CN114819311B

CN114819311B - 一种数控加工表面粗糙度预测模型的构建方法

Info

Publication number: CN114819311B
Application number: CN202210395657.7A
Authority: CN
Inventors: 许剑锋; 程鑫; 白龙; 张建国; 刘民康
Original assignee: Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Current assignee: Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Priority date: 2022-04-15
Filing date: 2022-04-15
Publication date: 2024-06-21
Anticipated expiration: 2042-04-15
Also published as: CN114819311A

Abstract

本发明属于数控加工技术领域，并具体公开了一种数控加工表面粗糙度预测模型的构建方法，该方法包括以下步骤：安装刀具并获取刀尖点的频响函数，进而生成稳定性叶瓣图；选取加工参数并依据稳定性叶瓣图对加工参数的数值进行筛选，得到使加工处于稳定状态的多组稳定加工参数；依据每组稳定加工参数加工工件，获取每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值；以稳定加工参数和加工过程数据特征值为特征向量，表面粗糙度作为标签，组成稳定加工特征数据集；对稳定加工特征数据集进行归一化处理和特征选择，形成稳定加工优选数据集；以BP‑CNN神经网络模型为框架，利用稳定加工优选数据集进行训练获得表面粗糙度预测模型。

Description

一种数控加工表面粗糙度预测模型的构建方法

技术领域

本发明属于数控加工领域，更具体地，涉及一种数控加工表面粗糙度预测模型的构建方法。

背景技术

在数控加工技术领域，加工表面粗糙度是零件加工质量的重要部分，而表面加工质量决定着零件的服役性能；对于精密零件，表面粗糙度超差就会导致零件报废。实际生产中，根据不同的使用性能，零件往往需要不同的表面精度。由于加工是复杂的非线性变化过程，理论计算难以获得最佳的工艺参数，需要通过经验对工艺参数进行优化。

目前主要是通过对加工完成的零件进行检测，从而将实际加工误差反馈到加工准备阶段以修改加工参数，但是这样不仅效率低，效果也不明显。随着机器学习技术的兴起，将神经网络预测方法引入到传统机械加工行业，利用其强大的数据拟合能力在加工实施前进行质量预测，在一定程度上提高了生产的效率和合格率。然而，目前的表面粗糙度预测模型主要考虑加工参数，却忽略了刀具安装后系统的刚性会由于刀具悬长的不同而改变，这就导致了用于神经网络模型训练的数据集可能属于不同的维度却一同被用于进行训练模型，一方面无法提高预测的准确率，另一方面也难以实现提高生产效率和零件合格率的目的。

基于上述缺陷和不足，本领域亟需对现有的数控加工表面粗糙度预测模型的构建方法做出进一步的改进设计，尤其是对固有的模型输入进行精细化分类，建立一个高效、精确的零件表面粗糙度误差预测模型，以帮助设计人员确定更合理的工艺参数、确定合适的安装条件、选择合适的加工设备、缩短工艺设计时间，提高生产效率和零件合格率。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了一种数控加工表面粗糙度预测模型的构建方法，以解决现有技术中的数控加工表面粗糙度预测模型忽略了刀具安装后系统的刚性会由于刀具悬长的不同而改变，进而导致预测方法效率低且准确率低的问题，提供一种高效、精确的数控加工表面粗糙度预测模型的构建方法，因而尤其适用于精度要求高的数控加工之类的应用场合。

为实现上述目的，本发明提出了一种数控加工表面粗糙度预测模型的构建方法，该方法包括以下步骤：

S1：安装刀具，并获取所述刀具在实际安装悬长下刀尖点的频响函数，依据该频响函数计算并生成稳定性叶瓣图；

S2：选取加工参数，并依据步骤S1中所述稳定性叶瓣图对所述加工参数的数值进行筛选，得到使加工处于稳定状态的多组稳定加工参数；

S3：依据步骤S2中每组所述稳定加工参数分别对工件进行加工，获取每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值；

所述的加工数据特征值是通过对原始加工信号数据进行预处理后再通过特征提取获得的；

S4：以步骤S2中所述稳定加工参数和步骤S3中所述加工过程数据特征值为特征向量，步骤S3中所述表面粗糙度作为标签，合并组成稳定加工特征数据集；对所述稳定加工特征数据集中的特征向量进行归一化处理，并进行特征选择，以得到与所述标签相关度大的特征，作为优选特征，形成稳定加工优选数据集；

S5：以BP-CNN神经网络模型为框架，利用步骤S4中所述稳定加工优选数据集进行训练获得表面粗糙度预测模型。

作为进一步优选的，所述BP-CNN神经网络模型是在神经网络中融入了反向传播神经网络的误差传递特性和卷积神经网络的卷积层得到的。

作为进一步优选的，融入所述误差传递特性的具体方式为：将所述误差传递特性添加至输出层的神经节点中，利用反向传播神经网络网络中的误差反向传递确定预测模型各节点的权重与偏差。

作为进一步优选的，融入所述卷积层的具体方式为：将所述卷积层加入隐含层与输出层之间，通过池化操作一方面减少特征和参数，进而简化了卷积网络计算时的复杂度，另一方面保持了特征的不变性(旋转、平移、伸缩等)。

作为进一步优选的，加工参数包括主轴转速、切深和进给量。

作为进一步优选的，步骤S2中对所述加工参数的数值进行筛选的方法为：以所述主轴转速和切深在所述稳定性叶瓣图上绘出对应的节点，选取位于所述稳定性叶瓣图等高线以下的节点。

作为进一步优选的，所述加工过程数据包括加工力数据、工件振动数据和主轴电流数据。

作为进一步优选的，步骤S3中所述数据预处理包括依次进行的频谱分析和自适应滤波。

作为进一步优选的，所述频谱分析为对所述加工过程数据做离散傅里叶变换，进而得到加工过程数据的幅值谱；所述自适应滤波为根据所述幅值谱得到幅值阈值，并对离散傅里叶变换后的各频率分量实施加权滤波。

作为进一步优选的，步骤S3中所述特征提取为计算加工过程数据的时域特征、频域特征及小波包特征。

作为进一步优选的，所述时域特征包括最大值、最小值、均值、极差、均方根值、方差、偏度、峰度、峰度因子、波形因子、脉冲因子以及裕度因子。

作为进一步优选的，所述频域特征包括频谱密度、能量谱密度以及功率谱密度。

作为进一步优选的，所述小波包特征为0-2khz内八个节点系数的偏度和峭度。

作为进一步优选的，步骤S4中所述特征选择的具体方式为，通过散点矩阵图去除冗余的特征，并通过相关系数分析法选择与所述标签相关度大的特征，以得到所述优选特征，从而精简特征数量以及确保筛选后的特征和标签数据相关性最大。

作为进一步优选的，所述相关系数分析法为，通过相关系数计算公式计算所述稳定加工特征数据集各所述特征与所述标签的相关系数，特征X_i与标签C的相关系数计算公式为：

其中，和/>分别为C和X_i的均值，N′为样本数，R_xc表示X_i和C间线性相关度大小的程度。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.一方面，通过获取在刀具在实际安装悬长下刀尖点的频响函数，得到的加工稳定性叶瓣图能够反应系统的刚度；另一方面，通过加工稳定性叶瓣图对加工参数进行筛选，得到稳定加工优选数据集，进而训练得到预测准确率更高的神经网络模型。

2.通过反向传播将输出误差逆向地经过神经网络传播路径，分别倒推各个节点的误差，然后进行梯度下降的方式进行权值的调整与修改；通过池化操作一方面减少特征和参数，进而简化了卷积网络计算时的复杂度，另一方面保持了特征的不变性。

3.使用本发明构建的模型能够对数控加工进行在线实时状态检测和加工质量预测，有效提高生产效率，减少测量仪器的使用；并且，能够对零件加工进行指导，获得想要的加工表面；而且，随着加工特征数据集的扩增，可提取更多与加工表面粗糙度变化敏感的加工特征，提高模型预测的效率和准确率；进一步地，使用本发明构建的模型易于集成到数控机床系统中，方便操作者使用。

附图说明

图1为本发明实施例的数控加工表面粗糙度预测模型构建方法的流程图；

图2为本发明实施例的稳定性叶瓣图；

图3为本发明实施例的加工过程数据滤波处理的流程图；

图4为本发明实施例的某实验组采集到的切削力数据波形图；

图5为图4中的切削力数据经过滤波处理后的波形图；

图6(a)和6(b)分别为本发明实施例的混合加工优选数据集和稳定加工优选数据集训练得到的预测模型准确率迭代图；

图7(a)和7((b)分别为本发明实施例的混合加工优选数据集和稳定加工优选数据集训练得到的预测模型的预测值与真实值的对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1中示出了本发明实施例的数控加工表面粗糙度预测模型构建方法的流程图；本发明实施例中以数控铣削加工为对象，零件的加工特征为矩阵槽；在一些实施中，还可以为车削、钻削、锯切、磨、镗、冲压等加工；零件的加工特征可以为槽、缝、平面、曲面等；如图1中所示，本发明实施例提供的数控加工表面粗糙度预测模型构建方法包括以下步骤：

S1：安装刀具，并获取刀具在实际安装悬长下刀尖点的频响函数，依据该频响函数计算并生成稳定性叶瓣图。

具体地，刀具安装后，刀具的悬长即确定，根据刀具的实际安装情况进行锤击实验获取刀具刀尖点的频响函数，进而求出刀具-刀架-主轴形成的加工系统在加工平面正交方向的固有频率和阻尼比，并通过固有频率和刚度的理论公式求出该加工系统在上述正交两个方向上的刚度；再进行加工试切实验，获取铣削力系数；根据固有频率、阻尼比、刚度以及铣削力系数，计算并绘画出该实际安装情况下加工系统的稳定性叶瓣图。

本实施例中，刀具为铣刀，将铣刀安装在刀架上后，采用锤击实验获取铣刀刀尖点的频响函数。改变锤击实验的输入力大小x(t)，能够获取相应的振动加速度幅值y(t)，然后对它们进行傅里叶变换得到输入力和振动加速度在频域上的分布X(ω)和Y(ω)；Y(ω)和X(ω)之比即为该加工系统的频响函数。即，频响函数计算公式为：

频率响应函数是复数，因此可以改写为：

其中，A(ω)为加工系统的幅频特性，为加工系统的相频特性，j为虚数，e为自然常数。

本实施例中，输入力大小x(t)通过安装在模态力锤上的力传感器测量，振动加速度幅值y(t)由安装在刀架上的振动传感器测量。

以频率为横坐标，幅值y(t)为纵坐标，画出该加工系统的幅频特性图，在峰值处的横坐标即为该加工系统特定模态的固有频率，通过该曲线的衰减情况获取相应模态的阻尼比。

由于主轴刚性较大，视作固定端，因此该加工系统的刚度可以将刀具和刀架称重，通过固有频率和刚度之间的计算公式获得。

k＝ω²m

其中，k为该加工系统的刚度，ω为该加工系统的固有频率，m为质量，在本实施例中为刀具和刀架的质量和。

本实施例中，通过试切实验获取铣削力系数。实验中，工件由夹具夹持，夹具上安装力传感器以获取切削时的铣削力，再根据对铣削动力学特性进行分析，计算出铣削力系数。

正交方向铣削力和切削深度的关系式为：

其中，x和y分别为铣刀进给方向和与之垂直的方向，F_x和F_y为通过力传感器获取的x和y方向上的铣削力；a为预先确定的铣削深度；A(t)为时变动态力系数，为经验值；Δ(t)为x和y两个方向上两个刀刃周期的动态位移差，通过对刀具具体形状的计算得到；K_t为所求的铣削力系数。

根据铣削力系数K_t，即能够计算极限切削深度，计算公式为：

其中，a_plim为极限切削深度；N_t为铣削刃数量；Λ_R、Λ_I为系统特征值的实部和虚部，可以由下式获得：

a₀＝H_xxH_yy(α_xxα_yy-α_xyα_yx)

a₁＝α_xxH_xx+α_yyH_yy

其中，φ_ex和φ_st为刀刃开始铣削和退出铣削时的角度，φ为刀刃铣削过程中的实时角度，H_xx和H_yy为刀尖点在x和y方向的具体频响函数，公式如下：

其中，k_r、ω_r、ξ_r为锤击实验获得的在r阶模态下系统的刚度、固有频率和阻尼比，ω为不同主轴转速的频率，它们之间关系式为：

ω＝2πn_a

其中，n_a主轴转速，ω为对应的频率。

综上所有公式，可以获得主轴转速n_a与极限切深a_plim的关系，以主轴转速n_a为横坐标，极限切深a_plim为纵坐标，绘制得到铣削稳定性叶瓣图，如图2所示。

S2：选取加工参数，并依据步骤S1中所述稳定性叶瓣图对加工参数的数值进行筛选，得到使加工处于稳定状态的多组稳定加工参数。

在本实施例中，在夹具工装、机床刚度、工件材料、刀具直径、冷却条件等保持恒定的情况下，数控机床进行铣削加工的加工参数包括主轴转速(10000～45000r/min)、进给量(2500～4000mm/min)和切深(0.04～0.24mm)；在本实施例中，以主轴转速、进给量和切深为三因素，按照正交实验设计了三因素八水平的采集实验，共进行50组，每组加工6个矩形槽，共计300次加工。

在铣削加工的稳定性叶瓣图中，以等高线以下区域中的节点对应的主轴转速和切深实施的加工处于稳定状态；以等高线以上区域中的节点对应的主轴转速和切深实施的加工处于震颤状态；因此，在300次加工中，对加工参数的数值进行筛选的具体方法为：以主轴转速和切深在稳定性叶瓣图上绘出对应的节点，选取位于稳定性叶瓣图等高线以下节点；本实施例中，通过该筛选方法，筛选出150组稳定加工参数，可以理解，依据该150组稳定加工参数实施的150次加工处于稳定状态，其余150次加工处于震颤状态。

S3：依据步骤S2中每组稳定加工参数分别对工件进行加工，获取每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值；

所述的加工数据特征值是通过对原始加工过程数据进行预处理后再通过特征提取获得的。

数控铣削零件的加工过程数据包括加工力数据、工件振动数据和主轴电流数据；本实施例中的加工力为切削力，本实施例中的切削力数据和工件振动数据由外置传感器采集，主轴电流信号从机床内部导出。

切削力数据采集具体为：将测力仪安装在铣削工作台上，采样率设置为6KHz，在机床铣削工件时实时采集切削力，并经过力传感器-电荷放大器-数据采集卡-上位机实现数据的传输，最终得到铣刀加工时在笛卡尔坐标系X轴、Y轴和Z轴三个方向的实时切削力数据(Fx，Fy，Fz)。

振动数据采集具体为：将振动传感器安装在主轴固定处，采样率设置为10KHz，在机床铣削工件时实时采集振动信号，并通过采集卡-数据采集机箱-上位机实现数据的传输，最终得到铣刀加工时在笛卡尔坐标系X轴、Y轴和Z轴三个方向的实时振动加速度数据(A_x，A_y，A_z)。

主轴电流数据采集具体为：利用机床控制软件将机床内部的数据导出，过滤之后保存主轴电流数据。

在完成数据采集后，对采集到的加工过程数据进行数据预处理；具体地，数据预处理包括依次进行的频谱分析和自适应滤波；如图3中所示，频谱分析为对加工过程数据做离散傅里叶变换，进而得到加工过程数据的幅值谱；自适应滤波为根据幅值谱进而得到幅值阈值，并对离散傅里叶变换后的各频率分量实施加权滤波。

本实施例在频谱分析部分，对采集到的切削力数据、工件振动数据和主轴电流数据做离散傅里叶变换，其公式为：

其中，X(n)为采集到的数据，n为步进长度，N为采集数据的总长度；X(k)为离散傅里叶变换之后得到的各频率分量，k为离散傅里叶变换的抽样频率(k＝0,1,2,…,N-1)；信号中各频率分量的幅值由下列公式计算得出：

其中，A(k)为各频率分量的幅值；以频率为自变量，该频率分量对应的幅值为因变量，得到的频率函数即为幅值谱。

在自适应滤波部分，将所得到幅值谱中所有频率分量的幅值进行排序，取中位数为幅值阈值A₀，将各频率分量X(k)的幅值与幅值阈值A₀进行比较，当A(k)>A₀时，X(k)＝X(k)；当0.5<A(k)<A₀时，其他情况下，X(k)＝0。

对各频率分量进行重新组合，然后将频域信号进行傅里叶逆变换转换为时域信号，傅里叶逆变换的公式为：

以切削力数据为例，采集到的切削力数据如图4中所示，从上至下分别为笛卡尔坐标系X轴、Y轴和Z轴三个方向上的切削力，滤波处理后的切削力数据如图5中所示，噪声数据明显减少。

滤波处理完成后，通过特征提取计算加工过程数据特征值；其中，特征提取为计算加工过程数据的时域特征、频域特征及小波包特征；时域特征包括最大值、最小值、均值、极差、均方根值、方差、偏度、峰度、峰度因子、波形因子、脉冲因子以及裕度因子；频域特征包括频谱密度、能量谱密度、功率谱密度；小波包特征为0-2khz内八个节点系数的偏度和峭度；针对X轴、Y轴、Z轴三个方向上的切削力、工件振动加速度以及U、V、W三相电流共计提取(12+3+16)×(3+3+3)＝279个特征。

通过白光干涉仪测量获得加工后零件表面的实际粗糙度值；在本实施例中，零件的加工特征为矩形槽，测量获得矩形槽表面的实际粗糙度值。

本实施例中，为了进行对比，还实施了处于震颤状态的150次加工，并依据同样的方式获取了每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值。

S4：以步骤S2中所述稳定加工参数和步骤S3中所述加工过程数据特征值为特征向量，步骤S3中所述表面粗糙度作为标签，合并组成稳定加工特征数据集；对稳定加工特征数据集中的特征向量进行归一化处理，并进行特征选择，以得到与标签相关度大的特征，作为优选特征，形成稳定加工优选数据集。

本实施例中对特征向量采用(0,1)归一化，其具体公式为：

其中，Max和Min分别为对应特征在所有特征数据中的最大值和最小值。

本实施例中采用的特征选择方法包括散点矩阵图法和相关系数分析法；其中散点矩阵图是指通过绘制各个特征之间的散点图以发现多个特征间的相关性，剔除相互耦合的冗余特征。

相关系数分析法指的是通过公式计算稳定加工特征数据集各特征与标签的相关系数，以优选出与标签相关度大的特征，特征X_i与标签C的相关系数计算公式为：

其中，和/>分别为C和X_i的均值，N′为样本数，R_xc表示两个变量间线性相关度大小的程度，|R_xc|越大说明X_i和C之间的相关度越大；通过设定相关度阈值，筛选出与标签相关度大的特征。

通过散点矩阵图法和相关系数分析法，选择与标签相关度大的特征，从而精简特征数量并确保筛选后的特征与标签数据相关性大。在本实施例中，设定相关系数的阈值为0.7，最终筛选得到的优选特征个数为36，相比于步骤S3中提取的279个特征，大大降低了数据集的复杂度；最终得到的稳定加工优选数据集中数据样本为87，特征个数36。

本实施例中，为了进行对比，还以所有300次加工的加工参数、加工过程数据特征值和表面粗糙度采取同样的方式合并组成混合加工特征数据集，并对该混合加工特征数据集采取同样的方式进行归一化处理和特征选择，最终得到混合加工优选数据集，混合加工优选数据集中数据样本数为130，特征个数为36。

BP(Back Propagation，反向传播)-CNN(Convolutional Neural Network，卷积神经网络)神经网络模型是在神经网络中融入了反向传播神经网络的误差传递特性和卷积神经网络的卷积层得到的，结合了反向传播神经网络的误差传递特性和卷积神经网络中的池化处理特性。

融入反向传播神经网络的误差传递特性的具体方式为，将反向传播神经网络的误差传递特性添加至输出层的神经节点中；融入卷积神经网络的卷积层的具体方式为，将卷积神经网络特有的卷积层加入隐含层与输出层之间。

反向传播误差公式为：

其中，d为期望输出向量，本实施例中通过实际测量出的粗糙度来体现，O为实际输出向量，本实施例中为模型预测的粗糙度值，E_k为用于反向传播的输出误差，l是样本数。

以稳定加工优选数据集训练加工表面粗糙度预测模型为例。将稳定加工优选数据集划分为训练集和测试集，本实施例中，按照训练集样本数量占比为70％，测试集样本数量占比为30％进行划分训练集和测试集；在一些实施例中，可以依据数据样本的数量调整训练集和测试集的样本比例，比如：训练集样本数量占比为80％，测试集样本数量占比为20％；或者训练集样本数量占比为75％，测试集样本数量占比为25％。在本实施例中，混合加工优选数据集中训练集样本数量为130×0.70＝91，测试集样本数量为130×0.30＝39；稳定加工优选数据集中训练集样本数量为87×0.70＝61，测试集样本数量为87×0.30＝26。

将稳定加工优选数据集中被用于训练的特征数据输入进BP-CNN神经网络中，前向传播过程主要有输入层到隐含层，隐含层到卷积层，卷积层到输出层，结合反向传播，倒推各个节点的误差，进行梯度下降的方式进行权值的调整与修改，获得最终的神经网络预测模型。再利用测试集中的特征数据进行测试，与标签数据进行对比得出模型的准确性。

输入层i输入到隐含层第j个节点的输入值为：

其中，v_ij为输入层i到隐含层j的权值，x_i为输入层第i个节点的输出；bh_j为隐含层各神经元的偏置，hidden_j为隐含层第j个节点的输入。

隐含层第j个节点经过激活函数后的输出值为：

y_j＝f¹(hidden_j)(j＝1,2,…,m)

其中，f¹为输入层与隐含层之间的激活函数。

卷积层中经过卷积操作，将隐含层输出的特征数量进一步减少，降低模型的复杂度，避免模型计算量过大。

输出层节点k的输入值与输出值为：

O_k＝f²(in_k)(k＝1,2,…,l)

其中w_jk为隐含层j到输出层k的权值，bo_k是输出层第k个神经元的偏置，f²为隐含层与输出层之间的激活函数，O_k为最终的预测输出值。

经过本实施例的表面粗糙度预测模型的预测，将预测值其与实际测量获得的表面粗糙度也就是标签值进行对比，计算出百分比误差error_i。

本实施例中，利用稳定加工优选数据集和混合加工优选数据集分别以上述方式进行训练，得到各自的预测模型。

如图6中所示，纵轴为预测准确率1-error_i，横轴为训练周期；其中6(a)为混合加工优选数据集训练得到的模型准确率，6(b)为稳定加工优选数据集训练得到的模型准确率，可以看出，利用稳定加工优选数据集训练得到的模型具有更高的准确率。

在测试集中，粗糙度预测值与实际值的拟合程度如图7中所示，其中7(a)为混合加工优选数据集训练得到的模型在测试集中的表现性能，7(b)为稳定加工优选数据集训练得到的模型在测试集中的表现性能，可以看出，利用稳定加工优选数据集训练得到的模型在测试集中具有更好的表现性能。

综合图6和图7可以看出，虽然稳定加工优选数据集的样本减少了，但是训练出的模型性能却提高了。

需要注意的是，加工制造过程是一个非线性复杂过程，对其进行加工质量预测的难度较大，需要进一步扩大数据集和改善数据质量，并优化模型算法，才能进一步突破目前的预测准确性瓶颈。

综上，本发明的构建方法通过获取在特定刀具悬长下刀尖点的频响函数，得到的加工稳定性叶瓣图能够反应系统的刚度；通过加工稳定性叶瓣图对加工参数进行筛选，得到稳定加工优选数据集，进而训练得到预测准确率更高的神经网络模型；使用本发明构建的预测模型能够对数控加工进行在线实时状态检测和加工表面粗糙度预测，有效提高生产效率，减少测量仪器的使用；同时，本发明构建的预测模型能够对零件加工进行指导，获得想要的加工表面；此外，随着加工特征数据集的扩增，可提取更多与加工表面粗糙度变化敏感的加工特征，提高模型预测的效率和准确率；进一步地，本发明构建的预测模型易于集成到数控机床系统中，方便操作者使用。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种数控加工表面粗糙度预测模型的构建方法，其特征在于，包括以下步骤：

所述的加工过程数据特征值是通过对原始加工过程数据进行数据预处理后再通过特征提取获得的；

2.如权利要求1所述的构建方法，其特征在于，所述BP-CNN神经网络模型是在神经网络中融入了反向传播神经网络的误差传递特性和卷积神经网络的卷积层得到的。

3.如权利要求2所述的构建方法，其特征在于，融入所述误差传递特性的具体方式为：将所述误差传递特性添加至输出层的神经节点中；融入所述卷积层的具体方式为：将所述卷积层加入隐含层与输出层之间。

4.如权利要求1所述的构建方法，其特征在于，所述加工参数包括主轴转速、切深和进给量。

5.如权利要求4所述的构建方法，其特征在于，步骤S2中对所述加工参数的数值进行筛选的方法为：以所述主轴转速和切深在所述稳定性叶瓣图上绘出对应的节点，选取位于所述稳定性叶瓣图等高线以下的节点。

6.如权利要求1所述的构建方法，其特征在于，所述加工过程数据包括加工力数据、工件振动数据和主轴电流数据。

7.如权利要求1所述的构建方法，其特征在于，步骤S3中所述数据预处理包括依次进行的频谱分析和自适应滤波。

8.如权利要求7所述的构建方法，其特征在于，所述频谱分析为对所述加工过程数据做离散傅里叶变换，进而得到加工过程数据的幅值谱；所述自适应滤波为根据所述幅值谱得到幅值阈值，并对离散傅里叶变换后的各频率分量实施加权滤波。

9.如权利要求1所述的构建方法，其特征在于，步骤S3中所述特征提取为计算加工过程数据的时域特征、频域特征及小波包特征；所述时域特征包括最大值、最小值、均值、极差、均方根值、方差、偏度、峰度、峰度因子、波形因子、脉冲因子以及裕度因子；所述频域特征包括频谱密度、能量谱密度以及功率谱密度；所述小波包特征为0-2khz内八个节点系数的偏度和峭度。

10.如权利要求1所述的构建方法，其特征在于，步骤S4中所述特征选择的具体方式为，通过散点矩阵图去除冗余的特征，并通过相关系数分析法选择与所述标签相关度大的特征，以得到所述优选特征。