[发明专利]一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法

说明书

本发明公开了一种基于GA‑GBRT的表面粗糙度预测方法及工艺参数优化方法。a.采集数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；b.参数编码和种群初始化：随机生成一个用于提升迭代次数、个体回归估计器的最大深度和学习速率的染色体序列；c.使用k‑折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数。本发明具有测试精度高、预测性能优越、提高工件表面加工精度的特点。

技术领域

本发明涉及机械加工技术领域，特别是一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。

背景技术

在生产中建立难加工材料的表面质量预测模型并对其进行控制，是实现可持续制造的先决条件。AISI 304不锈钢在高温、高湿、腐蚀环境中具有良好的性能。因此，AISI 304不锈钢广泛应用于医疗设备、航空航天、造船、核电等高科技行业。但是在加工AISI 304不锈钢过程中，出现切削力大、切削温度高、加工硬化严重、断屑难、刀具寿命短、表面质量难以控制等问题，是一种典型的难加工材料。表面粗糙度是衡量切削表面完整性的重要指标，近几十年来受到广泛关注。然而，由于对切削机理的认识不全面，加工过程中满意的表面粗糙度在很大程度上仍取决于人类的经验。不合理地选择加工参数和机床，会增加生产成本，降低表面质量。因此，建立精确的车削表面粗糙度模型，以实现加工中根据切削参数预测表面粗糙度，是一个急需解决的问题。

发明内容

本发明的目的在于，提供一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。本发明具有测试精度高、预测性能优越、提高工件表面加工精度的特点。

本发明的技术方案：一种基于GA-GBRT的表面粗糙度预测方法，按下述步骤进行：

a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；

b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；

c.使用k-折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；

d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；

e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参数导入GBRT模型得到GBRT预测机。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤b中，初始种群设置为30，最大进化代数设置为50。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤c中，所述的使用k-折叠交叉验证方法训练GBRT模型，具体如下：

将训练组数据随机分为m组，在每次折叠交叉验证测试中，使用m-1组数据进行训练，剩余的1组用于测试；用所有k次的平均值作为GBRT模型选择最优模型参数的适应度值R²，其定义如下：

式中：为第i个目标的拟合值；y_i为实际观测值，n分别为观测值的平均值和样本总数，R²的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。

前述的基于GA-GBRT的表面粗糙度预测方法所述的步骤c所述的k-折叠交叉验证方法中，k的值设置为5。