第8期 2017年8月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)08006805
D0I:10.13462/j. cnki. mmtamt.2017.08.017
铣削表面粗糙度在线智能预测方法研究
唐向红"，b，，刘国凯"，陆见光",b，"，易向华”，耿晓强
No.8 Aug.2017
（贵州大学a.现代制造技术教育部重点实验室；b.机械工程学院；c.贵州省公共大数据重点实验室，贵阳550025）
摘要：为了提高表面粗糙度在线预测模型的精度，研究并提出了一种融合传感器统计学数据的表面粗糙度在线智能预测方法。该方法对加速度的统计学特征进行PCA主成分提取，保留了85%的数据信息。通过改进的PO-GRNN广义神经网络对训练集数据进行分配，确定光滑因子α的近似最优值。随后结合铣削加工参数集与PCA主成分，通过PO-GRNN构建了一套在线粗糙度预测模型。纵向与横向对比实验结果表明：该模型可提供较高的粗糙度在线预测精度，能适用于当前智能制造过程中粗糙度的在线预测。
关键词：加速度信号；数据挖掘;PO-GRNN神经网络；粗糙度在线预测
中图分类号：TH161；TG506
文献标识码：A
On-line Intelligent Prediction Method for Milling Surface Roughness
TANG Xiang-hong",b,", LIU Guo-kai", LU Jian-guang",,, YI Xiang-hua', GENG Xiao-qiang
( a. Key Laboratory of Advanced Manufacturing technology, Ministry of Education ;b. School of Mechanical Engi-neering;c. Guizhou Provincial Key Laboratory of Public Big Data, Guizhou University, Guiyang 550025, China) Abstract : 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 princi-pal 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 . 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 Key words: acceleration signal ;data mining;PO-GRNN neural networks; on-line measuring of roughness
0引言
铣削加工在航空航天、汽车制造、数控机床等诸多
领域得到广泛应用。表面粗糙度作为铣削加工的重要指标之一，与零件的耐磨性、配合精度、疲劳强度、接触刚度、配合性能、工作精度、结合密闭性等有着密切的关系。对零件加工表面粗糙度的预测可以提高生产效率，降低制造成本，为零件加工表面粗糙度的控制提供依据。表面粗糙度受机床刚度、切削参数、刀具与被加工零件的性能及其振动情况等诸多因素影响。伴随者着现代制造系统和机器的升级换代，更好的实验测量设备与更新的算法也吸引着众多研究人员以更好的方式投人到对零件加工表面粗糙度预测的研究之中。
现行较为主流的粗糙度预测研究方法包括：回归分析方法(2]、神经网络[34]、支持向量机[1.5]、模棚模型16]及其组合模型等。这些方法多通过构建切削参数、刀具及工件材料性能等经验因素与粗糙度数值间的关系模型，进而实现对粗糙度的预测。上述研究方
收稿日期：2016-11-12；修回日期：2016-12-15
法的预测精度很大程度上受到模型选择与参数调整的影响，很少或未能充分利用传感器在加工过程中所反馈的加工状态信息["]，进而导致模型的预测精度相对较低。伴随着人工智能的再度兴起与大数据的广泛推广，当前制造业中传感器的广泛应用为产品设计、制造、控制与决策提供了海量数据，产品加工过程中的传感器数据信息是对当前加工状态或直接或间接的反馈。充分融合传感器统计学数据，一定程度上可实现零件加工表面粗糙度预测性能的提升。
针对上述预测模型存在的问题，本文挖掘了加速
度传感器在时域信号中的10个统计学特征参数。针对这10个统计学特征参数彼此之间可能存在的相互关系，以保留85%数据特征信息的方式进一步利用 PCA主成分分析的方法进行降维处理得到PCA主成分参数。从而消除了大量数据之间存在的元余信息并减少了所需要的实验次数，降低了实验开销。提出一种PO-CRNN（Parameter Optimization GRNN）模型，通过K-折交叉与遍历寻优的方式确定了PO-GRNN广义
*基金项目：国家自然科学基金资助项目（51475097）；贵州省重大科技专项（黔科合重大专项字[2012]6018）；贵州省基础研究重大项目（黔科合JZ
万芳数据2001）；贵州省科技支撑计划（黔科合支撑[2016]2008）
作者简介：唐商红源979—），男，潮南水州人，贵州大学副教授，硕士研究生导师，研究方向为大数据与智能制造，（E-mail)txhwuhan@163.com。