[发明专利]基于贝叶斯网络的深孔圆度误差预测方法

说明书

本发明公开了一种基于贝叶斯网络的深孔圆度误差预测方法，用于解决现有深孔圆度误差预测方法实用性差的技术问题。技术方案是采用贝叶斯网络构建深孔加工参数与深孔圆度误差的映射关系。将深孔加工参数作为贝叶斯网络模型的输入节点，将深孔圆度误差作为输出的类变量，同时利用贝叶斯网络将深孔加工过程中刀具的轴向力、扭矩以及振动特征作为网络的隐节点，通过缺值数据的贝叶斯网络学习算法求出网络参数，保证了加工数据不完整情况下模型的有效性，提高了不同深孔加工数据的适用性。同时，根据深孔加工各因素的内在作用机理，构建各网络节点的因果关系，模型表达为一种可解释的概率模型，在预测误差不满足公差要求时利用该模型进行加工参数优化。

技术领域

本发明涉及一种深孔圆度误差预测方法，特别涉及一种基于贝叶斯网络的深孔圆度误差预测方法。

背景技术

文献“基于刀具振动模式特征的深孔圆度误差预测方法，兵工学报，2018，Vol39(2)，p364-372”公开了一种基于刀具振动模式特征的深孔圆度误差预测方法。该方法采用小波包变换方法提取深孔加工过程中刀具振动的能量特征，并以提取的能量特征为输入特征，将模糊聚类技术引入到标准线性支持向量机算法中，构建了刀具振动特征与深孔加工圆度误差之间的映射关系，使得刀具振动模式的模糊输入空间划分问题转化成初始输入空间的初值问题，解决了刀具振动特征高度重叠的问题。同时，以辨识模型的输出误差为目标函数反向修正空间重叠系数，实现了在规则数较少的情况下仍具有较好的圆度误差预测精度及泛化能力。文献所述方法通过提取刀具振动特征预测深孔圆度误差，特征变量单一，适用性不强；方法需要使用专用传感器，成本较高，在实际深孔加工中难以准确获取刀具振动信息或信息不完整时，无法处理缺值数据；此外，该方法没有考虑深孔加工参数与刀具振动特征的关系，模型可解释性不强，在预测出深孔圆度误差不满足公差要求时，无法给出相应的加工参数优化依据。

发明内容

为了克服现有深孔圆度误差预测方法实用性差的不足，本发明提供一种基于贝叶斯网络的深孔圆度误差预测方法。该方法采用贝叶斯网络构建深孔加工参数与深孔圆度误差的映射关系。将深孔加工参数包括主轴转速、进给速度和钻削深度作为贝叶斯网络模型的输入节点，将深孔圆度误差作为输出的类变量，同时利用贝叶斯网络能够处理缺值数据的特点，将深孔加工过程中刀具的轴向力、扭矩以及振动特征作为网络的隐节点，通过缺值数据的贝叶斯网络学习算法求出网络参数，保证了加工数据不完整情况下模型的有效性，从而提高深孔圆度误差预测方法对于不同深孔加工数据的适用性。同时，根据深孔加工各因素的内在作用机理，构建各网络节点的因果关系，模型表达为一种可解释的概率模型，从而在预测误差不满足公差要求时利用该模型进行加工参数优化。

本发明解决其技术问题所采用的技术方案：一种基于贝叶斯网络的深孔圆度误差预测方法，其特点是包括以下步骤：

步骤一、确定贝叶斯网络的节点变量。深孔加工贝叶斯网络的节点集合V表达为

V＝{X,H,C} (1)

式中，X为深孔加工参数变量的集合，H为深孔加工过程变量的集合，C为深孔圆度误差变量。在进行节点变量筛选时，首先利用专家知识归纳所有影响深孔圆度误差C的变量集合X和H，确定因素变量全集，并删除其中的常值变量。然后通过灰色关联度分析求得其余各变量中与深孔圆度误差的关联度序，按各变量对深孔圆度误差的关联度序删除其中的次要变量，将其余各因素变量作为深孔加工贝叶斯网络的节点变量。

步骤二、将筛选后的深孔加工参数变量集合X中的元素作为输入节点，深孔加工过程变量集合H中的元素作为隐节点，深孔圆度误差C作为输出的类节点。在此基础上对各变量间相互影响进行关联性分析，判断各变量间是否存在直接因果关系并确定因果关系的方向，将每两个存在因果关系的节点用有向弧连接，构造有向无环图，得到深孔加工贝叶斯网络的结构。