论文部分内容阅读
在实际工程中,一些现象具有时效性和阶段性变化的特征,其时效性特征会导致建立的预测模型往往只在短期内有效,需要不断的更新预测模型,而建立预测模型时若不考虑阶段性特征,可能会增加建模计算的复杂性、影响预测效果甚至导致预测模型不满足要求。加工过程中的刀具磨损具有初期、正常、快速磨损和失效等明显的阶段特征,而在批量化精密加工过程中,刀具磨损的准确预测是调控加工参数以保证稳定的加工质量的重要前提,是智能化加工技术的关键部分。因此,为实现刀具磨损的在线实时预测,探求建立具有时间特征的时效预测模型方法,提高刀具磨损过程的预测精度,具有重要的工程实际意义。本文基于刀具磨损的阶段性特性,结合数据驱动的预测方法,对刀具磨损的实时预测模型进行了研究。(1)通过对工程实际中存在时效和明显阶段变化的特征曲线的分析,提出一种实时生长型分段回归(RGSR)模型的建模方法。其建模思路是,从起始点采集能建立预测模型的最少样本建立初始预测模型,执行现场检测、模型满意度验证、预测模型修正、分段判断与分段点确定以及分段预测模型建立等环节,并以此循环,分别建立随着时间变化的具有分段特征的修正模型或预测模型。(2)RGSR建模中分段判断和分段点确定是建立相应回归模型的核心内容,也是其关键环节。通过研究分段判断方法,提出了一种基于高斯过程回归(GPR)的绝对误差(AE)区域分段法,即:通过分析GPR模型对曲线拟合的AE,采用分段点处于AE峰值点或附近的方法进行分段判断,该方法能够及时判断过程变化是否进入了新阶段并找出其阶段性变化的分段点,通过各种应用实例,对AE区域分段法进行了有效性验证。(3)通过45号钢和不锈钢加工的刀具磨损实验,分别采用GPR和多项式回归的建模预测方法对RGSR建模进行了论证。以GPR构建RGSR模型时,采用AE区域分段法作为分段判断方法和分段点确定方法,以多项式回归构建RGSR模型时,则以预测误差和模型修正前后的多项式次数差作为分段判断和分段点确定的依据。实验结果表明,分段建立预测模型能有效提高预测精度和预测效果,更符合实际加工中的刀具磨损过程,并且由于分段预测模型需要的样本量少,计算复杂度比整体预测模型低,能够降低多项式回归预测建模时的次数。