一种薄壁件铣削加工变形误差预测方法及系统

技术领域

本发明属于机械加工技术领域，尤其涉及一种薄壁件铣削加工变形误差预测方法及系统。

背景技术

薄壁零件广泛应用于电子信息、航空航天等领域，是一类非常重要的典型零部件。然而由于刚度较低，在铣削加工过程中受切削力、强迫振动、颤振等多方面因素影响极易出现较大的变形误差，导致最终产品加工质量下降。因此开展薄壁件加工变形误差预测工作可以明确其变形误差关键影响要素，指导工艺参数优化，提高加工质量和效率，降低损耗和成本，具有重要的理论意义和工程应用价值。随着人工智能技术的进步，可以在不依赖专家知识的情况下，采用数据驱动的方式完成相关薄壁件变形预测任务，同时传感器技术的发展，使得铣削加工过程数据采集更加方便可靠，采集数据维度更加广泛，多维加工因素使得更接近于实际复杂多变加工场景，因此将人工智能技术与多源数据相结合以预测薄壁件加工变形具有重大研究价值。

专利文献“一种薄壁件多工况加工误差快速预测方法及设备”(CN202110874185.9)中提出了一种薄壁件加工变形预测方法。该方法的步骤是：首先,开展部分工况下的薄壁件加工实验，对多个点位的加工误差进行测量获得原始训练数据；其次，开展区别于上述工况的新工况下的薄壁件加工实验,对新工况下的薄壁件选择代表性的诱导点测量加工误差获得诱导训练数据；然后，将两部分数据合并训练多工况下薄壁件加工误差快速预测模型；最后，在模型测试阶段,仅需要为模型输入新工况下薄壁件待预测点处的几何位置值即可计算出待预测点处的加工误差值。该方法基于几何位置驱动的数据诱导，仅需增加少量的诱导点样本即可将部分工况下学习到的加工误差分布规律仿射至待预测的新工况薄壁件上，实现新工况下薄壁件加工误差的预测。但是，该方法的不足之处是仅仅将各个型值点的几何位置和对应的加工误差相组合，构成原始训练数据，未充分利用加工过程中所产生的多源状态信息，模型的信息容错能力较差，当量测的误差与实际值出入较大时，模型的预测精度会受到严重影响，同时，仅采用单一算法构建预测模型，往往会因该算法自身的局限性使得模型的预测性能受限。

通过上述分析，现有技术存在的问题及缺陷为：

(1)未充分利用加工过程中的动态和静态信息，将两者融合进行分析建模，只使用单一信息源，如静态的工件和加工参数信息，或动态的状态信息，造成变形误差预测精度不足。

(2)采用单一算法模型进行最终预测，容易受算法模型本身性能偏差约束，造成模型鲁棒性不足，难以应对复杂多变的实际加工场景。

发明内容

针对现有技术存在的问题，本发明提供了一种薄壁件铣削加工变形误差预测方法及系统。

本发明是这样实现的，一种薄壁件铣削加工变形误差预测方法，包括：在整个薄壁件铣削加工过程中，完成对多源数据的采集，并记录铣削加工的几何误差大小；对采集的多源数据完成预处理以及特征工程工作；结合实际误差的数据标签，构造变形误差建模数据集；基于Stacking集成学习思想，构建薄壁件铣削加工变形误差预测模型，并对其进行应用验证。

进一步，多源数据包括工件几何特征，加工工况信息以及过程状态信息。

进一步，记录铣削加工的误差大小包括：测量加工完毕的薄壁件的几何精度，对于矩形，测量其长和宽，将变形误差标签定义为长和宽加工误差的平均值；对于裂缝，测量其宽度，将变形误差标签定义为宽度方向的加工误差；对于圆孔，测量其直径，将变形误差标签定义为直径的加工误差。

进一步，预处理包括去除信号趋势项、异常值处理、工况信息处理以及几何特征编码，特征提取包括降采样处理以降低信号采样率、小波包多尺度分解以提取信号数据的时域特征以及核主成分分析(Kernel Principal Component Analysis,KPCA)以对时域特征进行特征降维融合。

进一步，构造变形误差建模数据集包括：将特征融合后的时域特征整合编码后的加工几何特征、工件、刀具材料形成多源信息数据集，作为加工误差预测模型的输入，将测量计算得到的各零件变形误差作为模型输出。

进一步，基于Stacking集成学习思想，构建薄壁件铣削加工变形误差预测模型包括：构建两层的铣削加工变形误差预测集成模型，第一层由三个基学习器组成，对每个学习器分别训练，同时利用粒子群优化(Particle Swarm Optimization,PSO)算法对其超参数分别进行调整；第二层由一个元回归模型组成，将基学习器的预测值纵向拼接形成新的特征集，并作为元回归模型的输入，再次训练得到最终的铣削加工变形误差预测模型。

进一步，应用验证包括：将薄壁件加工多源信息按照8:2比例划分训练数据、测试数据，训练数据用于薄壁件加工变形误差预测模型构建，测试数据用于评估模型的泛化误差。

进一步，所述薄壁件铣削加工变形误差预测方法具体包括：

S101，采集薄壁件铣削加工过程中产生的多源数据，包括加工几何特征信息、加工工艺信息以及过程状态信息，并将加工后的工件几何精度作为数据标签。

S102，对采集的多源信息划分为不同数据类型并进行对应的数据预处理。

S103，对于预处理后的数据进行特征参数提取，对提取的多源信息特征进行降维融合。

S104，将降维融合后的多源数据特征训练Stacking集成学习模型的基模型，并采用粒子群优化PSO算法对其超参数进行调整，并形成三组铣削加工变形误差预测值。

S105，将三组预测值纵向拼接形成新的特征集，作为元回归模型的输入，再次训练得到最终的薄壁件铣削加工变形误差预测模型。

进一步，S101的多源数据采集包括：加工几何特征信息包括加工形状、形状尺寸以及加工完成后的尺寸精度，加工工艺信息包括切削要素、主轴转速、进给量以及切深，刀具数据主要是刀具材料、刀具直径以及工件材料数据，过程状态信息包括加工过程中的切削力信号或振动信号；

S102的数据处理包括：统一处理数据的异常值后，针对不同类型数据，采取不同的数据处理方法，对于信号数据类型，去除趋势项；对于工况信息，若为连续变量，使用其实际值作为模型输入，若为离散变量，进行独热编码后作为模型输入；

对于离散的工件几何形状，同样采用独热编码进行处理，对于连续的工件尺寸信息，选择两个典型几何尺寸进行描述；对于矩形槽、缝，选择长和宽进行量化；对于圆孔等，则两个几何尺寸都等于其直径大小；

S103的特征参数提取包括：对于切削力或振动数据，降采样处理后，进行小波包分解，对分解后的各频带，提取时域特征，再通过KPCA将提取的时域特征进行特征降维融合处理，使用径向基函数作为KPCA的核函数选择，最终将特征融合后的数据与加工几何特征和工况数据合并，形成铣削加工变形误差预测宽表数据集；

S104的构建Stacking集成学习基模型包括：

将训练数据进行划分，首先将原始训练集随机划分为4份，任选3份合并为训练数据作为基模型输入，剩余1份作为基模型测试数据，然后将所有基模型的测试数据预测输出进行纵向合并；

选取三种不同的典型机器学习算法，包括SVR、RF、XGBoost，构建基学习器，对每个基模型分别训练，同时设置PSO迭代次数、随机初始化每个粒子、设定超参数范围，对每个基模型的超参数进行调整；

S105的构建Stacking集成学习元回归模型包括：

采用一种典型机器学习算法，包括XGBoost搭建元回归模型，将纵向拼接后的基模型输出数据作为元回归模型的输入，再次训练得到最终的铣削加工变形误差预测模型；

S106的模型验证包括：使用平均绝对误差MAE评估模型预测精度，MAE公式定义为：

其中，y

本发明的另一目的在于提供一种应用所述薄壁件铣削加工变形误差预测方法的薄壁件铣削加工变形误差预测系统，包括：

多源数据采集模块：用于采集薄壁件铣削加工过程中产生的多源数据，包括加工几何特征信息、加工工艺信息以及过程状态信息，并将加工后的工件几何精度作为数据标签；

数据预处理模块：用于对采集的多源信息划分为不同数据类型并进行对应的数据预处理；

降维融合模块：用于对于预处理后的数据进行特征参数提取，对提取的多源信息特征进行降维融合；

误差预测值形成模块：用于将降维融合后的多源数据特征训练Stacking集成学习模型的基模型，并采用粒子群优化PSO算法对其超参数进行调整，并形成三组铣削加工变形误差预测值；

预测模型训练模块：用于将三组预测值纵向拼接形成新的特征集，作为元回归模型的输入，再次训练得到最终的薄壁件铣削加工变形误差预测模型。

本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的薄壁件铣削加工变形误差预测方法的步骤。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的薄壁件铣削加工变形误差预测方法的步骤。

本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的薄壁件铣削加工变形误差预测系统。

结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：本发明采用多源信息融合手段，根据铣削加工过程中产生的多源信息的信息来源和数据分布特点，划分为不同数据类型，提出了完整的针对不同数据类型进行预处理的机制，将多源信息进行融合输入，能够更加全面地反映铣削加工过程的动静态信息，从而提高铣削加工变形误差预测精度。

本发明采用Stacking集成学习思想将多个基模型进行有机融合，采用粒子群优化算法对基模型的超参数分别进行调整，利用不同基模型的优势，可进一步提高模型预测结果的鲁棒性和精度。

本发明所提出的技术方案实现了一种鲁棒性更强、容错率更高、运算速度更快的铣削加工变形误差智能预测方法，可减少对于专家经验的依赖，更有利于实际复杂多变加工场景的应用。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

与现有技术相比，本发明在构建铣削加工变形误差模型的过程中，通过融合来自多个来源的信息，提高了训练数据集的全面性，通过训练基于Stacking集成学习的铣削误差预测模型，可以实现高精度的变形误差预测，这使得数据分析具有扩展性和高效性，并且模型能够捕获更广泛的影响工件误差的因素，减轻由于噪声或传感器故障等所产生的不准确数据对预测模型的不利影响，减少了训练时间，具备高性能的冗余能力，提升了预测模型的鲁棒水平和泛化性能。

第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

本发明的技术方案转化后的预期收益和商业价值为：

本发明可充分利用制造业企业积累的大量历史加工过程数据，更全面地了解影响铣削加工工件变形误差的因素，以此建立具有较高准确度的变形误差预测模型。当单一数据源出现错误时，通过少数数据源构建的误差预测模型的精度会严重下降，导致产品质量降低。本发明通过融合来自各种传感器和来源的数据，训练基于Stacking集成学习思想的误差预测模型，可以承受生产过程中的变化和中断，应用于企业生产过程中，即使存在个别数据源的错误，仍能够实现高准确率误差预测，保证实时识别加工产生的缺陷和错误，从而显着提高产品质量，减少了返工、报废和保修索赔，降低代价高昂的中断风险，使生产流程更加顺畅，最终提高生产率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的薄壁件铣削加工变形误差预测方法流程图；

图2是本发明实施例提供的薄壁件铣削加工变形误差预测系统结构图；

图3是本发明实施例提供的技术路线图；

图4是本发明实施例提供的基于Stacking集成学习的薄壁件铣削加工变形误差预测方法训练原理图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种薄壁件铣削加工变形误差预测方法及系统，下面结合附图对本发明作详细的描述。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明提出的基于多源信息融合和集成学习的薄壁件铣削加工变形误差预测方法，包括以下步骤：

S101：采集薄壁件铣削加工过程中产生的多源数据，并将加工后的工件变形误差作为数据标签，作为Stacking集成模型的训练数据集；

S102：对采集的数据信息进行预处理，剔除异常值、信号去趋势项以及对离散特征编码；

S103：对铣削加工过程动态信号采用小波包分解的方式提取时域特征，再与提取的其他特征进行降维融合，构造变形误差建模数据集，并划分为训练集和测试集；

S104：基于Stacking集成学习的思想，将变形误差建模数据集用于训练第一层的基模型，并通过粒子群优化算法PSO寻找最优超参数；

S105：将第一层基模型得到误差预测输出值纵向拼接形成新的特征集，作为第二层元回归模型的输入，再次训练得到最终的铣削加工变形误差预测模型。

如图2所示，薄壁件铣削加工变形误差预测系统包括：

多源数据采集模块：用于采集薄壁件铣削加工过程中产生的多源数据，包括加工几何特征信息、加工工艺信息以及过程状态信息，并将加工后的工件几何精度作为数据标签；

数据预处理模块：用于对采集的多源信息划分为不同数据类型并进行对应的数据预处理；

降维融合模块：用于对于预处理后的数据进行特征参数提取，对提取的多源信息特征进行降维融合；

误差预测值形成模块：用于将降维融合后的多源数据特征训练Stacking集成学习模型的基模型，并采用粒子群优化PSO算法对其超参数进行调整，并形成三组铣削加工变形误差预测值；

预测模型训练模块：用于将三组预测值纵向拼接形成新的特征集，作为元回归模型的输入，再次训练得到最终的薄壁件铣削加工变形误差预测模型。

如图3所示，本发明实施例技术路线包括如下步骤：

步骤1，薄壁件铣削加工多源信息获取。

薄壁件铣削加工多源信息获取。采集薄壁件铣削加工过程多源信息，包括工件几何特征信息、工况信息和加工过程状态信息。考虑测试的鲁棒性和传感器成本，本实例选择主轴振动信号来表征加工过程状态信息。

步骤2，数据预处理。

消除数据中的异常值，并根据数据的离散或连续属性对工件几何特征、工况信息采取不同的预处理方法，对信号数据去除趋势项，对离散特征进行编码，对于矩形槽、缝等，选择长和宽进行量化；对于圆孔等，则两个几何尺寸都等于其直径大小。

步骤3，特征工程。

对高频时序的加工过程状态信号利用小波包变换进行多尺度分解，提取信号的时域特征，采用核主成分分析KPCA方法进行多源信息特征降维处理，再与加工几何特征和工况数据融合并作为模型输入，构造变形误差建模数据集。将数据集划分为训练集和测试集。

步骤4，构建铣削加工变形误差预测模型。

1)将训练数据进行划分，首先将原始训练集随机划分为4份，任选3份合并为训练数据作为基模型输入，剩余1份作为基模型测试数据，然后将所有基模型的测试数据预测输出进行纵向合并。选取SVR、RF、XGBoost三种典型机器学习算法构建基学习器，对每个基模型分别训练，同时设置PSO迭代次数、随机初始化每个粒子、设定超参数范围，对每个基模型的超参数进行调整。

2)采用XGBoost算法搭建元回归模型，将纵向拼接后的基模型输出数据作为元回归模型的输入，再次训练得到最终的铣削加工变形误差预测模型。

步骤5，模型验证测试。

使用平均绝对误差MAE评估模型预测精度，MAE公式定义为：

其中，y

本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行薄壁件铣削加工变形误差预测方法的步骤。

本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行薄壁件铣削加工变形误差预测方法的步骤。

本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现薄壁件铣削加工变形误差预测系统。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

1)多源数据采集。

实验在一台米克朗HSM600U LP高速铣削加工中心上进行，工件为铝合金样件。实验所用刀具直径1mm，工件材料为进口铝合金，编号为3A21。工件上分布着三组几何特征，分别为8.6x8.6mm矩形、5.2x5.2mm矩形、3.0x8.0mm槽、1.0x8.0mm缝13.0x13.0mm矩形、D6.0mm圆孔。实验中使用一个三轴加速度传感器(PCB 356A15)和动态数据采集卡(DT 9837B)采集主轴振动信号，采样频率为25.6kHz，实验过程中对切削参数进行调整，每组试验均使用相同参数加工完所有特征，共进行52组试验。实验结束后，使用三坐标测量机测量各个几何特征的尺寸信息。具体切削参数设置如表1所示。

表1切削参数设置

2)多源信息处理。

2.1)剔除采集数据中明显的异常点与信号中的线性趋势项和正弦趋势项，

2.2)实验工件几何特征按形状可分为圆孔、矩形、细缝三种，对上述离散特征进行独热编码。对于连续的工件尺寸信息，选择两个典型几何尺寸进行描述，编码后的工件几何特征信息如表2所示。

表2工件几何特征信息编码

2.3)由于原始振动信号的采样频率(25.6kHz)较高，故本实施例对振动信号进行降采样，减小数据量从而提高模型训练速度，降采样为5120Hz。

2.4)使用小波包分解方法对主轴振动信号进行多尺度分解，小波基函数选择为db6，分解到3层，分解后的频带带宽为640Hz。

2.5)对分解后的各频带信号分别提取时域特征以及小波包能量比率和小波包能量熵特征，最终得到共计243维数据特征。

2.6)对提取的振动信号特征利用核主成分分析KPCA进行特征融合处理，选择径向基核函数，最终选择前9个主成分，累计贡献率占比为95.36％。综合降维后的振动信号特征以及工件几何特征和工况参数，最终形成17维特征。

2.7)对铣削加工完毕的薄壁件，使用三坐标测量机测量其几何精度，对于矩形类和槽类的薄壁件，将变形误差标签定义为长和宽加工误差的平均值；对于裂缝类薄壁件的薄壁件，将变形误差标签定义为宽度方向的加工误差；对于圆孔类薄壁件，将变形误差标签定义为直径的加工误差。

2.8)将铣削加工变形误差数据集按照8:2的比例划分训练集、测试集，其中训练集用于模型训练，测试集用于模型的验证分析。

2.9)对训练数据进行划分，首先将原始训练集随机划分为4份，分别为训练1、训练2、训练3、训练4，任选3份合并为训练数据作为基模型输入，剩余1份作为基模型测试数据：然后将所有基模型的测试数据预测输出进行纵向合并，作为元模型的训练数据，基模型数据标签和元模型数据标签均为加工变形误差。

3)构建两层铣削加工变形误差预测模型

3.1)第一层选择SVR、RF、XGBoost三种典型机器学习算法构建基学习器，对每个基模型分别训练，同时利用粒子群优化PSO算法对其超参数进行调整，设置PSO的优化目标函数为各模型训练的MAE损失最小，设置迭代次数为200，粒子的初始位置c

3.2)第二层将三组预测值纵向拼接形成新的特征集，作为元回归模型的输入，再次训练得到最终的铣削加工变形误差预测模型，其中元回归模型选择XGBoost算法。整体铣削加工变形误差预测模型训练图如附图4所示。

4)集成模型应用验证

使用平均绝对误差MAE评估模型预测精度，MAE越小，模型的预测准确率越高，即整个模型对薄壁件铣削加工的误差变形预测效果越好。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

表3展示了实施例中各基模型和元模型变形误差预测结果的MAE值，可见本发明所提出的集成模型取得了最小的MAE值。证明了本发明所提出技术方案在经过多个基模型进行融合后，可进一步提高模型预测结果的鲁棒性和精度。

表3误差预测结果的MAE值

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。