一种基于梯度提升决策树的硬车表面白层预测方法技术

本发明专利技术涉及一种基于梯度提升决策树的硬车表面白层预测方法，该方法包括：信号数据采集：采集硬态车削过程中的动态切削信号数据；特征提取与分析：对动态切削信号数据进行特征提取与分析获取用于识别白层的主特征量；预测模型构建与训练：构建基于梯度提升决策树的硬态车削加工表面白层预测模型，所述的主特征量作为所述的梯度提升决策树的输入，所述的梯度提升决策树输入预测结果；在线预测：在线进行所述的信号数据采集、特征提取与分析，将主特征量输入训练好的硬态车削加工表面白层预测模型，获取预测结果。与现有技术相比，本发明专利技术能够实现硬车表面白层的在线预测，具有较高的准确性。确性。确性。

【技术实现步骤摘要】
一种基于梯度提升决策树的硬车表面白层预测方法


[0001]本专利技术涉及一种硬车表面白层预测方法，尤其是涉及一种基于梯度提升决策树的硬车表面白层预测方法。

技术介绍

[0002]随着数控机床与刀具材料的不断发展，硬态车削具有加工效率高，污染小、柔性高等优点，以硬态切削作为淬硬刚的精加工方式已经成为了一种发展趋势，并在轴承、磨具、机床及汽车制造业等领域得到了广泛应用。在硬态车削过程中，高硬度材料工件表面极易产生白层现象，硬态车削白层现象是工件本身的塑性变形以及切削过程中产生的高温导致工件表面发生相变，进而在已加工表面形成一层变质层，是硬态切削过程中应力场、温度场和组织转变相互耦合的结果。
[0003]硬态车削白层形成过程如图1中(a)所示，硬态切削过程在刀具对切屑的作用下会形成三个切削变形区域，分别是：剪切面变形区(第一变形区)、刀具前刀面与切屑摩擦区(第二变形区)、刀具后刀面与己加工表面摩擦区(第三变形区)，其中，在第一变形区剪切作用与第三变形区犁耕力的作用下，工件端会产生机械应力，其剪切与犁耕作用载荷分布如图1中(b)所示。在切削过程中，工件剪切区发生剧烈变形及刀具与工件间摩擦做功会产生热量，如图1中(c)所示，因此切削时会产生三个发热区：剪切面塑性变形产生的热量、刀具前刀面与切屑之间产生的摩擦热和刀具后刀面与工件之间产生的摩擦热，其中刀具、切屑与加工工件表面相距较远，其产生的摩擦热可忽略不计。而切削热生成后，工件表面温度会随热量传导发散而急剧升高，使得工件表面发生微观组织的转变。硬态切削组织转变过程具体如图1中(d)所示，随着切削时间的增加，工件表面温度迅速升高，当温度快速升高至奥氏体温度(即A
c1
线)时，表层组织开始发生奥氏体转变。而硬态切削工件表面升温过程是一个快速升温的过程，因此表层组织能够迅速的完成奥氏体的转变。随着时间的推移，由于热传导以及热量的散失，工件已加工表面温度开始快速下降，此时冷却速率远远大于马氏体转变速率，当工件已加工表面温度低于马氏体温度(即M
s
线)时，发生马氏体相变，形成最终的微观组织，即白层现象。
[0004]硬态车削白层虽然能够增强材料的耐腐蚀性和耐磨性，但是白层的形成使得工件表层组织均匀性变差，且更容易形成裂纹，严重影响工件的加工表面质量。
[0005]白层属于微观组织结构，通常存在于金属表面或亚表层区域，经过金相腐蚀后在光学显微镜下呈现亮白色的组织，对所生产的工件质量性能有较大危害。为保证加工产品的质量，应避免加工工件表面产生白层现象，实际加工中操作人员很难通过肉眼直接观察加工工件表面是否出现白层现象，往往需采用制备白层试件的方式来检测加工工件表面白层现象。但因制备白层试件过程复杂且耗时耗力，会严重浪费工厂大量的人力和物力，极大的影响工厂的生产效率，也不能对每个产品零件进行全检测，很难保证加工产品的生产良率。
[0006]因此，为了实时有效地对硬态车削每个零件白层现象进行全检测，就需要更为有
效的检测手段来实现实时在线预测硬态车削加工工件表面白层现象。

技术实现思路

[0007]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于梯度提升决策树的硬车表面白层预测方法。
[0008]本专利技术的目的可以通过以下技术方案来实现：
[0009]一种基于梯度提升决策树的硬车表面白层预测方法，该方法包括：
[0010]信号数据采集：采集硬态车削过程中的动态切削信号数据；
[0011]特征提取与分析：对动态切削信号数据进行特征提取与分析获取用于识别白层的主特征量；
[0012]预测模型构建与训练：构建基于梯度提升决策树的硬态车削加工表面白层预测模型，所述的主特征量作为所述的梯度提升决策树的输入，所述的梯度提升决策树输入预测结果；
[0013]在线预测：在线进行所述的信号数据采集、特征提取与分析，将主特征量输入训练好的硬态车削加工表面白层预测模型，获取预测结果。
[0014]优选地，所述的动态切削信号数据包括声发射信号、功率信号和振动信号中的任意一个维度数据或多个维度数据的组合。
[0015]优选地，所述的特征提取与分析包括：
[0016]对动态切削信号数据进行时域特征提取和小波包能量特征提取，将提取的参数作为识别白层的特征参数；
[0017]利用特征重要性分析方法对所述的特征参数的影响度进行分析，并通过主成分分析方法提取用于识别白层的主特征量。
[0018]优选地，所述的时域特征提取包括对声发射信号和功率信号分别进行时域特征提取。
[0019]优选地，所述的时域特征包括峰值、均方根、波形因子、峰值因子、脉冲因子、裕度因子、最大值、平均值、最小值。
[0020]优选地，所述的小波包能量特征提取包括对声发射信号和振动信号分别进行小波包分解。
[0021]优选地，预测模型构建与训练时，根据硬态车削加工表面白层预测模型输入数据的维度训练得到不同的模型，并评价模型的预测性能，选用性能最佳的模型作为在线预测的模型。
[0022]优选地，所述的评价模型的预测性能包括：
[0023]利用测试集对模型进行测试，基于测试结果构建混淆矩阵，所述的混淆矩阵包括四个基础指标，分别为：被正确预测为白层的样本个数TP、非白层样本被错误的预测为白层的样本个数FP、白层样本被错误的预测为非白层的样本个数FN、被正确预测为非白层的样本个数TN；
[0024]利用混淆矩阵可视化评估模型性能，包括准确率A、精确率P、召回率R、F1分数值、灵敏度TPR、特异度FPR、ROC曲线和AUC值，具体地：
[0025][0026][0027][0028][0029][0030][0031]所述的ROC曲线为以灵敏度TPR为纵坐标，特异度FPR为横坐标绘制出的曲线，所述的AUC值为ROC曲线下的面积。
[0032]优选地，所述的准确率A、精确率P、召回率R、F1分数值以及AUC值越高，模型性能越好。
[0033]优选地，预测模型训练过程中利用网格搜索法对模型参数进行调优。
[0034]与现有技术相比，本专利技术具有如下优点：
[0035](1)本专利技术结合声发射、三向振动和功率等多种传感器技术，提出一种基于梯度提升决策树的硬态车削加工工件表面白层在线预测的方法，对实现硬车过程白层现象的在线智能预测具有重要意义。
[0036](2)本专利技术为了评估模型白层的预测性能，基于混淆矩阵提出一套评价方法来确保梯度提升决策树模型的预测性能，利用准确率、分类精度、召回率、F1值以及roc曲线和Auc值来确保模型的预测效果，从而能够根据需要调整输入预测模型的数据维度，并进行模型参数的训练，从而保证后续在线预测的准确度。
[0037](3)本专利技术提供的预测性能的评估方法对模型进行评价的结构表明，与功率、振动信号等特征相比，声发射信号特征对车削白层现象更为灵敏，是预测车削加工过程中白层现象的重要特征参数，实验也进一步证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度提升决策树的硬车表面白层预测方法，其特征在于，该方法包括：信号数据采集：采集硬态车削过程中的动态切削信号数据；特征提取与分析：对动态切削信号数据进行特征提取与分析获取用于识别白层的主特征量；预测模型构建与训练：构建基于梯度提升决策树的硬态车削加工表面白层预测模型，所述的主特征量作为所述的梯度提升决策树的输入，所述的梯度提升决策树输入预测结果；在线预测：在线进行所述的信号数据采集、特征提取与分析，将主特征量输入训练好的硬态车削加工表面白层预测模型，获取预测结果。2.根据权利要求1所述的一种基于梯度提升决策树的硬车表面白层预测方法，其特征在于，所述的动态切削信号数据包括声发射信号、功率信号和振动信号中的任意一个维度数据或多个维度数据的组合。3.根据权利要求2所述的一种基于梯度提升决策树的硬车表面白层预测方法，其特征在于，所述的特征提取与分析包括：对动态切削信号数据进行时域特征提取和小波包能量特征提取，将提取的参数作为识别白层的特征参数；利用特征重要性分析方法对所述的特征参数的影响度进行分析，并通过主成分分析方法提取用于识别白层的主特征量。4.根据权利要求3所述的一种基于梯度提升决策树的硬车表面白层预测方法，其特征在于，所述的时域特征提取包括对声发射信号和功率信号分别进行时域特征提取。5.根据权利要求4所述的一种基于梯度提升决策树的硬车表面白层预测方法，其特征在于，所述的时域特征包括峰值、均方根、波形因子、峰值因子、脉冲因子、裕度因子、最大值、平均值、最小值。6.根据权...

【专利技术属性】
技术研发人员：朱欢欢，李厚佳，迟玉伦，张梦梦，周立波，辜庭皓，曹斌，
申请(专利权)人：上海市高级技工学校，
类型：发明
国别省市：