一种基于机器学习的Ti-6Al-4V合金表面粗糙度的预测方法

一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法
技术领域
1.本发明涉及金属材料粗糙度预测技术领域，特别是涉及一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法。


背景技术：

2.钛合金因具有质轻、密度低、比强度和屈强比高、耐蚀性好、可焊接性优良等特点不仅在航空、航天领域得到广泛应用，在军事上也有十分广泛的用途，可以制造导弹和卫星中的高强螺栓、内燃机叶片以及运载火箭的叶轮等；利用ti-6al-4v合金的耐高温性能将钛合金应用于航空发动机的高压压气机，可大幅度的提高航空发动机的推重比；但该材料切削加工时温度强度高、化学活性高等特点会导致加工切削力大、温度高、刀具粘结等问题，致使工件加工表面质量较差。影响表面粗糙度的因素包括刀具和工件本身的材料性能、加工参数以及切削条件等，例如在切削过程中，影响粗糙度的主要因素有切削速度、切削深度、进给速度、切削刀具材料性能、刀具磨损、切削刀具的润滑等。其中任何因素轻微改变都很有可能对工件加工表面质量产生很大影响。在实际应用过程中，因为钛合金表面粗糙度与零件接触刚性、耐腐蚀性以及产品的疲劳强度等密切相关，这些因素都会严重影响到机械产品的使用寿命，因此，对钛合金产品的表面粗糙度要求较高。
3.传统的探索高性能材料表面粗糙度的方法往往是通过实验、理论或计算来表征材料的表面粗糙度，采用这些方法需要大量的时间和人工投入，耗时耗力，难以进行高通量的材料表征。
4.因此，本领域亟需一种能够简单、高效地检测金属表面粗糙度的技术方案。


技术实现要素：

5.本发明的目的是提供一种能够解决传统方法预测ti-6al-4v合金表面粗糙度用时较长、操作复杂的问题。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法，包括：
8.获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集；
9.建立机器学习模型数据库，筛选特征数据，获取最优特征组合；
10.通过所述特征数据进行模型训练；
11.通过训练好的模型对未知的ti-6al-4v合金粗糙度进行预测，挑选出粗糙度符合规定的ti-6al-4v合金。
12.可选的，所述获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集包括：
13.抓取ti-6al-4v合金加工过程中的进给率、车削速度、切削深度等数据库；将抓取到的实验数据和结果保存在数据库中作为训练数据使用。
14.可选的，对特征数据集进行筛选，利用响应面分析法筛选所述最优特征组合。
15.可选的，将所述训练数据输入到预先选定的机器学习模型中进行训练，得到训练
好的模型，通过所述模型预测ti-6al-4v的粗糙度。
16.可选的，采用机器学习方法通过特征数据进行模型训练。
17.可选的，所述机器学习方法算法包括支持向量机算法、随机森林算法和神经网络算法模型。
18.可选的，对使用不同算法得出的预测数据进行对比，选择出误差较小的数据，从而预测得出最佳的数据结果。
19.本发明提供了一种基于机器学习的ti-6al-4v(tc4)合金表面粗糙度的预测方法，该方法包括，获取用来预测ti-6al-4v合金表面粗糙度的特征数据训练集，并对特征数据集进行筛选，选取最优的特征组合，其中训练数据包括输入数据和输出数据，输入数据为进给率、切削速度、切削深度；输出数据为ti-6al-4v合金表面粗糙度；通过深度强化学习的方法，针对特征数据集在不同的机器学习模型中进行多轮训练，后根据训练结果确定最优机器学习模型，并对ti-6al-4v合金表面粗糙度进行预测。本发明有益效果是：通过训练模型将提取的样本传递给机器学习算法进行训练，得到最优数据，不仅对ti-6al-4v合金表面粗糙度预测较为准确，且节省计算成本和时间。
附图说明
20.图1为粗糙度预测方法流程图；
21.图2为支持向量机算法模型预测值与实验值的对比图；
22.图3为随机森林算法模型预测值与实验值的对比图；
23.图4为神经网络算法模型预测值与实验值的对比图；
24.图5为粗糙度训练过程误差图；
25.图6为ti-6al-4v粗糙度算法比较图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.本实施例公开了一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法，具体包括以下步骤：
28.步骤1、根据文献资料获取ti-6al-4v合金表面粗糙度的特征数据训练集；
29.步骤2、抓取ti-6al-4v合金加工过程中的进给率、车削速度、切削深度等数据库；将抓取到的实验数据和结果保存在数据库中作为训练数据使用；
30.进一步地，进行数据预处理，对特征数据集进行筛选，利用响应面分析法筛选最优特征组合；
31.响应面法(rsm)是调整预测变量的过程，以将响应移动到所需的方向，并以迭代方式达到最佳。建立了两个多项式模型，用于所研究钛合金的ra预测。
32.模型1：
33.ra＝α0+α1f+α2n+α3d+α
12
fn+a
13
fd+α
23
nd
34.模型2：
35.ra＝α0+α1f+a2n+a3d+a
12
fn+a
13
fd+a
23
nd+a
11
f2+a
22
n2+a
33
d236.式中，f是进给速度(m/min)，n是切削速度(rev/min)，d是切削深度(mm)，αi是模型系数。
37.本实例的相关数据如下表1所示：
[0038][0039]
表1
[0040]
通过对表1的实验数据进行回归分析，计算出上述模型的最终方程。
[0041]
模型1：
[0042]
ra＝0.8031+1.6057f-0.00169n-0.3+66d+0.005fn+2.7622fd+0.000+nd
[0043]
模型2：
[0044]
ra＝2.6563-16.0605f-0.0028n-1.0345d+0.3047fn+2.8+12fd+0.0005nd+53.6569f2+0.00001n2+0.3997d
l
[0045]
两个模型的方差统计分析得，该模型具有显著性，第一个模型的有效项是进给量(f)和切削深度(d)，第二个模型的有效项是进给量(f)、切削速度(n)和切削深度(d)。
[0046]
进一步地，将所述的训练数据输入到预先选定的机器学习模型中进行训练，得到训练好的模型，通过所述模型获取预测ti-6al-4v的粗糙度；
[0047]
进一步地，所述s3的机器学习方法算法包括支持向量机算法、随机森林算法和神经网络算法模型；
[0048]
支持向量机算法(svm)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。间隔最大化就是对训练数据集找到几何间隔最大的超平面意味着以充分大的确信度对训练数据进行分类。也就是说，不仅将正负实例点分开，而且对最难分的实例点(即离平面最近的点)也有足够大的确信度将他们分开。这样的超平面对未知的新实例有很好的分类预测能力。
[0049][0050]
s.t.wφ(x)+b-yi≤ε+ηi[0051][0052][0053]
式中wφ(x)+b是超平面；φ(x)将样本从原始空间映射到一个更高维的特征空间；ε表示预测值和实际值可以容忍的偏差，ηi为每个样本松弛常量；c为误差的惩罚系数。
[0054]
随机森林算法(rf)是由很多决策树构成的，不同决策树之间没有关联；当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树都会得到一个自己分类的结果，决策树的分类即通过的当中哪一个分类最多，那么随机森林就会把这个当做最终结果。
[0055]
构造随机森林的步骤为：一个样本容量为n的样本，有放回的抽取n次，每次抽取1个，最终形成了n个样本。这选择好了的n个样本用来训练一个决策树，作为决策树根节点处的样本。当每个样本有m个属性时，在决策树的每个节点需要分裂时，随机从这m个属性中选取出m个属性，满足条件m《《m。然后从这m个属性中采用某种策略(例如信息增益)来选择1个属性作为该节点的分裂属性。决策树形成过程中每个节点都要按照步骤2来分裂，一直到不能够再分裂为止。按照此种方法建立大量决策树，最终构成随机森林。
[0056]
rf在bagging的基础上引入随机属性，是bagging的扩展变体，rf由很多决策树组成，在决策树的训练过程中引入随机属性。随机森林简单、易于实现、计算开销小。
[0057]
神经网络算法通过对样本的学习训练，不断改变网络的拓扑结构及连接权值，使得输出不断的接近期望输出值。
[0058]
神经网络是由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。输入信号从突触(dendrites)进入后，转化为化学信号，经过神经元细胞一系列的处理，最终在轴突末梢(axon terminals)转换为输出信号。借鉴大脑的这一生理结构，我们可以把信号在神经元中的处理过程用激活函数g(z)来抽象表示，因此神经元的等效简单数学模型为：
[0059]
g(z)＝θ1x1+θ2x2+θ3x3[0060]
进一步地，所述s4对使用不同算法得出的预测数据进行对比，随机森林和支持向量机的决定系数相差不大，但是支持向量回归的平均绝对误差最小，所以支持向量机算法预测的数据结果最佳。因此选用支持向量机算法能够选出预测粗糙度较低且预测可信性较高的ti-6al-4v合金。
[0061]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0062]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于机器学习的ti-6al-4v合金表面粗糙度的预测方法，其特征在于，包括：获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集；建立机器学习模型数据库，筛选特征数据，获取最优特征组合；通过所述特征数据进行模型训练；通过训练好的模型对未知的ti-6al-4v合金粗糙度进行预测，挑选出粗糙度符合规定的ti-6al-4v合金。2.根据权利要求1所述的预测方法，其特征在于，所述获取用于预测ti-6al-4v合金表面粗糙度的特征数据训练集包括：抓取ti-6al-4v合金加工过程中的进给率、车削速度、切削深度等数据库；将抓取到的实验数据和结果保存在数据库中作为训练数据使用。3.根据权利要求1所述的预测方法，其特征在于，对特征数据集进行筛选，利用响应面分析法筛选所述最优特征组合。4.根据权利要求1所述的预测方法，其特征在于，将所述训练数据输入到预先选定的机器学习模型中进行训练，得到训练好的模型，通过所述模型预测ti-6al-4v的粗糙度。5.根据权利要求1所述的预测方法，其特征在于，采用机器学习方法通过特征数据进行模型训练。6.根据权利要求5所述的预测方法，其特征在于，所述机器学习方法算法包括支持向量机算法、随机森林算法和神经网络算法模型。7.根据权利要求6所述的预测方法，其特征在于，对使用不同算法得出的预测数据进行对比，选择出误差较小的数据，从而预测得出最佳的数据结果。

技术总结
本发明提供一种基于机器学习的Ti-6Al-4V合金表面粗糙度的预测方法，属于金属材料粗糙度预测技术领域，该方法包括，获取用来预测Ti-6Al-4V合金表面粗糙度的特征数据训练集，并对特征数据集进行筛选，选取最优的特征组合，其中训练数据包括输入数据和输出数据，输入数据为进给率、切削速度、切削深度；输出数据为Ti-6Al-4V合金表面粗糙度；通过深度强化学习对特征数据集应用于机器学习模型进行多轮训练，根据训练结果确定于机器学习模型匹配的数据选择算法进行预测，得到对应的Ti-6Al-4V合金表面粗糙度。本发明通过训练模型将提取的样本传递给机器学习算法进行训练，得到最优数据，不仅对Ti-6Al-4V合金表面粗糙度预测较为准确，且节省计算成本和时间。且节省计算成本和时间。且节省计算成本和时间。


技术研发人员：刘洪喜 陶建涛 张晓伟 李为尚 齐惠清 刘亮
受保护的技术使用者：昆明理工大学
技术研发日：2023.04.10
技术公布日：2023/7/28