文摘

高速加工技术,维护一个高兴趣制造金属零件为它提供了优秀的结果,在表面光洁度和经济效益。行业的趋势是将数据管理和分析技术来生成信息,有助于改善加工表面粗糙度结果。一个不错的选择来提高表面质量的结果在金属零件的制造是使用表面粗糙度的预测模型。在本文档中,我们目前的工作与实验获得的数据来自两个高速加工(HSM)与不同类型的机器工具和切削条件下,进行下一个实验设计与感兴趣的三个因素通常研究生成表面粗糙度模型:工具特点、切削条件,加工材料的特性。钢和铝合金被用于实验。结果与之前的经验,使用相同的实验设计,但不同的软计算技术和他们也与以前作品的结果相似。我们的结果显示精度从61.54%到88.51%不等的数据集,这是竞争的结果与其他方法相比。我们还发现轴向cut-depth槽数据集是最具影响力的特性和刀具的硬度和直径是最具影响力的几何图形数据集的特征。

1。介绍

高速加工是一种维护的技术在金属零件的制造,与高水平的可用性在金属加工行业制造金属零件表面光洁度(与高水平的质量1- - - - - -3]。表面质量达到与材料去除技术是非常重要的生产从金属和塑料和合金材料可以被粗4]。加工件的表面质量在很大程度上取决于多种因素如加工材料的属性、特征的加工中心,和使用的工具5,6]。

机械切割,在工业领域的趋势是将数据管理和分析技术来生成信息,有助于提高加工表面质量(7,8]。软计算技术帮助识别影响加工过程的因素和最方便的值以获得最佳的表面质量(6),同时最小化相关的成本,如校准成本,实验,测量和质量等等。表面质量通常是与表面粗糙度有关,尽管它可以从几个参数计算。在实践中,表面粗糙度可以使用参数评估粗糙度平均(Ra) (2,4,9,10];这是最常见的工业参数表示这个任务(11和以前的作品,如10]。Ra参数可以使用轮廓曲线仪测量相对简单4,9]。表面粗糙度有很大影响等其他因素的兴趣制造摩擦,电气和热阻和加工件的外观等因素会影响其功能(12]。此外,表面粗糙度可以帮助建立润滑之间的关系和其他元素如之间的摩擦或磨损部件(13]。零件之间的摩擦导致磨损(特别是金属合金),而无效的提高摩擦润滑;这两种影响表面粗糙度(14]。等工作(15- - - - - -17]目前表面粗糙度的预测模型与特定条件的润滑剂使用。

表面粗糙度一般是最常用的参数估计根据[表面质量18];它也很重要,因为它提供了思想在表面光洁度19,20.),还提供了信息的行为表面接触其他表面(9,21]。在金属加工行业,有研究工作,评估钢件的可加工性根据过程参数的影响,如工作描述(22]。还有几个作品呈现表面粗糙度预测模型基于软计算技术,使用切削过程相关参数作为预测因子,如机器的特点或加工材料的特点,这种类型的工作的例子(4,6,9,16,23]。这些作品的简要描述在以下段落。

扩展研究的适用性进行了人工智能和软计算技术在机械切削表面粗糙度预测在过去几年,按照之前的是(15];最常见的配置(直到2011年)多层感知器(MLP)和一个隐藏层;虽然贝叶斯网络(4,9,21,23)、遗传算法(19,24,25),和支持向量机(10,15,21)已被广泛用于表面粗糙度的预测。

例如,在[10最近的邻居的决策树、朴素贝叶斯分类器,多层感知器,用于生成方法和逻辑回归是早期检测的多齿铣削过程中刀具磨损的工具。使用决策树结合声音信号分析(26)为了产生表面粗糙度的预测模型。同时,模糊逻辑是用来生成的表面粗糙度预测模型(27,28]。另一个例子是[描述的工作16),表面粗糙度的预测模型在深钻井作业在高速条件下的钢模具使用贝叶斯网络。此外,贝叶斯网络被用于(4,9),结合贝叶斯网络和Tree-augmented网络算法是用于23)来生成一个预处理模型,对高速加工表面粗糙度(HSM) /金属探测。

金属切削操作的盈利能力在很大程度上取决于因素,如精密机械切割、良好的表面光洁度,和最小磨损的工具14,29日]。所有的表面粗糙度和润滑等因素之间的关系,摩擦和机械力应用于切削过程紧密相连,这是目前感兴趣的公司和机械切割的盈利能力(30.,31日]。

有很多的文学作品使用软计算估计表面粗糙度或研究能够影响表面粗糙度的因素。然而,在我们的文献之回顾工作,有一些作品,使用决策树和我们所知,没有以前作品的具体技术梯度增加树木产生表面粗糙度的预测模型。

本文提出了一种表面粗糙度预测模型,考虑铣削过程中涉及的元素的一个子集相关机加工件、工具,机床的特性。产生表面粗糙度的预测模型,金属合金件常用的业内人士曾。数据用于生成模型是实验的结果在两个不同的机器上,在每一个变量,通常影响表面质量的各种组合结果在铣削过程中已经被使用。

文档的其余部分的结构如下。部分2细节工作相关的各种概念和预测领域的表面质量和加工,它还预测模型细节,特别是,它侧重于梯度增加树木。部分3这项工作中所使用的材料和方法细节,呈现实验描述,实现,和评价的模型,以及它们的参数化。部分4提出了实现模型的结果与其他方法进行比较。部分5包含结果的讨论和比较与其他先进的方法。部分6关闭与本文的结论和未来的工作。

2。概念和相关工作

2.1。表面质量和加工

表面质量和表面粗糙度密切与加工或制造表面的外观,通常表示与Ra值(3,11]。在许多情况下,表面质量必须符合既定标准的值函数在某些行业(如与注塑模具用于生产部分(16])。有几个参数建立表面粗糙度值。表面粗糙度平均是应用最广泛的行业由于可以方便地进行评估(通常在处理)和它所代表的亲密机械化的表面纹理部分(32,33]。

Ra值通常由集成计算绝对的纵坐标值的算术平均值f(x)在一个取样长度(L)。每个部分使用轮廓曲线仪可以测量表面粗糙度值沿采样长度L . 4288(1996)是国际通用的标准方法测量表面粗糙度的加工过程和本标准进一步补充与标准1302(1992)建立了12水平的表面粗糙度;这些水平的范围从0.006到50纳米(纳米)34]。

尽管低速加工可以提供更好的表面粗糙度,降低行业的效率,意味着更多的加工时间,从而增加生产成本(5]。高速加工的过程最大的金属加工行业的经济影响(2),由于高水平的表面光洁度,用它可以获得4),影响结果的功能行为受到摩擦时,突然的温度变化和其他因素可能会影响其功能(6]。

目前,有大量的端面铣削研究旨在预测表面粗糙度参数,将减少对其他参数的变化增加了刀具磨损或侧面磨损等每齿切削力、depth-cut或饲料。有几个工作,提出了在过去5年的主题预测基于人工智能技术的表面粗糙度。例如,在[22),探讨AISI 4340钢的使用和切削速度;饲料和cut-depth被认为是作为表面粗糙度预测控制参数,而工件表面温度、加工力量,和工具侧面磨损被检查估计的性能的措施。在[30.]100 crmov5钢模具加工润滑与最小数量(MQL)和工具寿命,侧脸,切割速度被用作预测变量。

回归分析和模糊逻辑中使用(28)表面粗糙度的经验模型,这个模型是用来计算的影响表面粗糙度预测在产品表面光洁度的端面铣削过程。随机森林回归树和径向基函数被用于(35]估计所需的适当的门槛值,以避免快速刀具磨损和预测完成使用端面铣削质量放在一个平面上。同样,端面铣削的关系(超过钢渗工件)和参数如齿腹,切割速度和饲料研究[36]。遗传算法和灰狼优化算法被用于(24)来生成在球头铣削表面粗糙度的预测X210CR12钢。上面描述的一些作品使用后处理技术来估计表面粗糙度(即。,(22,30.,37]),而其他的,如24,28,35),应用技术来估计表面粗糙度进程内。

此外,在[38]作者目前对铝合金铣削模型的比较工作A7075类金刚石涂层(DLC)工具和工具没有DLC;预测的模型是用目标至少穿的工具。实验结果更好地与DLC当使用该工具模型。此外,在37)提出了一个模型,涉及到的影响因素,如刀具磨损和侧面磨损表面质量。

尽管大量的作品,如前所述,进程内表面粗糙度的测量是困难的,往往是不可行的。因此,在介绍,据说有技术预测表面质量使用后处理数据是一种工作方式,获得部分制造业的兴趣。从这个意义上说,预测模型有很多贡献。

2.2。预测模型

在人工智能中,预测任务的一个核心主题包括诱导的机器学习模型训练数据(称为训练实例),那么这个模型可以应用于未来预测感兴趣的目标变量(实例39]。有几个预测算法,如逻辑回归、神经网络、决策树、贝叶斯网络等。这些算法通常诱导模型学习预测目标变量的最佳值的训练实例域,目标是找到一个目标变量的最优值未来所有的实例表示域(40]。

许多科学文章的文学作品与预测算法和特定训练实例研究表明在一个域选择利益。处理训练实例域的一个优点是,会找到更准确的预测算法模型,能产生良好的价值观的目标变量的新数据。

有几个近期作品中,人工智能技术用于估计在加工表面粗糙度。在[26)的提议semisupervised粗糙度预测模型的开发方法,基于机器学习,是描述;此外,在31日]模块化路面不平度分类系统运作与车辆的传输函数(根据ISO 8608)描述;例如(16)的上下文中应用贝叶斯网络turn-milling使用钢产生表面粗糙度的预测。此外,在4神经网络用于相同的目的。在[6)遗传算法被用于预测铜C360微加工的表面粗糙度。这些人工智能技术已被证明能够生成预测模型的精度甚至在缺乏足够的数据域通过模式识别的数据(18]。

2.3。决策树

学习基于决策树是一种预测模型,利用决策树从观察对象的(表示为树的分支)的某些结论目标价值的对象(由树叶)。它是用于统计、数据挖掘和机器学习和有多个应用程序,在学术水平和行业(41]。

这个分类器是一种最简单的建模技术来解释由于其图形表示;他们的说教和容易理解。他们预测基于归纳学习;也就是说,他们认为不同的属性或变量的值,以这种方式创建,一系列的规则能够确定因变量值将根据特定情况。应该注意的是,结果由决策树在很大程度上取决于每个类别中包含的数据量。模型的准确性对现实会更好的可用的数据量越大,相结合的特性。

最后,在制定工业机床切削,也获得信息是非常重要的影响表面粗糙度的因素,也有能力影响等因素。特别是,决策树是一种有用的技术来解释上述信息,根据[的作品21,42]。在这项工作中,我们选择了一个促进基于决策树模型,在下一节中解释说,开发我们的模型。这种方法是合适的,因为我们都感兴趣的表面粗糙度预测和解释不同的影响因素之间的关系和影响切削过程。

2.4。梯度增加了树木

促进是指一个家庭的算法弱学习者转化为强大的学习者,理解弱学习者只是略优于随机选择,而强劲的学习者有一个几乎完美的表现(5]。梯度增加模型是一个机器学习技术,既可以用在回归和分类问题。这种方法会产生一个预测模型的形式一个弱的预测模型,通常对应于决策树在这项工作中使用的具体情况(梯度增加树(GBT))。该方法构建模型阶段与其他促进方法也概括这些通过优化任意可微的损失函数43]。

有许多作品使用人工智能技术。梯度增加模型是一个机器学习技术,既可以用在回归和分类问题。梯度推进的技术使用一个整体疲弱的模型,在这项工作的情况下树,在一起可以形成一个强大的模型。乐团在级间构造过程函数的梯度下降空间。最后一个模型是一个函数,需要作为输入向量的属性 得到一个分数 这 ,其中每个是一个函数,模型和一个树 相关的重量吗 - - - - - -th树,所以这两个术语学在训练阶段(43]。

另一方面,使用GBT原因之一与其他预测模型是整体方法,一般来说,通常的分类器/解释变量提供最好的开箱即用的结果。此外,考虑到基本模型用于研究问题一直是一个经典的决策树,它一直被视为自然使用其扩展的一个方法。

整体模型的优点之一是,他们的优化过程是可靠和容易相比其他方法,如人工神经网络(3]。另一方面,一个潜在的整体方法的缺点是缺乏可解释性[42];然而,这个问题也是由其他模型,如神经网络,共享和GBT这可以改善的情况下,因为可以轻松提取每个特性的重要性,本文的完成。

3所示。材料和方法

高速铣加工是一种操作。铣削是以前作品中定义44]随着过程的刀具旋转以固定速度线性移动在一个垂直方向的轴工具。

在球场上的加工过程,有许多输入和参数,它们会影响产生的表面粗糙度;他们中的一些人可以控制,而另一些不能直接控制(2]。这些过程通常的数据集大小有限,主要是由于加工测试的高成本(44]。本节描述了实验参数和使用数据集的大小。因此,我们现在可复制性的考虑我们的方法的概述:(1)实验准备。两种不同的实验(Exp-1和Exp-2)实现的。因此,有两种类型的探测器。对于Exp-1,我们准备测试块钢f - 114 (f - 114钢的西班牙语符号(http://www.splav-kharkov.com/en/e_mat_start.php?name_id=87),175 - 220布氏硬度)x100x20尺寸190毫米。Exp-2,我们准备测试块铝称为Planoxal(硬度85 - 150布氏硬度),x110x20尺寸180毫米。铝比钢韧性,以来Exp-2很重要知道材料的硬度,所以之前的硬度(HB)测量过程在每个试样Exp-2。(2)实验。这一步包含执行每一个准备的铣削实验。Exp-1和Exp-2使用的不同设置值的所有组合预测变量,这些表中描述1。在所有情况下,表面粗糙度测量与卡尔蔡司Surfcom 130笔表面光度仪。(3)预处理。在这一步中,Exp-1 Exp-2数据准备。详细,此步骤由计算表面粗糙度(Ra)的平均值,将这一结果与实验条件(即。预测变量的值)。(4)模型生成。在这一步中生成的模型Exp-1和Exp-2通过机器学习;的细节部分3.2来3.4。(5)分析的结果。这在两个维度分析了:(1)检查的质量模型和(2)验证其实用性。(1)经典的机器学习度量(如召回,精度和准确性)被用来测量获得的表面粗糙度的分类性能。(2)验证是通过比较结果(GBT模型)与其他分类器已用于文学。

3.1。实验描述

如前所述,设计两种不同的实验获得实验数据:一个用于加工槽钢f - 114测试标本(Exp-1),另一个用于加工几何图形使用铝合金(Exp-2)。这两个实验进行了最初的加工中心,后来在第二个加工中心具有不同特点的首先,验证实验设计和表面粗糙度的预测模型获得的第一个加工中心。同时,在这两种实验加工中心配备高压冷却液:霍顿HOCUT b - 750切削油为5%,冷却液的一种常用的业内人士对其高质量和防腐性能45]。

预测模型已经被作者使用这个领域来分析机器在特定切削条件下的行为。例如,Pimenov et al。35)宣布表面粗糙度的预测模型有能力理解新的加工工作条件。在我们的例子中,预测模型帮助我们分析表面粗糙度在新的实验情况下的价值。一个描述性的模型并不适合在这种情况下,因为它不直接提供预测新病例的能力。

实验在HSM通常是昂贵的;因此,对于本文中所描述的实验中所描述的实验模型(9,23)已经使用和描述的相同的加工中心9]。详细,第一个获得实验数据的过程是执行Kondia HS1000加工中心(以下简称M1)与西门子840 d数控轴= 3,主轴转速为24000 rpm,最高功率17.5千瓦和第二Versa模型机器上(变种675004)(以下简称M2)与数控Heidenhain TNCi530,轴= 5,主轴转速为15000 rpm,最高功率50.0千瓦。

在每个实验中(Exp-1和Exp-2)条件设置相关工具,机器(切削条件),材料加工或试样。依次表示,每个实验特点如下所述。表1显示变量的信息用于Exp-1 Exp-2;符号,单位,承认为每个变量值描述。

Exp-1旨在生成线性削减在钢表面线性探针和测量表面粗糙度;工具的特点是它的直径和长笛的数量。Karnasch工具(模型30.6455和30.6465)不同的直径。考虑标准的槽加工制造模具,四个不同直径的工具被使用:6、8、10和12毫米,对于每种类型的直径,2和6长笛/工具的变化(笛子)。两个槽的长度为每个直径和长笛变异(2 x4x2),总共16试验工具的组合。

切削条件的特征的轴向深度削减(美联社),推进速度/进给速率(F)和主轴转速(n)槽的加工是用F = 1500毫米/分钟和n = 5000 rpm最初,然后增加25岁,50岁和75%的初始F和n。每个试验工具的组合(如上所述)变化的美联社(0.2,0.4,0.6和1.0),F(1500, 1875, 2250, 2625),和n(5000、6250、7500、8750)(见表1)。因此,完整的实验集包括124个不同的条件。所有的测试都重复在每个切割机增加获得的270个样本数据集的数据量为机器2 m - 1和150个样本;对于每个实验中不完整的记录被删除留下一个训练数据集的251条记录123条记录,分别。

上述变量的组合(表的例子1)如表所示2;中使用这些值对应参数的测试和计算表面粗糙度(后处理)根据描述的Ra值的计算方法介绍。在合成Exp-1 5预测变量和表面粗糙度类。类和其他的连续变量是离散如表所示2基于实验设计和先前描述的离散化等工作(4,9,16,23]。

为了计算平均表面粗糙度(Ra),部分槽表面粗糙度的测量值。为了做到这一点,接触表面光度仪使用中描述等(4,23]。对于每一个槽,四部分的测量表面粗糙度,然后最后一个值每槽表面粗糙度被平均了。连续的表面粗糙度值分组在范围;这些范围创建基于以下标准:next_value= (previous_value+ 60%previous_value)+dX,在那里dX是一个变化,考虑接触测量的误差(通过人工表面光度仪)。

依照ISO: 4288(1996年)和ISO: 1302(2002),有几个Ra相关的连续值的离散值(纳米)中所有的值4,23):0.10 =镜子,0.20 =抛光,0.40 =,= 0.80光滑,1.60 =好,3.20 = Semifine, 6.30 =媒介,12.50 = Semirough, 25.0和50.0 =清晰。因此,按照以前的作品如(4,9,16,23),标签光滑,Semifine,介质为表面粗糙度平均创建如表所示2。Ra值大于10.1被丢弃,因为这些值的使用金属零件的制造工业和航空航天工业。示例数据集和表面粗糙度的离散值的平均值如表所示2。表3显示变量的范围和离散值和表面粗糙度平均的插槽。

Exp-2旨在削减产生非线性(几何图形)来测量表面粗糙度在径向的表面上。该工具的特点是工具直径(直径);工具Karnash不同的直径(10、12、16、20毫米)被使用,但相同数量的长笛(4长笛)。切削条件的特点Exp-2 ae,美联社,f, n(见表1)。Exp-2,周长3.5厘米半径和高度的1、5厘米最初考虑,两个不同的径向cut-depths(1毫米和0.50毫米)。

几何图形的加工与n = 8000 rpm最初执行;后增加20%的每个后续值n = 是生成的。此外,F的初始值是500和两个代表值分析的基础上选择之前的实验结果;因此,集F = 被认为是。

正如上面已经说的,表面粗糙度标签被分配按照平均粗糙度成立于ISO: 4288和ISO: 1302(见表3)。为每个加工周长6部分的测量表面粗糙度,然后,最后一个值的表面粗糙度几何被平均了。因此,几何图形的完整实验设置包括164个不同的条件。Exp-1讨论前面的描述,所有的测试都重复在每个切割机增加的数据量。排除不完整的数据,共431条记录获得了m - 1,总共242条记录获得了m - 2。来自数据集的例子和表面粗糙度的离散值如表所示4。

摘要类标签和连续变量离散化(如上所述)如表所示5。作为总结,表6显示值相关类和数据集。

3.2。实现的模型

获得上述模型,RapidMiner Studio 7.6®(免费版)将被使用。这个工具允许获取各种机器学习模型的数据(46];特别是,我们可以使用它来构建GBT模型。工作流如图使用这个工具1。这个过程是适用于每一个评估的四个不同的数据集。

数据集已获得以下描述的实验设计(9,23),这些数据集已经准备节中描述3.1这个文档。因此,这项工作的工作流程(见图开始读取数据的任务1)。

3.3。评价的方法

在这个研究中,一系列的方法将被评估,测量获得的性能感兴趣的变量的分类。不同的评价指标用于这项工作将是详细的下面;特别是,使用的性能指标比较方法回忆,精度,精度。这些度量标准的机器学习文学和演示了在接下来的段落是基于Sammut的工作(47]。

基于获得的数据在实验中,我们将获得一个混淆矩阵。这个矩阵将促进分析需要确定分类错误发生。混淆矩阵是一个表,显示了不同类别错误的分布。所需的性能指标评估实现分类器的性能,特别精度,回忆,精度,将使用这个矩阵计算。这个矩阵的结构的一个示例如表所示7两个类的情况下(在这个例子中积极和消极)。

一个对积极正确的预测实例的数量,b对负面的数量是不正确的预测实例,c对积极的数量是不正确的预测实例,然后呢d是正确的数量预测消极的实例。最简单的指标来评估分类器的性能精度( ),对应于正确的比例分类例子在数据集的例子(48]。这个指标可以计算基于混淆矩阵的数据根据(1)(假设数据集非空)。 另一个指标,精度和回忆理解为措施的相关性。精度是真阳性的比例(一)在预测作为积极的元素。从概念上讲,精度指的是分散的价值观从重复测量获得的数量。具体来说,高精度值( )意味着低色散的测量。回忆( )是真正的阳性预测的比例在所有元素划分为积极的,也就是说,相关实例的一部分已经被分类。精度和回忆根据计算(2)和(3(假设) 和 ,分别)。 查全率和查准率,特别适合于不平衡数据集10]。因此,鉴于我们的数据的不平衡性质,这些指标适合数据集的评价。同时,精度不一定是有用的在不平衡数据(例如,很容易创建一个“准确”分类器选择最重复的类,但这将很难有用);然而,它允许获得的一般视图模型的性能,当其他指标的背景下。

3.4。参数化的模型

原始数据分成80%,培训和hyperparameter调为20%,测试最终模型为了获得一个无偏估计。最优模型被发现使用K-fold与三倍交叉验证,使用网格搜索。GBT优化参数(我)树木的数量: ;(2)最大深度: ;(3)最小的行: 。

这个模型仍然有其他参数固定为简单起见,因此他们没有优化。特别是,他们是垃圾箱(20)的数量,学习速率(0.1),采样率(1.0)。最优hyperparameters与交叉验证其准确性和测试集如表所示8。

4所示。结果

4.1。梯度增加树槽

槽的结果显示两台机器的数据集模型由GBT;混淆矩阵和模型提出了在每种情况下获得的。表9显示的结果与GBT槽m - 1的数据集。在测试集最后的精度是78.00%。结果似乎主要是平衡的;然而,Semifine类提出了最低的精度和召回的每一个类。

表10显示每个变量的重要性对槽数据集M1。可以看到这里,最重要的变量对应轴向cut-depth(美联社),其次是转速(n)。另一方面,工具的直径(直径),饲料率(F),和牙齿的数量(笛子)被认为是不相关的预测在这个数据集进行分析,因为他们把重要性值约为20%或更少。

表11显示的结果与GBT槽m - 2的数据集。尤其应该注意的是,最后的精度是61.54%,最低的执行实验。的失败模式似乎发生Semifine类,它通过分析混淆矩阵的结果似乎很难区分细类。

表12显示每个变量的重要性对M2槽数据集。可以看到这里,更加重要的变量对应的轴向cut-depth(美联社)然后工具的直径(直径)排在第二位。注意到所有其他变量,除了这两个,提供一个重要值低于20%,他们被认为是无足轻重的预测能力在这个模型。

4.2。梯度提高了几何图形的树木

获得的结果为几何图形数据集的两台机器的模型GBT如下所示;混淆矩阵和模型提出了在每种情况下获得的。

表13显示了结果的m - 1 GBT为几何图形数据集。尤其应该注意的是,最后的精度是88.51%。最好的标签分类获得一直“很好”,100%的总数的97.22%的精度的情况下分类。再次注意,指标提供一个良好的性能的问题四类(相对于随机选择分类器)。结果,在这种情况下,似乎主要是平衡的,没有类降低性能的一个主要方式。

表14显示每一个变量的重要性对M1几何图形数据集。在这里我们可以看到,最重要变量对应材料的硬度(HB),紧随其后的是工具的直径(直径)。其余的变量似乎不那么重要在这个数据集进行分析,低于20%的重要性在这个实验。

表15显示的结果GBT为m - 2的几何图形数据集。尤其应该注意的是,最后的精度是85.71%。类似于M1,分类结果最好的标签分类获得一直“很好”,93.33%精度的病例总数的100%。一般来说,由于M2与M1相似。同样,在这种情况下,似乎没有任何类,将分类结果在任何重大的方式。虽然细类的精度低于其他的,光滑的回忆类也相对低于其他的结果。

表16显示每个变量的重要性对M2几何图形数据集。可以看到这里,最重要的变量对应的直径工具(直径),然后旋转速度(n)。所有其他变量重要性低于20%,与“喂率”和“美联社”特别低。注意“美联社”是最重要的变量在两个机器,而直径似乎是重要的在这两种情况下。

图2总结的重要性,根据“绿带运动”的变量模型用于所有实验和机器。特别是,图2表明,在Exp-1的轴向深度削减(美联社)是最重要的变量,但对于Exp-2材料的硬度(HB)和直径的工具(直径)是最重要的变量,虽然可以说转速(n)也可以被认为是重要的,根据不同的机器。这些结果强调的特定特征的重要性,每一个加工中心,因为尽管使用相同的工作模型在加工中心(同样的力量,“美联社”等)的结果是非常不同的。

4.3。与其他方法相比

我们比较GBT模型与其他分类器已用于文学,如支持向量机与RBF内核或其他强大的随机森林分类器等。为了有一个公平的比较,我们为每一个找到的最优参数化的算法相比,使用相同的策略。

我们1-vs-1方案用于支持向量机多类分类,我们尝试了两种内核(RBF)和线性参数C的范围(0.00001,0.0001,0.001,0.01,0.1,1.0,10日,100年,1000年,10000年,100000年)和γ的范围(0.00001,0.0001,0.001,0.01,0.1,1.0,10,100,1000,10000,100000)。随机森林我们视为hyperparameters树的数量(范围:10、20、30、40、50、60、70、80、90、100)和最大深度(范围:1、2、3、4、5,6,7,8),类似于GBT的参数。

然后使用最优hyperparameters火车10分类器使用合作策略和随机抽样数据从原始数据集。现在的想法是找到一个估计的准确性测试集上的每个分类器和平均10个分类器的结果为不同的样本。所有方法使用精度进行评估。我们执行1-factor(即。,choice of method) Analysis of Variance (ANOVA) for each dataset and report the corresponding p-values.

结果如表所示17与最优参数化在每种情况下,支持向量机最优hyperparameters所示格式的元组(内核,C,γ)GBT我们有格式(数量的树木,最大深度,最小行),和随机森林的格式(数量的树木,最大深度)。

方差分析表明,没有统计上的显著差异的插槽(M1和M2)和几何图形平方米,虽然是一种潜在的显著差异在几何图形M1的表现方法。进一步检查发现是有区别的RBF SVM和其他两个方法,但是没有显著区别GBT和随机森林。这表明GBT有竞争力的结果与其他分类器在艺术的状态。

5。讨论

以前作品产生表面粗糙度预测模型使用几个软计算技术;然而,没有标准模型预测表面粗糙度,生成的模型通常是在特定的条件下加工,冷却剂,机床,工具。在文献中,可以发现作品中人工神经网络和贝叶斯网络应用于生成表面粗糙度的预测模型;经典的决策树也被用来作为模式识别技术的行为变量影响表面粗糙度的行业(41),但不是很多作品被发现,基于决策树技术用来预测表面粗糙度(例如,如随机森林或梯度增加树)。

最近发布的一份工作是35),他们使用随机森林(RF),多层感知器(MLP),回归树(RT),和径向基函数(RBF);本文提出了表面粗糙度的预测质量的比较研究;射频是提供最好的结果的精度,其次是RT和延时。在我们的工作中,我们使用GBT,获得更好的结果的准确性比类似的作品进行相同的实验设计和报告,例如,在[4,23]。

在这项工作中,我们使用真正的训练数据,我们也获得了知识的图形表示使用经典的决策树来补充GBT的结果;这样共同的结果提供了更大的图形表达能力有关条件的影响和预测变量的值比类标签,例如,贝叶斯网络。这很重要,因为它可以很容易地用于创建一个域表示模型,也可以解释为生成规则包含动态加工过程的知识,促进知识的建设和推理依据最终表面质量预测专家系统实时的具体工具的条件下,材料加工,和机床。

pieces-of-knowledge来自本研究以及其他可以使用来自以前的相关工作,例如,生成推理规则,帮助建立措施的影响表面粗糙度的预测变量类。图3显示了if指令的语法图,基于之前讨论过什么。例如,if_statement_1表明削减(美联社)的轴向深度最高对工件表面粗糙度的影响,但如果这台机器是m - 1,然后最重要的变量是牙齿的数目(笛子),而对于m - 2变量最重要的是推进速度(F)。上述if - then语句可以广义的机械切削与机器m - 1或m - 2类似的特征,并使用钢切削过程的一些特点F - 114现在可以测试了。

最后,梯度的能力提高树木的重要性来确定每个变量对标签可以被视为类似于贝叶斯网络模型的能力影响这些变量和标签之间。这是非常重要的在微观领域nanomachining,精密的加工影响最终结果。再一次,在这里获得的知识可以结合先前的知识,获得了艺术的启发来自专家或状态,分析结果,等等,所以,这些知识可以表示为一个由基于规则的知识库和使用系统或决策支持系统。为了获得的结论对表面粗糙度影响的预测变量或能够预测表面粗糙度给定一个数据集或一个特定的数据记录。

6。结论

人工智能算法的集成计算解决方案和技术分析大量数据的获得对现代工业的兴趣。这种集成的一些作者所说的第六次科技革命(27]。符合这一观点,本文提供的模型表面粗糙度平均(Ra)由于使用梯度预测分析了树木。模型提出了评估工作的影响切削条件下,两种不同的特点,首先机器和材料(钢和铝测试部分)在高速加工的表面质量。

以前的作品,如(1,32),提供数学模型来预测表面粗糙度考虑HSM的操作特征;第二组的作品提供表面粗糙度模型使用各种软计算和人工智能技术;具体地说,他们应用人工神经网络(例如,17,24(例如,[]),遗传算法1,25]),或贝叶斯网络(例如,4,13,21])。一般来说,这些模型考虑方面相关工具,机器,和材料加工和其他一些作品结合其他方面如润滑剂或冷却剂(例如,在15,49])。

软计算和人工智能方法,这项工作落在第二组,与优势,由此产生的模型在每个实验精度高值与其他技术,如决策树相比,由于GBT算法的准确性。一个潜在的改进,可以使我们的模型是将冷却剂使用的特点和研究的行为条件对表面粗糙度的影响。

这项工作的主要贡献是预测模型本身和随后的分析变量的重要性。特别是,我们的研究结果显示精度从61.54%到88.51%不等的数据集,这是竞争的结果与其他方法相比,本文所示。应用这个模型的一个重要的优势是,我们可以分析哪些变量最影响我们的模型的预测能力在一个自然的方式。在这种情况下,我们发现轴向cut-depth槽数据集是最具影响力的特性。轴向切深之间的轴向接触长度刀具和工件44];这意味着在开发一个实验模型处理钢铁f - 114, cut-depth的影响和材料的硬度必须仔细考虑。另一方面,硬度和切削刀具的直径是最具影响力的几何图形数据集的特征。因此,为这些变量前举行类似的考虑,在这种情况下。

作为一个潜在的未来的工作和实际应用,这项研究的结果可以形成一个决策支持系统的基础。尤其是,这样一个系统可以用预测模型中包含的知识作为核心的知识库。特别是,由于预测模型GBT基于决策树,是相对容易的从树枝中提取信息知识库。可以用这些分支机构作为技术人员和其他用户的规则集来解释和理解当前行为的加工系统。此外,这个知识库可以富含更多的数据可用,虽然这大道工作将最终导致担忧这样一个决策支持系统的可伸缩性。

最后,正如一直在讨论,说GBT算法的应用(来自决策树)在这个行业不是很常见,即使决策树是一种最广泛使用的机器学习技术因为产生明显缓解他们提供的生产规则和被最终用户容易理解。这会带来信心,这里提出的预测模型的新病例可能采取作为输入预测表面粗糙度。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢自动化Centro de y Robotica CSIC(西班牙)使用Kondia机床的实验的一部分。作者也承认尼古拉斯•科雷亚S.A.的协作,谢谢安德烈斯博士Bustillo从尼古拉•科雷亚,使其余的实验在这个公司里,使用加工中心。