【技术实现步骤摘要】
本专利技术涉及机械，更进一步涉及机械加工中的一种基于机器学习的机械加工切削力预测方法。本专利技术可用于预测机械加工的切削力。
技术介绍
1、切削力预测对于保证机械加工质量，提高加工效率和刀具寿命等应用具有非常重要的意义。传统的切削力预测方法通常有3种：经验公式、切削力系数辨识、整体机械加工切削力有限元仿真。切削力经验公式只能预测切削力峰值或者均值，很少考虑到刀具几何参数和材料特性对切削力影响，无法依据加工几何特征来修正切削力。切削力系数辨识方法可以根据实验数据辨识线性模型或者简单的指数模型系数，并用该模型对刀片微元的切削力进行描述，再根据各个微元的运动方程，求解各个微元切削力，最终叠加求解整体机械加工切削力，这种方法也是现在求解切削力常用方法。但是由于方法基于实验数据，因此经常会受机床主轴变形、振动等因素的影响导致切削力计算精度下降，并且用简单的线性模型或者指数模型描述刀片微元切削力是误差较大的。而整体机械加工切削力有限元仿真操作复杂、模型构建困难，而且创建的刀具网格量大，计算量大，计算时间长。随着大数据以及计算机算力的发展，机器学习、人工智能逐渐应用于切削力预测。采用切削力预测方法有多元回归分析预测模型、人工神经网络预测模型。
2、重庆大学在其申请的专利文献“一种基于改进pso算法辅助svm算法的切削力预测方法”(申请号：cn 202210138338.8申请公布号：cn 114492198 a)中提出一种基于人工智能技术的切削力预测方法。该方法的实现步骤是：首先，构建基于svm算法的切削力预测模型，约束条件为由原
技术实现思路
1、本专利技术的目的在于针对上述现有技术存在的不足，提出一种基于机器学习的机械加工切削力预测方法，用于解决现有机械加工切削力预测方法不具有泛化性所带来的额外时间成本，以及切削力预测模型的鲁棒性不高的问题。
2、实现本专利技术目的的思路是：本专利技术在生成数据集时，根据加工过程，获取工艺参数，以及加工工件的材料数据、几何特征数据，根据数据类型不同，将数据分为离散数据部分和连续数据部分；针对离散的工件几何形状，采用独热编码进行处理，对于连续的工件尺寸信息，选择两个典型几何尺寸进行描述。对于矩形槽、缝等，选择长和宽进行量化；对于圆孔等，则两个几何尺寸都等于其直径大小。本专利技术针对不同类型的工件几何特征参数采用不同的特征提取方式，由于模型的训练数据中包含了工件几何特征，将测试数据通过训练好的机器学习模型中，能够突出对切削力有影响的关键因素，从而更加准确地完成对切削力预测；同时，本方法将工件几何特征参数融入到训练数据集构造中，保证预测模型具有对不同工件几何特征的辨识能力，实现针对不同形状工件的切削力预测，从而增强了模型的泛化性。
3、为实现上述目的，本专利技术的实现方案包括如下：
4、步骤1，采集机床加工过程中的切削工艺参数、切削力、工件材料数据、工件几何特征数据；
5、步骤2，处理数据：
6、步骤2.1，对工件材料数据和几何特征数据中的工件几何形状信息，分别进行缺失值处理以及独热编码处理；对工件几何特征数据中的工件尺寸信息，选择每种工件两个典型几何尺寸进行描述；
7、步骤2.2，对切削工艺参数与切削力去除趋势项，对异常值和缺失值进行删除；
8、步骤3，构建训练集：
9、将处理后的工件数据、切削工艺参数和切削力数据组成样本集，对每个样本进行归一化处理，得到训练集；
10、步骤4，训练切削力预测模型：
11、将训练集输入到切削力预测模型中，采用机器学习算法训练模型，迭代更新模型参数，直至模型的损失函数收敛为止，得到训练好的切削力预测模型；
12、步骤5，预测切削力：
13、采集待预测加工过程的工件数据和切削工艺参数，采用与步骤2相同的方法，对采集的数据进行处理，将处理后的待预测的工件数据与切削工艺参数输入到训练好的切削力预测模型，输出加工过程对应的切削力。
14、本专利技术与现有技术相比有以下优点：
15、第一，本专利技术构建的训练数据集包括对所加工工件几何特征进行编码，提取所加工工件几何特征的形状和尺寸信息，加入到切削力预测模型的输入中，克服现有的切削力预测方法所构建的训练集只包括切削参数的不足，使得本模型具备了对不同工件几何特征的辨识能力，使得本专利技术具有构建的数据集更加完整，预测结果更客观合理的优点。
16、第二，本专利技术相比传统切削力预测方法在每次加工新的几何特征时都要进行切削实验以标定切削力系数，本方法可在一定精度范围内改变所加工工件几何特征的尺寸信息来进行切削力的准确预测，无需预先开展切削实验以标定系数，使得本专利技术具有在实际工业现场应用中使用更便捷，泛化性能更强的优点。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的机械加工切削力预测方法，其特征在于，采用独热编码处理，提取所加工工件几何特征的形状和尺寸信息，作为构建切削力预测模型的训练集的一部分；该预测方法的步骤包括如下：
2.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤1中所述几何特征数据中包含工件形状信息与工件尺寸信息。
3.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述进行缺失值处理指的是，当工件材料数据和工件几何形状信息存在缺失时，根据上下数据内容进行填充。
4.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述独热编码处理包括根据离散数据特征的不同状态，分别对每个状态创建对应的状态寄存器。
5.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述选择每种工件两个典型几何尺寸进行描述指的是，对于矩形槽、缝，选择长和宽进行量化；对于圆孔则两个几何尺寸都等于其直径大小。
6.根据权利要求1所述的基于机器学习的机械加工切
7.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.2中所述对异常值进行删除指的是，对切削工艺参数与切削力求统计特征值转换为单一数值，对于异常的统计特征值，采用多元线性回归拟合经验公式剔除残差过大值；所述多元线性回归拟合经验公式如下：
8.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.2中所述对缺失值进行删除指的是，删除对切削工艺参数与切削力存在遗漏信息属性值的特征列。
9.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤3中所述对每个样本进行归一化处理是指，将处理后的数据根据对应的加工过程进行横向合并，并对于合并数据将属性映射到[0,1]区间，得到统一形式后的切削力预测训练集；所述归一化公式如下：
10.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤4中所述采用机器学习算法训练模型是指，将训练集导入机器学习算法中，使用网格搜索方法，寻找机器学习算法模型最优参数，得到最优预测模型。
...【技术特征摘要】
1.一种基于机器学习的机械加工切削力预测方法，其特征在于，采用独热编码处理，提取所加工工件几何特征的形状和尺寸信息，作为构建切削力预测模型的训练集的一部分；该预测方法的步骤包括如下：
2.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤1中所述几何特征数据中包含工件形状信息与工件尺寸信息。
3.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述进行缺失值处理指的是，当工件材料数据和工件几何形状信息存在缺失时，根据上下数据内容进行填充。
4.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述独热编码处理包括根据离散数据特征的不同状态，分别对每个状态创建对应的状态寄存器。
5.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.1中所述选择每种工件两个典型几何尺寸进行描述指的是，对于矩形槽、缝，选择长和宽进行量化；对于圆孔则两个几何尺寸都等于其直径大小。
6.根据权利要求1所述的基于机器学习的机械加工切削力预测方法，其特征在于，步骤2.2中所述对切削工艺参数与切削力去除趋势项是指，对于正弦波趋势项处理，利用高通滤波器，...
【专利技术属性】
技术研发人员：郑健，尹佳，常建涛，李明声，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。