论文部分内容阅读
数控车床是目前使用较为广泛的数控机床之一,它主要用于轴类零件或盘类零件的内外圆柱面、任意锥角的内外圆锥面、复杂回转内外曲面和圆柱、圆锥螺纹等切削加工。在目前的切削加工过程中存在两大问题,第一是从事数控加工的编程人员水平参差不齐,加工质量无法保证;第二是随着切削数据量不断的增加,单单依靠机械加工手册不能对加工效果好的切削参数进行大规模再利用;机械加工技术与计算机技术结合的切削数据库,能够有效地解决以上问题并可使得切削数据具有更大的适用性。本文首先对国内外知名切削参数数据库系统的研究情况进行了系统的综述,提出本文的研究内容。其次,选取轴类零件为加工对象,借助My SQL数据库,针对各类车削参数建立了关联性数据库,将收集到的切削数据放入数据库中作为原始数据,然后使用Apriori算法,将日常生产过程中使用频繁的切削数据挖掘出来,为后续使用智能算法进行数据处理提供了原始数据。CBR(Case-based Reasoning,实例推理)算法可以将设计实例与历史实例进行匹配,匹配出的最相似实例可以为工艺制定者提供参考。为了使系统可以提供与设计实例最相似的历史实例,在CBR算法的基础上,提出了采用分级策略计算相似度的方法。该策略与传统相似度计算策略不同,在属性细化的基础上,对属性进行了分级,相似度计算是由第一级向最后一级依次进行。同时考虑了权重系数的取值问题,采用主观权重与客观权重相结合,以乘法合成法计算出的组合权重来反映各实例属性的重要程度。将分级策略应用于切削实例推理过程当中,从历史实例中检索出与设计实例最相似的实例,并将其与一般实例推理结果做了对比。分级策略使总相似度整体提高,可使各个历史实例对应的相似度差别更加明显。同时,为了补充CBR算法无法对实例库中不存在的实例进行检索或检索出的实例相似度达不到阈值要求的缺点,利用Tensor Flow机器学习框架建立了ANN(Artificial Neural Network,人工神经网络)模型,以三个切削参数作为输入变量,分别是刀具切削深度、切削速度和进给量,输出变量是表征工件表面粗糙度的三个指标,即轮廓算数平均偏差、轮廓最大高度或微观不平度十点高度。在此基础上,使用历史加工数据对神经网络进行训练,训练后的神经网络模型用于预测被加工件表面粗糙度。预测结果表明基于Tensor Flow框架的表面粗糙度预测方法具有建模方便和精度高的特点。最后,借助Pycharm IDE(Pycharm Integrated Development Environment)集成开发环境,采用B/S(Browser/Server,浏览器/服务器)架构,搭建起数控车床切削参数数据库系统,并实现了切削参数的数据挖掘、人工神经网络推理、实例匹配等功能。本文所做的工作对车削工艺的智能化编制有一定的参考价值。