[发明专利]基于决策树的数控车床车削过程能耗预测系统

权利要求书

1.基于决策树的数控车床车削过程能耗预测系统，其特征是，包括：数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分，从车削参数数据库中选取包括刀具类型、主轴转速、进给量和切削深度在内的主要参数属性构成属性集作为评价指标，对从车削参数数据库中提取的各参数属性值以及实时检测的各参数属性值进行预处理，并将连续型属性离散化，转换成调用决策树算法所需的数据格式，再传送至能耗预测模块；数据准备模块的工作完成后，实时车削参数数据采集模块与能耗预测模块协同工作，调用决策树算法，计算各参数属性的信息增益率，选取信息增益率最大的属性作为决策树的根结点，再由该属性的不同取值建立分支，调用此方法建立决策树各节点的分支，直到所有子集只包含同一类别的数据为止，建立车削过程能耗决策树预测模型；然后对模型进行修正，以提高模型预测精度，输出初步的能耗预测结果；得到初步的能耗预测结果后，自我修正模块与能耗预测模块协同工作，对初步预测结果进行修正，得到最终的预测结果；

在数据准备阶段，从车削参数数据库依据历史车削参数与车削能耗的关系，获取大量已知的样本基础数据构成样本集，然后将样本集划分为两类样本，一类用作训练样本集S，用于建立能耗决策树预测模型，一类作为测试样本集，用来对初步建立的能耗决策树预测模型中不正确的数据进行修正；

训练样本集S中初步提取的各类车削参数都是具体的数值，具有连续属性，构成属性集A＝{A₁,A₂,...,A_n}，表示属性集A中共有n个属性，每个属性A_j具有t个不同的取值即A_j＝{a₁,a₂,...,a_t}，j＝1,2...n，将训练样本集S划分为t个子集S＝{S₁,S₂,...,S_t}，需要对属性A_j，j＝1,2...n中的连续属性值进行离散化处理，具体方法为：将属性A_j，j＝1,2...n中t个不同的取值按照从小到大的顺序依次排列，排列后的属性取值序列为B₁、B₂、...、B_t，逐一求取两个相邻值的平均值作为分割点；这t-1个分割点将属性取值分别分为对应于A_j≤C和A_j＞C，j＝1,2...n的两个子集，计算信息增益率，取出其中最大的信息增益率GR(c’)对应的分割点c’作为局部阈值，则按连续属性A_j，j＝1,2...n划分样本集S的信息增益率为GR(c’)；然后在B₁、B₂、...、B_t中取不超过但又最接近局部阈值c’的取值C作为属性A_j，j＝1,2...n的分割阈值；

计算出训练样本集S中每个参数属性的信息增益率的方法为：训练样本集S＝{S₁,S₂,...,S_m}，包含m个类C_i,i＝1,2,...,m，S_i为类C_i中的样本数，将进行分类的需要的信息量记为I(S)，则：

其中，p_i为训练样本集S中任意样本属于类C_i的概率；训练样本集S按照上述属性A_j＝{a₁,a₂,...,a_t}，j＝1,2...n，的t个不同的取值划分成t个子集，记为S＝{S₁,S₂,...,S_t}，其中，S_j，j＝1,2...t是S的子集，它们在属性A_j，j＝1,2...n上具有值a_j，其中，a_j为属性A_j的第j个分量；则由属性A_j，j＝1,2...n划分子集的信息熵E(A_j)可表示为：

则可得到由属性A_j划分子集的信息增益G(A_j)表示为：

G(A_j)＝I(S)-E(A_j)，j＝1,2...t；

信息增益率等于信息增益对分割信息量的比值，由分割信息量计算公式：

得出最终则由属性A_j划分子集的信息增益率GR(A_j)表示为：

建立能耗决策树预测模型的方法为：分别计算出训练样本集S中每个参数属性的信息增益率，选取具有最大信息增益率的属性作为测试属性，建立决策树的根结点，这样，将样本集划分为若干子集；采用同样的方法依次对子集进行新一轮的划分，直到不可划分或达到终止条件为止，建立初步的决策树预测模型；同时，将实时检测的车削参数数据代入决策树模型，结合历史数据，生成初步的预测结果，并将结果存入车削参数基础数据库中形成历史数据；

对生成的能耗决策树预测模型进行修正的方法为：一方面，使用测试样本集对生成的能耗决策树中不正确的数据进行修正，另一方面，定时对样本进行更新以提高能耗决策树预测模型的准确性；选择具有典型特征的样本加入训练样本集中，而数据库中已有的重复的样本数据则无需加入，具体的操作方法如下：

设有P个样本的数据集E＝(e₁,e₂...e_p)，其中心样本为e_t，t∈(1,2,...,p)；设e_i为待检测的数据样本即e_j为数据集E中的已知的数据样本，j＝1,2...p，则通过样本与样本之间的距离l(e_i,e_j)来衡量样本间的相似度：

设定阈值ξ，若l(e_i,e_j)/l(e_j,e_t)＞ξ，则将其加入数据集E中作为新的样本数据保存并重新训练能耗预测决策树；否则认为样本数据集E中已存在重复的样本数据，即不需将其加入样本数据集E中；其中，为数据集E的中心样本。

2.如权利要求1所述的基于决策树的数控车床车削过程能耗预测系统，其特征是，所述自我修正模块内置实际的能耗探测装置，将能耗预测模块预测的初步预测结果与能耗探测装置实际检测到的能耗相比较，得到误差e；事先根据实际问题的要求，设置误差允许范围，当误差e在所设置的误差允许范围内时，则该预测结果被判断为可接受；当误差e不在误差允许范围时，自我修正模块将结果反馈到能耗预测模块，能耗预测模块结合所得的误差e，重新预测并重新计算新一轮的误差，重复上述计算误差的过程直到得到的误差满足根据实际情况设置的判断标准；如此，通过自我修正模块对初步预测结果进行修正，将得到的修正量再与初步预测结果相结合，从而得到最终的预测结果。