[发明专利]一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法

摘要

本发明公开了一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，涉及石油装备制造技术领域，本发明针对螺纹加工颤纹发生的规律与特点，基于实际的颤纹发生情况大数据，交叉运用数据挖掘、可靠性分析及优化设计理论方法，尤其采用改进的K‑means聚类算法实施数据挖掘，采用改进的非支配排序遗传算法实施颤纹缺陷控制优化，提出油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法；与现有技术相比，本发明的一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，可以提高油套管螺纹加工颤纹预测的准确度，并有效控制颤纹的发生。

主权项

一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，其特征在于，在原始数据库中预先存储多组不同钢级、规格和螺纹类型的螺纹加工工艺参数和对应的螺纹表面实际颤纹数据；所述加工工艺参数数据包括，与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊，与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据，与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积，与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量等；所述的螺纹表面实际颤纹数据包括，对实际加工螺纹表面颤纹严重程度观察与检测的评级数据；所述方法包括：S1，选取原始数据库存储的至少两组同种规格、钢级和螺纹类型的油套管螺纹加工工艺参数数据及其对应的螺纹实际表面颤纹数据，并对选取的数据进行规一化并抽象为向量，将规一向量化后的数据分为训练数据样本和校验数据样本，并将训练数据样本和校验数据样本分别放入训练样本库和校验样本库；S2，采用改进的K‑means聚类算法，对训练数据样本进行数据挖掘建模，得到由机加工工艺参数作为因变量、螺纹表面颤纹数据作为响应变量的油套管螺纹加工的基于数据挖掘的颤纹生产预测模型；S3，使用所述检验数据样本验证所述基于数据挖掘的颤纹生产预测模型的正确性，如果检验通过即得到颤纹预测专家模型，则执行S4，否则，转置S1，选取更新的数据重复执行流程；S4，采用得到的颤纹预测专家模型，对用户输入的指定工艺条件下的颤纹产生程度进行预测，输出颤纹预测结果；S5，根据训练样本库中大量实测机加工工艺参数，分析获取工艺参数分布模型，结合S4所建立的颤纹预测专家模型通过蒙特卡洛模拟建立基于响应面函数的颤纹的可靠度预测模型；S6，通过螺纹加工的废品率要求分析与成本控制要求分析两者的综合分析确定设计的目标可靠度，将目标可靠度作为标准成为目标可靠度校核，将S5计算得到的颤纹的可靠度预测模型中的颤纹可靠度与目标可靠度比对差值作为目标函数，加工工艺参数作为设计变量，运用改进的非支配排序遗传算法进行可靠性优化迭代，最终满足目标可靠度的要求，输出控制颤纹的工艺参数优化设计结果。