一种切削能驱动的异质叠层制孔损伤智能预测方法及系统

技术领域

本发明涉及异质叠层结构损伤预测领域，特别是涉及一种切削能驱动的异质叠层制孔损伤智能预测方法及系统。

背景技术

以复材/金属为代表的异质叠层结构目前已在航空航天主承力结构得到广泛使用。该结构的一体化制孔过程作为装配过程的主要工艺，直接影响结构件使役能力。然而，在制孔过程中，叠层结构在力热耦合场的影响下，极易产生复合材料分层、撕裂等制孔损伤，这些损伤将在进一步的连接与承载过程中不断演化，最终导致结构失效，降低服役寿命。因此，构建制孔过程关键特征与损伤关联模型，实现结构制孔损伤的先验性预测，对优化工艺参数、抑制制孔损伤具有重要意义。然而，传统损伤抑制的临界参数预测模型，受限制孔变量多、损伤机理复杂等影响，存在建模难度大、精度不足等问题。与此同时，有限元分析法将叠层结构制孔过程近似为刀具的斜角、直角切削过程，实际制孔热力耦合场、金属钻削切屑对材料损伤的影响难以准确仿真，且计算复杂度大、建模耗时长。

随着计算力的不断革新，以数据驱动为策略的机器学习方法已经在例如机器视觉、机器翻译、智能问答等领域得到了广泛应用。在损伤预测建模方面，机器学习可针对非线性、多变量的制孔过程，实现输入特征与输出标签的高效建模，且可减弱叠层结构损伤机理性内容研究不足对建模本身造成的影响。目前，学者采用线性回归、梯度回归等基于工艺参数构建损伤特征预测模型，形成由工艺参数为输入，损伤特征为输出的1-1映射，但是实际加工过程中，受到刀具实际磨损状态、钻削环境、材料支撑情况等多因素影响，在相同的工艺参数下制孔损伤无法保证一致性，形成1-N映射，而制孔过程特征与结构损伤直接相关，对制孔过程特征进行提取，是实现制孔损伤N-N映射预测建模的基础。同时，机器学习模型性能受到超参数影响严重，常规的网格搜索优化法，会增大建模过程迭代次数，最终建模耗时长、效率低。因此，探究制孔过程特征方法并提出预测模型超参数高效优化法是实现抑制叠层结构制孔损伤高精度智能预测的关键环节。

发明内容

本发明的目的是提供一种切削能驱动的异质叠层制孔损伤智能预测方法及系统，能够提高异质叠层结构制孔损伤预测精度。

为实现上述目的，本发明提供了如下方案：

一种切削能驱动的异质叠层制孔损伤智能预测方法，所述预测方法包括：

通过异质叠层结构一体化钻削实验，根据所用钻头刀具在制孔过程中与异质叠层结构的相对位置关系，计算所述异质叠层结构在制孔五阶段的切削能；所述制孔五阶段包括复材钻入阶段、复材完全钻入阶段、叠层结构界面钻削阶段、金属完全钻削阶段和金属钻出阶段；所述异质叠层结构包括样本对象和目标对象；

获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像；所述入口孔周图像包括金属入口孔周图像和复材入口孔周图像；

根据所述入口孔周图像中损伤区域的像素点的数量，得到孔周损伤特征，并根据所述孔周损伤特征标记制孔损伤类别；所述制孔损伤类别包括复材分层、撕裂和金属毛刺；

构建AOAED-SVM模型；所述AOAED-SVM模型是通过以所述切削能为输入，以所述孔周损伤特征为输出，对以sigmoid为核函数的SVM模型进行训练并应用AOA超参数优化算法对训练后的SVM模型进行优化得到的；

将所述异质叠层结构的目标对象的切削能输入所述AOAED-SVM模型，得到所述异质叠层结构的目标对象的制孔损伤类别。

可选地，应用机器视觉相机获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像。

可选地，执行步骤“根据所述入口孔周图像中损伤区域的像素点的数量，得到孔周损伤特征”之前，所述预测方法还包括：

对所述入口孔周图像进行预处理；所述预处理包括裁剪、去躁、灰度和二值化。

可选地，所述构建AOAED-SVM模型的过程具体包括：

以所述切削能为输入，以所述孔周损伤特征为输出，应用五折交叉验证法对以sigmoid为核函数的SVM模型进行训练，并计算最小均方误差；

应用AOA超参数优化算法，对所述最小均方误差的最小值对应的训练后的以sigmoid为核函数的SVM模型的惩罚因子和核函数参数进行迭代优化，得到最优惩罚因子和最优核函数参数；

根据所述最优惩罚因子和所述最优核函数参数，得到AOAED-SVM模型。

可选地，应用AOA超参数优化算法，对所述最小均方误差的最小值对应的训练后的以sigmoid为核函数的SVM模型的惩罚因子和核函数参数进行迭代优化，得到最优惩罚因子和最优核函数参数，具体包括：

获取AOA超参数优化算法的迭代总数、优化器加速度函数极值、数学优化器概率敏感度参数、除法防报错极小值参数、搜索过程的控制参数预设给定值；所述预设给定值包括第一预设给定值、第二预设给定值和第三预设给定值；

根据所述优化器加速度函数极值和所述迭代总数，计算当前迭代次数下的数学优化加速函数值；

根据所述迭代总数和所述数学优化器概率敏感度参数，计算当前迭代次数下的数学优化器概率值；

判断所述第一预设给定值与所述当前迭代次数下的数学优化加速函数值的大小，确定寻优策略和随机数；所述寻优策略为乘除法寻优策略或者加减法寻优策略；所述随机数为第二预设给定值或者第三预设给定值；

根据所述当前迭代次数下的数学优化器概率值、所述随机数、所述除法防报错极小值参数和搜索过程的控制参数，应用所述寻优策略，对惩罚因子和核函数参数进行更新，得到更新后的惩罚因子和核函数参数；

判断所述当前迭代次数是否等于所述迭代总数，当所述当前迭代次数等于所述迭代总数时，得到最优惩罚因子和最优核函数参数。

可选地，所述乘除法寻优策略的公式为：

其中，r

可选地，所述加减法寻优策略的公式为：

其中，r

一种切削能驱动的异质叠层制孔损伤智能预测系统，应用上述的切削能驱动的异质叠层制孔损伤智能预测方法，所述预测系统包括：

计算模块，用于通过异质叠层结构一体化钻削实验，根据所用钻头刀具在制孔过程中与异质叠层结构的相对位置关系，计算所述异质叠层结构在制孔五阶段的切削能；所述制孔五阶段包括复材钻入阶段、复材完全钻入阶段、叠层结构界面钻削阶段、金属完全钻削阶段和金属钻出阶段；所述异质叠层结构包括样本对象和目标对象；

获取模块，用于获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像；所述入口孔周图像包括金属入口孔周图像和复材入口孔周图像；

标记模块，用于根据所述入口孔周图像中损伤区域的像素点的数量，得到孔周损伤特征，并根据所述孔周损伤特征标记制孔损伤类别；所述制孔损伤类别包括复材分层、撕裂和金属毛刺；

构建模块，用于构建AOAED-SVM模型；所述AOAED-SVM模型是通过以所述切削能为输入，以所述孔周损伤特征为输出，对以sigmoid为核函数的SVM模型进行训练并应用AOA超参数优化算法对训练后的SVM模型进行优化得到的；

预测模块，用于将所述异质叠层结构的目标对象的切削能输入所述AOAED-SVM模型，得到所述异质叠层结构的目标对象的制孔损伤类别。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种切削能驱动的异质叠层结构制孔损伤智能预测方法，利用异质叠层结构制孔过程变量特征，采用数据驱动方式，提出AOAED-SVM模型构建法，实现结构制孔损伤高精度预测。该方法主要特征包括：基于制孔过程轴向力变化信号，根据刀具与叠层结构相对位置关系，分5阶段计算对应切削能特征变量；根据复材/金属异质叠层结构孔周损伤图像，通过图像预处理、像素点计算法，计算得到复材分层、撕裂、金属毛刺损伤特征，定量表征损伤程度；AOAED-SVM参数与模型初始化；数学优化加速函数与优化器概率计算；全局探索与局部开发阶段种群更新；早熟收敛判定与随机扰动开发阶段种群更新；SVM根据优化得到的最优超参数组构建训练模型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为切削能驱动的异质叠层制孔损伤智能预测方法流程图；

图2为为叠层结构制孔损伤预测模型构建主流程；

图3为随机扰动AOA参数初始化与优化超参数主流程；

图4为随机扰动AOA算法优化超参数算法主体框架；

图5为初始探索开发阶段划分与种群更新算法流程；

图6为随机扰动阶段算法策略与种群更新策略。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种切削能驱动的异质叠层制孔损伤智能预测方法及系统，能够提高异质叠层结构制孔损伤预测精度。

本发明旨在提出一种切削能驱动的异质叠层结构制孔损伤智能预测方法，将复材/金属异质叠层结构制孔过程按阶段划分并对应计算各阶段切削能作为特征变量，并提出一种经改进的启发元算法优化的机器学习方法，减少叠层结构制孔过程损伤形成机理复杂涉及变量多对建模过程带来的不利影响，提升高维非线性损伤预测模型建模过程效率，并通过优化超参数提升模型精度与鲁棒性，实现异质叠层结构制孔损伤高精度智能预测。

具体地，基于叠层结构制孔实验所得的钻削力信号，按照刀具结构在制孔过程中与异质叠层结构相对位置关系，计算5阶段切削能量特征，提出了一种带有种群开发扰动阶段算术优化(arithmetic optimization algorithm with explotation disturbance，AOA-ED)的SVM建模方法(简称AOAED-SVM)，该方法可针对5阶段切削能特征变量与叠层结构制孔损伤标签，高效优化SVM超参数组，提升模型精度与鲁棒性，最终实现异质叠层结构制孔损伤高精度预测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

如图1-图6所示，本发明提供了一种切削能驱动的异质叠层制孔损伤智能预测方法，所述预测方法包括：

步骤S1：通过异质叠层结构一体化钻削实验，根据所用钻头刀具在制孔过程中与异质叠层结构的相对位置关系，计算所述异质叠层结构在制孔五阶段的切削能；所述制孔五阶段包括复材钻入阶段、复材完全钻入阶段、叠层结构界面钻削阶段、金属完全钻削阶段和金属钻出阶段；所述异质叠层结构包括样本对象和目标对象。

在实际应用中，基于钻削力学信号计算分阶段切削能特征变量。以刀具直径大小、主轴转速、进给速度设定为主要的工艺参数变量，开展复材/金属异质叠层结构一体化钻削实验，基于钻削力学信号变化过程，根据所用钻头刀具在制孔过程中与叠层结构相对位置关系，计算复材/金属异质叠层结构制孔五阶段切削能。

1.基于钻头刀具直径与顶角，计算钻头横刃顶点与主切削刃末端沿钻头的轴向距离(即为刃高)，刃高计算方法为刀具直径除以2倍的钻头半顶角正切值，如公式(1)所示：

其中，刃高为T

2.基于麻花钻头刃高计算结果，根据麻花钻头横刃、主切削刃以及金属/复材异质叠层结构制孔过程相对位置关系，将整个制孔过程依次划分为横刃初始钻入复材至主切削刃末端完全钻入复材(即复材钻入阶段)、主切削刃完全钻入复材至横刃钻至复材/金属叠层界面(即复材完全钻入阶段)、横刃钻出复材至主切削刃完全钻入金属(简称叠层结构界面钻削阶段)、主切削刃完全钻入金属至横刃钻至金属底层临界钻出点(简称金属完全钻削阶段)、横刃钻出至主切削刃完全钻出金属(简称金属钻出阶段)。基于上一步计算得到的刃高T

其中，i的值为1-5，分别代表制孔过程的5个子阶段。

3.计算5阶段切削能特征变量。根据上述5阶段钻削时间作为上下限分别对各阶段钻削力进行积分，积分结果乘以钻削进给速度，最终计算结果即为对应阶段切削能特征变量，计算方法如公式(3)所示：

其中，W

步骤S2：获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像；所述入口孔周图像包括金属入口孔周图像和复材入口孔周图像。具体地，应用机器视觉相机获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像。

在步骤S3之前，所述预测方法还包括：

对所述入口孔周图像进行预处理；所述预处理包括裁剪、去躁、灰度和二值化。

步骤S3：根据所述入口孔周图像中损伤区域的像素点的数量，得到孔周损伤特征，并根据所述孔周损伤特征标记制孔损伤类别；所述制孔损伤类别包括复材分层、撕裂和金属毛刺。

在实际应用中，提取并计算孔周图像的叠层结构损伤标签特征。利用视觉相机拍叠金属入口孔周、复材出入口孔周图像，对孔周图像进行裁剪、去躁、灰度、二值化处理，通过统计损伤区域像素点数量提取孔周损伤特征(复材分层、撕裂、金属毛刺)。

二维自适应分层因子计算方法如下所示：

其中，分层损伤像素点总数为N

复材撕裂损伤计算方法如下所示：

其中，A

金属毛刺计算方法如下所示：

其中，L

步骤S4：构建AOAED-SVM模型；所述AOAED-SVM模型是通过以所述切削能为输入，以所述孔周损伤特征为输出，对以sigmoid为核函数的SVM模型进行训练并应用AOA超参数优化算法对训练后的SVM模型进行优化得到的。

步骤S4具体包括：

步骤S41：以所述切削能为输入，以所述孔周损伤特征为输出，应用五折交叉验证法对以sigmoid为核函数的SVM模型进行训练，并计算最小均方误差。

步骤S42：应用AOA超参数优化算法，对所述最小均方误差的最小值对应的训练后的以sigmoid为核函数的SVM模型的惩罚因子和核函数参数进行迭代优化，得到最优惩罚因子和最优核函数参数。

步骤S42具体包括：

步骤S421：获取AOA超参数优化算法的迭代总数、优化器加速度函数极值、数学优化器概率敏感度参数、除法防报错极小值参数、搜索过程的控制参数预设给定值；所述预设给定值包括第一预设给定值、第二预设给定值和第三预设给定值。

步骤S422：根据所述优化器加速度函数极值和所述迭代总数，计算当前迭代次数下的数学优化加速函数值。

步骤S423：根据所述迭代总数和所述数学优化器概率敏感度参数，计算当前迭代次数下的数学优化器概率值。

步骤S424：判断所述第一预设给定值与所述当前迭代次数下的数学优化加速函数值的大小，确定寻优策略和随机数；所述寻优策略为乘除法寻优策略或者加减法寻优策略；所述随机数为第二预设给定值或者第三预设给定值。

步骤S425：根据所述当前迭代次数下的数学优化器概率值、所述随机数、所述除法防报错极小值参数和搜索过程的控制参数，应用所述寻优策略，对惩罚因子和核函数参数进行更新，得到更新后的惩罚因子和核函数参数。

步骤S426：判断所述当前迭代次数是否等于所述迭代总数，当所述当前迭代次数等于所述迭代总数时，得到最优惩罚因子和最优核函数参数。

步骤S43：根据所述最优惩罚因子和所述最优核函数参数，得到AOAED-SVM模型。

在实际应用中，构建AOAED-SVM模型包括：1.对异质叠层制孔完备标签数据集进行预处理并对预测模型进行初始化。2.构建AOAED-SVM异质叠层结构制孔损伤预测模型。

1.对异质叠层制孔完备标签数据集进行预处理并对预测模型进行初始化，以5阶段切削能为特征变量，制孔损伤(复材分层、撕裂、金属毛刺)特征为标签所构建的完备标签数据集进行数据预处理与训练集测试集划分，初始化AOAED-SVM算法参数。

1.1：数据集预处理去除样本原始数据集采用去空、标准化方法进行预处理；去空是采用python中的dropna()函数实现的，标准化处理如下所示。

其中，z表示标准化结果，u表示各阶段的特征变量均值，s为样本标准差。

数据集标准化处理后，按照训练集与测试集8：2的比例随机划分。至此数据集预处理完成。

1.2：AOAED-SVM模型初始化。初始化AOA寻优算法中的迭代总数、优化器加速度函数极值、数学优化器概率敏感度参数、除法防报错极小值参数ε、搜索参数控制参数μ，超参数种群个体数量。

1.3：SVM模型初始化。所用的SVM模型为sigmoid核函数SVM，sigmoid核函数如公式(8)所示：

其中，γ为核函数参数，b为常数偏差。SVM预测模型建模方法如公式(9)所示：f(x)＝ωx+b(9)

其中，ω表示分层损伤预测模型参数向量。训练过程遵循最小化超平面间距原则，针对回归问题即尽可能保证样本点落在超平面内，其训练原理如公式(10)所示。

其中，C为超参数，ξ

1.4：超参数组种群初始化。给定惩罚因子C与核函数参数γ上下限，基于上一步给定的种群个体数量，乘以上各超参数上下限差，最终创建随机数矩阵初始化惩罚因子C与核函数参数γ超参数组种群，计算方法如公式(11)和公式(12)所示。

C＝C

γ＝γ

其中，C与分别代表定惩罚因子C与核函数参数γ中种群，C

最小化均方误差(mean squared error，MSE)损失函数作为AOAED优化算法目标函数，均方误差为真实实验标签与模型回归结果误差的平方和均值，如公式(13)所示：

其中，Y

2.构建AOAED-SVM异质叠层结构制孔损伤预测模型。遍历惩罚因子C与核函数参数γ超参数种群，采用5-fold交叉验证法构建预测模型，模型输出MSE结果，最终共同形成当前种群下的MSE预测结果，记录MSE最小值及所对应的个体超参数C与γ，至此开始引入随机扰动开发阶段的AOA超参数迭代优化。

2.1：数学优化加速函数与优化器概率计算。根据当前迭代过程计算数学优化加速函数(Math OptimizerAccelerated，MOA)，MOA计算方法为当前迭代周期在总迭代周期中MOA设定范围中的占比，如公式(14)所示。

其中，MOA

其中，MOP(t)为第t次迭代下的数学优化器概率，α为敏感参数可用来定义拒不开发精度。

2.2：基于MOA与MOP的全局探索阶段与局部开发阶段种群更新。给定随机数r

探索阶段中惩罚因子C与核函数参数γ位置更新策略为乘除法寻优，基于计算得到的MOP结果，根据随机数，即第二预设给定值，以当前种群最优个体为导向，利用乘、除策略更新种群，其计算方法如公式(16)和公式(17)所示：

其中，r

开发阶段惩罚因子C与核函数参数γ位置更新策略为加减法寻优，基于计算得到的MOP结果，根据随机数以当前种群最优个体为导向，利用乘、除策略更新种群，其计算方法如公式(18)和公式(19)所示。

其中，主体参数与探索阶段相同，不同的是，新设定参数r

2.3：随机扰动开发阶段种群更新策略。以当前种群个体位置为导向进行参数更新，其中，局部收敛判定依据为目标函数取值恒定所处的时间大于设定阈值，具体地，每一次迭代都会形成当前超参数种群对应的Mse结果，其中最小的MSE对应的C和r即为当前迭代的最优个体，如果多次迭代中MSE结果均不变，迭代数超过了设定阈值，则判定为陷入局部收敛状态，因此要引入随机扰动开发阶段进行种群更新，而阈值即为最小MSE保持恒定的迭代次数的判定临界值，超过该值，则引入随机扰动开发阶段；若迭代阶段满足局部收敛判定依据，模型进入随机扰动阶段，具体如公式(20)和公式(21)所示。

其中，r

针对种群超差离群点按照超参数设定的上下限进行校正，重复上述迭代优化过程，直至迭代次数达到周期设定值，完成总体迭代优化过程。

2.4：SVM模型基于最优的个体超参数惩罚因子C与核函数参数γ在训练集内数据驱动构建预测模型，至此实现预测模型高效构建。

具体地，达到设定的迭代次数后，最后一次的C作为最优的个体超参数惩罚因子，最后一次的γ作为最优的核函数参数。

步骤S5：将所述异质叠层结构的目标对象的切削能输入所述AOAED-SVM模型，得到所述异质叠层结构的目标对象的制孔损伤类别。

本发明以碳纤维增强复合材料(carbon fiberreinforcedpolymers，CFRP)与钛合金(titanium，Ti)所构成的叠层结构(CFRP/Ti)作为异质叠层结构为例对本发明提供的方法进行进一步说明，以复材出入口分层损伤为制孔损伤特征，其制孔损伤建模过程包含以下步骤：

步骤101：开展CFRP/Ti制孔实验，CFRP材料为T700，铺层为0°单向铺层，供16层，每层0.2mm，Ti选用航空领域常用的Ti6Al4V，实验工艺参数与材料厚度如表1所示。

表1实验参数与材料厚度表

记录加速度信号得到制孔过程力学信号，并利用视觉相机拍摄复合材料出入口孔周表面图，各制孔过程钻削力变化曲线及CFRP出入口孔周表面图像即为叠层结构制孔损伤预测模型高效构建方法的原始数据集，该步骤为后续建模步骤提供数据基础。

步骤102：该步骤目的是对步骤101所获取的原始数据集进行数据预处理。以常用的麻花钻头为例，其刃高为T

表2刃高计算结果表

根据麻花钻横刃、主切削刃与CFRP/Ti叠层结构的相对位置关系，以从CFRP→Ti的钻削顺序为例，将整个制孔过程依次划分为CFRP钻入阶段、CFRP完全钻入阶段、叠层结构界面钻削阶段、Ti完全钻削阶段、简称Ti钻出阶段。预计步骤101计算得到的刃高T

其中，i的值为1-5，分别代表制孔过程的5个子阶段。

表3各阶段钻削时间计算结果

根据上述5阶段钻削时间分别对各阶段钻削力进行积分，以此作为对应阶段切削能特征，如下所示。

其中，W

表45阶段切削能特征计算结果

叠层结构采用二维自适应分层损伤因子作为定量表征参数，基于步骤101得到的CFRP制孔区域出入口孔周表面图像，进行裁剪、去躁、灰度、二值化处理，计算损伤区域像素点数量，其中分层损伤像素点总数为N

表5二维分层损伤因子计算结果

至此，基于5阶段切削能特征变量与分层损伤标签共同构成的完备标签数据集准备完成。

步骤103：本步骤目的是对步骤102所获得的5阶段切削能特征变量及二维自适应分层因子标签共同构成的完备标签数据集进行数据预处理，以便进行后续利用机器学习模块构建回归模型。

数据集预处理首先去除样本原始数据集空值(可利用python语言dropna实现)，其次对数据集进行标准化处理(利用StandardScaler函数)，标准化处理如下所示。

其中，z表示标准化结果，u表示样本均值，s为样本标准差。数据集标准化处理后，按照训练集与测试集8：2的比例随机划分。至此数据集预处理完成。

步骤104：基于步骤103获取得到的完备标签数据集预处理结果，将训练集输入以sigmoid为核函数的SVM模型，sigmoid核函数如下所示。

其中，γ为核函数参数，b为常数偏差。

SVM预测模型如下所示：f(x)＝ωx+b。

其中，ω表示分层损伤预测模型参数向量。训练过程遵循最小化超平面间距原则，针对回归问题即尽可能保证样本点落在超平面内，其训练原理如下所示。

其中，C为超参数，ξ

1.AOA参数初始化，初始化AOA寻优算法中的迭代总数、优化器加速度函数极值、数学优化器概率敏感度参数、除法防报错极小值参数ε、搜索参数控制参数μ，超参数种群个体数量。

2.给定惩罚因子C与核函数参数γ上下限，基于第一步给定的种群个体数量，创建随机数矩阵初始化惩罚因子C与核函数参数γ超参数组种群。

3.开始迭代优化过程如图4所示，针对上一步初始化得到的惩罚因子C与核函数参数γ超参数种群进行遍历，SVM基于遍历得到的个体超参数在训练集内采用5-fold交叉验证法构建预测模型，模型输出MSE结果，最终共同形成当前种群下的MSE预测结果，记录MSE最小值及所对应的个体超参数C与γ，至此开始引入随机扰动开发阶段的AOA超参数迭代优化。

本发明选择最小化MSE损失函数作为AOA优化算法目标函数，均方误差(MeanSquared error)是回归模型常用的损失函数，模型通过计算均方差结果实现模型参数更新，最终使得模型均方差误差最小，表达式如下所示。

其中，Y

根据当前迭代过程计算数学优化加速函数(Math Optimizer Accelerated，MOA)，其计算方法如下所示。

数学优化加速函数为AOA选择探索阶段与开发阶段的判定依据，其中，MOA

AOA根据优化器概率在给定阶段(探索阶段、开发阶段)选择具体的基础算术算法进行个体位置更新，其中，MOP(t)为第t次迭代下的数学优化器概率，α为敏感参数可用来定义局部开发精度，本发明设其为5。

基于计算得到的MOA结果，给定随机数r

1.探索阶段：探索阶段主要通过乘法与除法运算实现全局搜索，惩罚因子C与核函数参数γ位置更新表达式如下所示：

其中，r

2.开发阶段：开发阶段主要通过加法与减法运算实现种群局部寻优，惩罚因子C与核函数参数γ位置更新表达式如公式下所示。

其中，主体参数与探索阶段相同，不同的是，新设定参数r

当前种群经过全局探索或开发阶段后，个体以种群最优个体为导向，按照对应的乘除加减更新策略实现种群优化迭代，基于超参数所设定的上下限，对更新后的种群超差离群点进行校正。

为解决原始AOA优化迭代过程中存在的早熟收敛问题，本发明针对AOA设计添加随机扰动阶段，如图6所示，当模型陷入局部收敛时，利用开发阶段种群更新策略，将原有已最优解为导向修改为当前种群个体位置为导向进行参数更新，其中局部收敛判定依据为目标函数取值恒定所处的时间大于设定阈值，若迭代阶段满足局部收敛判定依据，模型进入随机扰动阶段，具体如下所示。

其中，r

随机扰动开发阶段对种群更新完成后，与第三步最后类似，针对种群超差离群点按照超参数设定的上下限进行校正，至此彻底完成当前迭代周期的超参数组种群优化更新，重复上述迭代优化过程，直至迭代次数达到周期设定值，完成总体迭代优化过程，最终SVM模型基于最优的个体超参数惩罚因子C与核函数参数γ在训练集内数据驱动构建预测模型，至此实现预测模型高效构建。

步骤105：根据公式，基于步骤104给出的预测模型，在所划定的测试集内输出MSE结果。

其中，y

最终，测试集中的出入口分层预测结果如表6和表7所示。

表6入口分层损伤预测

表7出口分层损伤预测

结果表明，本发明提出的方法可以实现复材/金属叠层制孔损伤智能预测模型高效构建，且可针对分层出入口损伤进行精准预测，本方法同时具有较强的外推性，可针对其余问题的数据集进行模型训练。

本发明的创新性主要体现在以下方面：

1.基于分阶段切削能的制孔过程特征变量提取方法根据实际刀具结构在制孔过程中与异质叠层结构的相对位置关系，将复材/金属异质叠层结构划分为复材钻入、复材完全钻削、叠层界面钻削、金属完全钻削、金属钻出5个阶段，结合刃高计算结果与制孔过程进给速度，计算出各阶段钻削时间，针对加速度传感器采集到的钻削力变化曲线，进行积分，得到各阶段切削能特征，该分阶段切削能特征作为制孔过程变量用于后续机器学习模型训练。

而在现有文献中，在制孔质量/损伤预测领域，主要集中在使用工艺参数例如主轴转速、进给速度等作为线性、梯度下降等回归模型特征变量，与该类方法相比，本发明通过提取制孔过程变量，可以实现更加符合实际加工状态的制孔损伤1-1映射模型，同时也有部分文献针对钻削力信号本身采用时频域分析等手段进行过程特征提取，与这类方法不同的是，本方法预先将制孔过程按照实际钻削状态进行划分，提取具有代表意义的切削能特征，在减少输入维度与数据需求的情况下，保留了物理含义，因此具有创新意义。

2.AOAED-SVM损伤预测建模提出了一种带有随机扰动开发阶段算术优化算法优化的支持向量机模型，该模型采用元启发算法，对sigmoid核SVM模型超参数进行高效寻优，与现有常规的机器学习模型相比，原本固定的超参数可以在给定的自变量定义域内针对模型训练集MSE结果进行自适应优化，以得到最佳的模型性能，同时与常规以网格搜索法为主的超参数优化法相比，将固定步长迭代策略更新为以最小化MSE为目标函数的全局探索与局部开发参数更新策略，且该发明点针对AOA算法进行了改进，在通过全局探索阶段与局部开发阶段对种群进行更新后，新增早熟收敛判定流程，当种群最优超参数对应的MSE计算结果保持不变的周期超过规定阈值，即判定为出现早熟情况，随即以种群当前个体位置，以开发阶段更新思想，对种群进行随机扰动，该方法与现有文献中的AOA算法相比，在全局寻优能力方面更强，因此具有创新性。

本发明具有以下优势：

1.提出了以分阶段切削能为特征的一种异质叠层结构制孔过程变量提取方法。该方法按照刀具与叠层结构在制孔过程中的相对位置关系，对钻削力信号在保证物理意义的前提下进行特征降维，支撑制孔过程变量-损伤特征1-1映射模型构建，同时减少智能预测模型构建过程样本数据需求。

2.利用机器学习思想，以sigmoid核SVM模型为基础模型，针对制孔过程特征与异质叠层结构各类制孔损伤如复合材料出入口分层损伤、撕裂损伤、金属毛刺等实现预测模型快速构建，解决了现有异质叠层结构制孔过程损伤预测建模存在的建模难度大、计算效率低、精度不足的问题。

3.提出了一种AOAED超参数优化法，该方法可利用启发元思想针对SVM超参数种群进行寻优，同时添加种群收敛判定机制，有效提升机器学习模型本身鲁棒性与预测精度，同时该方法可针对不同数据集进行自动调参，极大减少了人为调参的经验依赖性。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种切削能驱动的异质叠层制孔损伤智能预测系统，所述预测系统包括：

计算模块，用于通过异质叠层结构一体化钻削实验，根据所用钻头刀具在制孔过程中与异质叠层结构的相对位置关系，计算所述异质叠层结构在制孔五阶段的切削能；所述制孔五阶段包括复材钻入阶段、复材完全钻入阶段、叠层结构界面钻削阶段、金属完全钻削阶段和金属钻出阶段；所述异质叠层结构包括样本对象和目标对象。

获取模块，用于获取所述异质叠层结构的样本对象完成制孔后的入口孔周图像；所述入口孔周图像包括金属入口孔周图像和复材入口孔周图像。

标记模块，用于根据所述入口孔周图像中损伤区域的像素点的数量，得到孔周损伤特征，并根据所述孔周损伤特征标记制孔损伤类别；所述制孔损伤类别包括复材分层、撕裂和金属毛刺。

构建模块，用于构建AOAED-SVM模型；所述AOAED-SVM模型是通过以所述切削能为输入，以所述孔周损伤特征为输出，对以sigmoid为核函数的SVM模型进行训练并应用AOA超参数优化算法对训练后的SVM模型进行优化得到的。

预测模块，用于将所述异质叠层结构的目标对象的切削能输入所述AOAED-SVM模型，得到所述异质叠层结构的目标对象的制孔损伤类别。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。