国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

數(shù)據(jù)驅(qū)動的車削和鉆削加工能耗預(yù)測

2020-09-10 08:04呂景祥唐任仲
計算機集成制造系統(tǒng) 2020年8期
關(guān)鍵詞:機床能耗誤差

呂景祥,唐任仲,鄭 軍

(1.長安大學(xué) 道路施工技術(shù)與裝備教育部重點實驗室,陜西 西安 710064;2.浙江大學(xué) 工業(yè)與系統(tǒng)工程系,浙江 杭州 310027;3.浙江科技學(xué)院 機械與汽車工程學(xué)院,浙江 杭州 310023)

0 引言

制造業(yè)在給我國創(chuàng)造巨大財富的同時,消耗了大量的資源和能量,環(huán)境污染和能源短缺已經(jīng)成為當(dāng)前社會面臨的重要問題。2015年5月8日,國務(wù)院印發(fā)的《中國制造2025》將“綠色制造”列入五大工程之一,指出到2025年,主要產(chǎn)品單耗要達到世界先進水平[1]。機械加工是零件成形的重要方法之一,在制造業(yè)中廣泛應(yīng)用,在創(chuàng)造大量的就業(yè)機會和財富的同時消耗了巨大的能量,而且能效低下,平均不足30%[2],例如GUTOWSKI測試了豐田汽車生產(chǎn)線的機械加工能耗,發(fā)現(xiàn)其能效最高僅為14.8%[3]。因此,減少機械加工能耗,實現(xiàn)機床高效低碳運行的需求十分迫切。

降低零件機械加工能耗的前提是準(zhǔn)確預(yù)測該過程的能耗,近年來學(xué)者們圍繞機械加工尤其是數(shù)控加工能耗建模開展了大量研究。國內(nèi)He等[4]提出通過解析數(shù)控程序預(yù)測機械加工能耗的流程和方法;Jia等[5]通過分析機床運動,提出一種基于動素的機械加工工藝過程能量需求建模方法;劉飛等[6]建立了機床機電主傳動系統(tǒng)啟動、空載、加工和間停各時段的簡化能量模型,將各時段能耗相加得到機床服役過程的主軸能耗。國際上,Kara等[7]通過開展大量實驗驗證了材料單位體積切削能與材料去除速率成反比;Mori等[8]認(rèn)為機械加工過程的能耗等于基本能耗、空運行能耗和主軸定位能耗之和,在此基礎(chǔ)上,Balogun等[9]進一步考慮了機床噴冷卻液和去除材料的能耗,建立了基本狀態(tài)、準(zhǔn)備狀態(tài)和加工狀態(tài)能耗的數(shù)學(xué)模型。然而,上述方法需要解析工藝過程并已知機床能耗模型,其中工藝過程解析包括數(shù)控代碼翻譯、參數(shù)匹配和提取等,而且由于機床能耗特性各不相同,其能耗模型需要通過大量實驗測試獲得,導(dǎo)致該方法在實際生產(chǎn)中應(yīng)用時過程復(fù)雜且費時費力。另外,文獻中的理論公式?jīng)]有考慮能耗部件狀態(tài)不同時(如冷卻泵和主軸開停)空運行功率的變化,因此難以準(zhǔn)確計算實際加工能耗。

近年來,傳感器、工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)等新興技術(shù)不斷融合,且在制造業(yè)中的應(yīng)用越來越廣泛。黃少華等[10]綜述了制造物聯(lián)網(wǎng)應(yīng)用于離散車間的關(guān)鍵技術(shù)和應(yīng)用模式;任明侖等[11]從大數(shù)據(jù)驅(qū)動的視角引入數(shù)據(jù)生命周期理論,提出一種質(zhì)量控制持續(xù)演進框架;張潔等[12]提出大數(shù)據(jù)驅(qū)動下“關(guān)聯(lián)+預(yù)測+調(diào)控”的智能車間運行分析與決策方法體系;朱雪初等[13]研究了基于工業(yè)大數(shù)據(jù)預(yù)測晶圓加工周期的方法;萬祥等[14]結(jié)合粗糙集和關(guān)聯(lián)規(guī)則算法,挖掘汽輪機組運行典型負荷下的歷史數(shù)據(jù),得到機組熱耗率最佳時對應(yīng)的運行參數(shù)范圍;Bhinge等[15]采用高斯回歸方法預(yù)測零件銑削加工過程的機床能耗,但僅建立了以工藝參數(shù)為自變量的能耗模型。本文采用數(shù)據(jù)驅(qū)動的方法對車削和鉆削加工能耗進行預(yù)測,該方法無需分析機床具體工作過程,只是利用零件設(shè)計、工藝、制造、能耗等數(shù)據(jù),通過機器學(xué)習(xí)的方法預(yù)測加工能耗,就能便捷地得到更加準(zhǔn)確的車削和鉆削能耗。

本文研究基于數(shù)據(jù)驅(qū)動的零件車削和鉆削加工能耗預(yù)測方法。首先介紹零件機械加工能耗的構(gòu)成,然后分別研究零件機械加工能耗數(shù)據(jù)采集和預(yù)處理、特征屬性預(yù)處理、特征選擇和能耗預(yù)測算法,最后進行案例研究,分別采用神經(jīng)網(wǎng)絡(luò)、支持向量回歸、隨機森林3種算法預(yù)測車削和鉆削加工能耗,并與已有模型進行對比,驗證了所提方法的有效性,以及相比于文獻現(xiàn)有方法的優(yōu)越性。

1 零件機械加工能耗的構(gòu)成

零件加工能耗定義為加工開始直至結(jié)束的機床能量消耗,以一個軸類零件粗車加工為例,機床的功率曲線如圖1所示[16],能量消耗等于零件加工過程機床各類運動能耗之和,即

E=Eba+Ecl+Esr+Efd+Ec+Etc+Erf+Ecp。

(1)

式中Eba,Ecl,Esr,Efd,Ec,Etc,Erf,Ecp分別為基本運動、噴冷卻液、主軸旋轉(zhuǎn)、進給運動、材料切削、自動換刀、快速進給和自動排屑的能耗。其中:Eba等于機床待機功率乘以機床開機運行時間;Ecl等于冷卻泵電機的額定功率乘以噴冷卻液的時間;Esr,Efd分別等于主軸旋轉(zhuǎn)、進給運動功率和相應(yīng)時間的乘積,其中主軸旋轉(zhuǎn)、進給運動功率受電機、機械結(jié)構(gòu)和運動參數(shù)(主軸轉(zhuǎn)速、進給速度)的影響;Ec等于切削功率乘以切削時間,其中切削功率的影響因素最為復(fù)雜,包括毛坯材料、毛坯形狀、毛坯尺寸、零件形狀、零件尺寸、刀具材料、刀具直徑、刀具幾何角、冷卻條件、切削參數(shù)(如主軸轉(zhuǎn)速、進給量、切削深度)等;Etc等于換刀電機功率和換刀時間的乘積;Erf等于進給電機功率和快速進給時間的乘積,后者取決于快速進給速度和進給距離;Ecp等于排屑電機運行的功率乘以運行時間。

由上述分析可知,零件機械加工能量消耗的影響因素包括零件設(shè)計相關(guān)的毛坯材料、毛坯形狀、毛坯尺寸、零件形狀、零件尺寸數(shù)據(jù),零件加工工藝相關(guān)的主軸轉(zhuǎn)速、進給量、切削深度、切削寬度、冷卻條件數(shù)據(jù),機床相關(guān)的機床型號、主軸額定功率、進給軸額定功率、冷卻泵額定功率等數(shù)據(jù),以及刀具相關(guān)的刀具材料、刀具直徑、刀具幾何角度等數(shù)據(jù)。可見,通過理論分析準(zhǔn)確預(yù)測零件加工能耗十分困難,因此本文嘗試采用數(shù)據(jù)驅(qū)動的方法預(yù)測零件加工能耗。

2 數(shù)據(jù)驅(qū)動的車削和鉆削加工能耗預(yù)測方法

2.1 能耗數(shù)據(jù)采集和預(yù)處理

數(shù)據(jù)驅(qū)動方法應(yīng)用的基礎(chǔ)是對能耗數(shù)據(jù)進行采集和預(yù)處理,研究框架如圖2所示。能量消耗根據(jù)電流、電壓傳感器采集的機床電流、電壓數(shù)據(jù)計算得到:

(2)

式中:U1,U2,U3分別為機床3根相線的瞬時電壓;I1,I2,I3分別為機床3根相線的瞬時電流;t1和t2分別為零件加工的開始和結(jié)束時間,采用射頻識別(Radio Frequency IDentification, RFID)技術(shù)自動采集,即在零件加工開始和結(jié)束時,控制機床對應(yīng)的讀寫器讀取與零件綁定的RFID標(biāo)簽,得到t1和t2。將采集的能耗和加工時間數(shù)據(jù)采用藍牙、ZigBee、Wi-Fi、有線網(wǎng)絡(luò)等技術(shù)傳輸至服務(wù)器,并用關(guān)系數(shù)據(jù)庫存儲,常用的數(shù)據(jù)庫包括SQL Server,Oracle,MySQL等。

為了更好地進行能耗建模,對采集的原始能耗數(shù)據(jù)進行預(yù)處理,包括數(shù)據(jù)清洗和數(shù)據(jù)集成。針對數(shù)據(jù)缺失、格式不一致、邏輯錯誤等問題,進行數(shù)據(jù)清洗,包括去除或補全缺失數(shù)據(jù)、數(shù)據(jù)校驗、數(shù)據(jù)去重、修正矛盾數(shù)據(jù)等內(nèi)容。零件設(shè)計、工藝以及機床、刀具數(shù)據(jù)是能耗預(yù)測模型的自變量,而且設(shè)計、工藝、機床等各類數(shù)據(jù)分散在多個信息系統(tǒng),如產(chǎn)品數(shù)據(jù)管理(Product Data Management, PDM)系統(tǒng)、計算機輔助工藝規(guī)劃(Computer Aided Process Planning, CAPP)系統(tǒng)、設(shè)備管理(Equipment Management, EM)系統(tǒng)等,對此建立數(shù)據(jù)集成規(guī)則,設(shè)計中間件,得到全局?jǐn)?shù)據(jù)模型來訪問不同信息系統(tǒng)的數(shù)據(jù)庫,從而提供統(tǒng)一完整的數(shù)據(jù)邏輯視圖,在此基礎(chǔ)上進行后續(xù)能耗預(yù)測。

2.2 特征屬性預(yù)處理

能耗建模是建立能量消耗和輸入變量之間的關(guān)聯(lián)關(guān)系。零件材料、幾何尺寸、切削參數(shù)、冷卻條件、機床和刀具類型等輸入變量影響零件加工能耗,然而不同變量對能耗的影響大小有差異。由于存在和能量消耗這一目標(biāo)值冗余、關(guān)聯(lián)或不相關(guān)的特征,需要進行特征選擇,剔除對能耗影響小或與能耗無關(guān)的特征,選擇影響顯著的特征作為模型輸入變量,以提高能耗模型的訓(xùn)練效率和預(yù)測精度。應(yīng)用特征選擇算法前,要對特征進行預(yù)處理,包括:

(1)非數(shù)字特征數(shù)字化 零件材料、冷卻條件、機床和刀具類型等屬性均為非數(shù)字特征,需要將其數(shù)字化。零件材料的強度和硬度不同,切削力、切削功率和能耗的影響不同,其中硬度的影響最大,因此用硬度值表示相應(yīng)的材料;冷卻條件用噴冷卻液功率表示,干切削時該特征取值為0,濕切削時該特征取值為機床冷卻泵電機的額定功率;機床通過待機功率和主軸電機功率影響基本運動和主軸旋轉(zhuǎn)能耗,因此分解為待機功率和主軸電機額定功率兩個數(shù)字特征;刀具通過刀具直徑、齒數(shù)、前角、主偏角等幾何屬性影響切削能耗,因此分解為刀具直徑、角度等多個數(shù)字特征。

(2)冗余特征篩選 本文采用的Relief系列算法不能處理冗余特征,需要其他方法輔助篩選冗余特征。當(dāng)某特征能夠被另一特征的取值決定,或者某特征在數(shù)據(jù)集中在所有樣本上的取值幾乎一致時,該特征屬于冗余特征,可以從數(shù)據(jù)集中刪除。

(3)特征屬性歸一化 由于特征取值范圍差異很大,采用最小最大值法將特征屬性取值統(tǒng)一映射到[-1,1]區(qū)間,計算公式為

x=(x-xmin)/(xmax-xmin)。

(3)

式中:x為特征的取值;xmin和xmax分別為特征的最小和最大取值。

通過特征屬性預(yù)處理得到零件機械加工能耗的數(shù)據(jù)集。由于不同零件類型、工藝過程的能耗原理差異很大,根據(jù)零件類型(軸套類、盤蓋類、盒體類、叉架類、箱體類等)和加工工藝過程分別進行特征選擇和能耗建模。典型工藝包括外圓車削、平面銑削、復(fù)雜曲面銑削、平面磨削、鉆削等,各類工藝共有的屬性包括工件材料、主軸轉(zhuǎn)速、進給量、切削深度、空行程距離、機床待機功率、主軸電機額定功率、噴冷卻液功率、刀具前角和主偏角,各類工藝特有屬性總結(jié)如表1所示。

表1 典型工藝零件加工能耗的相關(guān)屬性及說明

2.3 特征選擇算法

常見的特征選擇方法分為過濾式、包裹式和嵌入式3類[17]。過濾式方法直接對數(shù)據(jù)集進行選擇,然后再訓(xùn)練學(xué)習(xí)器,運行效率較高,代表方法是處理兩分類問題的Relief算法,其核心思想是根據(jù)最近鄰樣本估計每個屬性的特征權(quán)重[18]。為了處理多分類問題,Knonenko基于Relief算法,改進得到了魯棒性更強的ReliefF算法,該算法能夠分析不完整和有噪音的數(shù)據(jù)。針對應(yīng)變量連續(xù)的情況,Kononenko進一步提出帶有回歸功能的RReliefF算法[18]:從數(shù)據(jù)集中隨機選擇一個樣本R,并選擇k個最近鄰樣本,基于概率模型計算樣本的相對距離,然后基于貝葉斯概率模型計算特征權(quán)重。然而上述算法在應(yīng)用時,存在以下不足:當(dāng)k值較小時,最近鄰樣本大多是應(yīng)變量取值和樣本R接近的樣本,缺乏應(yīng)變量取值和R差異大的樣本,導(dǎo)致特征權(quán)重計算結(jié)果失真,而k取值過大又會增加計算復(fù)雜度。因此,本文結(jié)合樣本分類思想對現(xiàn)有RReliefF算法進行改進。首先根據(jù)應(yīng)變量取值將樣本分為兩類,然后隨機選擇樣本Ri,分別從Ri的同類和異類樣本中尋找k個最近鄰樣本H和M,隨機抽樣重復(fù)m次,計算特征A的權(quán)重。近鄰選擇的方法是遍歷數(shù)據(jù)集,計算各樣本與樣本R的距離:

(4)

式中:d(R1,R2)為樣本R1和R2的距離;N為樣本特征的個數(shù);diff(A,R1,R2)為樣本R1和R2在特征A上的距離。特征A為離散值變量時,

diff(A,R1,R2)=

(5)

A為連續(xù)變量時,

diff(A,R1,R2)=

(6)

式中:value(A,R1)和value(A,R2)分別為樣本R1和R2的特征A的取值,max(A)和min(A)分別為樣本數(shù)據(jù)中特征A的最大值和最小值。特征A的權(quán)重[18]

(7)

(8)

(9)

(10)

式中f(R)為樣本R的應(yīng)變量取值。

運行上述算法時,需要設(shè)置隨機抽樣次數(shù)m和近鄰個數(shù)k兩個關(guān)鍵參數(shù)值。因為算法采用隨機方式抽取樣本,所以通過提高抽樣次數(shù)m可以減少由于隨機選擇樣本Ri帶來的不確定性,m取值應(yīng)大于20[18]。近鄰個數(shù)k的合理取值由問題復(fù)雜性、噪音多少、樣本數(shù)量綜合決定,為避免錯失重要特征屬性,推薦采用多個k值計算特征權(quán)重,選擇所有計算結(jié)果的最大值作為特征的最終權(quán)重[18]。

2.4 能耗預(yù)測算法

神經(jīng)網(wǎng)絡(luò)、支持向量回歸(Support Vector Regression, SVR)和隨機森林是3種常用的機器學(xué)習(xí)算法,能夠處理大量數(shù)據(jù)并擬合非線性關(guān)系,已被廣泛用于機械加工領(lǐng)域,例如預(yù)測零件加工質(zhì)量、刀具磨損等,因此本文選擇上述3種算法預(yù)測車削和鉆削加工能耗。

神經(jīng)網(wǎng)絡(luò)是一種由多個神經(jīng)元按照一定層次結(jié)構(gòu)連接起來的網(wǎng)絡(luò)。在神經(jīng)網(wǎng)絡(luò)中,神經(jīng)元接收到來自前一層神經(jīng)元傳遞的輸入信號,這些輸入信號通過自帶權(quán)重的連接進行傳遞,輸出由神經(jīng)元的總輸入減去神經(jīng)元的閾值得到。其中,神經(jīng)元之間的連接權(quán)重以及每個神經(jīng)元的閾值通過數(shù)據(jù)集不斷訓(xùn)練學(xué)習(xí)得到。誤差反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)是廣泛應(yīng)用的一類神經(jīng)網(wǎng)絡(luò),其將輸出層的誤差反向傳播至隱層神經(jīng)元,根據(jù)隱層神經(jīng)元誤差調(diào)整連接權(quán)重和閾值。BP算法的目標(biāo)是最小化訓(xùn)練集上的誤差,為了提高傳統(tǒng)BP算法的收斂速度,采用LM(Levenberg-Marquardt)算法改進BP神經(jīng)網(wǎng)絡(luò),該算法具有二階收斂速度,能夠在迅速得到神經(jīng)網(wǎng)絡(luò)模型的同時保證較高的模型精度。

神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵之一是確定隱層神經(jīng)元的數(shù)量,數(shù)量太少容易導(dǎo)致模型欠擬合,太多會導(dǎo)致模型過擬合并增加訓(xùn)練時間[21]。隱層神經(jīng)元的節(jié)點個數(shù)J可用經(jīng)驗公式計算[22]:

(11)

式中:ni和no分別為輸入層和輸出層的節(jié)點數(shù);c為模型的常數(shù),c∈[1,10],本文設(shè)計循環(huán)算法確定c的最佳取值,即令c從1~10取值,分別訓(xùn)練神經(jīng)網(wǎng)絡(luò),并比較各網(wǎng)絡(luò)預(yù)測的均方根誤差,選擇使神經(jīng)網(wǎng)路誤差最小的c值。網(wǎng)絡(luò)訓(xùn)練時,將數(shù)據(jù)隨機分成3部分:70%的訓(xùn)練集數(shù)據(jù)用于根據(jù)誤差訓(xùn)練網(wǎng)絡(luò);15%的驗證集數(shù)據(jù)用于驗證網(wǎng)絡(luò)的適應(yīng)性,進一步確定模型的參數(shù);15%的測試集數(shù)據(jù)用于評估網(wǎng)絡(luò)的預(yù)測精度。

SVR算法由支持向量機發(fā)展而來,通過在高維空間中構(gòu)造線性決策函數(shù)實現(xiàn)線性回歸,通常采用ε-SVR算法和徑向基核函數(shù),其中徑向基核函數(shù)

(12)

式中:xi和xj為樣本的自變量;γ為核的寬度系數(shù)。應(yīng)用模型時,需要設(shè)置懲罰系數(shù)C和寬度系數(shù)γ,通過循環(huán)算法遍歷可能的C和γ參數(shù)組合,選擇使模型訓(xùn)練誤差最小的C和γ。

隨機森林算法是以決策樹為基學(xué)習(xí)器的一種集成學(xué)習(xí)方法,該算法在決策樹的訓(xùn)練過程中引入隨機屬性選擇構(gòu)建多個決策樹,其用于回歸問題時將各個決策樹的預(yù)測結(jié)果求平均作為最終的輸出結(jié)果。應(yīng)用模型時需要設(shè)置決策樹的數(shù)量N,采用不同的N值訓(xùn)練隨機森林模型并計算模型訓(xùn)練誤差,選擇誤差最小時對應(yīng)的N值為決策樹的數(shù)量。

3 案例分析

本文在金工車間開展零件外圓車削和鉆削加工實驗,采集和預(yù)處理能耗數(shù)據(jù),應(yīng)用機器學(xué)習(xí)算法預(yù)測加工過程能耗來說明上述數(shù)據(jù)驅(qū)動的能耗預(yù)測方法的應(yīng)用過程,并驗證其有效性。

3.1 能耗數(shù)據(jù)采集和預(yù)處理

外圓車削加工的工件材料包括45號鋼、6061鋁合金和QT500-7球磨鑄鐵3種,機床包括CK6153i和CK6136i兩臺數(shù)控車床,其中鋼和鑄鐵切削采用住友VNMG160408硬質(zhì)合金刀具,鋁合金切削采用克洛伊CCGT09T304刀具,冷卻條件分為干切削和濕切削兩種。鉆削加工的工件材料為45號鋼,刀具采用日本NACHI公司的直柄麻花鉆(鉆尖角118°),鉆頭直徑分為Φ=8 mm,Φ=10 mm,Φ=12 mm三個系列,機床為XHK-714F立式加工中心和JTVM6540數(shù)控銑床,冷卻條件均為濕切削,切削液為普通水基乳化液。零件加工的其余變量包括零件幾何參數(shù)(如零件直徑和切削長度)和切削參數(shù)(如主軸轉(zhuǎn)速、進給量和切深),采用自變量隨機組合的方式設(shè)置。應(yīng)用課題組自行搭建的功率裝置采集能耗數(shù)據(jù),該裝置由電流傳感器、電壓傳感器、數(shù)據(jù)采集卡、計算機、NI Labview數(shù)據(jù)采集軟件、SQL Server數(shù)據(jù)存儲軟件構(gòu)成,采集機床工作的電壓和電流數(shù)據(jù)計算得到機床功率,實驗所用工件、刀具、機床和能耗測試裝置如圖3所示。

每個零件綁定一個RFID標(biāo)簽,在零件加工開始和結(jié)束時,控制RFID讀寫器讀取標(biāo)簽并記錄時間,根據(jù)零件加工開始和結(jié)束之間的功率計算能耗。實驗測試的零件加工功率曲線實例如圖4所示。去除開始或結(jié)束時間缺失無法計算能耗的數(shù)據(jù),分別得到168條和62條有效的車削和鉆削能耗數(shù)據(jù)。應(yīng)用RFID識別碼信息將零件能耗數(shù)據(jù)和零件設(shè)計、工藝、機床信息進行關(guān)聯(lián),得到零件加工能耗及其對應(yīng)的特征信息。采用2.2節(jié)方法對特征進行預(yù)處理。本案例中,45號鋼、6061鋁合金和QT500-7球磨鑄鐵的硬度分別為262 HB,97 HB,200 HB;CK6153i,CK6136i,XHK-714F,JTVM6540的待機功率分別為332 W,336 W,371 W,361W;主軸電機額定功率分別為7.5 kW,5.5 kW,7.5 kW,4 kW;冷卻泵電機的額定功率分別為370 W,132 W,233 W,216 W。兩臺數(shù)控車床的待機功率取值接近,刀具由工件材料唯一確定,為冗余特征,從數(shù)據(jù)集中刪除。最終的特征及取值范圍如表2和表3所示。

表2 零件車削加工實驗數(shù)據(jù)集的特征及取值范圍

表3 零件鉆削加工實驗數(shù)據(jù)集的特征及取值范圍

3.2 零件機械加工能耗的相關(guān)特征選擇

得到零件加工數(shù)據(jù)集后,根據(jù)式(3)將所有特征屬性歸一化,映射到區(qū)間[-1,1]內(nèi)。采用MATLAB軟件運行2.3節(jié)的RReliefF算法,結(jié)合實驗的樣本數(shù)量,分別選擇近鄰個數(shù)k=5,10,15,20,25和k=3,4,5,6,7計算車削、鉆削能耗相關(guān)的特征權(quán)重,取5次計算的最大值為各特征的最終權(quán)重,抽樣次數(shù)m均為100,計算結(jié)果如圖5所示。

由圖5可知,機床相關(guān)特征的權(quán)重最大,如機床待機功率、主軸電機額定功率、噴冷卻液功率,這是由于機床自身的功率特性直接決定了零件加工功率的大小。其次是零件設(shè)計相關(guān)的特征,如車削長度、工件材料硬度、鉆孔深度,零件的設(shè)計信息決定了切削時間的長短,進而影響加工能耗。工藝參數(shù)相關(guān)的特征權(quán)重較小,如進給量、主軸轉(zhuǎn)速和切削深度,因為工藝參數(shù)主要影響材料去除能耗,而這部分能耗在零件加工總能耗中所占的比例較小。

本案例中,α=0.05,車削和鉆削加工數(shù)據(jù)條數(shù)m=168,62,計算得車削和鉆削加工權(quán)重閾值取值范圍分別為0<τ≤0.34,0<τ≤0.570<τ≤0.34。結(jié)合特征計算結(jié)果,為了盡可能不遺漏相關(guān)特征,同時考慮到模型的特征較少(少于11個特征),設(shè)置特征權(quán)重取較小值。分別設(shè)置車削、鉆削的特征權(quán)重閾值為0.02,0.06,將車削、鉆削加工權(quán)重較大的9個和7個特征作為后續(xù)能耗建模的輸入變量。

3.3 零件機械加工能耗預(yù)測

根據(jù)上述數(shù)據(jù)集,分別采用神經(jīng)網(wǎng)絡(luò)、SVR和隨機森林算法預(yù)測零件的機械加工能耗,算法在配置有Intel i5-7200雙核CPU、8 G內(nèi)存、Win10操作系統(tǒng)計算機的MATLAB平臺上運行。首先對數(shù)據(jù)進行歸一化處理,然后將所采集的數(shù)據(jù)按照3∶1的比例分為訓(xùn)練樣本和測試樣本兩組,以選擇后的特征為自變量,能量消耗為應(yīng)變量,分別調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱、LIBSVM工具箱和機器學(xué)習(xí)工具箱,基于訓(xùn)練樣本應(yīng)用神經(jīng)網(wǎng)絡(luò)、SVR和隨機森林算法訓(xùn)練能耗模型。采用平均誤差評價模型訓(xùn)練的效果,平均誤差

(13)

參數(shù)設(shè)置對算法預(yù)測效果的影響很大,本文設(shè)計循環(huán)算法對模型進行調(diào)參。神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元節(jié)點個數(shù)J的確定過程如下:①令J的取值范圍為1~11,分別訓(xùn)練神經(jīng)網(wǎng)絡(luò);②比較各網(wǎng)絡(luò)預(yù)測的均方根誤差,存儲誤差最小的神經(jīng)網(wǎng)絡(luò);③選擇訓(xùn)練誤差最小網(wǎng)絡(luò)對應(yīng)的節(jié)點數(shù)為所選的神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)。SVR算法需要設(shè)置的參數(shù)包括懲罰系數(shù)C和寬度系數(shù)γ,其他參數(shù)均采用默認(rèn)取值,參數(shù)C和γ的確定過程如下:①根據(jù)經(jīng)驗確定C和γ的取值范圍,C=0.5×i(i∈{1,2,…,20}∈[1,20]),γ=0.01×j(j∈{1,2,…,20}∈[1,20];②設(shè)計循環(huán)算法,遍歷每一個可能的C和γ參數(shù)組合,比較選擇使模型訓(xùn)練誤差最小的C和γ取值。隨機森林決策樹的數(shù)量確定過程為:①根據(jù)經(jīng)驗,設(shè)置決策樹的數(shù)量N的取值范圍為N=50×i(i∈{1,2,…,20}∈[1,20]);②設(shè)計循環(huán)算法,采用不同N值構(gòu)建隨機森林,比較選擇使模型訓(xùn)練誤差最小的N值。上述方法可以根據(jù)不同的工藝類型、機床、零件特征等動態(tài)調(diào)整參數(shù),從而得到精度較高的預(yù)測模型。本案例3種算法的參數(shù)取值匯總?cè)绫?所示。

表4 零件車削和鉆削加工能量消耗預(yù)測算法參數(shù)

下面采用上述3種算法預(yù)測能耗。以車削為例,結(jié)果如圖6所示,圖中前128個數(shù)據(jù)為訓(xùn)練樣本,后40個數(shù)據(jù)為測試樣本。為了分析特征選擇算法對預(yù)測結(jié)果的影響,選擇所有特征作為自變量,重新應(yīng)用上述算法預(yù)測能耗,預(yù)測誤差如表5所示。由表5可知,測試樣本預(yù)測平均誤差大于訓(xùn)練樣本誤差,其原因是數(shù)據(jù)樣本量小,模型容易過擬合,泛化性能不足。使用特征選擇算法后,測試樣本預(yù)測平均誤差在4.17%~9.94%之間,而采用全部特征建模的平均誤差有所增加,可見特征選擇算法既能簡化模型,提高模型的訓(xùn)練效率,又有助于提高模型預(yù)測精度。3種算法均達到了較好的預(yù)測效果,其中神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差最小,其次是SVR,隨機森林的預(yù)測誤差最大。

表5 零件機械加工能耗預(yù)測的平均誤差 %

上述案例驗證了本文所提方法的有效性,為指導(dǎo)算法選擇,進一步研究機器學(xué)習(xí)樣本數(shù)據(jù)不斷積累對模型預(yù)測精度和運行效率的影響。分別從車削加工的訓(xùn)練樣本中選擇64條、80條、96條、112條、128條數(shù)據(jù)訓(xùn)練模型,從鉆削加工的訓(xùn)練樣本中選擇22條、30條、38條、46條數(shù)據(jù)訓(xùn)練模型,測試樣本保持不變,分析模型的預(yù)測誤差和運行時間,結(jié)果如圖7和圖8所示。隨著學(xué)習(xí)樣本的增加,3種算法的預(yù)測誤差均逐步下降。對于車削加工,隨機森林算法的預(yù)測誤差下降得最為顯著,由15.37%下降至9.94%,神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差由11.42%下降至8.59%,SVR算法預(yù)測誤差先由9.84%上升至11.84%再下降至9.67%;對于鉆削加工,神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差由8.86%下降至4.94%,SVR算法預(yù)測誤差由7.00%下降至5.54%,隨機森林算法的預(yù)測誤差由11.77%下降至9.54%。訓(xùn)練樣本數(shù)據(jù)較小時,SVR算法的預(yù)測誤差最小。運行時間方面,SVR算法的運行時間最短,隨機森林算法的運行時間最長??梢姡?dāng)樣本數(shù)據(jù)較少時,優(yōu)先選擇預(yù)測精度高且運行時間短的SVR算法,當(dāng)樣本數(shù)據(jù)較多時,選擇神經(jīng)網(wǎng)絡(luò)有助于提高模型預(yù)測精度。當(dāng)實時性要求較高時,優(yōu)先選擇計算速度快的SVR算法。

3.4 模型比較

現(xiàn)有預(yù)測機械加工工藝過程能耗的模型包括Kara等[7]提出的材料切削比能模型和Balogun等[9]提出的多階段能耗模型:

(14)

Et=Pb(tb+tr+tc)+Prtr+Pairtair+

(15)

采用比能模型預(yù)測能耗時,首先基于訓(xùn)練集的數(shù)據(jù)進行回歸分析,分別得到4臺機床的能耗模型系數(shù)C0和C1,模型如表6所示。應(yīng)用多階段能耗模型時,需要分析加工過程,計算機床待機、準(zhǔn)備、空切削、切削等各階段時間值,并獲取機床各個狀態(tài)的功率值。

表6 車削和鉆削加工工藝過程材料切削比能模型

根據(jù)式(14)的比能模型和式(15)的多階段能耗模型,應(yīng)用測試數(shù)據(jù)集預(yù)測車削和鉆削工藝過程能耗,計算其預(yù)測誤差,并與本文機器學(xué)習(xí)算法的預(yù)測誤差進行對比,結(jié)果如圖9所示。

由上述結(jié)果可見,機器學(xué)習(xí)方法對車削加工能耗的預(yù)測誤差顯著低于現(xiàn)有方法;對于鉆削加工,神經(jīng)網(wǎng)絡(luò)和SVR算法的預(yù)測誤差低于現(xiàn)有方法,隨機森林預(yù)測的誤差同現(xiàn)有方法相當(dāng)。因此,相比于現(xiàn)有方法,本文機器學(xué)習(xí)方法具有更高的車削和鉆削加工能耗預(yù)測精度。

4 結(jié)束語

本文研究了一種基于數(shù)據(jù)驅(qū)動的零件車削和鉆削加工能耗預(yù)測方法,包括能耗數(shù)據(jù)采集和預(yù)處理、特征屬性預(yù)處理、特征選擇算法和能耗預(yù)測算法4個關(guān)鍵技術(shù)。通過案例分析表明,RReliefF特征選擇算法能夠選擇出對能耗影響大的屬性,可以簡化模型并有助于提高模型精度。在本文中,SVR算法在樣本數(shù)據(jù)較小時的預(yù)測誤差最小,樣本數(shù)據(jù)增大后,神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差最小,隨機森林的預(yù)測誤差最大。相比于現(xiàn)有方法,采用神經(jīng)網(wǎng)絡(luò)和SVR算法能夠降低車削和鉆削加工能耗的預(yù)測誤差。

本文方法可用于預(yù)測車削和鉆削加工工藝能耗,并能根據(jù)數(shù)據(jù)集自動調(diào)整模型參數(shù),以保持模型預(yù)測精度。隨著物聯(lián)網(wǎng)和數(shù)控系統(tǒng)現(xiàn)場總線技術(shù)的發(fā)展,更多的輸入變量(空行程距離等)以及機床部件級別(主軸、X/Y/Z進給軸、冷卻液電機等)的能耗將能夠被自動感知和獲取,可望建立更加精確的機床部件能耗模型,為機床部件級的節(jié)能奠定基礎(chǔ)。本文研究的數(shù)據(jù)驅(qū)動方法也可以拓展應(yīng)用于機械加工的其他領(lǐng)域,例如對零件加工精度、表面粗糙度的建模和預(yù)測。

猜你喜歡
機床能耗誤差
機床展會
120t轉(zhuǎn)爐降低工序能耗生產(chǎn)實踐
能耗雙控下,漲價潮再度來襲!
探討如何設(shè)計零能耗住宅
角接觸球軸承接觸角誤差控制
Beidou, le système de navigation par satellite compatible et interopérable
壓力容器制造誤差探究
2019,中國機床變中求進
日本先進的“零能耗住宅”
基于通用機床的100%低地板有軌電車輪對旋修