基于决策树的数控车床车削过程能耗预测系统技术方案

本发明专利技术公开了一种基于决策树的数控车床车削过程能耗预测系统，它包括数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分。本发明专利技术充分考虑了各种因素对数控机床车削能耗的影响，利用数据挖掘技术中的决策树算法得到车削能耗与车削参数之间的定量关系，再与自我修正模块相结合，对初步预测结果进行修正，来进行数控机床车削过程的能耗预先测算，用于指导实际加工过程。此外，可根据实际情况不断更新模型，从而不断提高预测模型的预测精度，使操作者能够选择更加合理的车削参数，最终帮助企业提高加工效率。

【技术实现步骤摘要】
基于决策树的数控车床车削过程能耗预测系统
本专利技术涉及机床控制系统
，尤其涉及一种基于决策树的数控车床车削过程能耗预测系统。
技术介绍
目前，对数控车床的车削过程能耗的预测还没有形成比较统一的技术体系。传统的方法主要是有经验的操作工依据经验和操作手册综合选择合适的车削参数，或者通过现场切削实验或者监测加工过程来合理选择车削参数。这种方法受工人的主观因素、具体的车床种类以及加工方法、加工对象不同的影响而差异很大，无法大规模普及。有学者提出各种不同的假设和理论模型，将多种数学方法应用于数控车床的车削过程能耗的预测中，如支持向量机法、神经网络法等。不可否认这些方法虽然取得了一定的成果，但各有其不足之处。现有的支持向量机法，借助二次规划来求解支持向量时涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。此外，经典的支持向量机法只给出了二类分类的算法，对于数据挖掘的实际应用中涉及的多类分类问题需要结合其他算法加以解决，比较复杂。现有的神经网络法，存在样本数据训练时间长甚至完全不能训练的情况。此外，存在样本训练过程中学习新样本时有遗忘旧样本文档来自技高网...

【技术保护点】
基于决策树的数控车床车削过程能耗预测系统，其特征是，包括：数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分，从车削参数数据库中选取包括刀具类型、主轴转速、进给量和切削深度在内的主要参数属性构成属性集作为评价指标，对从车削参数数据库中提取的各参数属性值以及实时检测的各参数属性值进行预处理，并将连续型属性离散化，转换成调用决策树算法所需的数据格式，再传送至能耗预测模块；数据准备模块的工作完成后，实时车削参数数据采集模块与能耗预测模块协同工作，调用决策树算法，计算各参数属性的信息增益率，选取信息增益率最大的属性作为决策树...

【技术特征摘要】
1.基于决策树的数控车床车削过程能耗预测系统，其特征是，包括：数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分，从车削参数数据库中选取包括刀具类型、主轴转速、进给量和切削深度在内的主要参数属性构成属性集作为评价指标，对从车削参数数据库中提取的各参数属性值以及实时检测的各参数属性值进行预处理，并将连续型属性离散化，转换成调用决策树算法所需的数据格式，再传送至能耗预测模块；数据准备模块的工作完成后，实时车削参数数据采集模块与能耗预测模块协同工作，调用决策树算法，计算各参数属性的信息增益率，选取信息增益率最大的属性作为决策树的根结点，再由该属性的不同取值建立分支，调用此方法建立决策树各节点的分支，直到所有子集只包含同一类别的数据为止，建立车削过程能耗决策树预测模型；然后对模型进行修正，以提高模型预测精度，输出初步的能耗预测结果；得到初步的能耗预测结果后，自我修正模块与能耗预测模块协同工作，对初步预测结果进行修正，得到最终的预测结果。2.如权利要求1所述的基于决策树的数控车床车削过程能耗预测系统，其特征是，在数据准备阶段，从车削参数数据库依据历史车削参数与车削能耗的关系，获取大量已知的样本基础数据构成样本集，然后将样本集划分为两类样本，一类用作训练样本集S，用于建立能耗决策树预测模型，一类作为测试样本集，用来对初步建立的能耗决策树预测模型中不正确的数据进行修正。3.如权利要求2所述的基于决策树的数控车床车削过程能耗预测系统，其特征是，训练样本集S中初步提取的各类车削参数都是具体的数值，具有连续属性，构成属性集A＝{A1，A2，...，An}，表示属性集A中共有n个属性，每个属性Aj具有t个不同的取值即Aj＝{a1，a2，...，at}，j＝1，2...n，将训练样本集S划分为t个子集S＝{S1，S2，...，St}，需要对属性Aj，j＝1，2...n中的连续属性值进行离散化处理，具体方法为：将属性Aj，j＝1，2...n中t个不同的取值按照从小到大的顺序依次排列，排列后的属性取值序列为B1、B2、...、Bt，逐一求取两个相邻值的平均值作为分割点；这t-1个分割点将属性取值分别分为对应于Aj≤C和Aj＞C，j＝1，2...n的两个子集，计算信息增益率，取出其中最大的信息增益率GR(c’)对应的分割点c’作为局部阈值，则按连续属性Aj，j＝1，2...n划分样本集S的信息增益率为GR(c’)；然后在B1、B2、...、Bt中取不超过但又最接近局部阈值c’的取值C作为属性Aj，j＝1，2...n的分割阈值。4.如权利要求3所述的基于决策树的数控车床车削过程能耗预测系统，其特征是，计算出训练样本集S中每个参数属性的信息增益率的方法为：训练样本集S＝{S1，S2，...，Sm}，包含m个类Ci，i＝1，2，...，m，Si为类Ci中的样本数，将进行分类的需要的信息量记为I(S)，则：其中，pi为训练样本集S中任意样本属于类Ci的概率；训练样本集S按照上述属性Aj＝{a1，a2，...，at}，j＝1，2...n，的t个不同的取值划分成t个子集，记为S＝{S1，S2，...，St...

【专利技术属性】
技术研发人员：王艳，程丽军，纪志成，赵积强，朱震宇，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32