基于支持向量回归的电弧加工电极损耗预测

【作者】 何国健； 顾琳； 董海洪； 赵万生；

【机构】 上海交通大学机械与动力工程学院机械系统与振动国家重点实验室；

【摘要】 近年来,电弧加工技术应用于难切削加工材料高效去除方面的研究取得了长足进展。相比于电火花加工,电弧加工具有更高的能量密度及电热转换效率,可以极大地提高材料去除率。同时,和电火花加工一样,除工件的材料去除率之外,相对电极损耗率也是评价电弧加工性能的一个重要指标。电弧加工过程中,电极会逐渐损耗,若不针对所加工的几何特征采取相应的电极损耗补偿策略,会出现加工完成后尺寸精度差、加工余量不均匀的问题;电极损耗现象也会造成加工中存在大量非放电空走刀时间,影响加工效率。目前,电弧加工的高效性已得到广泛证实,为进一步提高该技术的成熟度,加工的尺寸精度的提升已成为目前急需解决的问题。由于电极损耗对工件尺寸精度有至关重要的影响,因此将对电弧加工中电极损耗问题进行研究,为保证电弧加工过程的连续性,采用离线预测方法确定电极损耗量。该问题属于典型的非线性回归预测问题,使用机器学习方法是解决此类问题的有效手段。机器学习方法中的支持向量机算法以统计学理论为基础,最优解基于有限的样本信息,因而特别适合小样本的分类预测。支持向量回归是支持向量机用于回归预测问题的扩展,同样适用于小样本、非线性、高维度的预测问题。将利用支持向量回归算法构建电弧加工电极损耗预测模型。该模型以径向基作为核函数,选择电源参数峰值电流、脉冲宽度及脉冲间隔为输入特征,相对电极损耗率作为输出参数,模型中需要通过训练优化的参数包括惩罚因子、核参数、不敏感损失函数ε。设计了三因子四水平L16正交实验用于获取模型训练及测试的数据样本集。训练过程中,进行三折交叉验证,并使用具有全局优化能力的网格搜索算法对模型中的参数进行优化。利用机器学习库Scikit-Learn构建了最终的预测模型,训练优化得到的模型相关参数分别为C=91.525,γ=0.062,ε=0.010。经测试集测试,所建立的模型最大误差为6.472%,平均预测误差为4.643%,达到较高的预测精度。最后,进行了未施加补偿及使用该模型进行预测并补偿的单道槽加工对比实验,实验结果证明使用该预测模型能够取得良好的补偿效果,进一步验证了该模型可作为电弧加工中电极损耗预测的有效手段。更多还原