基于小波变换与支持向量机的数控加工误差分析

1、基于小波变换与支持向量机的数控加工误差分析        【摘 要】本文通过分析数控加工不确定性误差的特征，提出了一种基于小波分析与支持向量机的数控加工误差预测模型，小波分析可以清晰地提取加工误差的特征，而多输入多输出支持向量机更适合于多个输出变量之间有较强关联性的情况。通过合理地选择和设定模型的输入和输出，较好地实现了对不确定性误差的分析和预测建模。 【关键词】不确定性；小波分析；支持向量机 一、数控加工不确定性误差预测建模 （1）建模方案。由于误差来源的不确定性及可能的影响因素太复杂，传统的考虑单一或少量影响因

2、素的精确预测模型并不适合，只能采用智能预测模型，采用具有自适应性和自学习能力的模型结构，而且不能单纯基于因果关系来建模。模型要揭示的是在不同参数选取下，加工误差的预测结果及其随时间变化的规律。因此，这里设立研究目标为：建立一个系统，在其它切削条件一定时，输入一组加工参数（如工艺系统刚度、切削用量等）和少量历史误差数据，模型的预测输出不是一个值，而是一条曲线，反映出在该加工条件下误差变化的趋势，使操作员对接下来的加工过程了然于胸。基于以上分析，再对现有的预测技术进行比较，考虑选用支持向量机来进行误差预测建模。为了方便进一步提取误差特征，引入小波变换。（2）模型的输入和输出。加工后的零件误差与毛坯

3、原有误差、切削用量、工艺系统刚度、工件硬度等因素呈复杂的非线性关系。当切削条件一定时，毛坯的误差、工艺系统刚度、工件材料表面硬度等都是不可改变的，可以选择的只有切削用量。所以我们这里把切削用量的选择作为研究的主要内容，实际操作中还考虑了走刀次数及毛坯原有误差。基于以上分析，本文提出了一种基于小波变换和支持向量机的数控加工不确定性误差预测模型。输入变量为一组系统参数（包括进给量、走刀次数（体现为每次切削量占总切削量的百分比）及毛坯原有误差）和一组历史误差数据序列，输出变量为一组经过小波分解和单支重构得到的误差分支序列，是一个N维向量，因此是多输入多输出系统，构成一个多维支持向量回归机。（3）数控

4、加工误差预测模型的建立。本文预测模型的建立分为三个阶段：对原始数据进行预处理；对各误差序列分别进行小波变换；提取各分支误差序列的特征向量，与切削参数一起组成样本数据；采用多维支持向量机对各分量进行预测；将支持向量机预测结果重建生成误差序列的最终预报。 二、小波分析在误差预测中的应用 （1）利用小波分析工具，对提取出的已有加工数据中的高、低频分量进行分析、处理，从中提取包含在加工数据中的系统性误差和随机性误差，分析误差变化趋势，对是否会出现超差进行预测，从而决定若是所有切削条件不变，继续对工件进行下一次加工是否可行。这有助于及时了解工艺系统的状况，对其进行必要的调整、补偿提供依据。（2）对不同切

5、削条件下的各加工误差序列分别进行一维离散小波变换，经过单支重构，得到该单支误差序列的特征向量，作为支持向量机数据样本的输出值。（3）测试过程中，各支持向量机的输出值即为对应于给定系统参数的各单支预测特征向量，经过小波信号重建，就可得到预测的误差序列。设对误差序列S进行n阶分解，然后进行单支重构，可以得到S的一个近似分量An和多个细节分量D1，D2，Dn，满足如下关系：S=A1+D1=A2+D2+D1=An+Dn+Dn-1+D1。按照此算法可以得到原误差序列的一个近似分量和多个细节分量。它们和原误差序列长度一样，而且反映了原误差序列中不同的频率分量，近似分量反映了原误差序列中基本保持不变的误差，

6、如系统误差，细节分量反映了原误差序列中随时间不断变化的误差部分，如随机误差。 三、多维支持向量回归机（M-SVR） 支持向量机大体上分为支持向量分类机和支持向量回归机两大类。传统的支持向量回归机仅适用于单输出系统，即输出变量为标量的情况，在处理输出值是向量的系统时多采用构造一系列标量输出支持向量机模型的方法，即对每一个输出分量用1个支持向量回归机进行1次回归。本文中多个输出变量按时间先后顺序依次排列，体现出误差变动的趋势，相互之间具有很强的关联性，用多个单输出支持向量回归来估计，精确性较差，而且计算工作量很大、效率低下。多输出支持向量回归算法是针对输出变量y是一个向量（即yRn,n1）而提出的

7、一种算法。它主要是对单输出支持向量回归算法中的损失函数进行了改进。用定义在超球上的损失函数代替定义在超立方体上的损失函数，优点在于考虑了各分量的回归误差，使目标函数与各分量的误差有关，从而达到整体优化的目的。 参    考    文    献 1陈小异小波变换在加工误差分析中的应用研究J工艺与装备2006（1）：8591 2胡蓉多输出支持向量回归算法J华东交通大学学报2007，24（1）：129132       &

8、#160;                            本文为全文原貌 未安装用户请先下载安装                                      (责