數(shù)控機床裝配質(zhì)量預(yù)測模型分析

導(dǎo)語：數(shù)控機床裝配質(zhì)量預(yù)測模型分析一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要:裝配質(zhì)量的好壞直接決定了數(shù)控機床的最終性能，為對數(shù)控機床裝配質(zhì)量進行事前預(yù)測，提高裝配合格率，采用基于GA－SVM方法建立數(shù)控機床裝配質(zhì)量預(yù)測模型。首先，基于“功能—運動—動作”的結(jié)構(gòu)化分解方法對機床進行元動作分解，將各級元動作內(nèi)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(shù)作為裝配質(zhì)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(zhì)量預(yù)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(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、常規(guī)SVM模型進行對比分析，結(jié)果表明:三者的預(yù)測結(jié)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(yù)測模型而言預(yù)測效果較好，為數(shù)控機床裝配工藝進一步優(yōu)化提供指導(dǎo)意義。

關(guān)鍵詞:遺傳算法;支持向量機;裝配質(zhì)量;預(yù)測模型

數(shù)控機床是現(xiàn)代裝備制造業(yè)的“工業(yè)母機”，其質(zhì)量和可靠性很大程度上反映了一個國家工業(yè)技術(shù)發(fā)展水平和市場競爭力。針對國產(chǎn)數(shù)控機床長期存在由于裝配不佳導(dǎo)致的故障頻發(fā)問題，提高數(shù)控機床裝配合格率有著重要意義。針對裝配質(zhì)量預(yù)測這一領(lǐng)域，國內(nèi)外專家學(xué)者開展了大量學(xué)術(shù)研究，目前研究主要分為兩類:一類是基于統(tǒng)計過程控制(statisticalprocesscontrol，SPC)的傳統(tǒng)質(zhì)量預(yù)測方法研究，另一類是基于人工智能算法的質(zhì)量預(yù)測方法研究。基于SPC的傳統(tǒng)質(zhì)量預(yù)測方法研究，一般通過建立數(shù)學(xué)或物理模型來實現(xiàn)質(zhì)量預(yù)測，其主要包括線性回歸預(yù)測法、時間序列預(yù)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(guān)系的數(shù)學(xué)模型，并利用偏最小二乘回歸法對軸承裝配質(zhì)量進行控制與預(yù)測;劉銀華等［3］基于偏最小二乘回歸預(yù)測模型，實現(xiàn)對車身產(chǎn)品檢測條件下的裝配質(zhì)量預(yù)測與控制;韓衛(wèi)軍等［4］以petri網(wǎng)－THOR網(wǎng)為基礎(chǔ)，建立了機器人裝配系統(tǒng)裝配質(zhì)量預(yù)測模型。隨著人工智能技術(shù)的迅速發(fā)展，基于人工智能算法的質(zhì)量預(yù)測方法受到國內(nèi)外研究人員廣泛關(guān)注，其主要包括灰色預(yù)測模型、人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetworks，ANN)預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、支持向量機(supportvectormachine，SVM)預(yù)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(guān)聯(lián)分析找出關(guān)鍵裝配特征，然后通過PSO－BP組合預(yù)測模型進行產(chǎn)品裝配質(zhì)量的預(yù)測;賈振元等［6］建立了基于BP神經(jīng)網(wǎng)絡(luò)的裝配產(chǎn)品特性預(yù)測模型;PatelA［7］等基于利用ANN預(yù)測出汽車OEM的裝配質(zhì)量缺陷。SVM作為一種可訓(xùn)練的機器學(xué)習(xí)方法，許多學(xué)者將其成功運用于裝配質(zhì)量的預(yù)測，并取得了不錯的預(yù)測效果，如LiY等［8］對多源不確定性下裝配質(zhì)量特征進行分析，并利用SVM實現(xiàn)了裝配質(zhì)量的預(yù)測和關(guān)鍵工藝參數(shù)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(yù)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(yōu)勢，但是卻容易出現(xiàn)局部最優(yōu)解的問題，因此本文引入遺傳算法(geneticalgorithm，GA)對其參數(shù)進行優(yōu)化，以最大程度地尋求最優(yōu)參數(shù)組合，本文采用GA－SVM方法構(gòu)建了數(shù)控機床裝配質(zhì)量預(yù)測模型，從而為根據(jù)預(yù)測結(jié)果尋找裝配過程中可能出現(xiàn)的質(zhì)量問題，制定相關(guān)調(diào)整措施和優(yōu)化裝配細節(jié)，以達到裝配質(zhì)量零缺陷的目標提供一種可行有效的方法。

1數(shù)控機床

FMA結(jié)構(gòu)化分解FMA是按照“功能(function)－運動(movement)－動作(action)”的基本順序，將產(chǎn)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(chǎn)品總功能的實現(xiàn)［10－13］。FMA結(jié)構(gòu)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(jié)構(gòu)化分解，砂輪架要能夠?qū)崿F(xiàn)砂輪主軸旋轉(zhuǎn)和砂輪X軸進給運動，要實現(xiàn)砂輪X軸進給運動，滾珠絲杠、絲杠螺母、快進油缸以及導(dǎo)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(jié)果如圖2所示。

2基于遺傳算法的支持向量機參數(shù)優(yōu)化

傳統(tǒng)SVM對核函數(shù)參數(shù)r和懲罰因子C關(guān)鍵參數(shù)設(shè)置通常采用人工試算方法，通常過度依賴專家主觀經(jīng)驗，不僅費時費力、效率低下，而且針對稍微復(fù)雜的問題很難實現(xiàn)參數(shù)的合理設(shè)置，一定程度上阻礙了SVM的推廣應(yīng)用［14］。針對這個問題，許多相關(guān)研究將SVM參數(shù)設(shè)置轉(zhuǎn)換為最優(yōu)化問題，并采用智能算法來求解該優(yōu)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(yōu)化智能算法，其具有適用性好、尋優(yōu)效率較高、搜索速度快等優(yōu)點［15］?；贕A－SVM的算法流程圖如圖3所示。步驟1:參數(shù)設(shè)置:合理設(shè)置遺傳算法運行參數(shù)和SVM主要參數(shù)的尋優(yōu)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(shù)參數(shù)r和懲罰因子C表示成具有遺傳特性的基因型數(shù)據(jù)，并隨機產(chǎn)生初始種群。步驟3:個體適應(yīng)度的計算:計算所有個體的適應(yīng)度，用于衡量個體的優(yōu)劣程度。步驟4:停止準則的判斷:判定個體的適應(yīng)度是否滿足停止準則，如果滿足，則執(zhí)行步驟6，否則繼續(xù)執(zhí)行步驟5。步驟5:遺傳操作:運用輪盤賭法，選擇個體的適應(yīng)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(xù)執(zhí)行，直至滿足停止準則。

3實例分析

3．1砂輪架裝配質(zhì)量關(guān)鍵影響因素的確定

砂輪架是磨齒機中極為關(guān)鍵部件之一，對磨齒機的正常運行有著至關(guān)重要的作用。原因在于它不僅承載著砂輪主軸的高速轉(zhuǎn)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(zhuǎn)動A1→絲杠螺母移動A2→快進油缸移動A3→導(dǎo)軌滑塊移動A4為例，將砂輪架在水平面內(nèi)的移動直線度Y作為裝配質(zhì)量分析對象，并確定該元動作鏈中關(guān)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(zhì)量預(yù)測

本文將砂輪架在水平面內(nèi)的移動直線度Y作為模型的輸出數(shù)據(jù)，上述5個影響Y的關(guān)鍵裝配影響因素作為模型的輸入數(shù)據(jù)。通過對國產(chǎn)某型號磨齒機砂輪架裝配過程進行數(shù)據(jù)搜集和整理，獲得60組樣本數(shù)據(jù)，如表2所示，將前50組作為預(yù)測模型的訓(xùn)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(shù)據(jù)歸一化處理，才能應(yīng)用于所構(gòu)建的GV－SVM模型中。初始化完成后，把訓(xùn)練樣本送入GA－SVM模型中，得到遺傳算法的參數(shù)尋優(yōu)過程如圖4所示，由圖可知，隨著迭代的推進，最佳適應(yīng)度曲線并沒有波動異常現(xiàn)象發(fā)生，而呈現(xiàn)出穩(wěn)步下降，并最終趨于穩(wěn)定，這說明遺傳算法對核函數(shù)參數(shù)r以及懲罰參數(shù)C的參數(shù)尋優(yōu)過程表現(xiàn)良好，并且，最佳適應(yīng)度曲線表現(xiàn)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(yōu)能力較好，具有一定的穩(wěn)定性。最終獲得最優(yōu)懲罰因子C為29．413，最優(yōu)核函數(shù)參數(shù)r為0．0515。將這兩個最優(yōu)參數(shù)代入到SVM中進行模型求解，得到訓(xùn)練樣本的訓(xùn)練回歸結(jié)果如圖5a，測試樣本的測試回歸結(jié)果如圖5b。由圖可知，模型對訓(xùn)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(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、常規(guī)SVM模型進行對比分析，其預(yù)測結(jié)果如表3所示。結(jié)果顯示，GV－SVM、常規(guī)SVM模型與BP神經(jīng)網(wǎng)絡(luò)這3種質(zhì)量預(yù)測模型的預(yù)測結(jié)果平均相對誤差分別為3．83%、8．90%和10．16%，顯然，GA－SVM預(yù)測效果最好。GV－SVM有效地解決了常規(guī)SVM中參數(shù)選擇的問題，并提高了預(yù)測結(jié)果的準確度，因此，GV－SVM是一種高效合理的裝配質(zhì)量預(yù)測方法。

4結(jié)語

針對傳統(tǒng)SVM大多采用人工試算法選取主要參數(shù)，且針對稍微復(fù)雜的問題很難實現(xiàn)參數(shù)的正確設(shè)置和最優(yōu)搭配的問題，構(gòu)建了基于GA－SVM的數(shù)控機床裝配質(zhì)量預(yù)測模型。以砂輪架X軸進給運動下的元動作鏈裝配質(zhì)量預(yù)測為例，在確定關(guān)鍵裝配風(fēng)險控制點的基礎(chǔ)上，通過收集關(guān)鍵裝配風(fēng)險控制點的歷史裝配數(shù)據(jù)，并將其作為輸入變量，最終預(yù)測了該元動作鏈整體裝配質(zhì)量，并通過與BP神經(jīng)網(wǎng)絡(luò)和常規(guī)SVM模型預(yù)測結(jié)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(shù)優(yōu)化，但是遺傳算法是利用反復(fù)迭代進行最優(yōu)解的尋找，參數(shù)尋優(yōu)的運行速度會很大程度受限于樣本數(shù)據(jù)的數(shù)量和質(zhì)量，當樣本數(shù)據(jù)過多時，其參數(shù)尋優(yōu)效率將嚴重影響整個GA－SVM裝配過程質(zhì)量預(yù)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(shù)尋優(yōu)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(zhì)量預(yù)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(zhì)量預(yù)測［J］．工業(yè)工程，2016，19(4):136－139．

作者：陳資 陳春雨 張根保 單位：廣東理工學(xué)院工業(yè)自動化系 重慶文理學(xué)院機械工程學(xué)院