[发明专利]一种机械零件廓形数据预测方法

说明书

本发明公开了一种机械零件廓形数据预测方法，包括：(1)在待预测零件的零件面建立坐标系，获取若干轮廓测量点的横坐标点和纵坐标；(2)以横坐标为自变量、纵坐标为因变量，建立幂次模型；(3)将建立的幂次模型编码为拟合模型，将步骤(1)得到的数据带入，并使用自适应随机简化粒子群优化算法对拟合模型进行求解，得到令拟合数据与实际数据最接近的幂次模型；(4)根据拟合得到的幂次模型计算得到待预测零件的廓形数据。本发明可以预测零件廓形数据，且准确率高、稳定性好。

技术领域

本发明涉及机械加工技术，尤其涉及一种基于自适应随机简化粒子群优化算法的机械零件廓形数据预测方法。

背景技术

在机械制造中，为了节省加工原料，在车削加工前需要进行铸造，其最重要的环节就是获得一些特殊零件的数据，这需要进行不断测量与拟合。

曲线拟合可以用于预测、排除一组数据中的粗大误差数据、故障检测等多个方面。在机床方面也应用甚广，比如：一些特殊零件在精加工前的所需数据、进口机床动力部件的数据获取、车削加工中振动与工件物理量关系预测等。其原理都是利用连续曲线尽可能相似地刻画和比拟一组或多组离散数据，通过给几组自变量设置拟合参数已达到尽可能包含或接近所有因变量，如此绘制出的曲线称为拟合曲线，计算参数的过程便是拟合的过程。计算拟合参数需要用到算法，合适的算法可以在尽量短的时间里搜索得到最接近实际因变量分布的曲线参数。目前，最常使用的方法主要是古典数学计算方法，比如：最小二乘法、鲍威尔法、牛顿法等，这些方法性能相对稳定，但是缺点也十分明显。缺点一：拟合时需要设置初始值、计算梯度等，准备工作繁杂，且对结果影响很大；缺点二：为了方便计算，需要对预测公式进行简化，比如对等式两边同时取以指数为底的对数函数，这点对预测函数要求较高，为了计算方便而使用过于简化的预测函数会影响拟合精度。

粒子群优化方法(Particle Swarm Optimization，简称PSO)是Kennedy和Eberhart在1995年提出的一种全新启发式优化方法。基本粒子群算法的迭代公式有两个，分别是速度迭代公式和位置迭代公式，如下：

式(1)即为粒子速度公式，式(2)为粒子位置公式。式(1)和式(2)中，v_i表示第i个粒子当前速度；x_i表示第i个粒子当前位置；ω是惯性权重；n表示粒子在第n个维度；i表示第i个粒子；t当前迭代次数；c₁和c₂分别是认知因子和社交因子；r₁和r₂是[0，1]之间的随机数；p_best是个体历史最优解；g_best是整个粒子种群历史最优解。式(1)的第一项是上一次迭代后粒子本身的速度；第二项是认知项，粒子的上一次迭代得到的位置与这个粒子曾经得到的最好位置使用差分比较，进行自我学习的过程，更新当前位置；第三项是社交项，当前粒子位置与全局最优解进行比较学习，速度再次受到全局最优解的影响；最后本次迭代粒子的速度将受到以上三个因素的影响得到最终速度。式(2)则是利用上一代的粒子位置与本次迭代得到的速度相加更新此次迭代后的粒子位置。基本粒子群优化只依靠两个迭代公式便可以搜索到较好的解，在对精度要求不高的环境下十分实用。尽管基本粒子群优化方法优势众多，但是收敛精度不高、后期收敛速度较慢、稳定性随问题维度增加而迅速减弱是其较难用于复杂情况的致命原因。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种机械零件廓形数据预测方法，该方法基于自适应随机简化粒子群优化算法，可以预测机械零件廓形数据，准确率高、稳定性好、预测速度快。

技术方案：本发明所述的机械零件廓形数据预测方法包括：

(1)在待预测零件的零件面建立坐标系，获取若干轮廓测量点的横坐标点和纵坐标；

(2)以横坐标为自变量、纵坐标为因变量，建立幂次模型；