《数控电火花线切割加工参数优化的新技术》由会员分享，可在线阅读，更多相关《数控电火花线切割加工参数优化的新技术（5页珍藏版）》请在金锄头文库上搜索。
1、线切割加工参数优化的新方法新余学院 机电工程系 黄小英 【摘要】本文提出了基于决策树分类器和神经网络的数控线切割加工工艺参数寻优的新方法。根据已有的样本训练数据建立分类和神经网络类型，针对要求的加工目标；通过对分类规则的提取，生成预测数据集，结合建立的神经网络模型，迅速准确的预测出对应的加工工艺参数。【关键词】线切割 数控 分类器 神经网络 参数优化1 前言在电火花线切割加工中, 各项加工参数相互关联, 制约, 有些相互矛盾，其中最突出的问题是工具电极的损耗。依靠操作人员的技能和经验很难有效的选取合适的加工参数, 无法获得最佳的加工效果和加工稳定性。由于加工过程的复杂性、系统的非线性和加工参数
2、变化而引起的时变性等, 很难建立数学模型，无法得到有效的规则, 为了获得更理想的加工效果, 实现更有效的优化控制加工过程, 本文提出了用数据挖掘技术，采用基于决策树规则和神经网络构建电火花线切割加工过程的模型, 实现参数优化，从而达到预定的加工目的。 2 优化算法：本文基于决策树规则和神经网络构建的线切割加工参数优化算法流程图可以表示为图1所示。2.1 生成决策树规则：建立如图1所示的分类模型。设数据样本集为S，其所有属性列为（V1,V2，Vnj ：C），其中C表示加工的目标或要求，其值一般是连续的，从取值的意义无法形成具有分类功能的类别，并且决策树分类器要 求类别属性必须是离散型，故需对其进
3、行泛化处理，本文采用自然分割法对类别属性进行泛化。V1Vn对应着加工参数，它们的取值也以连续型居多,并不利于进行深入的分析，所以在建立分类模型之前，对连续型的属性也要进行泛化。 图1对样本集泛化预处理完后，可按照决策树的算法进行建模。在形成的分类模型里，每个分类中的属性顺序是按照各自对分类的所起的重要性来排列的，即在一条分类规则里，属性是按照对这条分类规则的不确定性影响的大小顺序排布。这个特性直按影响到后续利用分类器进行预测加工工艺参数的属性选择。如类别C1的一种划分为V2=V2i & V1=V1i & V3=V3i，则表示当V2 取V2i , V1取V1i，V3取V3i的记录属于类别C1，在
4、这条规则里，属性的重要程度的顺序为V2V1V3。2.2 建立神经网络模型标准反向传播算法（BP.Back Propagation）存在自身的限制和不足，主要表现在训练过程的不确定上，会出现训练时间长，训练瘫痪和陷入局部极小值等现象。本文采用附加动量法修正网络权值，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，如同一个低通滤波器，使网络忽略微小变化，滑过局部极小值；对一些复杂问题，BP网络需要较长的训练时间，这主要是因为训练速率太小，可通过自适应学习率加以改进，即检查权值的修正值是否真正降低了误差函数，降低则说明学习速率小了，可增加一个量，如果过调，则应减小学习速率。所以本文介
5、绍的方法采用附加动量法结合自适应学习率来建立神经网络模型。2.3 工艺参数寻优方法：建立模型后，按如下步骤进行参数寻优： 1）确定新的加工要求或目标所属的分类模型中离散化的类别属性的类别，再由决策树提取出所有此类别的规则，形成一个预测规则集T。2）将各属性在当前规则的取值区间内，进行细化，并按照组合方式得到属于规则Ti的数据集STi。3）重复第2步，直到每项都完成了数据集的生成，最终形成预测数据集ST。设定误差精度，将数据ST的每个元组数据置入神经网络模型，进行预测计算，生成CTi，即属于类别属性的连续型值，对结果集CT进行分析，在误差范围内的CTi对应的元组即为可能的加工参数方案。若上述预测
6、数据集ST不足以达到误差限的要求。则可以调整细化程度，生成更加精确的预测数据集。此外还可以生成的CT与对应的元组组合成新的样本集，按照前述的分类模型构造方法构造出一个更精确的分类模型，再由此模型重复上述步骤，直到预测出满足误差要求的新的CTi，从而得到所需求的优化的加工参数组合。3 数控线切割实例：本文在DK7716数控放电线切割加工机床上，以皂化油乳化液为工作介质，工件材料为CrWMn模具钢等，钼丝电极直径0.15 mm，走丝速度7-9 m/s条件下进行线切割加工，采集的状态参数分别为：电流I(A), 放电脉冲宽度ton(us)。工件厚度TH(mm)时的电极损耗EX（mm/min）。部分样本
7、数据如下：表1样本数据电流I(A)放电脉冲宽度ton(us)工件厚度TH(mm)电极损耗EX（mm/min）3.08100.00393.012200.00493.025500.00523.030100.00615.08200.00465.012500.00515.025200.00545.030500.00696.512100.00496.525200.00556.545100.00696.560200.0085加工目标是对工艺参数进行优化设定后，使切割后的电极损耗值为0.0047。误差限土0.0002,类别属性到列EX离散化为取值区间；（0.003，0.005）,(0.005,0.007),
8、(0.007,0.009),工艺参数属性列ton离散化为取值区间：（0,20）;(20,40);(40,60)。首先，建立决策树分类模型，提取出规则：1)if(ton=(0,20)&TH=10|20)thenEX=(0.003,0.005)2)if(ton=(0,20)&TH=50)thenEX=(0.005,0.007)3)if(ton=(20,40)thenEX=(0.005,0.007)4)if(ton=(40,60)&TH=10)thenEX=(0.005,0.007)5)if(ton=(40,60)&TH=10|30)thenEX=(0.007,0.009)0.0047落入区间（0.
9、003,0.005），由以上的分类规则得出预测规则集T。为规则I0，将规则集中的每项细化后构造出预测数据集ST。然后，按照下列网络结构训练神经网络：得出网络结构后，将预测数据ST带入网络进行计算，得出预测结果：表2预测结果ItonTHEX5.00000010.00000020.0000000.0047096.5000009.00000020.0000000.0047013.00000015.00000010.0000000.004704从评估数据集中找到对应的电极损耗为0.0047的记录如下：表3测试样本数据集ItonTHEX6.58200.0047312100.0047上述两条实际测量的记录
10、被预测结果以很高的准确度覆盖，同时预测的结果还能够找到其他满足工艺要求所需要的参数组合。四、 结论本文提出的基于决策树分类器和神经网络的加工参数优化方法，已从实验中得到了实现；证明此方法在确定加工要求的情况下，能够预测出优化的加工参数组合，在实际加工中，能够提高生产效率，降低成本，提高加工精度。参考文献1DEDUTH BEATLE MNwork,toolbox foruse with MATLABM.Natick,MA,usA:The Math works,inc,20012KimE,KimW,LeeY,Combination kf multiple classifiels for the c
11、ustomerspwvchase behavior prediction J,Decision Support Systems.2003,34(2):167-1753Han JW ,Kamber.M.Datamining:concepts and techniquesM.SanFvancisco:Moryan Kaufman datamininga machine learning perspectiveJ.lnformation & Manayement.2001,39(3):211-2255朱明：数据挖掘M，中国科技大学出版社，2002。6黄毅宏:模具制造工艺,机械工业出版社,1999.6作者：黄小英，女，新余学院机电工程系，副教授、研究生，主要从事数控，模具方面的教学。联系方式：2、邮箱：3、地址：江西新余学院机电工程系
