一种基于支持向量回归和t检验的机床加工能效建模系统及方法

1.本发明属于电子工程和计算机科学领域，具体涉及一种基于支持向量回归和t检验的机床加工能效建模系统及方法。


背景技术：

2.在全球环境问题突出，能源成本不断增长的今天，机床加工能效建模成为机床加工领域的重点技术之一，得到国内外学者、企业、院校的广泛研究。随着研究的不断深入，机床加工能效模型被逐渐完善。当前的机床加工能效模型将切削深度、切削宽度、切削速度以及进给率作为机床加工能效影响因子，利用物理实验数据结合数学经验公式实现能效建模。该方法因为建模过程简单，已经得到广泛的研究和应用。然而，由于数学经验公式无法准确描述不同类型、不同型号、不同状态机床加工能效差异，如何提升机床加工能效建模方法对不同类型、不同型号机床的通用性，以及如何解决由于刀具磨损和机床老化等因素导致的模型对机床加工能效的预测准确性降低是当前需要解决的问题。针对建模方法通用性不足的问题，目前主要依据不同类型与不同型号机床加工能效特点，调整经验公式，修改相关参数，但该方法对专业知识要求较高。针对机床加工能效模型无法随机床状态动态变化的问题，目前主要引入刀具磨损参数作为新的机床加工能效影响因子，提升机床加工能效模型的准确性，但刀具磨损参数的获取成为实现该方法的难点。因此，如何设计一种对不同类型、不同型号机床通用的建模方法并保证模型对机床加工能效的预测准确性不随刀具磨损、机床老化降低是必要的。


技术实现要素：

3.本发明技术解决问题：克服现有技术的不足，提供一种基于支持向量回归和t检验的机床加工能效建模系统及方法，通过引入支持向量回归，利用机床加工能效影响因子构造机床加工能效建模特征向量，提升了建模方法的通用性；并通过t检验方法，对机床加工能效模型进行准确性判断，及时实现模型再训练，使模型能够随刀具磨损、机床老化等逐步更新演化，提升了模型对机床加工能效的预测准确性。
4.本发明解决技术问题是采取以下技术方案实现的：
5.一种基于支持向量回归和t检验的机床加工能效建模系统，包括：机床加工能效数据采集和预处理模块、机床加工能效模型构建模块、机床加工能效模型准确性评估模块；机床加工能效数据采集和预处理模块实现机床加工能效数据获取、机床加工能效建模特征向量构建、能效影响因子数据归一化处理，并生成机床加工能效模型训练集和测试集；机床加工能效模型构建模块完成机床加工能效指标定义，并基于所得的训练集和测试集实现机床加工能效模型训练及预检测；机床加工能效模型准确性评估模块基于预检测结果实现机床加工能效模型准确性判断与模型再训练；
6.所述机床加工能效数据采集和预处理模块具体实现如下：
7.(11)机床加工能效数据获取：从机床加工工艺参数中获取机床加工能效影响因子数据，包括切削深度、切削宽度、切削速度和进给率；并通过监控机床加工过程实时状态，获得机床加工能效影响因子所对应的机床加工功率p；
8.(12)机床加工能效建模特征向量构建：基于选定的机床加工能效影响因子数据，构造机床加工能效建模特征向量其中x
p
为切削深度、xe为切削宽度、xf为进给率、为切削速度，n为主轴转速，d为刀具直径；并通过机床加工能效特征向量与机床加工功率p对应关系构建机床加工能效模型训练集tr与测试集te；
9.(13)能效影响因子数据归一化处理：根据归一化公式将能效建模特征向量对应的切削深度、切削宽度、进给率和切削速度数据进行归一化处理，其中x为某类能效影响因子数据，x
max
为某类能效影响因子数据最大值，x
min
为某类能效影响因子数据最小值，为某类能效影响因子数据归一化结果；
10.所述机床加工能效模型构建模块具体实现如下：
11.(21)机床加工能效指标定义：机床加工能效指标被定义为单位能量消耗即切除单位体积材料所消耗的能量，为材料去除率；
12.(22)机床加工能效模型训练：以训练集tr中归一化后的特征向量为输入，单位能量消耗sec为输出，通过基于高斯核函数的支持向量回归方法训练并生成机床加工能效模型mmeem，其中，为高斯核函数中心，σ为高斯核函数带宽；
13.(23)机床加工能效模型预检测：将测试集te中的机床加工能效影响因子数据输入机床加工能效模型mmeem，获得对sec的预测值，并与测试集te中的实际值进行比较，从而实现模型的预检测，得到预测结果；
14.所述机床加工能效模型准确性评估模块具体实现如下：
15.(31)机床加工能效预测误差t检验条件定义：基于理想状态下机床加工能效数据预测结果在实际值附近随机分布，预测误差呈正态分布且均值为零；
16.(32)t检验标准值计算：基于步骤(31)中的t检验条件，依据机床加工能效模型构建模块中步骤(23)中的预检测结果，计算预检测结果对应的机床加工能效预测误差均值和标准差，并以此计算t检验统计量，作为t检验标准值；
17.(33)t检验统计量计算：按时间顺序依次记录m 5组机床加工能效实际数据和预测数据，并去除5组预测误差最大的数据，计算剩余m组数据的t检验统计量，其中m为预检测测试集样本数量；
18.(34)机床加工能效模型准确性判断：将步骤(33)计算得到的t检验统计量与步骤(32)计算得到的t检验标准值进行比较，若t检验统计量小于或等于t检验标准值，则支持t检验条件，输出机床加工能效模型；若t检验统计量大于标准值，则不支持t检验条件，循环执行步骤(35)、(36)、(33)、(34)，直到t检验统计量小于或等于t检验标准值，最终输出模型；
19.(35)机床加工能效数据更新：依时间顺序利用新获取的机床加工能效数据替换等量的原机床加工能效模型训练集tr数据；
20.(36)机床加工能效模型再训练：基于更新后的机床加工能效数据，通过机床加工能效模型构建模块中步骤(21)所采用的支持向量回归方法重新训练得到机床加工能效模型mmeem，并利用该模型对之后的机床加工能效进行预测。
21.上述创新性主要体现在将机床加工能效建模和支持向量回归结合，提升建模方法的通用性；引入t检验方法，实现模型更新，提升模型准确性。
22.所述机床加工能效模型准确性评估模块中，t检验统计量的计算为：
23.t检验统计量其中为机床加工能效预测误差均值，μ为机床加工能效预测误差理论均值，为机床加工能效预测误差标准差，n为预测样本数量，sec
sk
为第k组机床加工能效预测值，sec
rk
为第k组机床加工能效实际值，k为数据组别。针对机床加工能效预测数据特征，运用t检验方法，计算机床能效预测误差对应的t检验统计量，为机床加工能效模型准确性判断提供参数。其创新性体现在t检验方法与机床加工能效的结合。
24.本发明的基于支持向量回归和t检验的机床加工能效建模方法，实现如下：
25.(1)机床加工能效数据获取：从机床加工工艺参数中获取机床加工能效影响因子数据，包括切削深度、切削宽度、切削速度和进给率；并通过监控机床加工过程实时状态，获得机床加工能效影响因子所对应的机床加工功率p；
26.(2)机床加工能效建模特征向量构建：基于选定的机床加工能效影响因子数据，构造机床加工能效建模特征向量其中x
p
为切削深度、xe为切削宽度、xf为进给率、为切削速度，n为主轴转速，d为刀具直径；并通过机床加工能效特征向量与机床加工功率p对应关系构建机床加工能效模型训练集tr与测试集te；
27.(3)能效影响因子数据归一化处理：根据归一化公式将能效建模特征向量对应的切削深度、切削宽度、进给率和切削速度数据进行归一化处理，其中x为某类能效影响因子数据，x
max
为某类能效影响因子数据最大值，x
min
为某类能效影响因子数据最小值，为某类能效影响因子数据归一化结果；
28.(4)机床加工能效指标定义：机床加工能效指标被定义为单位能量消耗即切除单位体积材料所消耗的能量，为材料去除率；
29.(5)机床加工能效模型训练：以训练集tr中归一化后的特征向量为输入，单位能量消耗sec为输出，通过基于高斯核函数的支持向量回归方法训练并生成机床加工能效模型mmeem，其中，为高斯核函数中心，σ为高斯核函数带宽；
30.(6)机床加工能效模型预检测：将测试集te中的机床加工能效影响因子数据输入机床加工能效模型mmeem，获得对sec的预测值，并与测试集te中的实际值进行比较，从而实现模型的预检测，得到预测结果；
31.(7)机床加工能效预测误差t检验条件定义：基于理想状态下机床加工能效数据预
测结果在实际值附近随机分布，预测误差呈正态分布且均值为零；
32.(8)t检验标准值计算：基于步骤(31)中的t检验条件，依据机床加工能效模型构建模块中步骤(23)中的预检测结果，计算预检测结果对应的机床加工能效预测误差均值和标准差，并以此计算t检验统计量，作为t检验标准值；
33.(9)t检验统计量计算：按时间顺序依次记录m 5组机床加工能效实际数据和预测数据，并去除5组预测误差最大的数据，计算剩余m组数据的t检验统计量，其中m为预检测测试集样本数量；
34.(10)机床加工能效模型准确性判断：将步骤(9)计算得到的t检验统计量与步骤(8)计算得到的t检验标准值进行比较，若t检验统计量小于或等于t检验标准值，则支持t检验条件，输出机床加工能效模型；若t检验统计量大于标准值，则不支持t检验条件，循环执行步骤(11)、(12)、(9)、(10)，直到t检验统计量小于或等于t检验标准值，最终输出模型；
35.(11)机床加工能效数据更新：依时间顺序利用新获取的机床加工能效数据替换等量的原机床加工能效模型训练集tr数据；
36.(12)机床加工能效模型再训练：基于更新后的机床加工能效数据，通过机床加工能效模型构建模块中步骤(5)所采用的支持向量回归方法重新训练得到机床加工能效模型mmeem，并利用该模型对之后的机床加工能效进行预测。
37.本发明与现有技术相比优点在于：
38.(1)将机床加工能效建模与支持向量回归结合，利用支持向量回归方法，解决了当前基于经验公式的机床加工能效建模方法对不同类型、不同型号机床通用性不足的问题，提升了机床加工能效建模方法的通用性。
39.(2)在机床加工能效模型的使用过程中，引入t检验方法，通过计算t检验参数对模型的准确性进行评估，并依据评估结果及时更新模型训练数据，对模型进行更新训练，使机床加工能效模型能够随机床老化、刀具磨损等不断更新变化，在一定程度上提升了模型对机床加工能效的预测准确性。
附图说明
40.图1为本发明的方法流程框图。
具体实施方式
41.下面结合附图对本发明做进一步详细的描述。
42.本发明涉及一种基于支持向量回归和t检验的机床加工能效建模方法。为了提升当下机床加工能效建模方法对于不同类型、不同型号机床的通用性，并确保模型能够在刀具磨损、机床老化等情况下维持其准确性，本方法结合机器学习与模型更新思想，提出一种新的机床加工能效建模方法。考虑机床加工切削深度、切削宽度、切削速度、进给率，采用支持向量回归方法进行机床加工能效模型训练，并通过t检验方法，对机床加工能效模型进行准确性判断，从而及时实现模型再训练。本发明公开的方法包括机床加工能效数据采集和预处理模块，机床加工能效模型构建模块以及机床加工能效模型准确性评估模块，该方法能够一定程度上提升建模方法对于不同类型，不同型号机床的通用性，并且更好地维持能效模型地准确性。
43.如图1所示，本发明的系统具体实施方式如下：
44.图1中的1表示机床加工能效数据采集和预处理模块，该模块具体实现如下：
45.(11)机床加工能效数据获取：从机床加工工艺参数中获取机床加工能效影响因子数据，包括切削深度、切削宽度、切削速度、进给率；并通过监控机床加工过程实时状态，获得机床加工能效影响因子所对应的机床加工功率p；
46.(12)机床加工能效建模特征向量构建：基于选定的机床加工能效影响因子，构造机床加工能效建模特征向量其中x
p
为切削深度、xe为切削宽度、xf为进给率、为切削速度、n为主轴转速、d为刀具直径；并通过机床加工能效特征向量与机床加工功率对应关系构建机床加工能效模型训练集tr与测试集te；
47.假设需要构造包含5组数据的机床加工能效模型测试集te，测试集中每组机床加工能效因子数据如表1所示，其中x
pk
为第k组切削深度数据，x
ek
为第k组切削宽度数据，x
fk
为第k组进给率数据，x
vk
为第k组切削速度数据，pk为第k组功率数据；
48.表1测试集示例
[0049][0050]
(13)能效影响因子数据归一化处理：根据归一化公式将特征向量对应的切削深度、切削宽度、进给率和切削速度数据进行归一化处理，其中x为某类能效影响因子数据，x
max
为某类能效影响因子数据最大值，x
min
为某类能效影响因子数据最小值，为某类能效影响因子数据归一化结果；
[0051]
假设需要将表1中数据进行归一化处理，以第1组切削深度数据为例，其中x
pmin
为5组数据中切削深度最小值，x
pmax
为5组数据中切削深度最大值，为第1组切削深度数据的归一化结果；
[0052]
图1中的2表示机床加工能效模型构建模块，该模块具体实现如下：
[0053]
(21)机床加工能效指标定义：机床加工能效指标被定义为单位能量消耗即切除单位体积材料所消耗的能量其中p为机床加工功率，为材料去除率；
[0054]
(22)机床加工能效模型训练：以训练集tr中归一化后的特征向量为输入，单位能量消耗sec为输出，通过基于高斯核函数的支持向量回归方法训练并生成机床加工能效模型mmeem，其中，为能效建模特征向量，为高斯核函数中心，σ为高斯核函数带宽；
[0055]
(23)机床加工能效模型预检测：将测试集te中的机床加工能效影响因子数据输入
机床加工能效模型mmeem，获得对sec的预测值，并与测试集te中的实际值进行比较，从而实现模型的预检测；
[0056]
图1中的3表示机床加工能效模型再训练模块，该模块具体实现如下：
[0057]
(31)机床加工能效预测误差t检验条件定义：基于理想状态下机床加工能效数据预测结果在实际值附近随机分布，预测误差呈正态分布且均值为零；
[0058]
(32)t检验标准值计算：基于步骤(31)中的t检验条件，依据机床加工能效模型构建模块中步骤(23)中的预检测结果，计算预检测结果对应的机床加工能效预测误差均值和标准差，并以此计算t检验统计量，作为t检验标准值；
[0059]
假设现有5组机床加工能效预测样本，如表2所示，其中sec
sk
为第k组机床加工能效预测值，sec
rk
为第k组机床加工能效实际值；
[0060]
表2机床加工能效预测样本
[0061][0062]
基于表2中数据，可以计算得到
[0063]
(32)t检验标准值计算：基于步骤(31)中的t检验，依据机床加工能效模型构建模块中步骤(23)中的预检测结果，计算预检测结果对应的机床加工能效预测误差均值和标准差，并以此计算t检验统计量，作为t检验标准值；
[0064]
(33)t检验统计量计算：按时间顺序依次记录m 5组机床加工能效实际数据和预测数据，并去除5组预测误差最大的数据，计算剩余m组数据的t检验统计量，其中m为预检测测试集样本数量；
[0065]
(34)机床加工能效模型准确性判断：将步骤(33)计算得到的t检验统计量与步骤(32)计算得到的t检验标准值进行比较，若t检验统计量小于或等于t检验标准值，则支持t检验条件，输出机床加工能效模型；若t检验统计量大于标准值，则不支持t检验条件，循环执行步骤(35)、(36)、(33)、(34)，直到t检验统计量小于或等于t检验标准值，最终输出模型；
[0066]
(35)机床加工能效数据更新：依时间顺序利用新获取的机床加工能效数据替换等量的原机床加工能效模型训练集tr数据；
[0067]
(36)机床加工能效模型再训练：基于更新后的机床加工能效数据，通过机床加工能效模型构建模块中步骤(21)所采用的支持向量回归方法重新训练得到机床加工能效模型mmeem，并利用该模型对之后的机床加工能效进行预测。
[0068]
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0069]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。