[发明专利]一种基于支持向量机的制造过程可靠性建模方法及装置

说明书

本发明涉及一种基于支持向量机的制造过程可靠性建模方法及装置，该方法包括：获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。本发明实用性强又易于实施，可有效预测制造过程表面粗糙度及可靠性，且大幅减少计算复杂度，相比传统蒙特卡洛方法计算效率更高，且计算误差处在可接受范围内。

技术领域

本发明涉及外圆车削制造技术领域，尤其涉及一种基于支持向量机的制造过程可靠性建模方法及装置。

背景技术

航空发动机钛合金叶轮是航空发动机核心零部件，其形状和结构十分复杂，数量多且尺寸大小各异(长度从20mm到800mm)，而且对于钛合金这类难加工材料而言，加工过程中切削力很大，始终处于高温、高转速、循环载荷的恶劣共工作环境中，如果叶轮本身存在质量缺陷，发生变形、断裂等故障，后果将不堪设想。

由于制造过程的复杂性，当前针对制造过程可靠性尤其是航空发动机叶轮制造过程可靠性采用智能算法的研究较少。因此，如何对制造过程可靠性进行智能高效的判定是亟待解决的问题。

发明内容

有鉴于此，有必要提供一种基于支持向量机的制造过程可靠性建模方法及装置，用以克服现有技术中制造过程可靠性判定过程复杂且智能化不高的问题。

本发明提供一种基于支持向量机的制造过程可靠性建模方法，包括：

获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集；

将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型；

将随机生成的多组采样参数组输入至所述训练完备的支持向量机模型，根据输出的工件预测表面粗糙度，判断所述车削工艺过程的可靠性。

进一步地，所述获取车削工艺过程中包含标注信息为工件实际表面粗糙度的多种工艺参数组，构成样本训练集，包括：

获取车削工艺过程中，多次切削实验下对应的不同的工件参数，并采集切削后的所述工件实际表面粗糙度，其中，所述工件参数包括切削速度、切削深度和进给量中的至少一种；

针对每次切削实验，将不同的所述工件参数构成对应的所述工艺参数组；

将所述工艺参数组对应的所述工件实际表面粗糙度作为标注信息，形成所述样本训练集。

进一步地，所述将所述样本训练集输入至支持向量机模型进行训练，确定训练完备的支持向量机模型，包括：

将所述样本训练集中的数据进行归一化处理后输入至所述支持向量机模型；

基于网格搜索法，优化支持向量机模型参数，生成不同的参数组合，在参数空间内搜索最小化泛化误差的参数组合；

根据所述最小化泛化误差的参数组合，确定所述训练完备的支持向量机模型。

进一步地，所述工艺参数组中的工件参数包括切削速度、切削深度和进给量，所述多组采样参数组的随机生成过程，包括：

基于拉丁超立方采样，分别生成所述切削速度、所述切削深度和所述进给量对应的基本随机变量；

将不同的所述基本随机变量，作为对应的每一维的抽样区间；

根据预设的抽样范围，在所述每一维的抽样区间均匀抽样，生成每一维对应的抽样数据；

将不同维度的抽样数据进行组合，生成所述采样参数组。