一种机械加工表面粗糙度预测方法技术

本发明专利技术提供一种机械加工表面粗糙度的预测方法，包括以下步骤：选取足够数量的检测参数和对应的表面粗糙度作为样本数据；对样本数据进行归一化处理；采用试凑法确定网络结构；初始化Copula EDA的群种，通过计算预测值和实测值的误差选择S个优秀个体；通过Copula分布估计算法来优化网络参数，将最优的权值和阈值赋给神经网络；最后基于BP算法进一步修正网络的参数，直至达到期望误差或者迭代次数，保存最终的网络来计算表面粗糙度的预测值。本方法将Copula EDA和BP算法相结合来优化神经网络，既解决了单一BP算法容易陷入局部极小的情况，又解决了单一Copula EDA算法收敛速度慢的缺点，通过在线监测运行状态下的工艺系统，能够实现机械表面加工质量的预测预报。

A Prediction Method of Machining Surface Roughness

The invention provides a method for predicting the surface roughness of mechanical processing, which includes the following steps: selecting a sufficient number of detection parameters and corresponding surface roughness as sample data; normalizing the sample data; determining the network structure by trial and error method; initializing the population of Copula EDA, and calculating the predicted value and roughness. The errors of measured values select S excellent individuals; the network parameters are optimized by Copula distribution estimation algorithm, and the optimal weights and thresholds are assigned to the neural network; finally, the parameters of the network are further modified based on BP algorithm until the expected errors or iterations are reached, and the final network is saved to calculate the prediction of surface roughness. Value. This method combines Copula EDA and BP algorithm to optimize the neural network. It not only solves the problem that a single BP algorithm is easy to fall into local minima, but also solves the shortcoming of slow convergence speed of a single Copula EDA algorithm. Through on-line monitoring of the process system in operation, it can realize the prediction and prediction of the machining quality of mechanical surface.

【技术实现步骤摘要】
一种机械加工表面粗糙度预测方法
本专利技术属于机械加工
，尤其是涉及一种机械加工表面粗糙度预测方法。
技术介绍
智能加工作为智能制造的关键技术，需要对机械加工过程实时在线监测，采集切削力、振动、声发射、温度等检测信号，提取相关特征，对切削过程的状态进行判定，并能对加工质量、刀具耐用度和工艺系统的稳定性进行预测，进而调整切削参数来实现智能控制。在机械加工中，表面粗糙度是衡量产品表面质量的重要指标之一。因此，如何有效地预测工件的表面粗糙度成为了机械制造领域的一个关键问题。目前，国内外许多学者对表面粗糙度预测技术进行了深入研究。目前关于表面粗糙度预测研究方法主要分为三种：基于切削理论模型、基于切削参数的经验模型以及基于人工智能的预测方法。基于切削理论模型和基于切削参数的经验模型的预测方法，由于误差较大，更多的是采用人工智能的预测方法。BP神经网络具有理论上逼近任何非线性连续函数的能力，因而其在研究中得到广泛的应用，但是BP算法容易陷入局部极小值，无法达到全局最优点，而Copula分布估计算法(CopulaEstimationofDistributionAlgorithm，CopulaEDA)则是基于全局来寻找最优解，因此很好的弥补了BP算法的劣势。
技术实现思路
针对智能制造中通过在线监测切削加工过程来判定系统的状态及预测，提出了基于CopulaEDA和BP神经网络混合算法的表面粗糙的预测新方法，以监测信号作为变量参数，以表面粗糙度作为输出，选取足够数量的变量参数和对应的表面粗糙度作为样本数据；然后，对样本数据进行归一化处理；进而，基于公式，采用试凑法确定网络结构；然后，初始化CopulaEDA的群种，通过计算预测值和实测值的误差选择S个优秀个体；通过Copula分布估计算法来优化网络参数，将最优的权值和阈值赋给神经网络；最后基于BP算法进一步修正网络的参数，直至达到期望误差或者迭代次数，保存最终的网络来计算表面粗糙度的预测值。本专利技术通过以下技术方案实现：一种机械加工表面粗糙度的预测方法，包括以下步骤：步骤S1、样本数据的获取：选取多组检测参数和对应的表面粗糙度作为样本数据；步骤S2、样本数据预处理：将步骤S1中的检测参数和表面粗糙度数据进行归一化，并将归一化后的参数和表面粗糙度分别作为神经网络的输入和输出样本；步骤S3、确定神经网络结构：利用试凑法确定确定网络结构；步骤S4、初始化群种：随机产生P个神经网络的权值和阈值；步骤S5、选择S个优秀个体：将S4产生的P个神经网络的权值和阈值逐一赋给神经网络，计算表面粗糙度Ra预测值和实测值的误差，选择S个优秀个体；步骤S6、基于Copula分布估计算法优化网络参数：利用Copula分布估计算法优化网络参数，得到最优的权值和阈值，并将最优的权值和阈值赋给神经网络；步骤S7、基于BP算法优化网络参数：将S6得到的最优的权值和阈值赋给神经网络，直至达到期望误差或者迭代次数，得到最终的最优权值和阈值来计算表面粗糙度的预测值。上述方案中，所述步骤S3具体为：根据输入层和输出层单元格数来确定隐含层的单元个数，基于公式其中m为输入层单元个数，n为输出层单元个数，利用试凑法确定误差最小时所对应的节点数。上述方案中，所述步骤S4具体为：随机产生P个神经网络的权值和阈值{xi1,xi2,…xij}，i＝1,2,…,P，j是权值和阈值按照编码方式排列成长度为k(m+n)+n+k的一维数组的字符数，表示权值和阈值初始群种的维数，其中m为输入层单元个数，n为输出层单元个数，k为隐含层单元个数。上述方案中，所述步骤S5具体为：将步骤S4产生的P个权值和阈值逐一赋给神经网络，并用归一化的切削力F作为输入得到的表面粗糙度Ra预测值，以实测值和预测值误差大小来评价这P个权值和阈值优劣，从其中选择误差最小的r个个体以及随机选择t个个体作为CopulaEDA的S个优秀个体，S＝r+t。上述方案中，所述步骤S6具体为：建立所述S个优秀个体{xij,i＝1,2,…,S}的概率分布模型Fj，利用Copula函数进行采样，产生R个服从联合分布函数C的变量u1k,u2k,…ujk，表示第k组j维变量，k＝1,2,…,R,根据公式xjk＝Fj-1(ujk)，得到R个新个体x1k,x2k,…xjk，同时从S个优秀个体中选择d个个体，并随机产生P-R-d个个体，将这三组组合起来作为下一代初始群种，返回步骤S5，直到达到期望误差或者迭代次数，停止优化，选出误差最小所对应的个体解码得到最优的权值和阈值。上述方案中，所述步骤S7具体为：将步骤S6得到的最优的权值和阈值赋给神经网络，并在训练样本数据的过程中利用BP算法不断的修正权值和阈值，达到期望误差或者迭代次数停止训练，得到最终的最优权值和阈值。上述方案中，还包括步骤S8；所述步骤S8为评价网络，具体为：将步骤S7得到的最终权值和阈值赋给网络，以验证实验的切削力F为输入，并计算预测的表面粗糙度Ra和实测值的误差，以此来评价网络结构的准确性和可靠性。上述方案中，所述优秀个体S的个数不少于P/2个上述方案中，选用正态分布作为优秀个体的边缘分布，选用ClaytonCopula函数进行采样。上述方案中，所述步骤6和步骤7在优化神经网络参数过程中，以表面粗糙度误差率最小为作为选择最优权值和阈值的评价标准。与现有技术相比，本专利技术的有益效果是：本方法将CopulaEDA和BP算法相结合来优化神经网络，既解决了单一BP算法容易陷入局部极小的情况，又解决了单一CopulaEDA算法收敛速度慢的缺点，为自动化加工和机械加工过程在线监测提供了一个新的视角。通过在线监测运行状态下的工艺系统，能够实现机械表面加工质量的预测预报，对于实现智能制造和工业4.0具有重要的科学意义和较大的实用价值。附图说明图1是本专利技术一实施方式的CopulaEDA-BP混合算法流程图；图2是本专利技术一实施方式的1-4-1的神经网络模型。具体实施方式下面结合附图1以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。如图1所示，本专利技术所述一种机械加工表面粗糙度预测方法：包括以下步骤：步骤S1、样本数据的获取；步骤S2、样本数据预处理：将实验结果中的检测参数和表面粗糙度数据进行归一化，并将归一化后的参数和表面粗糙度分别作为神经网络的输入和输出样本；步骤S3、确定网络结构：根据输入层和输出层单元格数来确定隐含层的单元个数，本文输入和输出各有一个单元，根据其中m为输入层单元个数，n为输出层单元个数，利用试凑法确定误差最小时所对应的节点数为最优；步骤S4、初始化群种：随机产生P个神经网络的权值和阈值{xi1,xi2,…xij}，i＝1,2,…,P，j是权值和阈值按照编码方式排列成长度为k(m+n)+n+k的一维数组的字符数，表示权值和阈值初始群种的维数，其中m为输入层单元个数，n为输出层单元个数，k为隐含层单元个数；步骤S5、选择S个优秀个体：将步骤S4产生的P个权值和阈值逐一赋给神经网络，并用归一化的切削力F作为输入得到的表面粗糙度Ra预测值，以实测值和预测值误差大小来评价这P个权值和阈值优劣，从其中选择误差最小的r个个体以及随机选择t个个体作为CopulaEDA的S个优秀个体，S＝r+t；步骤S6、基本文档来自技高网...

【技术保护点】
1.一种机械加工表面粗糙度的预测方法，其特征在于，包括以下步骤：步骤S1、样本数据的获取：选取多组检测参数和对应的表面粗糙度作为样本数据；步骤S2、样本数据预处理：将步骤S1中的检测参数和表面粗糙度数据进行归一化，并将归一化后的参数和表面粗糙度分别作为神经网络的输入和输出样本；步骤S3、确定神经网络结构：利用试凑法确定确定网络结构；步骤S4、初始化群种：随机产生P个神经网络的权值和阈值；步骤S5、选择S个优秀个体：将S4产生的P个神经网络的权值和阈值逐一赋给神经网络，计算表面粗糙度Ra预测值和实测值的误差，选择S个优秀个体；步骤S6、基于Copula分布估计算法优化网络参数：利用Copula分布估计算法优化网络参数，得到最优的权值和阈值，并将最优的权值和阈值赋给神经网络；步骤S7、基于BP算法优化网络参数：将S6得到的最优的权值和阈值赋给神经网络，直至达到期望误差或者迭代次数，得到最终的最优权值和阈值来计算表面粗糙度的预测值。

【技术特征摘要】
1.一种机械加工表面粗糙度的预测方法，其特征在于，包括以下步骤：步骤S1、样本数据的获取：选取多组检测参数和对应的表面粗糙度作为样本数据；步骤S2、样本数据预处理：将步骤S1中的检测参数和表面粗糙度数据进行归一化，并将归一化后的参数和表面粗糙度分别作为神经网络的输入和输出样本；步骤S3、确定神经网络结构：利用试凑法确定确定网络结构；步骤S4、初始化群种：随机产生P个神经网络的权值和阈值；步骤S5、选择S个优秀个体：将S4产生的P个神经网络的权值和阈值逐一赋给神经网络，计算表面粗糙度Ra预测值和实测值的误差，选择S个优秀个体；步骤S6、基于Copula分布估计算法优化网络参数：利用Copula分布估计算法优化网络参数，得到最优的权值和阈值，并将最优的权值和阈值赋给神经网络；步骤S7、基于BP算法优化网络参数：将S6得到的最优的权值和阈值赋给神经网络，直至达到期望误差或者迭代次数，得到最终的最优权值和阈值来计算表面粗糙度的预测值。2.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S3具体为：根据输入层和输出层单元格数来确定隐含层的单元个数，基于公式其中m为输入层单元个数，n为输出层单元个数，利用试凑法确定误差最小时所对应的节点数。3.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S4具体为：随机产生P个神经网络的权值和阈值{xi1,xi2,…xij}，i＝1,2,…,P，j是权值和阈值按照编码方式排列成长度为k(m+n)+n+k的一维数组的字符数，表示权值和阈值初始群种的维数，其中m为输入层单元个数，n为输出层单元个数，k为隐含层单元个数。4.根据权利要求1所述的机械加工表面粗糙度的预测方法，其特征在于，所述步骤S5具体为：将步骤S4产生的P个权值和阈值逐一赋给神经网络，并用归一化的切削力F作为输入得到的表面粗糙度Ra预测值，以实测...

【专利技术属性】
技术研发人员：裴宏杰，李公安，陈少峰，陈钰荧，王贵成，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32