基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測

嚴(yán) 其 艷

(廣東科技學(xué)院機(jī)電工程系，廣東 東莞 523083)

基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測

嚴(yán) 其 艷

(廣東科技學(xué)院機(jī)電工程系，廣東 東莞 523083)

針對神經(jīng)網(wǎng)絡(luò)方法預(yù)測并聯(lián)機(jī)床表面粗糙度存在的不足，提出了一種新的基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測方法。以某型并聯(lián)研拋機(jī)床為例確定了表面粗糙度預(yù)測模型的輸入輸出參數(shù)，建立了基于支持向量回歸機(jī)的并聯(lián)機(jī)床表面粗糙度預(yù)測模型。仿真實驗的預(yù)測結(jié)果表明,所建立的預(yù)測模型具有較強(qiáng)的泛化能力，預(yù)測的準(zhǔn)確性較高。

并聯(lián)機(jī)床； 表面粗糙度； 支持向量機(jī)； 支持向量回歸機(jī)

0 引 言

并聯(lián)機(jī)床又稱虛擬軸機(jī)床、并聯(lián)結(jié)構(gòu)機(jī)床，是機(jī)械制造、空間機(jī)構(gòu)學(xué)、計算機(jī)軟硬件技術(shù)、數(shù)控技術(shù)和CAD/CAM技術(shù)高度結(jié)合的高科技產(chǎn)品，與傳統(tǒng)機(jī)床相比，并聯(lián)機(jī)床具有機(jī)械結(jié)構(gòu)簡單、結(jié)構(gòu)剛度高、加工速度精度高、多功能靈活性強(qiáng)和使用壽命長等特點(diǎn)和優(yōu)點(diǎn)，自其1994年首次面世即被譽(yù)為是“21世紀(jì)的機(jī)床”，具有巨大的開發(fā)潛力和廣泛的應(yīng)用前景，因此對并聯(lián)機(jī)床相關(guān)問題的研究已成為機(jī)床領(lǐng)域的新興研究熱點(diǎn)。劉遠(yuǎn)偉等[1]對BJ-04-2(A)型并聯(lián)機(jī)床的加工精度和加工表面粗糙度問題進(jìn)行了實驗研究；陳婕等[2]對非對稱3-(2SPS)并聯(lián)機(jī)床的靈巧度進(jìn)行了分析；趙昌龍等[3]利用神經(jīng)網(wǎng)絡(luò)方法對并聯(lián)機(jī)床表面粗糙度進(jìn)行了預(yù)測研究；劉永俊等[4]對BKX-I型并聯(lián)機(jī)床的定姿態(tài)工作空間進(jìn)行了數(shù)值仿真研究；方喜峰等[5]利用最小二乘法對交叉桿并聯(lián)機(jī)床的結(jié)構(gòu)參數(shù)進(jìn)行了優(yōu)化研究；陳小崗等[6]對6-UPS并聯(lián)機(jī)床的誤差分布特性進(jìn)行了研究。在并聯(lián)機(jī)床相關(guān)問題的研究中，目前僅有文獻(xiàn)[3]對加工表面粗糙度問題進(jìn)行了研究，而傳統(tǒng)機(jī)床加工表面粗糙度問題已有大量的研究成果。雖然文獻(xiàn)[3]中取得了較好的預(yù)測效果，但神經(jīng)網(wǎng)絡(luò)方法存在學(xué)習(xí)效率低、收斂速度慢、推廣能力差、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜和對樣本需求量大等問題。支持向量回歸機(jī)(Support Vector Regression，SVR)是SVM在解決回歸問題方面的具體應(yīng)用，在各種預(yù)測領(lǐng)域表現(xiàn)出了較好的能力，文獻(xiàn)[7-10]分別利用SVM和SVR對磨削、銑削表面粗糙度預(yù)測問題進(jìn)行了研究，均取得了較好的預(yù)測效果?；诖?，本文嘗試采用SVR對并聯(lián)機(jī)床表面粗糙度預(yù)測問題進(jìn)行研究，以期取得更好的預(yù)測效果。

1 SVR基本原理

回歸問題可以理解為：根據(jù)輸入-輸出數(shù)據(jù)集(xi，yi)(i=1，2，…，M)，其中：xi是第i個m維輸入向量；yi是第i個標(biāo)量輸出；M是訓(xùn)練樣本數(shù)，求取輸入和輸出之間的關(guān)系[10]。在支持向量回歸中，首先要將輸入向量映射到l，為特征空間，然后，在特征空間中構(gòu)造優(yōu)化超平面。

(1)

式中：W是l維權(quán)重向量；g(x)是將x映射到特征空間的映射函數(shù)；b為偏置項。由ε不敏感損失函數(shù)定義可知，ε為一個小的整正數(shù)，定義實際輸出y和估計輸出之間的殘差為：

(2)

理想的回歸應(yīng)該是所有的殘差均在ε之內(nèi)，即：

(3)

(4)

假設(shè)數(shù)據(jù)點(diǎn)距超平面的最大距離為δ，則所有的訓(xùn)練數(shù)據(jù)均滿足：

(5)

(6)

(7)

(8)

(9)

式中：i=1,2,…,M；C為平衡最大間隔和回歸誤差的邊際系數(shù)，也稱為懲罰因子；P為范數(shù)，取值為1或2。由于該算法中需要事先確定不敏感損失函數(shù)中的系數(shù)ε，也被稱為ε支持向量回歸機(jī)。為了求解以上的凸二次規(guī)劃問題，構(gòu)造Lagrange函數(shù)[13]：

(10)

(11)

i=1,2,…,M

相應(yīng)的回歸函數(shù)為：

(12)

解決非線性問題時，可用核函數(shù)K(xi,xj)代替內(nèi)積運(yùn)算，通過非線性變換轉(zhuǎn)化為線性問題。不同的核函數(shù)將形成不同的算法，目前研究和應(yīng)用最多的核函數(shù)主要有多項式核函數(shù)、徑向基核函數(shù)、sigmoid感知核函數(shù)和多二次曲面核函數(shù)，具體表達(dá)式如下所示[13-15]。

多項式核函數(shù)

徑向基核函數(shù)

sigmoid感知核函數(shù)

多二次曲面核函數(shù)

2 SVR預(yù)測模型輸入輸出參數(shù)的確定

確定科學(xué)合理的輸入?yún)?shù)是構(gòu)建SVR預(yù)測模型的前提和基礎(chǔ)，影響機(jī)床表面粗糙度的因素有很多，主軸最大走刀速度、主軸快速移動速度、進(jìn)給速度、雙向定位精度、刀具的位置和精度、刀具的磨損程度、滾動軸承的潤滑效果、工件材料、工件尺寸、材料去除率、切削深度，以及機(jī)床和工件的振動等因素都會影響并聯(lián)機(jī)床表面的粗糙度，具體要視機(jī)床的種類和用途而定。本文表面粗糙度的研究依據(jù)為某型并聯(lián)研拋機(jī)床，機(jī)床的整體結(jié)構(gòu)如圖1所示。結(jié)合文獻(xiàn)[1，3]對機(jī)床和并聯(lián)機(jī)床表面粗糙鍍的分析，通過征詢專家意見，最終選取主軸轉(zhuǎn)速n、進(jìn)給速度vf、研拋作用力Fn、研拋作用角α和研拋次數(shù)N作為SVR預(yù)測模型的輸入?yún)?shù)，將表面粗糙度作為SVR預(yù)測模型的輸出參數(shù)。

1-Y軸絲杠電機(jī)，2-Y軸絲杠，3-翻轉(zhuǎn)夾具，4-并聯(lián)桿，5-滑動工作臺，6-X軸絲杠電機(jī)，7-X軸絲杠，8-Y軸導(dǎo)軌，9-工具系統(tǒng)，10-龍門，11-葉片，12-Steward平臺

圖1 并聯(lián)研拋機(jī)床的整體結(jié)構(gòu)

3 基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型

在對SVR基本原理進(jìn)行理解和對SVR預(yù)測模型輸入輸出參數(shù)進(jìn)行分析確定的基礎(chǔ)上，便可構(gòu)建基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型，如圖2所示。模型的主要步驟如下：

(1) 首先對影響并聯(lián)機(jī)床表面粗糙度的各因素進(jìn)行分析，確定SVR預(yù)測模型的輸入輸出參數(shù)。通過前面的分析，這里選用n、vf、Fn、α和N這5個主要影響因素作為SVR預(yù)測模型的輸入?yún)?shù)，并聯(lián)機(jī)床表面粗糙度Ra作為SVR預(yù)測模型的輸出參數(shù)。

(3) 通過經(jīng)驗分析和仿真實驗選擇恰當(dāng)?shù)腟VR核函數(shù)。通過對預(yù)測效果的對比分析，選用預(yù)測精度較高且在SVR預(yù)測領(lǐng)域常用的徑向基核函數(shù)。

(4) 利用基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型對訓(xùn)練樣本進(jìn)行訓(xùn)練，不斷優(yōu)化核函數(shù)的寬度參數(shù)σ、正則化參數(shù)C和不敏感值ε，直到獲取滿意的預(yù)測精度為止。

(5) 利用基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型對校驗樣本的表面粗糙度進(jìn)行預(yù)測分析。

圖2 并聯(lián)機(jī)床表面粗糙度SVR預(yù)測模型

4 仿真實驗

為了驗證SVR預(yù)測模型的有效性和精確性，以文獻(xiàn)[3]中的實驗數(shù)據(jù)為例，利用基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型，對一組實驗獲取的樣本數(shù)據(jù)進(jìn)行表面粗糙度預(yù)測驗證和分析。采用正交實驗設(shè)計，每個實驗因素即每個預(yù)測模型的輸入?yún)?shù)選取4個水平，工件的材料為45號鋼，研拋工具為240號球頭樹脂砂輪，砂輪直徑為25 mm，工件的起始表面粗糙度Ra=5.65 μm。選取實驗獲取的14組數(shù)據(jù)為表面粗糙度預(yù)測樣本數(shù)據(jù)，如表1所示，其中1～10組數(shù)據(jù)用于模型的訓(xùn)練，11～14組數(shù)據(jù)用于模型的校驗。為了消除各參數(shù)大小迥異帶來的預(yù)測影響，在預(yù)測之前需要對樣本數(shù)據(jù)進(jìn)行規(guī)一化處理，以便提高預(yù)測的準(zhǔn)確性。根據(jù)前面建立的表面粗糙度預(yù)測模型中樣本數(shù)據(jù)的規(guī)一化方法，可以得到如表2所示的規(guī)一化樣本數(shù)據(jù)。

采用Matlab 6.5軟件并調(diào)用SVR工具箱，根據(jù)基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型編寫運(yùn)算程序。在對10組訓(xùn)練樣本進(jìn)行多次訓(xùn)練和分析比較的基礎(chǔ)上，最終設(shè)置SVR的相關(guān)參數(shù)為：σ=8.6，C=1 200，ε=0.000 1。經(jīng)過預(yù)測和計算，可以得出基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型對訓(xùn)練樣本的預(yù)測結(jié)果和預(yù)測誤差，如表3所示(限于篇幅，以4組訓(xùn)練樣本為例)。從表3可以看出，所建立的SVR預(yù)測模型預(yù)測準(zhǔn)確性較高，絕對誤差和相對誤差均比較小。為了檢驗SVR預(yù)測模型的泛化能力，對后4組校驗樣本數(shù)據(jù)進(jìn)行表面粗糙度預(yù)測，得到的預(yù)測結(jié)果和預(yù)測誤差如表4所示。從表4中可以看出，預(yù)測誤差較小，預(yù)測效果較好，證明SVR預(yù)測模型具有較強(qiáng)的泛化能力。本文所建立的SVR預(yù)測模型對校驗樣本預(yù)測的平均絕對誤差為0.01 μm，平均相對誤差為0.644 5%，而文獻(xiàn)[3]采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法對校驗樣本預(yù)測的平均絕對誤差為0.024 μm，平均相對誤差1.488 7%，說明本文所建立的SVR預(yù)測模型預(yù)測準(zhǔn)確性較高。

表1 表面粗糙度預(yù)測樣本數(shù)據(jù)

表2 表面粗糙度預(yù)測歸一化樣本數(shù)據(jù)

表3 部分訓(xùn)練樣本的預(yù)測效果

表4 校驗樣本的預(yù)測效果

5 結(jié) 語

并聯(lián)機(jī)床具有響應(yīng)速度快、剛度質(zhì)量比大、技術(shù)附加值高、對環(huán)境適應(yīng)性高等優(yōu)點(diǎn)，可廣泛用于大型模具、船舶、汽車、發(fā)電設(shè)備、航天航空等大型復(fù)雜零件的自由曲面加工。表面粗糙度預(yù)測對于監(jiān)測加工過程狀態(tài)參數(shù)、保證加工質(zhì)量精度和提高生產(chǎn)效益具有重要意義。鑒于神經(jīng)網(wǎng)絡(luò)方法存在的固有不足，提出了一種新的基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測方法，確定了預(yù)測模型的輸入輸出參數(shù)，構(gòu)建了基于SVR的并聯(lián)機(jī)床表面粗糙度預(yù)測模型。仿真實驗結(jié)果表明，所建立的預(yù)測模型具有較強(qiáng)的推廣能力和較高的預(yù)測精度，校驗樣本的平均絕對和相對誤差小于神經(jīng)網(wǎng)絡(luò)預(yù)測方法，為并聯(lián)機(jī)床表面粗糙度預(yù)測提供了一種新的方法。

[1] 劉遠(yuǎn)偉，吳海兵. 并聯(lián)機(jī)床加工性能的實驗研究[J]. 機(jī)械科學(xué)與技術(shù)，2008，27(5)：625-627.

[2] 陳 婕，李開明. 非對稱3-(2SPS)并聯(lián)機(jī)床的靈巧度分析[J]. 機(jī)床與液壓，2014，42(3)：38-40.

[3] 趙昌龍，于 淼. 基于神經(jīng)網(wǎng)絡(luò)的并聯(lián)機(jī)床表面粗糙度預(yù)測[J]. 機(jī)床與液壓，2015，43(11)：46-48.

[4] 劉永俊，丁洪生，付 鐵，等. BKX-I型并聯(lián)機(jī)床定姿態(tài)工作空間數(shù)值仿真與求解[J]. 機(jī)械設(shè)計與制造，2015(1)：1-3.

[5] 方喜峰，張思崇，許欽桓，等. 交叉桿并聯(lián)機(jī)床結(jié)構(gòu)參數(shù)優(yōu)化[J]. 中國機(jī)械工程，2015，6(1)：37-43.

[6] 陳小崗，孫 宇，吳海兵，等. 6-UPS并聯(lián)機(jī)床誤差分布特性[J]. 中國機(jī)械工程，2014，25(2)：179-185.

[7] 黃吉東，王龍山，李國發(fā)，等. 基于最小二乘支持向量機(jī)的外圓磨削表面粗糙度預(yù)測系統(tǒng)[J]. 光學(xué)精密工程，2010，18(11)：2407-2412.

[8] 吳德會. 基于最小二乘支持向量機(jī)的銑削加工表面粗糙度預(yù)測模型[J]. 中國機(jī)械工程，2007，18(7)：834-841.

[9] 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)測及磨削用量優(yōu)化設(shè)計[J]. 機(jī)械工程學(xué)報，2009，45(10)：254-261.

[10] 林獻(xiàn)坤，李郝林，袁 博. 基于PSO-SVR的數(shù)控平面磨削表面粗糙度智能預(yù)測研究[J]. 系統(tǒng)仿真學(xué)報，2009，21(24)：7805-7808.

[11] 周 璇，楊建成. 基于支持向量回歸機(jī)的空調(diào)逐時負(fù)荷滾動預(yù)測算法[J]. 中南大學(xué)學(xué)報(自然科學(xué)版)，2014，45(3)：952-955.

[12] 侍紅巖，吳曉強(qiáng)，張春友. 基于支持向量回歸機(jī)的刀具壽命預(yù)測[J]. 工具技術(shù)，2015，49(11)：47-50.

[13] Ustun B, Melssen W, Oudenhuijzen M,etal. Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization[J]. Analytical Chimica Acta, 2005, 544(1/2)：292-305.

[14] He W, Wang Z, Jiang H. Model optimizing and feature selecting for support vector regression in time series forecasting[J]. Neurocomputing, 2008, 72(1/2/3)： 600-611.

[15] Gascón-Moreno J, Salcedo-Sanz S, Ortiz-García E,etal. New validation methods for improving standard and multi-parametric support vector regression training time[J]. Expert Systems with Applications, 2012, 39(9): 8220-8227.

·名人名言·

科學(xué)實驗是科學(xué)理論的源泉，是自然科學(xué)的根本，也是工程技術(shù)的基礎(chǔ)。

——張文裕

Prediction of Surface Roughness of Parallel Machine Tool Based on Support Vector Regression

YANQi-yan

(Department of Mechanical and Electrical Engineering, Guangdong University of Science and Technology, Dongguan 523083, Guangdong, China)

The parallel machine tool has many advantages compared with traditional machine tool, but the current research on parallel machine tool surface roughness related problems is less. In order to solve the problem of roughness, the paper puts forward a new prediction method of surface roughness of parallel machine tool based on support vector regression. After introducing the basic principles of the support vector regression machine, the paper establishes a surface roughness prediction model by using support vector machine regression. The training data are obtained from a certain type of parallel machine tool. The simulation results show that the prediction model has strong generalization ability, and the prediction accuracy is higher.

parallel machine tool; surface roughness；support vector machine; support vector regression

2016-05-05

廣東省青年創(chuàng)新人材項目(2014KONCX245)

嚴(yán)其艷(1981-)，女(土家族)，湖南湘西人，講師，現(xiàn)主要從事機(jī)械制造及自動化技術(shù)、自動檢測技術(shù)和儀器儀表技術(shù)。

Tel.:13556766535；E-mail:lili_1967tongl@163.com

TG 502

A

1006-7167(2017)01-0030-04