數控機床裝配質量預測模型分析

導語：數控機床裝配質量預測模型分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要:裝配質量的好壞直接決定了數控機床的最終性能，為對數控機床裝配質量進行事前預測，提高裝配合格率，采用基于GA－SVM方法建立數控機床裝配質量預測模型。首先，基于“功能—運動—動作”的結構化分解方法對機床進行元動作分解，將各級元動作內部影響因素作為裝配影響因素，并以元動作鏈中最后一個元動作輸出運動參數作為裝配質量分析對象。然后，將GA－SVM模型運用到砂輪架X軸進給運動下的元動作鏈裝配質量預測中，為證明該模型的實用性與有效性，將GV－SVM模型得到的預測結果與BP神經網絡、常規SVM模型進行對比分析，結果表明:三者的預測結果的平均相對誤差分別為3．83%、8．90%和10．16%，顯然，GA－SVM模型較其他兩種預測模型而言預測效果較好，為數控機床裝配工藝進一步優化提供指導意義。

關鍵詞:遺傳算法;支持向量機;裝配質量;預測模型

數控機床是現代裝備制造業的“工業母機”，其質量和可靠性很大程度上反映了一個國家工業技術發展水平和市場競爭力。針對國產數控機床長期存在由于裝配不佳導致的故障頻發問題，提高數控機床裝配合格率有著重要意義。針對裝配質量預測這一領域，國內外專家學者開展了大量學術研究，目前研究主要分為兩類:一類是基于統計過程控制(statisticalprocesscontrol，SPC)的傳統質量預測方法研究，另一類是基于人工智能算法的質量預測方法研究?；赟PC的傳統質量預測方法研究，一般通過建立數學或物理模型來實現質量預測，其主要包括線性回歸預測法、時間序列預測法等。張洪和萬方華等［1－2］建立軸承特性與零件幾何要素間關系的數學模型，并利用偏最小二乘回歸法對軸承裝配質量進行控制與預測;劉銀華等［3］基于偏最小二乘回歸預測模型，實現對車身產品檢測條件下的裝配質量預測與控制;韓衛軍等［4］以petri網－THOR網為基礎，建立了機器人裝配系統裝配質量預測模型。隨著人工智能技術的迅速發展，基于人工智能算法的質量預測方法受到國內外研究人員廣泛關注，其主要包括灰色預測模型、人工神經網絡(artificialneuralnetworks，ANN)預測模型、BP神經網絡預測模型、支持向量機(supportvectormachine，SVM)預測模型等以及不同算法的整合模型。張根保等［5］先用灰熵關聯分析找出關鍵裝配特征，然后通過PSO－BP組合預測模型進行產品裝配質量的預測;賈振元等［6］建立了基于BP神經網絡的裝配產品特性預測模型;PatelA［7］等基于利用ANN預測出汽車OEM的裝配質量缺陷。SVM作為一種可訓練的機器學習方法，許多學者將其成功運用于裝配質量的預測，并取得了不錯的預測效果，如LiY等［8］對多源不確定性下裝配質量特征進行分析，并利用SVM實現了裝配質量的預測和關鍵工藝參數的確定;YuTT［9］等使用PSO－SVM對飛機裝配過程中的工時進行定量預測。相比于其他算法，SVM在解決小樣本、非線性問題以及高維模式的識別中存在著特有的優勢，但是卻容易出現局部最優解的問題，因此本文引入遺傳算法(geneticalgorithm，GA)對其參數進行優化，以最大程度地尋求最優參數組合，本文采用GA－SVM方法構建了數控機床裝配質量預測模型，從而為根據預測結果尋找裝配過程中可能出現的質量問題，制定相關調整措施和優化裝配細節，以達到裝配質量零缺陷的目標提供一種可行有效的方法。

1數控機床

FMA結構化分解FMA是按照“功能(function)－運動(movement)－動作(action)”的基本順序，將產品功能分解到運動的最小粒度—元動作的分解方法，以通過控制元動作的性能特性來保證整個產品總功能的實現［10－13］。FMA結構化分解模型如圖1所示。以磨齒機的功能部件砂輪架為例，進行運動FMA結構化分解，砂輪架要能夠實現砂輪主軸旋轉和砂輪X軸進給運動，要實現砂輪X軸進給運動，滾珠絲杠、絲杠螺母、快進油缸以及導軌滑塊就都要能正常動作，形成砂輪架的最后一層動作即元動作，結果如圖2所示。

2基于遺傳算法的支持向量機參數優化

傳統SVM對核函數參數r和懲罰因子C關鍵參數設置通常采用人工試算方法，通常過度依賴專家主觀經驗，不僅費時費力、效率低下，而且針對稍微復雜的問題很難實現參數的合理設置，一定程度上阻礙了SVM的推廣應用［14］。針對這個問題，許多相關研究將SVM參數設置轉換為最優化問題，并采用智能算法來求解該優化問題。遺傳算法作為一種基于生物進化論中適者生存和自然選擇機制的優化智能算法，其具有適用性好、尋優效率較高、搜索速度快等優點［15］?；贕A－SVM的算法流程圖如圖3所示。步驟1:參數設置:合理設置遺傳算法運行參數和SVM主要參數的尋優范圍。步驟2:編碼和初始種群的形成:本文采用二進制編碼法將支持向量機的核函數參數r和懲罰因子C表示成具有遺傳特性的基因型數據，并隨機產生初始種群。步驟3:個體適應度的計算:計算所有個體的適應度，用于衡量個體的優劣程度。步驟4:停止準則的判斷:判定個體的適應度是否滿足停止準則，如果滿足，則執行步驟6，否則繼續執行步驟5。步驟5:遺傳操作:運用輪盤賭法，選擇個體的適應度值高的進行選擇、交叉、變異操作，最終形成新的種群，返回步驟3繼續執行，直至滿足停止準則。

3實例分析

3．1砂輪架裝配質量關鍵影響因素的確定

砂輪架是磨齒機中極為關鍵部件之一，對磨齒機的正常運行有著至關重要的作用。原因在于它不僅承載著砂輪主軸的高速轉動，而且提供磨削過程中砂輪的軸向進給運動。砂輪架主要包括電機組件、主軸箱、進給組件和磨頭組件。本文以砂輪架作為分析對象，基于文獻［16］，選取砂輪架X軸進給運動下的元動作鏈:滾珠絲杠轉動A1→絲杠螺母移動A2→快進油缸移動A3→導軌滑塊移動A4為例，將砂輪架在水平面內的移動直線度Y作為裝配質量分析對象，并確定該元動作鏈中關鍵裝配影響因素如表1所示。

3．2基于GV－SVM的砂輪架裝配質量預測

本文將砂輪架在水平面內的移動直線度Y作為模型的輸出數據，上述5個影響Y的關鍵裝配影響因素作為模型的輸入數據。通過對國產某型號磨齒機砂輪架裝配過程進行數據搜集和整理，獲得60組樣本數據，如表2所示，將前50組作為預測模型的訓練樣本，剩下10組作為測試樣本，由于各個變量間的量綱不同，所以首先要對這60組樣本數據歸一化處理，才能應用于所構建的GV－SVM模型中。初始化完成后，把訓練樣本送入GA－SVM模型中，得到遺傳算法的參數尋優過程如圖4所示，由圖可知，隨著迭代的推進，最佳適應度曲線并沒有波動異?，F象發生，而呈現出穩步下降，并最終趨于穩定，這說明遺傳算法對核函數參數r以及懲罰參數C的參數尋優過程表現良好，并且，最佳適應度曲線表現出光滑下降趨勢，這說明針對該樣本空間，遺傳算法的全局尋優能力較好，具有一定的穩定性。最終獲得最優懲罰因子C為29．413，最優核函數參數r為0．0515。將這兩個最優參數代入到SVM中進行模型求解，得到訓練樣本的訓練回歸結果如圖5a，測試樣本的測試回歸結果如圖5b。由圖可知，模型對訓練樣本擬合效果較好，其均方誤差為0．011709，并且測試值基本與實際值一致。為了驗證GV－SVM的實用性和合理性，本文將GV－SVM得到的預測結果與BP神經網絡、常規SVM模型進行對比分析，其預測結果如表3所示。結果顯示，GV－SVM、常規SVM模型與BP神經網絡這3種質量預測模型的預測結果平均相對誤差分別為3．83%、8．90%和10．16%，顯然，GA－SVM預測效果最好。GV－SVM有效地解決了常規SVM中參數選擇的問題，并提高了預測結果的準確度，因此，GV－SVM是一種高效合理的裝配質量預測方法。

4結語

針對傳統SVM大多采用人工試算法選取主要參數，且針對稍微復雜的問題很難實現參數的正確設置和最優搭配的問題，構建了基于GA－SVM的數控機床裝配質量預測模型。以砂輪架X軸進給運動下的元動作鏈裝配質量預測為例，在確定關鍵裝配風險控制點的基礎上，通過收集關鍵裝配風險控制點的歷史裝配數據，并將其作為輸入變量，最終預測了該元動作鏈整體裝配質量，并通過與BP神經網絡和常規SVM模型預測結果對比分析，說明本文提出的模型局具有實用性與有效性。本文是引用遺傳算法來對SVM進行參數優化，但是遺傳算法是利用反復迭代進行最優解的尋找，參數尋優的運行速度會很大程度受限于樣本數據的數量和質量，當樣本數據過多時，其參數尋優效率將嚴重影響整個GA－SVM裝配過程質量預測模型的實際工作效率，因此，下一步工作可以嘗試改進遺傳算法的參數尋優效率。

參考文獻

［1］張洪，許鴻，唐侃，等．基于PLS的滾動軸承裝配質量預測［J］．控制工程，2016，23(3):332－335．

［2］萬方華，王曉琪，張洪，等．基于KPLS的滾動軸承裝配質量預測［J］．工業工程，2016，19(4):136－139．

作者：陳資 陳春雨 張根保 單位：廣東理工學院工業自動化系 重慶文理學院機械工程學院