铣削表面完整性预测方法技术

本发明专利技术公开了一种铣削表面完整性预测方法，包括：S1.采集铣削加工试验数据集；S2.对铣削加工试验数据集进行预处理，得到处理后的试验数据集；S3.将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型；S4.将待测铣削加工数据输入到训练好的预测模型，输出铣削加工表面完整性的预测结果。本发明专利技术能够显著提高铣削表面完整性预测精度，有助于提高铣削过程的效率和质量。有助于提高铣削过程的效率和质量。有助于提高铣削过程的效率和质量。

【技术实现步骤摘要】
铣削表面完整性预测方法


[0001]本专利技术涉及铣削加工领域，具体涉及一种铣削表面完整性预测方法。

技术介绍

[0002]表面完整性是一个用于描述、评价和控制加工工程中表面工作性能影响及其加工表面层内可能产生的各种变化的技术指标。随着制造业的发展和对零件表面完整性的要求不断提高，预测和控制铣削表面完整性的需求也越来越迫切。然而，由于铣削过程的复杂性和多变性，仅凭经验和试验方法难以准确预测铣削表面完整性，需要借助计算机模拟技术进行预测和分析。
[0003]目前，基于计算机模拟技术对铣削加工表面进行完整性预测的方法或产品，构建的预测模型往往是直接套用现有的模型框架，构建过程过于简单，而无法对铣削加工表面特征进行有效识别，导致预测效果不够理想，无法实现对铣削加工表面完整性进行有效预测；因此，需要一种铣削表面完整性预测方法，能够解决以上问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的是克服现有技术中的缺陷，提供铣削表面完整性预测方法，能够显著提高铣削表面完整性预测精度，有助于提高铣削过程的效率和质量。
[0005]本专利技术的铣削表面完整性预测方法，包括如下步骤：
[0006]S1.采集铣削加工试验数据集；
[0007]S2.对铣削加工试验数据集进行预处理，得到处理后的试验数据集；
[0008]S3.将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型；
[0009]S4.将待测铣削加工数据输入到训练好的预测模型，输出铣削加工表面完整性的预测结果。
[0010]进一步，所述铣削加工试验数据集包括特征变量数据以及加工后工件表面数据；
[0011]所述特征变量数据包括加工参数、刀具姿态参数以及刀具几何参数；
[0012]所述加工后工件表面数据包括表面粗糙度以及表面残余应力；所述表面残余应力包括进给方向表面残余应力以及横向表面残余应力。
[0013]进一步，所述加工参数包括主轴转速、进给速度以及切削深度；
[0014]所述刀具姿态参数包括前倾角以及倾斜角；
[0015]所述刀具几何参数包括刀具直径、刃数以及螺旋角。
[0016]进一步，所述预处理包括：
[0017]对铣削加工试验数据集进行无量纲化，得到无量纲化后的试验数据集；
[0018]将无量纲化后的试验数据集划分为训练集和测试集。
[0019]进一步，将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型，具体包括：
[0020]利用处理后的试验数据集，选取k个回归模型，并对k个被选取的回归模型分别进行优化，得到k个优化后的回归模型；
[0021]对k个优化后的回归模型进行不同组合，得到不同组合的基学习器，使用相同的元学习器对不同组合的基学习器进行Stacking模型融合，从若干模型融合后的基学习器组合中选出最优的基学习器组合；
[0022]将最优的基学习器组合作为第一层学习器，在第一层学习器的基础上选择不同的回归模型作为元学习器进行模型融合对比，选择模型融合中预测精度提升最大的回归模型作为模型融合时的元学习器。
[0023]进一步，选取k个回归模型，具体包括：
[0024]使用训练集分别对m个回归模型进行训练，每个回归模型分别以表面粗糙度、进给方向表面残余应力、横向表面残余应力为标签值进行3次训练；其中，m大于k；
[0025]训练完成后，使用训练好的模型对测试集进行预测；
[0026]使用评价指标对每个回归模型进行评分，将平分值满足设定条件的回归模型作为被选取的回归模型。
[0027]进一步，对被选取的回归模型进行优化，具体包括：
[0028]遍历回归模型中所有的超参数组合，并对每组超参数进行交叉验证，得到每组超参数的性能指标，最终选择性能最优的一组超参数作为最终的模型参数。
[0029]进一步，所述铣削表面完整性预测模型包括表面粗糙度预测模型、进给方向表面残余应力预测模型以及横向表面残余应力预测模型。
[0030]进一步，所述表面粗糙度预测模型中最优的基学习器组合包括Bagging回归模型、随机森林回归模型、ExtraTree回归模型、梯度提升回归模型、XGBoost回归模型以及CatBoost回归模型；
[0031]所述进给方向表面残余应力预测模型中最优的基学习器组合包括Bagging回归模型、随机森林回归模型、ExtraTree回归模型、XGBoost回归模型以及CatBoost回归模型；
[0032]所述横向表面残余应力预测模型中最优的基学习器组合包括ExtraTree回归模型、XGBoost回归模型以及CatBoost回归模型。
[0033]进一步，在表面粗糙度预测模型中将梯度提升回归模型作为模型融合时的元学习器；
[0034]在进给方向表面残余应力预测模型中将随机森林回归模型作为模型融合时的元学习器；
[0035]在横向表面残余应力预测模型中将梯度提升回归模型作为模型融合时的元学习器。
[0036]本专利技术的有益效果是：本专利技术公开的一种铣削表面完整性预测方法，通过对采集的铣削加工试验数据集进行预处理，使得形成的数据集为后续的模型训练和测试提供了有力的支撑和保障；通过基于机器学习算法，并结合铣削过程的影响因素，构建铣削表面完整性预测模型，以实现准确预测铣削表面完整性的目的，本专利技术的预测方法有益于优化铣削加工工艺参数，有助于提高铣削过程的效率和质量，并为制造业的发展提供有力的技术支持。
附图说明
[0037]下面结合附图和实施例对本专利技术作进一步描述：
[0038]图1为本专利技术的预测方法流程示意图；
[0039]图2为本专利技术的Stacking集成模型构建流程图；
[0040]图3为本专利技术的表面完整性预测模型构建流程图。
具体实施方式
[0041]以下结合说明书附图对本专利技术做出进一步的说明，如图所示：
[0042]本专利技术的铣削表面完整性预测方法，包括如下步骤：
[0043]S1.采集铣削加工试验数据集；
[0044]S2.对铣削加工试验数据集进行预处理，得到处理后的试验数据集；形成的数据集为后续的模型训练和测试提供了有力的支撑和保障；
[0045]S3.将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型；
[0046]S4.将待测铣削加工数据输入到训练好的预测模型，输出铣削加工表面完整性的预测结果。
[0047]本专利技术通过构建一种基于Stacking集成学习方法的表面完整性预测，为表面完整性预测提供了一定的理论和实践参考，为相关领域的研究提供了一定的借鉴和启示，可用于铝合金五轴铣削表面完整性的高精度预测。
[0048]本实施例中，构建精确的表面完整性预测模型需要大量实验数据的支持，但零件的铣削加工是一项费时的工作。因此，如何在有限时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铣削表面完整性预测方法，其特征在于：包括如下步骤：S1.采集铣削加工试验数据集；S2.对铣削加工试验数据集进行预处理，得到处理后的试验数据集；S3.将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型；S4.将待测铣削加工数据输入到训练好的预测模型，输出铣削加工表面完整性的预测结果。2.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：所述铣削加工试验数据集包括特征变量数据以及加工后工件表面数据；所述特征变量数据包括加工参数、刀具姿态参数以及刀具几何参数；所述加工后工件表面数据包括表面粗糙度以及表面残余应力；所述表面残余应力包括进给方向表面残余应力以及横向表面残余应力。3.根据权利要求2所述的铣削表面完整性预测方法，其特征在于：所述加工参数包括主轴转速、进给速度以及切削深度；所述刀具姿态参数包括前倾角以及倾斜角；所述刀具几何参数包括刀具直径、刃数以及螺旋角。4.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：所述预处理包括：对铣削加工试验数据集进行无量纲化，得到无量纲化后的试验数据集；将无量纲化后的试验数据集划分为训练集和测试集。5.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型，具体包括：利用处理后的试验数据集，选取k个回归模型，并对k个被选取的回归模型分别进行优化，得到k个优化后的回归模型；对k个优化后的回归模型进行不同组合，得到不同组合的基学习器，使用相同的元学习器对不同组合的基学习器进行Stacking模型融合，从若干模型融合后的基学习器组合中选出最优的基学习器组合；将最优的基学习器组合作为第一层学习器，在第一层学习器的基础上选择不同的回归模型作为元学习器进行模型融合对比，选择模型融合中预测精度提升最大的回归模型作为模型融合时的元学习器。6.根据...

【专利技术属性】
技术研发人员：刘宗敏，邢镔，何振宇，刘兰徽，关婷，
申请(专利权)人：重庆工商大学，
类型：发明
国别省市：