关键词:
刀具磨损监测模型
多核相关向量机
多核高斯过程回归
铣削多目标监测模型
多核高斯过程自回归
摘要:
随着智能制造技术的不断发展,机器学习技术在推动工业领域智能化和高效化方面发挥着越来越重要的作用。在机器学习技术中,数据的特征表示和模型的选择至关重要,尤其是在切削加工质量监测领域,其数据特征呈现出高度复杂的非线性结构,导致传统的线性分类器和回归模型面临着严峻挑战,难以满足处理这类复杂问题的需求。核函数主要用于解决非线性数据的高维映射,从而实现复杂非线性问题的线性可分,在解决高维特征空间运算复杂非线性运算方面起到了重要的作用,为监测切削加工质量提供了研究方向和应用方法。本文针对切削加工过程中的切削质量监测问题,提出了一系列高度准确的监测模型和优化方法。探讨了多核函数构造的基础理论,包括核函数定义、高维映射原理、Mercer理论、常用核函数类型以及Gram矩阵等关键因素;基于对多核函数构造关键因素的分析,提出了两种多核函数的构造方法,分别为加权多核函数算法和统一加权多核函数算法,并对其进行了优化和对比分析;开展了车、铣削加工实验及数据采集工作,开发了一系列具有较高准确性和稳定性的刀具磨损监测系统,主要研究成果如下:(1)构建了加权多核函数算法,建立了一种结合积分径向基函数的概率核主成分分析方法和加权多核相关向量机的车刀磨损监测模型。利用麻雀搜索算法优化核权重及超参数,建立基于相关向量机的车刀磨损监测模型,车削实验结果表明,相比标准单核(如高斯核、多项式核、二次核、指数核和拉普拉斯核),基于加权多核函数建立的车刀磨损监测模型具有更高的收敛精度及预测精度。建立了基于积分径向基核函数的概率核主成分分析方法,丰富了切削信号特征的噪声信息,提高了加权多核相关向量机预测结果95%置信区间有效性,增强了车刀磨损监测模型对噪声信息模拟的可靠性。(2)提出统一加权多核函数算法,构建了一种结合多层堆叠去噪自动编码器和统一加权多核高斯过程回归的车刀磨损监测模型,同时引入自适应矩估计算法优化统一加权多核函数的多核超参数,分析了去噪自动编码器激活函数和层数对车刀磨损监测模型性能的影响。车削实验结果表明,相比标准单核(如高斯核、Matern52核、周期核和幂指数核),统一加权多核高斯过程回归模型的车刀磨损预测结果在四种评价指标下均表现出显著优势,具有最小均方根误差、平均绝对误差、均方误差及最大皮尔逊相关系数,其值分别为9.8629×10-3、7.5217×10-3、9.7300×10-5及0.9960。且经多层堆叠去噪自动编码器优化后的统一加权多核高斯过程回归模型,其车刀磨损预测值的平均绝对误差、均方根误差、均方误差及皮尔逊相关系数值最高分别提高28.31%、25.75%,44.90%及0.180%。(3)根据两种多核函数构建的刀具磨损监测模型,构建了基于统一加权多核高斯过程自回归的铣削多目标监测模型,用于实时监测铣刀磨损和加工表面粗糙度。铣削实验结果表明,相比传统多目标预测模型(如随机森林、梯度提升、支持向量回归和K最近邻算法),提出的铣削多目标监测模型预测结果更准确,其综合均方误差、平均绝对误差、均方根误差、皮尔逊相关系数和斯皮尔曼相关系数分别为1.5840×10-4、0.8767×10-2、1.2442×10-2、0.9883及0.9818。针对铣削多目标监测模型预测结果置信区间一致性较差的问题,提出一种两阶段特征融合技术(主成分分析+局部领域保持投影)融合铣削信号特征,有效地改善了预测结果精度及其置信区间的一致性。在雅可比矩阵融合特征下,预测结果的综合均方误差、均方根误差、平均绝对误差、皮尔逊相关系数和斯皮尔曼相关系数分别提高15.75%、8.21%、4.82%、0.07%及0.24%,其置信区间的CI_width_D和CI_var_D降幅则分别为34.00%和41.75%。