銑削表面粗糙度在線智能預(yù)測(cè)方法研究*

唐向紅，劉國(guó)凱，陸見(jiàn)光，易向華，耿曉強(qiáng)

(貴州大學(xué) a.現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室；b.機(jī)械工程學(xué)院；c.貴州省公共大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，貴陽(yáng) 550025)

銑削表面粗糙度在線智能預(yù)測(cè)方法研究*

唐向紅a,b,c，劉國(guó)凱a，陸見(jiàn)光a,b,c，易向華a，耿曉強(qiáng)a

(貴州大學(xué) a.現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室；b.機(jī)械工程學(xué)院；c.貴州省公共大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，貴陽(yáng) 550025)

為了提高表面粗糙度在線預(yù)測(cè)模型的精度，研究并提出了一種融合傳感器統(tǒng)計(jì)學(xué)數(shù)據(jù)的表面粗糙度在線智能預(yù)測(cè)方法。該方法對(duì)加速度的統(tǒng)計(jì)學(xué)特征進(jìn)行PCA主成分提取，保留了85%的數(shù)據(jù)信息。通過(guò)改進(jìn)的PO-GRNN廣義神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行分配，確定光滑因子σ的近似最優(yōu)值。隨后結(jié)合銑削加工參數(shù)集與PCA主成分,通過(guò)PO-GRNN構(gòu)建了一套在線粗糙度預(yù)測(cè)模型?？v向與橫向?qū)Ρ葘?shí)驗(yàn)結(jié)果表明：該模型可提供較高的粗糙度在線預(yù)測(cè)精度，能適用于當(dāng)前智能制造過(guò)程中粗糙度的在線預(yù)測(cè)。

加速度信號(hào)；數(shù)據(jù)挖掘；PO-GRNN神經(jīng)網(wǎng)絡(luò)；粗糙度在線預(yù)測(cè)

0 引言

銑削加工在航空航天、汽車(chē)制造、數(shù)控機(jī)床等諸多領(lǐng)域得到廣泛應(yīng)用。表面粗糙度作為銑削加工的重要指標(biāo)之一，與零件的耐磨性、配合精度、疲勞強(qiáng)度、接觸剛度、配合性能、工作精度、結(jié)合密閉性等有著密切的關(guān)系[1]。對(duì)零件加工表面粗糙度的預(yù)測(cè)可以提高生產(chǎn)效率，降低制造成本，為零件加工表面粗糙度的控制提供依據(jù)。表面粗糙度受機(jī)床剛度、切削參數(shù)、刀具與被加工零件的性能及其振動(dòng)情況等諸多因素影響。伴隨著現(xiàn)代制造系統(tǒng)和機(jī)器的升級(jí)換代，更好的實(shí)驗(yàn)測(cè)量設(shè)備與更新的算法也吸引著眾多研究人員以更好的方式投入到對(duì)零件加工表面粗糙度預(yù)測(cè)的研究之中。

現(xiàn)行較為主流的粗糙度預(yù)測(cè)研究方法包括：回歸分析方法[2]、神經(jīng)網(wǎng)絡(luò)[3-4]、支持向量機(jī)[1,5]、模糊模型[6]及其組合模型[7]等。這些方法多通過(guò)構(gòu)建切削參數(shù)、刀具及工件材料性能等經(jīng)驗(yàn)因素與粗糙度數(shù)值間的關(guān)系模型，進(jìn)而實(shí)現(xiàn)對(duì)粗糙度的預(yù)測(cè)。上述研究方法的預(yù)測(cè)精度很大程度上受到模型選擇與參數(shù)調(diào)整的影響，很少或未能充分利用傳感器在加工過(guò)程中所反饋的加工狀態(tài)信息[8]，進(jìn)而導(dǎo)致模型的預(yù)測(cè)精度相對(duì)較低。伴隨著人工智能的再度興起與大數(shù)據(jù)的廣泛推廣，當(dāng)前制造業(yè)中傳感器的廣泛應(yīng)用為產(chǎn)品設(shè)計(jì)、制造、控制與決策提供了海量數(shù)據(jù)，產(chǎn)品加工過(guò)程中的傳感器數(shù)據(jù)信息是對(duì)當(dāng)前加工狀態(tài)或直接或間接的反饋。充分融合傳感器統(tǒng)計(jì)學(xué)數(shù)據(jù)，一定程度上可實(shí)現(xiàn)零件加工表面粗糙度預(yù)測(cè)性能的提升。

針對(duì)上述預(yù)測(cè)模型存在的問(wèn)題，本文挖掘了加速度傳感器在時(shí)域信號(hào)中的10個(gè)統(tǒng)計(jì)學(xué)特征參數(shù)。針對(duì)這10個(gè)統(tǒng)計(jì)學(xué)特征參數(shù)彼此之間可能存在的相互關(guān)系，以保留85%數(shù)據(jù)特征信息的方式進(jìn)一步利用PCA主成分分析的方法進(jìn)行降維處理得到PCA主成分參數(shù)。從而消除了大量數(shù)據(jù)之間存在的冗余信息并減少了所需要的實(shí)驗(yàn)次數(shù)，降低了實(shí)驗(yàn)開(kāi)銷(xiāo)。提出一種PO-GRNN(Parameter Optimization GRNN)模型，通過(guò)K-折交叉與遍歷尋優(yōu)的方式確定了PO-GRNN廣義神經(jīng)網(wǎng)絡(luò)的光滑因子σ的近似最優(yōu)值，進(jìn)而結(jié)合銑削加工參數(shù)集與加速度信號(hào)的PCA主成分參數(shù)，利用PO-GRNN廣義神經(jīng)網(wǎng)絡(luò)構(gòu)建了加工過(guò)程的粗糙度在線測(cè)量模型。

1 PCA分析與PO-GRNN神經(jīng)網(wǎng)絡(luò)

1.1 振動(dòng)信號(hào)特征挖掘與PCA分析

數(shù)據(jù)的統(tǒng)計(jì)學(xué)特征包含數(shù)據(jù)的中心位置特征(算術(shù)平均數(shù)、中位數(shù)、眾數(shù)、幾何平均數(shù)、調(diào)和平均數(shù))、數(shù)據(jù)的分散程度特征(四分位數(shù)、十分位數(shù)、百分位數(shù)、極差、方差、標(biāo)準(zhǔn)差)以及數(shù)據(jù)的圖像特征(偏度、峰度)等。

通過(guò)采集到的一系列加速度幅值數(shù)據(jù)，本文先后挖掘了每次實(shí)驗(yàn)加速度的平均值V1、標(biāo)準(zhǔn)差V2、中值V3、樣本方差V4、峰度V5、偏度V6、范圍V7、最小值V8、最大值V9、總和V10共計(jì)10個(gè)特征參數(shù)[9-10]。其中，偏度是描述變量所有取值分布對(duì)稱性的統(tǒng)計(jì)量，峰度是描述某變量所有取值分布形態(tài)陡緩程度的統(tǒng)計(jì)量。參數(shù)V5、V6定義如下：

為建立一定擬合度的模型，實(shí)驗(yàn)參數(shù)過(guò)多將會(huì)導(dǎo)致訓(xùn)練樣本的增加，過(guò)多的變量同時(shí)也有可能降低模型的可靠性。故此需要在保留數(shù)據(jù)特征信息的同時(shí)，需要降低數(shù)據(jù)的維數(shù)。

蘊(yùn)含在多個(gè)變量數(shù)據(jù)之間的復(fù)雜信息為數(shù)據(jù)挖掘提出了挑戰(zhàn)，目前制造業(yè)應(yīng)用中，PCA主成分分析是一種應(yīng)用較廣的數(shù)據(jù)降維技巧[11]，它能將大量相關(guān)變量轉(zhuǎn)化為一組很少的不相關(guān)變量，這些無(wú)關(guān)變量彼此之間為正交關(guān)系，即為主成分。主成分是觀察變量的加權(quán)組合，對(duì)初始變量集的方差解釋性最大。

PCA算法如下：

輸入：樣本集D={x1,x2,…,xn}

數(shù)據(jù)信息保留量百分比：t=85%

過(guò)程：

Step1：計(jì)算平均值：

Step2: 計(jì)算協(xié)方差矩陣：

A=[Φ1,Φ2,…,ΦN]

Step3: 計(jì)算協(xié)方差矩陣的特征值：

CU=λU→λ1>λ2>…λN

Step4: 計(jì)算協(xié)方差矩陣的特征向量：

AU=λU→U={u1,u2,…un}

Step5: 確定降維后的維度k：

特征值λ1,λ2>…λk

輸出：主成分?jǐn)?shù)值：

Uk=(u1,u2,…uk)

p=x·Uk

1.2 GRNN廣義神經(jīng)網(wǎng)絡(luò)與及改進(jìn)的PO-GRNN參數(shù)尋優(yōu)

切削加工所涉及的因素眾多，從輸入到輸出的模型本身為一非線性模型。GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)(如圖1)具有很強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問(wèn)題。

圖1 PO-GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

GRNN在結(jié)構(gòu)上包含輸入層、模式層、求和層以及輸出層。各層的作用及傳遞函數(shù)如下：

輸入層：將輸入變量傳遞給模式層。

模式層：為求和層提供概率參數(shù)pi

求和層: 對(duì)所有模式層進(jìn)行算術(shù)求和及加權(quán)求和：

輸出層：計(jì)算因變量相對(duì)于自變量x的最大概率值：

在實(shí)驗(yàn)樣本數(shù)量較小的條件下，本文采取K-折交叉實(shí)驗(yàn)，將訓(xùn)練集劃分為四份I1，I2，I3，I4(K=4)，每次取三份作為訓(xùn)練集Ti，留一份作為驗(yàn)證集Vi。通過(guò)遍歷計(jì)算，比較在[0,L]區(qū)間范圍內(nèi)以step為步進(jìn)值的σ下的粗糙度測(cè)量模型的最小均方根誤差，確定最佳的σ值。由上述描述可知，步進(jìn)值越小，模型的精度越高。取若干次K-折交叉實(shí)驗(yàn)的σ平均值作為最終的σ。至此可確定PO-GRNN模型的所有參數(shù)。

V1=I1T1=I2∪I3∪I4
V2=I2T2=I1∪I3∪I4
V3=I3T3=I1∪I2∪I4
V4=I4T4=I1∪I2∪I3

2 基于數(shù)據(jù)挖掘的建模與實(shí)驗(yàn)設(shè)計(jì)

2.1 基于數(shù)據(jù)挖掘的建模

如圖2所示，為本文構(gòu)建粗糙度在線測(cè)量模型的流程圖，包含以下三個(gè)方面：

圖2 構(gòu)建粗糙度在線測(cè)量模型的流程圖

數(shù)據(jù)采集：實(shí)驗(yàn)數(shù)據(jù)來(lái)源包銑削加工參數(shù)、加速度參數(shù)，粗糙度參數(shù)。銑削加工參數(shù)包括主軸轉(zhuǎn)速Speed(X1)、進(jìn)給速度Feed(X2)、切削速度Depth(X3)，銑削加工參數(shù)集X={X1,X2,X3}根據(jù)實(shí)驗(yàn)設(shè)計(jì)表中的數(shù)據(jù)進(jìn)行調(diào)整。加速度數(shù)據(jù)通過(guò)Matlab挖掘加工過(guò)程中加速度幅值數(shù)據(jù)的數(shù)據(jù)特征值V1～V10。每次實(shí)驗(yàn)完后，利用粗糙度測(cè)量?jī)x在不同點(diǎn)處測(cè)量三次在被加工零件的粗糙度，然后取平均值作為此次實(shí)驗(yàn)銑削加工的粗糙度數(shù)值Ra。為避免刀具磨造成的實(shí)驗(yàn)誤差，每進(jìn)行完一組試驗(yàn)后更換新的刀片。

數(shù)據(jù)加工：對(duì)于數(shù)據(jù)集V={V1,V2,V3,V4,V5,V6,V7,V8,V9,V10}進(jìn)行PCA降維處理，得到主成分P={P1,…,PK}(K<10)，進(jìn)而實(shí)現(xiàn)消除冗余信息的目的。至此，已得到粗糙度預(yù)測(cè)模型的數(shù)據(jù)集{X,V,P,Ra}。

數(shù)據(jù)建模：將數(shù)據(jù)加工得到的數(shù)據(jù)集分為訓(xùn)練集與測(cè)試集，隨后在不同輸入集{X}、{X,V1}、{X,P}{X,V}下，利用參數(shù)尋優(yōu)的PO-GRNN模型進(jìn)行訓(xùn)練，隨后利用訓(xùn)練好的模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，并與離線測(cè)量的零件粗糙度數(shù)值進(jìn)行比對(duì)分析。

2.2 實(shí)驗(yàn)設(shè)計(jì)

在輸入變量的選集上，為了體現(xiàn)數(shù)據(jù)挖掘在實(shí)際測(cè)量模型中的有效性，并能夠客觀地比較其它方案的粗糙度預(yù)測(cè)模型的預(yù)測(cè)性能，本文選擇了文獻(xiàn)[8,13-14]共同采用的源于文獻(xiàn)[13]的6061Al工件銑削加工作為實(shí)驗(yàn)對(duì)象，并采取相同的實(shí)驗(yàn)設(shè)計(jì)。參數(shù)尋優(yōu)過(guò)程中,選取區(qū)間[0,2]，步進(jìn)值step=0.1。

縱向?qū)Ρ葘?shí)驗(yàn)：訓(xùn)練集實(shí)驗(yàn)設(shè)計(jì)見(jiàn)表1，共計(jì)4×3×4=48組實(shí)驗(yàn);測(cè)試集實(shí)驗(yàn)設(shè)計(jì)見(jiàn)表2，共計(jì)4×3×3=36組實(shí)驗(yàn)。通過(guò)在不同輸入集{X}、{X,V1}、{X,P}{X,V}下，構(gòu)建PO-GRNN模型，在測(cè)試集數(shù)據(jù)上進(jìn)行縱向的對(duì)比實(shí)驗(yàn)。

橫向?qū)Ρ葘?shí)驗(yàn)：采取與文獻(xiàn)[8,13-14]相同的400組訓(xùn)練樣本以及36組測(cè)試數(shù)據(jù)。比較本文模型與文獻(xiàn)[8,13-14]模型在相同測(cè)試集數(shù)據(jù)上的誤差，進(jìn)行橫向?qū)Ρ葘?shí)驗(yàn)。

表1 粗糙度測(cè)量模型的訓(xùn)練集設(shè)計(jì)(1inch=25.4mm)

表2 粗糙度測(cè)量模型的訓(xùn)練集設(shè)計(jì)(1inch=25.4mm)

3 實(shí)驗(yàn)結(jié)果與分析

如前文所述，通過(guò)圖3觀察可知，某次K-折交叉試驗(yàn)中確定的最佳參數(shù)：光滑因子σ取0.7時(shí)，驗(yàn)證集的均方根誤差取最小值。通過(guò)10次K-折交叉實(shí)驗(yàn)取最佳σ的平均值為0.67。至此，確定了建立GRNN廣義神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)。

圖3 K-折交叉確定近似最佳光滑因子σ(L=2,step=0.1)

因特征值小于1的成分解釋的方差比包含在單個(gè)變量中的方差更少，Kaiser-Harris準(zhǔn)則建議保留特征值大于1的主成分。由圖4可見(jiàn)，圖形變化最大處為第四個(gè)主成分，結(jié)合本文欲保留85%以上的數(shù)據(jù)信息，故最終確定選取前三個(gè)特征值為加速度統(tǒng)計(jì)數(shù)據(jù)的特征值，進(jìn)而得到主成分向量P={P1,P2,P3}。

測(cè)試集粗糙度測(cè)量結(jié)果如圖5所示，不同輸入集下的粗糙度預(yù)測(cè)值與測(cè)試集之間的相對(duì)誤差如圖6所示。相對(duì)誤差如表3所示，其中粗糙度預(yù)測(cè)值Pre_Ra與實(shí)際測(cè)量值Ra之間的相對(duì)誤差，計(jì)算表達(dá)式為：

RelativeError=(Pre_Ra-Ra)/Ra

表3 PO-GRNN模型在不同輸入集上的相對(duì)誤差(縱向?qū)Ρ?

圖4 PCA主成分分析特征值的提取

圖5 測(cè)試集的粗糙度測(cè)量值

圖6 GRNN廣義神經(jīng)網(wǎng)絡(luò)相對(duì)誤差

基于數(shù)據(jù)挖掘，提取加速度數(shù)據(jù)主成分后，本文在{X,P}輸入集下的PO-GRNN粗糙度預(yù)測(cè)模型與文獻(xiàn)[8,13-14]各模型在相同測(cè)試集下的粗糙度預(yù)測(cè)誤差如見(jiàn)表4，其中：訓(xùn)練樣本集的實(shí)驗(yàn)次數(shù)為400次，驗(yàn)證樣本中的樣本數(shù)為36次。為觀察誤差分布情況，除平均誤差外，還統(tǒng)計(jì)了在各誤差區(qū)間的個(gè)數(shù)。

表4 預(yù)測(cè)模型誤差比較(橫向?qū)Ρ?

(1)結(jié)合圖6和表3可以發(fā)現(xiàn)，通過(guò)將加速度信號(hào)的平均值作為輸入變量之一{X,V1}，并利用PO-GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后的粗糙度預(yù)測(cè)相對(duì)于輸入變量{X}而言僅僅降低了約0.16%的誤差。加速度的平均值只能反映數(shù)據(jù)的中心位置特征，而對(duì)于數(shù)據(jù)的分散特征以及形狀特征則未能體現(xiàn)，故數(shù)據(jù)信息的損失較大，數(shù)據(jù)未能得到充分利用。相比之下以數(shù)據(jù)挖掘后的統(tǒng)計(jì)特征{X,V}、{X,P}作為輸入集所購(gòu)建的PO-GRNN神經(jīng)網(wǎng)絡(luò)模型則較前面兩者相對(duì)降低了近52.2%的平均誤差。振動(dòng)加速度信號(hào)為模型的精確預(yù)測(cè)提供了較強(qiáng)的依據(jù)。

圖7 測(cè)試集相對(duì)誤差絕對(duì)值大于14%的數(shù)據(jù)點(diǎn)

(2)利用PCA降維處理后的數(shù)據(jù)集{X,P}與未做數(shù)據(jù)降維處理的數(shù)據(jù)集{X,V}相比，在測(cè)試集上的平均誤差略高。鑒于訓(xùn)練集數(shù)據(jù)相對(duì)較少，基于{X,P}訓(xùn)練集的GRNN模型雖然損失了約15%的數(shù)據(jù)信息，但在粗糙度的預(yù)測(cè)誤差上僅比包含全部加速度數(shù)據(jù)信息的{X,V}PO-GRNN模型高出0.11%的的平均誤差，可見(jiàn)基于{X,P}數(shù)據(jù)集的PO-GRNN模型具有較好的范化能力。

(3)對(duì)比文獻(xiàn)[8，12-14]在相同測(cè)試集下的預(yù)測(cè)模型，多元回歸分析模型MRA(Multipule Regression Analysis, MRA)在計(jì)算上雖然具備一定的速度優(yōu)勢(shì)，但是銑削過(guò)程本身的粗糙度受刀具、工件、機(jī)床、切削液等多方面的，基于上述因素的粗糙度預(yù)測(cè)模型為一非線性模型，故此，用MRA線性模型進(jìn)行預(yù)測(cè)其精度并不高。模糊網(wǎng)FN(Fuzzy-Nets)和Kosko模型(Kosk Model, KM)因選擇不同的模糊區(qū)間與隸屬度函數(shù)將導(dǎo)致預(yù)測(cè)精度出現(xiàn)一定程度的不同。BP神經(jīng)網(wǎng)絡(luò)設(shè)置參數(shù)較多，模型精度受參數(shù)設(shè)置影響較大，且需要一定數(shù)量的訓(xùn)練集，當(dāng)數(shù)據(jù)集較少或較多時(shí)，均有可能影響到模型的精度。參數(shù)的設(shè)置需要一定的經(jīng)驗(yàn)，最為常見(jiàn)的辦法是通過(guò)大量實(shí)驗(yàn)，確定實(shí)際模型的最佳參數(shù)，文獻(xiàn)[3]曾建議隱藏層節(jié)點(diǎn)的個(gè)數(shù)設(shè)置為n/2,n, 2n,2n+1,文獻(xiàn)[14]作者則通過(guò)包含上述節(jié)點(diǎn)的遍歷實(shí)驗(yàn)的方式確定最優(yōu)的4-5-1單隱含層BP神經(jīng)網(wǎng)絡(luò)以及4-8-8-1雙隱含層BP神經(jīng)網(wǎng)絡(luò)，進(jìn)而對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)。其中ANN2模型具有較高的精度(平均誤差3.93%)，但實(shí)驗(yàn)次數(shù)及開(kāi)銷(xiāo)太大。文獻(xiàn)[8]的DM(Data Mining)模型通過(guò)綜合分析處理信息與知識(shí)的粗糙集模型，較好地避免了參數(shù)和結(jié)構(gòu)設(shè)置，但因?yàn)樵诖植诩幸昧撕瘮?shù)關(guān)系，故此增加了模型的計(jì)算復(fù)雜度。本文模型的平均誤差4.38%較參考文獻(xiàn)列舉的10種模型結(jié)果的平均誤差7.79%相對(duì)降低了44%。

(4)相對(duì)于MRA模型的非線性預(yù)測(cè)能力較差，F(xiàn)N、KM、BP模型在模糊度、隸屬度函數(shù)、多參數(shù)調(diào)節(jié)的不同對(duì)粗糙度預(yù)測(cè)結(jié)果的影響較大，本文基于數(shù)據(jù)挖掘的PO-GRNN參數(shù)尋優(yōu)模型能實(shí)現(xiàn)較優(yōu)的粗糙度預(yù)測(cè)效果，平均誤差為4.38%。但基于聯(lián)合概率密度函數(shù)的PO-GRNN模型也有不足之處：結(jié)合圖7、表4可以發(fā)現(xiàn)，PO-GRNN模型在邊緣點(diǎn)處的粗糙度預(yù)測(cè)值誤差較大，最大誤差點(diǎn)的誤差為36%。

總體而言，與以上文獻(xiàn)粗糙度預(yù)測(cè)模型相比，本文PO-GRNN模型雖然在離群點(diǎn)和邊緣點(diǎn)處可能存在一定的較大誤差，但平均誤差<15%的實(shí)驗(yàn)次數(shù)占比34/36≈94.4%?；跀?shù)據(jù)挖掘的PO-GRNN模型具有較好的粗糙度預(yù)測(cè)效果。

4 結(jié)束語(yǔ)

本文通過(guò)挖掘加速度傳感器在時(shí)域信號(hào)中的10個(gè)統(tǒng)計(jì)學(xué)特征參數(shù)，并借助PCA主成分分析，以保留85%數(shù)據(jù)信息的方式提取出了傳感器數(shù)據(jù)的3個(gè)主成分。通過(guò)將銑削加工參數(shù)集與主成分參數(shù)集作為輸入變量，以K-折交叉驗(yàn)證、參數(shù)σ遍歷尋優(yōu)的方式確定的PO-GRNN廣義神經(jīng)網(wǎng)絡(luò)模型能以相對(duì)較少的訓(xùn)練集及實(shí)驗(yàn)開(kāi)銷(xiāo)，實(shí)現(xiàn)較好的銑削過(guò)程的粗糙度在線預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明：加速度傳感器的時(shí)域信息一定程度上能反映零件在加工過(guò)程中的表面粗糙度狀態(tài)，基于傳感器數(shù)據(jù)主成分特征提取后所建立的粗糙度在線預(yù)測(cè)模型，相比于未能充分利用傳感器數(shù)據(jù)的粗糙度預(yù)測(cè)模型，可實(shí)現(xiàn)較好的預(yù)測(cè)效果。

[1] 段春爭(zhēng), 郝清龍. 45鋼高速銑削表面粗糙度預(yù)測(cè)[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2015,36(9):1229-1233.

[2] 汪振華，趙成剛，袁軍堂,等． 高速銑削AlMn1Cu 表面粗糙度變化規(guī)律及銑削加工參數(shù)優(yōu)化研究[J]． 南京理工大學(xué)學(xué)報(bào): 自然科學(xué)版，2010,34(4):537-542．

[3] 陳廉清,郭建亮,楊勛,等. 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的磨削粗糙度預(yù)測(cè)模型[J]. 計(jì)算機(jī)集成制造系統(tǒng),2013,19(11):2854-2863.

[4] 段春爭(zhēng),郝清龍. 切削加工表面粗糙度預(yù)測(cè)方法[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2013(8):4-7.

[5] 孫林,楊世元. 基于最小二乘支持矢量機(jī)的成形磨削表面粗糙度預(yù)測(cè)及磨削用量?jī)?yōu)化設(shè)計(jì)[J]. 機(jī)械工程學(xué)報(bào),2009,45(10):254-260.

[6] 王剛. 鈦合金立銑表面粗糙度預(yù)測(cè)新方法[J]. 納米技術(shù)與精密工程,2014,12(2):135-139.

[7] LELA B, BAJIC D, JOZIC S. Regression analysis, support vector machines, and Bayesian neural network approaches to modeling Journal surface roughness in face milling}J}. International of Advanced Manufacturing Technology, 2009，42(11-12):1082-1088.

[8] 翟敬梅,應(yīng)燦,徐曉. 知識(shí)建模和數(shù)據(jù)挖掘融合的粗糙度預(yù)測(cè)新方法[J]. 計(jì)算機(jī)集成制造系統(tǒng),2012,18(5):1046-1053.

[9] Elangovan M, Sakthivel N R, Saravanamurugan S, et al. Machine Learning Approach to the Prediction of Surface Roughness Using Statistical Features of Vibration Signal Acquired in Turning [J]. Procedia Computer Science, 2015, 50:282-288.

[10] 王玉英. 數(shù)學(xué)建模及其軟件實(shí)現(xiàn)[M]. 北京：清華大學(xué)出版社，2015

[11] Wuest T, Weimer D, Irgens C, et al. Machine learning in manufacturing: advantages, challenges, and applications[J]. Production & Manufacturing Research An Open Access Journal, 2016, 4(1):23-45.

[12] 張寶磊,熊藝文,王為慶,等. 高速銑削TC4表面粗糙度預(yù)測(cè)模型研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2015(3):108-110.

[13] LOU S.Development of four in-process surface recognition systems to predict surface roughness in end milling[D].Ames,IA,USA; Iowa State University,1997.

[14] TSAI Y S, C′HEN JC，LOU S J. An in-process surface recognition system based on neural networks in end milling cutting operation[J].International Journal of Machine Tools & Manufacture,1999, 39(4):583-605.

(編輯 李秀敏)

On-line Intelligent Prediction Method for Milling Surface Roughness

TANG Xiang-honga,b,c, LIU Guo-kaia, LU Jian-guanga,b,c, YI Xiang-huaa, GENG Xiao-qianga

(a.Key Laboratory of Advanced Manufacturing technology, Ministry of Education;b. School of Mechanical Engineering;c. Guizhou Provincial Key Laboratory of Public Big Data, Guizhou University, Guiyang 550025, China)

In order to improve the accuracy of the on-line prediction model of surface roughness, a method of on-line surface roughness prediction based on the statistical data of sensors is proposed. The PCA principal component analysis was used to extract the statistical characteristics of acceleration, and 85% of the data information was retained. An improved PO-GRNN generalized neural network is used to allocate the training set data to determine the approximate optimal value of the smoothing factor σ. Then, based on the milling parameters and PCA principal components, a set of on-line roughness prediction model was constructed by PO-GRNN. The experimental results show that this model can provide a high precision of on-line roughness prediction and can be applied to online prediction of roughness in current intelligent manufacturing process.

acceleration signal；data mining；PO-GRNN neural networks；on-line measuring of roughness

1001-2265(2017)08-0068-05

10.13462/j.cnki.mmtamt.2017.08.017

2016-11-12；

2016-12-15

國(guó)家自然科學(xué)基金資助項(xiàng)目(51475097)；貴州省重大科技專項(xiàng)(黔科合重大專項(xiàng)字[2012]6018)；貴州省基礎(chǔ)研究重大項(xiàng)目(黔科合JZ字[2014]2001)；貴州省科技支撐計(jì)劃(黔科合支撐[2016]2008)

唐向紅(1979—)，男，湖南永州人，貴州大學(xué)副教授，碩士研究生導(dǎo)師，研究方向?yàn)榇髷?shù)據(jù)與智能制造，(E-mail)txhwuhan@163.com。

TH161;TG506

A