中步骤S1一实施例的流程示意图；

图4为本发明提供的图2中步骤S2一实施例的流程示意图；

图5为本发明提供的图2中步骤S3生成采样参数组一实施例的流程示意图；

图6为本发明提供的图5中步骤S31一实施例的流程示意图；

图7为本发明提供的图5中步骤S3判断可靠性一实施例的流程示意图；

图8为本发明提供的基于支持向量机的制造过程可靠性建模装置一实施例的结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。

本发明提供了一种基于支持向量机的制造过程可靠性建模方法及装置，利用支持向量机和随机参数生成，为进一步提高工艺过程可靠性判断的实用性和智能性提供了新思路。以下分别进行详细说明：

本发明实施例提供了一种基于支持向量机的制造过程可靠性建模方法的应用系统，图1为本发明提供的基于支持向量机的制造过程可靠性建模方法的应用系统一实施例的场景示意图，该系统可以包括服务器100，服务器100中集成有基于支持向量机的制造过程可靠性建模装置，如图1中的服务器。

本发明实施例中服务器100主要用于：

获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该基于支持向量机的制造过程可靠性建模方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。

另外，如图1所示，该基于支持向量机的制造过程可靠性建模方法的应用系统还可以包括存储器200，用于存储数据，如工件实际表面粗糙度、训练完备的支持向量机模型和工件预测表面粗糙度等。

需要说明的是，图1所示的基于支持向量机的制造过程可靠性建模方法的应用系统的场景示意图仅仅是一个示例，本发明实施例描述的基于支持向量机的制造过程可靠性建模方法的应用系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于支持向量机的制造过程可靠性建模方法的应用系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

本发明实施例提供了一种基于支持向量机的制造过程可靠性建模方法，结合图2来看，图2为本发明提供的基于支持向量机的制造过程可靠性建模方法一实施例的流程示意图，包括步骤S1至步骤S3，其中：

在步骤S1中，获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

在步骤S2中，将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

在步骤S3中，将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

在本发明实施例中，首先，对多种工艺参数组和对应的标注信息进行有效的获取，形成对应的训练样本集；然后，利用训练样本集，构建支持向量机模型，作为后续多个采样组的输入模型；最后，根据随机生成的采样参数组作为模型输入，输出对应的工件预测表面粗糙度，基于多个采样参数组对应的工件预测表面粗糙度判断工艺工程的可靠性，避免了多种重复性实验，减少了计算复杂度，提高了可靠性判断的智能性。

作为优选的实施例，结合图3来看，图3为本发明提供的图2中步骤S1一实施例的流程示意图，步骤S1具体包括步骤S11至步骤S13，其中：

在步骤S11中，获取车削工艺过程中，多次切削实验下对应的不同的工件参数，并采集切削后的所述工件实际表面粗糙度，其中，所述工件参数包括切削速度、切削深度和进给量中的至少一种；

在步骤S12中，针对每次切削实验，将不同的所述工件参数构成对应的所述工艺参数组；

在步骤S13中，将所述工艺参数组对应的所述工件实际表面粗糙度作为标注信息，形成所述样本训练集。

在本发明实施例中，结合实验数据，有效构建多组工艺参数组，确定对应的样本训练集。

在本发明一个具体实施例中，以数控车削工艺实验为例，选择工件材料为AISI1045钢，直径为47mm，长度为250mm，安装在三爪卡盘中，夹持长度为20mm；选用的车刀前角为+7°，刀尖半径为0.04mm，材质为碳化钨；实验设计为三因素三水平的正交实验，并对三因素进行全要素分析，共进行27次切削实验，切削速度v分别为103.31m/s、134.30m/s、174.14m/s，进给量f分别为0.12mm/r、0.16mm/r、0.2mm/r，切削深度d分别为0.5mm、1.0mm、1.5mm，每次固定其中两个工艺参数，改变一个工艺参数进行三次实验，采集加工后的表面粗糙度。其中，因素水平控制表如下表1所示，正交实验表如下表2所示。

表1

编号	因素	水平1	水平2	水平3
					A	切削速度v(m/s)	103.31	134.30	174.14
B	进给率f(mm/r)	0.12	0.16	0.20
					C	切削深度d(mm)	0.5	1.0	1.5

表2

作为优选的实施例，结合图4来看，图4为本发明提供的图2中步骤S2一实施例的流程示意图，步骤S2具体包括步骤S21至步骤S23，其中：

在步骤S21中，将所述样本训练集中的数据进行归一化处理后输入至所述支持向量机模型；

在步骤S22中，基于网格搜索法，优化支持向量机模型参数，生成不同的参数组合，在参数空间内搜索最小化泛化误差的参数组合；

在步骤S23中，根据所述最小化泛化误差的参数组合，确定所述训练完备的支持向量机模型。

在本发明实施例中，基于上述构建的训练样本集，对支持向量机模型进行有效的训练。

在本发明一个具体的实施例中，建立基于支持向量机方法的表面粗糙度预测模型包括如下步骤：

第一步，数据预处理，在确定了模型输入变量以后，需要选择合适的数据作为训练样本。由于各影响因素的单位不同，为避免具有不同物理意义和量纲的输入变量不能平等使用，须对数据进行归一化处理，通过如下公式表示：

式中，xi为实验的第i个数据,μi和σi分别为这个随机变量的均值和标准差,xi’为尺度变换后的样本；

第二步，选择模型参数，在本发明实施例中，选择径向基核函数(RBF)作为支持向量机模型的核函数，有以下特点：

基于径向基核的支持向量机模型具有良好的拟合与泛化性能；

通过选取适当的核参数g，径向基核可以表示任意的函数；

径向基核的参数只有一个，有利于选择和优化。

第三步，优化支持向量机模型参数：最终的支持向量机模型一共包含三个参数，即不敏感损失参数ε，惩罚参数C和核函数中的参数g。模型性能与这三个参数之间关系密切，一般将不敏感损失参数ε设为10-4，惩罚参数C和核函数中的参数g通过迭代算法进行优化。参数优化时，以泛化误差的估计作为标准，根据参数与泛化误差的关系，在参数空间内搜索最小化泛化误差的参数组合。

作为优选的实施例，结合图5来看，图5为本发明提供的图2中步骤S3生成采样参数组一实施例的流程示意图，步骤S3具体包括步骤S31至步骤S33，其中：

在步骤S31中，基于拉丁超立方采样，分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量，其中，所述基本随机变量符合正态分布；

在步骤S32中，将不同的所述基本随机变量，作为对应的每一维的抽样区间；

在步骤S33中，根据预设的抽样范围，在所述每一维的抽样区间均匀抽样，生成每一维对应的抽样数据；

在步骤S34中，将不同维度的抽样数据进行组合，生成所述采样参数组。

在本发明实施例中，对不同维度的数据进行抽样，形成不同维度的抽样数据，形成对应于工艺参数组的采样参数组，作为SVM模型的输入。

作为优选的实施例，结合图6来看，图6为本发明提供的图5中步骤S31一实施例的流程示意图，步骤S31具体包括步骤S311至步骤S313，其中：

在步骤S311中，分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差；

在步骤S312中，基于拉丁超立方采样，分别根据所述切削速度、所述切削深度和所述进给量对应的所述平均值和所述方差，生成对应的正态分布；

在步骤S313中，根据所述切削速度、所述切削深度和所述进给量对应的正态分布，生成对应的所述基本随机变量。

在本发明实施例中，基于拉丁超立方采样，有效构成不同维度的基本随机变量，便于后续的变量组合。

作为优选的实施例，所述分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差包括：分别针对车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，预设对应的平均值和方差；或分别根据车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，计算对应的平均值和方差。在本发明实施例中，利用不同方式，设置不同维度数据对应的平均值和方差。

作为优选的实施例，结合图7来看，图7为本发明提供的图5中步骤S3判断可靠性一实施例的流程示意图，步骤S3具体包括步骤S35至步骤S37，其中：

在步骤S35中，根据所述采样参数组对应输出的所述工件预测表面粗糙度和预设的表面粗糙度上限值，判断工件是否合格；

在步骤S36中，若不合格，则记为落入失效域的采样点，统计所述落入失效域的采样点的失效数目；

在步骤S37中，根据所述失效数目，判断所述车削工艺过程的可靠性。

在本发明实施例中，根据采样参数组作为不同的多个模型输入，对应得到不同的输出，以此判断工件加工的失效情况，从而来确定车削工艺过程的可靠性。

作为优选的实施例，步骤S35具体包括：若所述工件预测表面粗糙度大于所述表面粗糙度上限值，则判断工件不合格，其中，所述表面粗糙度上限值根据不同的车削工艺过程进行设置。在本发明实施例中，设置表面粗糙度上限值，确定工件的合格与否。

作为优选的实施例，所述车削工艺过程的可靠性通过如下公式表示：

其中，P表示所述车削工艺过程的可靠性，n表示所述失效数目，所述N表示所述采样参数组的总数目。

在本发明实施例中，根据失效数目和采样参数组的总数目，判断不合格工件的出现频率，从而判断车削工艺过程的可靠性。

在本发明一个具体的实施例中，以数值例进行进一步说明，将落入失效域的采样点逐个计数，计算出全部采样点的失效数n，通过下式即计算出以表面粗糙度为评价指标的制造过程可靠度。最终得出可靠性值，其中N代表采样点总数。例如，当采样点数为3000，失效数为15时，可以计算出可靠度数值为99.5％

在本发明一个具体的实施例中，将落入表面粗糙度失效域的抽样点计为0，将落入安全域的抽样点计为+1，则可靠性分析问题便转变为了归化拟合问题。基于支持向量机的可靠性分析模型把训练后的支持向量机作为拟合器，通过输入值预测输出值，与可靠性指标相比较，对失效样本进行计数，得出最终的制造过程可靠性。具体过程如下：

第一步，进行抽样，对于训练样本,可以利用拉丁超立方采样在随机变量的均值两侧k倍标准差范围内随机产生,例如基本随机变量X～N(μ,σ2),抽样范围为[μ-kσ,μ+kσ]。由于拉丁超立方采样将每一维的抽样区间按采样数进行均分，保证了抽样点在在较大范围内都均匀分布,而且能够满足训练SVM时对落入失效域抽样点计数的需求；

其中，各切削参数满足如下所示的正态分布：

v～N(134.14,0.0857)

f～N(0.12,0.000379)

d～N(1.0,0.002875)

其中，利用拉丁超立方采样在切削参数的均值两侧3倍标准差范围内随机产生训练样本，抽样范围为[μ-3σ,μ+3σ]，最终抽样范围为：

v∈[134.0429,134.5571]

f∈[0.118863,0.121137]

d∈[0.991375,1.008625]

在该范围内选取3000个样本点作为样本，由于拉丁超立方采样将每一维的抽样区间按采样数进行均分，保证了抽样点在在较大范围内都均匀分布,而且能够满足训练SVM时对落入失效域抽样点计数的需求。

第二步，进行尺度变换，对输入数据进行尺度变换的目的是减少计算的误差,提高训练SVM的稳定性和SVM的泛化性。基本随机变量作为输入数据常常因为物理意义和量纲不同,造成各自取值范围的差别较大,在SVM训练中容易出现不稳定现象,即使训练成功,泛化性能也很差。所以,基本随机变量按下式变换,使它们在训练中具有同等重要的地位：

式中，xi为随机变量的第个样本,μi和σi分别为这个随机变量的均值和标准差，xi’为尺度变换后的样本；

第三步，通过支持向量机模型计算各采样点对应的表面粗糙度值，设定表面粗糙度值上限，即当表面粗糙度大于上限时，超出了产品设计值，工件加工不合格，判定产品失效，落入失效域；反之，表面粗糙度值小于上限时，仍处于设计范围内，工件加工合格。将落入失效域的采样点逐个计数，计算出全部采样点的失效数n，通过下式即计算出以表面粗糙度为评价指标的制造过程可靠度。最终得出可靠性值。

本发明实施例还提供了一种基于支持向量机的制造过程可靠性建模装置，结合图8来看，图8为本发明提供的基于支持向量机的制造过程可靠性建模装置一实施例的结构示意图，包括：

获取单元801，用于获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

训练单元802，用于将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

预测单元803，用于将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

基于支持向量机的制造过程可靠性建模装置的各个单元的更具体实现方式可以参见对于本基于支持向量机的制造过程可靠性建模方法的描述，且具有与之相似的有益效果，在此不再赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如上所述的基于支持向量机的制造过程可靠性建模方法。

一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。

计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本发明实施例还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的基于支持向量机的制造过程可靠性建模方法。

根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的基于支持向量机的制造过程可靠性建模方法具体描述的内容实现，并具有与如上所述的基于支持向量机的制造过程可靠性建模方法类似的有益效果，在此不再赘述。

本发明公开了一种基于支持向量机的制造过程可靠性建模方法及装置，首先，对多种工艺参数组和对应的标注信息进行有效的获取，形成对应的训练样本集；然后，利用训练样本集，构建支持向量机模型，作为后续多个采样组的输入模型；最后，根据随机生成的采样参数组作为模型输入，输出对应的工件预测表面粗糙度，基于多个采样参数组对应的工件预测表面粗糙度判断工艺工程的可靠性，避免了多种重复性实验，减少了计算复杂度，提高了可靠性判断的智能性。

本发明技术方案，实用性强又易于实施，可有效预测制造过程表面粗糙度及可靠性，且大幅减少计算复杂度，相比传统蒙特卡洛方法计算效率更高，且计算误差处在可接受范围内。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于支持向量机的制造过程可靠性建模方法，其特征在于，包括：

获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

2.根据权利要求1所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集，包括：

获取车削工艺过程中，多次切削实验下对应的不同的工件参数，并采集切削后的所述工件实际表面粗糙度，其中，所述工件参数包括切削速度、切削深度和进给量中的至少一种；

针对每次切削实验，将不同的所述工件参数构成对应的所述工艺参数组；

将所述工艺参数组对应的所述工件实际表面粗糙度作为标注信息，形成所述样本训练集。

3.根据权利要求1所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型，包括：

将所述样本训练集中的数据进行归一化处理后输入至所述支持向量机模型；

基于网格搜索法，优化支持向量机模型参数，生成不同的参数组合，在参数空间内搜索最小化泛化误差的参数组合；

根据所述最小化泛化误差的参数组合，确定所述训练完备的支持向量机模型。

4.根据权利要求1所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述工艺参数组中的工件参数包括切削速度、切削深度和进给量，所述多组采样参数组的随机生成过程，包括：

基于拉丁超立方采样，分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量；

将不同的所述基本随机变量，作为对应的每一维的抽样区间；

根据预设的抽样范围，在所述每一维的抽样区间均匀抽样，生成每一维对应的抽样数据；

将不同维度的抽样数据进行组合，生成所述采样参数组。

5.根据权利要求4所述的基于支持向量机的制造过程可靠性建模方法，所述分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量，包括：

分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差；

基于拉丁超立方采样，分别根据所述切削速度、所述切削深度和所述进给量对应的所述平均值和所述方差，生成对应的正态分布；

根据所述切削速度、所述切削深度和所述进给量对应的正态分布，生成对应的所述基本随机变量。

6.根据权利要求5所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述分别针对所述切削速度、所述切削深度和所述进给量，确定对应的平均值和方差，包括：

分别针对车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，预设对应的平均值和方差；或分别根据车削工艺过程中采集的所述切削速度、所述切削深度和所述进给量，计算对应的平均值和方差。

7.根据权利要求1所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性，包括：

根据所述采样参数组对应输出的所述工件预测表面粗糙度和预设的表面粗糙度上限值，判断工件是否合格；

若不合格，则记为落入失效域的采样点，统计所述落入失效域的采样点的失效数目；

根据所述失效数目，判断所述车削工艺过程的可靠性。

8.根据权利要求7所述的基于支持向量机的制造过程可靠性建模方法，其特征在于，所述根据所述采样参数组对应输出的所述工件预测表面粗糙度和预设的表面粗糙度上限值，判断工件是否合格，包括：

若所述工件预测表面粗糙度大于所述表面粗糙度上限值，则判断工件不合格。

9.根据权利要求7所述的基于支持向量机的制造过程可靠性建模方法，所述车削工艺过程的可靠性通过如下公式表示：

其中，P表示所述车削工艺过程的可靠性，n表示所述失效数目，所述N表示所述采样参数组的总数目。

10.一种基于支持向量机的制造过程可靠性建模装置，其特征在于，包括：

获取单元，用于获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

训练单元，用于将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

预测单元，用于将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

Images