[发明专利]铣削表面完整性预测方法

权利要求书

1.一种铣削表面完整性预测方法，其特征在于：包括如下步骤：

S1.采集铣削加工试验数据集；

S2.对铣削加工试验数据集进行预处理，得到处理后的试验数据集；

S3.将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型；

S4.将待测铣削加工数据输入到训练好的预测模型，输出铣削加工表面完整性的预测结果。

2.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：所述铣削加工试验数据集包括特征变量数据以及加工后工件表面数据；

所述特征变量数据包括加工参数、刀具姿态参数以及刀具几何参数；

所述加工后工件表面数据包括表面粗糙度以及表面残余应力；所述表面残余应力包括进给方向表面残余应力以及横向表面残余应力。

3.根据权利要求2所述的铣削表面完整性预测方法，其特征在于：所述加工参数包括主轴转速、进给速度以及切削深度；

所述刀具姿态参数包括前倾角以及倾斜角；

所述刀具几何参数包括刀具直径、刃数以及螺旋角。

4.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：所述预处理包括：

对铣削加工试验数据集进行无量纲化，得到无量纲化后的试验数据集；

将无量纲化后的试验数据集划分为训练集和测试集。

5.根据权利要求1所述的铣削表面完整性预测方法，其特征在于：将处理后的试验数据集输入铣削表面完整性预测模型进行模型训练，得到训练好的预测模型，具体包括：

利用处理后的试验数据集，选取k个回归模型，并对k个被选取的回归模型分别进行优化，得到k个优化后的回归模型；

对k个优化后的回归模型进行不同组合，得到不同组合的基学习器，使用相同的元学习器对不同组合的基学习器进行Stacking模型融合，从若干模型融合后的基学习器组合中选出最优的基学习器组合；

将最优的基学习器组合作为第一层学习器，在第一层学习器的基础上选择不同的回归模型作为元学习器进行模型融合对比，选择模型融合中预测精度提升最大的回归模型作为模型融合时的元学习器。

6.根据权利要求5所述的铣削表面完整性预测方法，其特征在于：选取k个回归模型，具体包括：

使用训练集分别对m个回归模型进行训练，每个回归模型分别以表面粗糙度、进给方向表面残余应力、横向表面残余应力为标签值进行3次训练；其中，m大于k；

训练完成后，使用训练好的模型对测试集进行预测；

使用评价指标对每个回归模型进行评分，将平分值满足设定条件的回归模型作为被选取的回归模型。

7.根据权利要求5所述的铣削表面完整性预测方法，其特征在于：对被选取的回归模型进行优化，具体包括：

遍历回归模型中所有的超参数组合，并对每组超参数进行交叉验证，得到每组超参数的性能指标，最终选择性能最优的一组超参数作为最终的模型参数。

8.根据权利要求5所述的铣削表面完整性预测方法，其特征在于：所述铣削表面完整性预测模型包括表面粗糙度预测模型、进给方向表面残余应力预测模型以及横向表面残余应力预测模型。

9.根据权利要求8所述的铣削表面完整性预测方法，其特征在于：所述表面粗糙度预测模型中最优的基学习器组合包括Bagging回归模型、随机森林回归模型、ExtraTree回归模型、梯度提升回归模型、XGBoost回归模型以及CatBoost回归模型；

所述进给方向表面残余应力预测模型中最优的基学习器组合包括Bagging回归模型、随机森林回归模型、ExtraTree回归模型、XGBoost回归模型以及CatBoost回归模型；

所述横向表面残余应力预测模型中最优的基学习器组合包括ExtraTree回归模型、XGBoost回归模型以及CatBoost回归模型。

10.根据权利要求9所述的铣削表面完整性预测方法，其特征在于：在表面粗糙度预测模型中将梯度提升回归模型作为模型融合时的元学习器；

在进给方向表面残余应力预测模型中将随机森林回归模型作为模型融合时的元学习器；

在横向表面残余应力预测模型中将梯度提升回归模型作为模型融合时的元学习器。