CN117408144B - 滚削力波动特性预测模型的构建方法及预测模型 - Google Patents
滚削力波动特性预测模型的构建方法及预测模型 Download PDFInfo
- Publication number
- CN117408144B CN117408144B CN202311320278.2A CN202311320278A CN117408144B CN 117408144 B CN117408144 B CN 117408144B CN 202311320278 A CN202311320278 A CN 202311320278A CN 117408144 B CN117408144 B CN 117408144B
- Authority
- CN
- China
- Prior art keywords
- rolling force
- xgboost
- model
- force fluctuation
- soa
- 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.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 128
- 238000010276 construction Methods 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000003754 machining Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 3
- 101100004644 Arabidopsis thaliana BAT1 gene Proteins 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于齿轮设计领域，涉及一种滚削力波动特性预测模型的构建方法及预测模型，该构建方法包括：1)获取滚削力波动特性样本数据集；2)构建SOA‑XGBoost融合算法模型；3)将步骤1)获取得到的滚削力波动特性样本数据集划分为训练集和测试集；4)采用步骤3)划分得到的训练集对步骤2)构建得到的SOA‑XGBoost融合算法模型进行训练，确定SOA‑XGBoost融合算法模型的参数，得到训练后的SOA‑XGBoost融合算法模型，训练后的SOA‑XGBoost融合算法模型是滚削力波动特性预测模型。本发明可较好的预测滚削力波动特性、预测精度高以及为滚齿加工优化提供理论指导。
Description
技术领域
本发明属于齿轮设计领域，涉及一种滚削力波动特性预测模型的构建方法及预测模型，尤其涉及一种基于SOA-XGBoost融合算法模型的滚削力波动特性预测模型的构建方法及预测模型。
背景技术
滚齿是齿轮加工的一种主要加工工艺，由于滚齿加工过程不连续，加工中的滚削力波动大，严重地制约了滚齿加工精度的提高，而滚削力的实时监测与波动特性预测是高速滚齿加工技术的重要内容。滚削力的大小和波动特性取决于加工工艺参数的选择，因此，合理地选取滚齿加工工艺参数，建立工艺参数与滚削力大小与波动特性之间的关系模型，对提高滚齿加工精度具有重要的意义。
由于滚齿加工机理非常复杂，关于滚削力大小与波动特性的精确建模，传统的理论物理建模方法难以实现，而建立在实验基础上的经验公式法，其通用性和实用性差。
发明内容
为了解决背景技术中存在的上述技术问题，本发明提供了一种可较好的预测滚削力波动特性、预测精度高以及为滚齿加工优化提供理论指导的滚削力波动特性预测方法。
为了实现上述目的，本发明采用如下技术方案：
一种滚削力波动特性预测模型的构建方法，其特征在于：所述滚削力波动特性预测模型的构建方法包括以下步骤：
1)获取滚削力波动特性样本数据集；
2)构建SOA-XGBoost融合算法模型；
3)将步骤1)获取得到的滚削力波动特性样本数据集划分为训练集和测试集；
4)采用步骤3)划分得到的训练集对步骤2)构建得到的SOA-XGBoost融合算法模型进行训练，确定SOA-XGBoost融合算法模型的参数，得到训练后的SOA-XGBoost融合算法模型，所述训练后的SOA-XGBoost融合算法模型是滚削力波动特性预测模型。
优选地，本发明所采用的步骤1)包括：
1.1)获取滚齿完全切入阶段的滚削力信号；
1.2)对步骤1.1)获取得到的滚削力信号进行滤波重构，得到光滑纯净的滚削力信号；
1.3)提取经步骤1.2)获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集。
优选地，本发明所采用的步骤1)的具体实现方式是：
1.1)基于指令域的方法对滚齿不同加工阶段的滚削力信号进行划分，使用HNC-SSTT数据采集软件在滚齿工艺试验平台截取完全切入阶段的滚削力信号；
1.2)首先使用小波包算法对滚削力信号进行二进制分解，获得分解后的底层节点，将分解后的底层节点按照频带范围由低到高排序，得到不同频率段的滚削力信号，最后采用对小波阈值降噪方式对滚削力信号进行降噪处理，得到纯净光滑的滚削力信号；
1.3)通过功率转换和滤波处理，提取经步骤1.2)获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集。
优选地，本发明所采用的步骤2)的具体实现方式是：
2.1)选取XGBoost模型，设定超参数初始值为默认值；
2.2)对SOA海鸥优化算法的参数A，参数B以及maxiteration参数进行初始化，同时设置参数fc、u以及v；
2.3)基于步骤2.2)，输入训练集的数据进行迭代训练，计算各个海鸥适应度值，计算海鸥个体与适应度值较小的最佳海鸥之间的距离Ds以及海鸥新位置Ps；
2.4)经过步骤2.3)的迭代训练并达到最大迭代次数，输出最佳海鸥位置和舒适度值，输出优化后的超参数；
2.5)根据步骤2.4)获得的超参数对步骤2.1)所选取的XGBoost模型进行优化，得到SOA-XGBoost融合算法模型。
优选地，本发明所采用的步骤3)的具体实现方式是：
通过设置python中的random_state随机数种子从滚削力波动特性样本数据集中随机抽取训练集和测试集，所述训练集和测试集比例为25：6。
如前所记载的滚削力波动特性预测模型的构建方法构建得到的滚削力波动特性预测模型。
一种基于如前所记载的滚削力波动特性预测模型在对滚削力波动特性进行预测时的应用。
如前所记载的滚削力波动特性预测模型在滚齿粗加工过程中对滚削力波动特性进行预测时的应用。
如前所记载的滚削力波动特性预测模型在滚齿细加工过程中对滚削力波动特性进行预测时的应用。
本发明的优点是：
本发明公开了一种基于SOA-XGBoost融合算法模型的滚削力波动特性预测方法，包括：(1)基于指令域的数据划分方法，使用HNC-SSTT数据采集软件在滚齿工艺试验平台截取滚齿完全切入阶段的滚削力信号；(2)构建电流-滚削力模型，采集滚削力信后，并使用小波包算法对其进行滤波重构，得到了光滑纯净的滚削力信号。提取其方差特征，作为滚削力波动特性样本数据集；(3)使用SOA海鸥优化算法优化XGBoost模型，构建出SOA-XGBoost融合算法模型；(4)将得到的数据集划分为训练集和测试集，用训练集来训练模型，确定模型的参数；(5)用SOA-XGBoost融合算法模型进行滚削力波动特性预测，用测试集测试模型训练完成后对未知数据集的预测性能，并分析结果。本发明构建了基于数据驱动的滚削力波动特性预测的机器学习模型，得到了SOA-XGBoost融合算法模型，避免了因滚齿加工机理异常复杂，导致对滚削力波动特性难以使用动力学进行建模的难题，增加了机器学习在滚齿加工中新的预测场景，为滚削力波动特性预测提供了新的方法。本发明与已有的三种典型预测模型的预测性能相比，在粗、精加工滚削力波动特性预测上均获得了最好的预测性能，明显优于其他学习模型，有极高的滚削力波动特性预测精度。本发明使用具有全局优化能力强的海鸥优化算法优化XGBoost超参数，解决了XGBoost模型超参数较多且难以调节的问题，提高了SOA-XGBoost模型对滚削力波动特性的预测性能，有极高的滚削力波动特性预测精度，为滚齿加工滚削力波动特性预测提供了新的方法和途径。
附图说明
图1是实验数据采集流程图；
图2是滚齿加工过程中的加工指令、电流数据以及加工状态图；
图3是小波包变换分解结构图；
图4是小波阈值降噪处理过程示意图；
图5是滚削力信号滤波前后对比；
图6是SOA算法优化XGBoost流程图；
图7是不同样本在训练和测试过程中的粗加工滚削力波动特性预测；
图8是不同样本在训练和测试过程中的精加工滚削力波动特性预测；
图9是粗加工滚削力波动特性预测误差绝对值百分比图，其中，(a)是粗加工训练集预测误差绝对值百分比图，(b)是粗加工测试集预测误差绝对值百分比图；
图10是粗加工滚削力波动特性预测MAE/RMSE对比；
图11是精加工滚削力波动特性预测误差绝对值百分比图，其中，(a)是精加工训练集预测误差绝对值百分比图，(b)是精加工测试集预测误差绝对值百分比图；
图12是精加工滚削力波动特性预测MAE/RMSE对比；
图13是原始采样信号的部分截取信号；
图14是小波包分解滚削力8个子频带信号图。
具体实施方式
本发明的设计思路为：
使用HNC-SSTT数据采集软件采集滚削力信号并加以处理，得到样本集。构建出SOA-XGBoost融合算法模型。将得到的数据集划分为训练集和测试集，进行训练模型，确定参数，并对未知数据集的预测性能，分析结果。
为使本领域技术人员更好地理解本发明，下面将对本发明技术方案的具体实施方式进行清楚、完整地描述，显然，下文所描述的仅为具体实施方式，其并不限制本发明的保护范围。
本发明中所涉及字符参数含义见表1所示。
表1字符参数含义
| 序号 | 符号 | 说明及含义 |
| 1 | I0 | 滚刀主轴电机在滚刀空转时的电流 |
| 2 | I | 滚刀滚切加工齿轮时的电流 |
| 3 | VB | 滚刀滚切工件转动时的线速度 |
| 4 | d | 滚刀外径 |
| 5 | U | 正常工作的额定电压 |
| 6 | Fc | 滚削力 |
| 7 | P | 滚刀B轴的负载功率 |
| 8 | P0 | 滚刀B轴的空载功率 |
| 9 | Pc | 滚刀B轴的切削功率 |
样本数据采集及处理：
本发明以YK3126滚齿机为实验平台，此平台配备了华中数控9型数控系统，可以通过网线与PC端的华中数控HNC-SSTT数据采集软件进行数据传输，实现了滚齿加工状态的在线实时监测和加工数据的离线分析。滚齿加工实验数据采集流程图如图1所示。
高速干式滚齿加工实验前，首先进行机床空转热身，避免机床的受热不均引起加工的差异，等待热身结束，将设计好的滚齿工艺参数按照实验方案序号通过数控系统完成工艺参数的输入并进行滚齿加工，使用HNC-SSTT数据采集软件在滚齿工艺试验平台上进行滚削力信号的采集。
基于指令域的数据分析方法是指将机床数据和机床加工状态相结合，使得在对机床加工过程中的物理信息进行分析时能够有相对应的机床状态数据作为支撑，高速滚齿滚刀主轴全行程负载电流如图2所示：
基于指令域的滚刀主轴电流分析可以实时将滚刀滚切工件的位置与电流相对应，即可以间接反映滚削力随加工状态的变化情况。滚齿过程中滚削力的变化分为以下几个阶段：
(1)滚刀主轴处于待机阶段，设定滚刀转速，有较小的电流，用来维持滚刀的空转状态，但未切削工件，滚削力为0，此时消耗的功率为空载功率p0；
(2)第一次切入阶段即粗加工开始阶段，由于是粗加工阶段，滚刀转速较低，走刀量和切削深度较大，随着滚刀沿齿轮轴向方向走刀，滚刀同时切入的刀齿数增加，切削材料的体积也随之增大，从而滚削力逐渐增大；
(3)粗加工完全切入阶段即滚刀切入工件的深度达到粗加工的设定值时，滚削力不再逐渐增加，而是在一定的范围内周期性波动。滚削力波动特性会导致滚刀和工件加工振动，粗加工阶段滚削力的大幅度波动对滚刀的使用寿命和机床振动的影响尤为明显；
(4)粗加工切出阶段即粗加工将要完成阶段，滚刀逐渐切离工件，同时参与切削的刀齿数逐渐减少，滚削力逐渐下降；
(5)第二次切入阶段属于精加工阶段，此时，为了得到更好的表面质量，需要提高转速，采用较小的走刀量和进刀量，由于走刀量和进刀量较小，随着滚刀同时切入工件齿数的增加，滚削力有较小幅度的增加；
(6)精加工完全切入阶段，滚削力在一定幅值范围内周期性波动，此时滚削力的波动特性不仅影响刀具的寿命，且会在工件表面留下振纹，严重影响工件的最终表面质量；
(7)精加工切出阶段，滚刀逐渐切离工件，滚削力逐渐减小，滚刀主轴电流也降低到维持滚刀空转所需要的功率；
(8)滚刀主轴完成工件全行程的加工，滚刀停转，退到初始位置，进入待机状态。
使用基于功率的滚削力间接测量方案，即，使用HNC-SSTT采集滚刀主轴伺服电机的电流间接测量滚削力。
通过使用网线建立PC端和数控滚齿机床的通信，可以自定义采集的数据类型，在本次实验需要采集滚齿加工过程中的全行程的滚刀主轴电流，通过功率转换间接测量滚削力信号。
滚刀主轴的电机额定电压为380V，采样频率为9600Hz。设滚刀主轴上安装的电机在滚刀空转时的电流为I0，滚刀滚切加工齿轮时的电流为I，正常工作的额定电压为U，滚刀滚切工件转动时的线速度为VB，滚刀外径为d，滚削力为Fc，滚刀B轴的负载功率P包括空载功率P0和切削功率Pc。
空载功率P0是维持滚刀主轴自身旋转所消耗的功率，由下式计算：
P0＝UI0 (1)
切削功率Pc是滚刀切除工件所消耗的功率即滚削力所消耗的功率，由下式计算：
PC＝FCVB (2)
又因为滚刀的切削速度和转速的关系计算公式如下：
滚刀主轴总的负载功率计算为：
P＝UI＝P0+PC (4)
因此滚削力可通过下式计算为：
在实际信号采集过程中，会存在电路的相互干扰、电磁干扰、和加工环境等因素的扰动，使得采集信号一般都是有用信号和噪声信号的混合信号，这些噪声信号干扰了滚齿加工状态的准确识别和判断，因此需要对由传感器间接测量的滚削力信号进行滤波处理，提高滚削力数据集的“纯净度”和基于数据驱动的滚削力波动特性的预测精度。
含有噪声的信号模型可以表示为：S(k)＝f(k)+ε*e(k)。
其中，k＝1,2,…,n-1，S(k)表示带噪信号，f(k)表示有用信号，e(k)表示噪声，ε表示噪声系数标准偏差即噪声强度。因此，小波包去噪过程可以看成特征提取与滤波器的结合。小波包分解可以对信号的频带进行多层次划分，并能够依据被分析信号的特征自适应的选择相应频带与信号频谱相匹配，提高时频分辨率。
小波包对信号进行二进制分解的结构图如图3所示。小波包算法对信号频带进行均匀划分，设对滚削力波动特性信号分解的层数为N，则分解后的第N层节点依次表示为(N，0)(N，1)……(N，2N-1)共有2N个节点，每个节点的频带宽度为fs为采样频率。通过将分解后的底层节点按照频带范围由低到高排序，得到不同频率段的滚削力信号数据。使用小波阈值降噪处理间接测量的滚削力信号，过程示意图如图4所示：根据SSTT基于指令域的方法选择滚刀完全切入阶段的信号，原始采样信号的部分截取信号如图13所示：
传感器采样频率为9600Hz，依据最小shannon熵准则选取最优小波包基，对采样数据集进行小波包分解，分解成3层。使用小波包算法对滚削力信号进行三层二进制分解得到23＝8个子频带，每个子频带的带宽为600Hz(4800/8Hz)，分解的滚削力信号如图14所示：
滚削力为正值，由图13可知，滚削力信号分解的8个子频带中，节点(3，0)对应的子频带信号保留了原始信号的有效成分，其余子频带为高频噪声信号，经过小波包算法的滤波后，原始信号与滤波后的时域信号对比如图5所示：
从图中可以看出使用小波包算法降噪后的滚削力信号时域波形更加光滑，可以有效去除滚齿加工过程中噪声对滚削力时域信号的干扰。
通过功率转换和滤波处理，提取光滑纯净的滚削力信号的方差特征，组成滚削力工艺样本数据集。
构建SOA-XGBoost融合算法模型：
为了进一步提高XGBoost模型的预测精度和鲁棒性，提出一种基于SOA优化的改进XGBoost融合算法模型，用来进行滚削力波动特性的预测。SOA-XGBoost融合算法模型是使用海鸥优化算法对XGBoost模型的超参数进行迭代训练，直到满足迭代终止的条件，然后将优化后的超参数赋给XGBoost模型进行滚削力波动特性的预测，下面将对改进的SOA-XGBoost融合算法模型的原理进行介绍。
使用海鸥优化算法优化XGBoost模型有以下流程：
1、选取XGBoost模型，设定超参数初始值为默认值；
2、对SOA海鸥优化算法的A，B，maxiteration参数初始化，设置参数fc、u、v；
2.1)为避免海鸥迁徙过程中发生碰撞，使用附加变量A来更新海鸥的位置，计算公式为：
A＝fc-(t*(fc/maxiteration)) (6)
其中：t＝0,1,2,…,maxiteration；fc可以控制变量A的频率，初始值设置为2，随迭代次数的增加从2线性降低到0。
Cs(t)＝A*Ps(t) (7)
其中：Cs(t)表示不与其他海鸥存在位置冲突的新位置；Ps(t)为当前位置；t表示当前迭代t＝0,1,2,…,maxiteration；
2.2)在避免与其他海鸥碰撞后，海鸥会向最佳邻居的搜索方向移动。
Ms(t)＝B*(Pbs(t)-Ps(t)) (8)
其中：Ms(t)表示最佳邻居位置的方向，Pbs(t)为最佳海鸥的位置；B是负责平衡全局和局部搜素的随机数，计算公式为：
B＝2*A2*rd (9)
其中：rd为[0，1]的随机数。
2.3)向最佳海鸥方向移动。海鸥个体更新其相对于最佳海鸥的位置。
Ds(t)＝|Cs(t)+Ms(t)| (10)
其中：Ds(t)表示为海鸥个体与适应度值较小的最佳海鸥之间的距离。
2.4)海鸥的攻击行为表现为海鸥在迁徙过程中可以不断改变飞行的角度和速度，该过程体现为算法的局部开发过程。海鸥在x、y和z三维空间中的运动位置更新分为两步：
①计算海鸥的攻击位置。
x＝r*cos(θ) (11)
y＝r*sin(θ) (12)
z＝r*θ (13)
r＝u*eθv (14)
其中：r为海鸥攻击时每圈螺旋线的半径；θ为[0,2π]的随机角度值；u、v为螺旋形状的相关常数(一般取1)；e为自然对数的基础。
②保存最优解并更新其他海鸥的位置。
Ps(t)＝(Ds*x*y*z)+Pbs(t) (15)
其中：Ps(t)表示为海鸥的攻击的最新位置。
3、输入训练集的数据进行迭代训练，计算各个海鸥适应度值，计算海鸥个体与适应度值较小的最佳海鸥之间的距离Ds以及海鸥新位置Ps；
4、达到最大迭代次数，输出最佳海鸥位置和舒适度值，输出优化后的超参数。
5、利用优化后的XGBooxt模型进行预测，对预测结果进行对比评价，输出SOA-XGBooxt模型。
如图6所示：XGBoost回归预测模型的超参数集合和使用SOA海鸥优化算法搜寻XGBoost回归预测模型的最优超参数集合对比如表2所示。
表2预测算法参数设置和超参数优化结果
基于滚削力波动特性预测的软件平台为：算法软件搭建环境为Pycharm2022Profession、Python3.10。
在建立机器学习模型预测之前需要将数据集划分为训练集和测试集，训练集用来训练模型，确定模型的参数，测试集用来测试模型训练完成后对未知数据集的预测性能，两者比例通常为8：2，本发明通过设置python中的random_state随机数种子从样本集中随机抽取训练集和测试集样本，为了有效进行各机器学习预测模型性能对比，针对不同机器学习模型预测滚削力波动时，需设置相同的随机数种子，确保使用相同的训练集和测试集，并使用split函数划分训练集样本量大小为50组进行模型的训练，测试集样本量大小为12组作为模型预测性能的最终测试。
算法模型与现有的GABP模型、PSO-SVR模型分别在相同的滚削力波动特性的训练集和测试集上进行预测性能的对比，滚齿粗、精加工滚削力波动特性的预测结果分别如图7和图8所示：从图7和图8的滚齿粗、精加工滚削力波动特性的预测结果对比可以看出，GABP模型和PSO-SVR模型对粗、精加工滚削力波动特性的预测值偏离真实值较大，预测性能较差，XGBoost模型和SOA-XGBoost模型的滚削力波动特性预测偏差值相对GABP和PSO-SVR模型较小，预测结果要优于GABP模型和PSO-SVR模型，说明属于集成算法模型的XGBoost模型和SOA-XGBoost模型的预测性能相比基于反馈神经网络原理的GABP模型和基于数理统计原理的PSO-SVR模型的预测性能更加出色。基于SOA改进的XGBoost模型由于采用了具有全局搜索能力强的海鸥优化算法进行模型参数优化，预测能力相比XGBoost模型进一步得到提高。
为了更好的对比SOA-XGBoost模型与GABP、PSO-SVR和XGBoost模型在粗、精加工滚削力波动特性上的预测性能，通过对比误差绝对值百分比、均方根误差和平均绝对误差，对机器学习滚削力波动特性预测模型进行优选。粗加工滚削力波动特性预测误差绝对值百分比和MAE/RMSE对比图分别如图9和图10所示。精加工滚削力波动特性预测误差绝对值百分比和MAE/RMSE对比图分别如图11和图12所示。从对比试验结果可以看出：
(1)从图9和图10可以看出，在粗加工中，GABP模型的预测误差绝对值百分比的波动特性幅度较大，预测精度不稳定，GABP模型的预测误差绝对值普遍较大，且其平均绝对误差(MAE)和均方根误差(RMSE)也是最大，表明GABP模型相比其余三个模型，预测误差最大，预测性能最差。PSO-SVR模型在样本上的预测误差绝对值百分比基本上小于GABP模型，在总的训练集和测试集上的MAE和RMSE误差指标也小于GABP模型，表明PSO-SVR模型在粗加工上的预测能力要好于GABP模型。这是因为GABP神经网络的训练优化目标是基于经验风险最小化，而PSO-SVR有严格的数学理论支撑，是基于结构风险最小化的原则进行模型训练，泛化能力比GABP神经网络模型更好。XGBoost模型的预测误差相较于GABP和PSO-SVR模型更低，拥有更好的预测能力，而改进的SOA-XGBoost模型的预测能力相比XGBoost模型进一步得到提升，在预测误差绝对值百分比、平均绝对误差和均方根误差三个误差指标上均表现出了最优的预测能力。
(2)从图11和图12可以看出，在精加工中，GABP模型在样本集上的预测误差绝对值出现较大波动，SOA-XGBoost模型在样本集上的预测误差绝对值波动相比其余三个模型都普遍较小，且在预测误差指标MAE/RMSE上，SOA-XGBoost相比GABP、PSO-SVR和XGBoost模型都更低，表明在精加工中SOA-XGBoost模型的预测精度更高。
(3)从图9和图11可以看出GABP模型和PSO-SVR模型在精加工上的预测精度波动比粗加工大，XGBoost和SOA-XGBoost模型在粗加工和精加工中预测较稳定，且SOA-XGBoost拥有更小的预测误差。从图10和图12可以看出，SOA-XGBoost模型在粗、精加工滚削力波动特性预测上的MAE/RMSE也是最低。综上所述，SOA-XGBoost模型在回归预测模型的各项评估指标上均达到了最优性能，相比已有的GABP、PSO-SVR和XGBoost机器学习模型，进一步提高了滚削力波动特性的预测精度，为滚齿切削力平稳性预测提供了一种准确、可靠的新方法。
SOA-XGBoost模型、XGBoost模型、GABP模型和PSO-SVR模型对滚齿粗加工过程中滚削力波动特性预测的性能评估指标对比如表3所示：
表3机器学习模型粗加工滚削力波动特性预测性能评估指标对比
SOA-XGBoost模型与其余的三个传统模型在精加工滚削力波动特性预测性能评估指标对比如表4所示：
表4机器学习模型精加工滚削力波动特性预测性能评估指标对比
通过表3和表4可以更好的看出改进的SOA-XGBoost模型在粗、精加工中的误差指标MSE、MAE、MAPE上均最小，在拟合优度(R2)指标上表现出最好的模型拟合预测性能，这是因为XGBoost模型属于Boosting算法，每个决策树都在之前决策树的基础上进一步提高了预测精度，对损失函数进行了二阶泰勒展开，可以近似大量损失函数，因此预测效果更好，并且目标函数加入了正则化项，该正则化项包含了树的叶子节点个数和叶子节点输出值L2范数，可以控制模型复杂度，防止模型过拟合，而经过海鸥优化算法优化后的XGBoost融合模型预测精度进一步提升。因此，本发明提出的SOA-XGBoost模型相比其余三个预测模型更适合滚齿粗、精加工过程中滚削力波动特性的预测。
Claims (6)
1.一种滚削力波动特性预测模型的构建方法，其特征在于：所述滚削力波动特性预测模型的构建方法包括以下步骤：
1)获取滚削力波动特性样本数据集：
1.1)获取滚齿完全切入阶段的滚削力信号：
1.1)基于指令域的方法对滚齿不同加工阶段的滚削力信号进行划分，使用HNC-SSTT数据采集软件在滚齿工艺试验平台截取完全切入阶段的滚削力信号；
1.2)首先使用小波包算法对滚削力信号进行二进制分解，获得分解后的底层节点，将分解后的底层节点按照频带范围由低到高排序，得到不同频率段的滚削力信号，最后采用对小波阈值降噪方式对滚削力信号进行降噪处理，得到纯净光滑的滚削力信号；
1.3)通过功率转换和滤波处理，提取经步骤1.2)获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集；
1.2)对步骤1.1)获取得到的滚削力信号进行滤波重构，得到光滑纯净的滚削力信号；
1.3)提取经步骤1.2)获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集；
2)构建SOA-XGBoost融合算法模型：
2.1)选取XGBoost模型，设定超参数初始值为默认值；
2.2)对SOA海鸥优化算法的参数A，参数B以及maxiteration参数进行初始化，同时设置参数fc、u以及v；
2.3)基于步骤2.2)，输入训练集的数据进行迭代训练，计算各个海鸥适应度值，计算海鸥个体与适应度值小的最佳海鸥之间的距离Ds以及海鸥新位置Ps；
2.4)经过步骤2.3)的迭代训练并达到最大迭代次数，输出最佳海鸥位置和舒适度值，输出优化后的超参数；
2.5)根据步骤2.4)获得的超参数对步骤2.1)所选取的XGBoost模型进行优化，得到SOA-XGBoost融合算法模型；
3)将步骤1)获取得到的滚削力波动特性样本数据集划分为训练集和测试集；
4)采用步骤3)划分得到的训练集对步骤2)构建得到的SOA-XGBoost融合算法模型进行训练，确定SOA-XGBoost融合算法模型的参数，得到训练后的SOA-XGBoost融合算法模型，所述训练后的SOA-XGBoost融合算法模型是滚削力波动特性预测模型。
2.根据权利要求1所述的滚削力波动特性预测模型的构建方法，其特征在于：所述步骤3)的具体实现方式是：
通过设置python中的random_state随机数种子从滚削力波动特性样本数据集中随机抽取训练集和测试集，所述训练集和测试集比例为25：6。
3.根据权利要求1或2所述的滚削力波动特性预测模型的构建方法构建得到的滚削力波动特性预测模型。
4.一种基于如权利要求3所述的滚削力波动特性预测模型在对滚削力波动特性进行预测时的应用。
5.根据权利要求4所述的滚削力波动特性预测模型在滚齿粗加工过程中对滚削力波动特性进行预测时的应用。
6.根据权利要求4所述的滚削力波动特性预测模型在滚齿细加工过程中对滚削力波动特性进行预测时的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320278.2A CN117408144B (zh) | 2023-10-11 | 2023-10-11 | 滚削力波动特性预测模型的构建方法及预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320278.2A CN117408144B (zh) | 2023-10-11 | 2023-10-11 | 滚削力波动特性预测模型的构建方法及预测模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117408144A CN117408144A (zh) | 2024-01-16 |
| CN117408144B true CN117408144B (zh) | 2024-07-19 |
Family
ID=89491847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311320278.2A Active CN117408144B (zh) | 2023-10-11 | 2023-10-11 | 滚削力波动特性预测模型的构建方法及预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408144B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112372371A (zh) * | 2020-10-10 | 2021-02-19 | 上海交通大学 | 数控机床刀具磨损状态评估方法 |
| CN116663674A (zh) * | 2023-05-24 | 2023-08-29 | 重庆工业大数据创新中心有限公司 | 铣削表面完整性预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220734B (zh) * | 2017-06-26 | 2020-05-12 | 江南大学 | 基于决策树的数控车床车削过程能耗预测系统 |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| CN111964575B (zh) * | 2020-07-06 | 2022-02-01 | 北京卫星制造厂有限公司 | 一种面向移动机器人铣削加工的数字孪生建模方法 |
| CN114021443B (zh) * | 2021-10-28 | 2024-03-26 | 大连理工大学 | 基于多传感器的cfrp钻削出口分层损伤预测方法 |
| CN114492198B (zh) * | 2022-02-15 | 2024-12-24 | 重庆大学 | 一种基于改进pso算法辅助svm算法的切削力预测方法 |
-
2023
- 2023-10-11 CN CN202311320278.2A patent/CN117408144B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112372371A (zh) * | 2020-10-10 | 2021-02-19 | 上海交通大学 | 数控机床刀具磨损状态评估方法 |
| CN116663674A (zh) * | 2023-05-24 | 2023-08-29 | 重庆工业大数据创新中心有限公司 | 铣削表面完整性预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117408144A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
| CN110070145B (zh) | 基于增量聚类的lstm轮毂单品能耗预测 | |
| CN111300146A (zh) | 基于主轴电流和振动信号的数控机床刀具磨损量在线预测方法 | |
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN112613536B (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
| CN114619292A (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN113076996B (zh) | 一种改进粒子群极限学习机的辐射源信号识别方法 | |
| CN113752089A (zh) | 一种基于奇异性李氏指数的刀具状态监测方法 | |
| WO2022132907A1 (en) | Tool condition monitoring system | |
| CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
| Zegarra et al. | Comparison of CNN and CNN-LSTM architectures for tool wear estimation | |
| CN110928237A (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
| CN111046532A (zh) | 一种基于肘形判据的同调机群聚类识别方法 | |
| CN112518425A (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
| Shaban et al. | Cutting tool wear detection using multiclass logical analysis of data | |
| CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
| CN117408144B (zh) | 滚削力波动特性预测模型的构建方法及预测模型 | |
| CN107330375A (zh) | 基于经验模态分解和样本熵特征的机床颤振在线监测方法 | |
| CN119853087B (zh) | 一种基于智能算法的石墨烯超级电容容量节能控制方法 | |
| CN116910579A (zh) | 一种基于迁移学习的变工况机械加工颤振监测方法 | |
| CN110046593A (zh) | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 | |
| CN119853550A (zh) | 智能伺服电机控制方法、装置及计算机设备 | |
| Wang et al. | A new approach for rolling bearing fault diagnosis based on EEMD hierarchical entropy and improved CS-SVM | |
| CN118249683B (zh) | 基于自主可控算法的火电机组智能励磁控制方法及系统 | |
| Zhou et al. | Milling cutter wear prediction based on bidirectional long short-term memory neural networks |
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 |