[发明专利]基于贝叶斯网络的深孔圆度误差预测方法

摘要

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。

主权项

1.一种基于贝叶斯网络的深孔圆度误差预测方法，其特征在于包括以下步骤：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；步骤三、根据深孔加工数据确定深孔加工参数变量集合X中各加工参数的活跃区间，并采用等宽区间法对各参数的活跃区间进行离散；对于深孔加工过程变量集合H中的隐节点只需给定离散区间数；圆度误差节点C设定为二值节点，按实际公差要求分为合格和不合格两类；步骤四、选取Dirichlet分布作为贝叶斯网络各节点的先验概率分布，各节点的概率分布为式中，i为深孔加工贝叶斯网络节点集合V中各节点的序号，j为各子节点的父节点的序号，k为各节点所在的离散区间序号，Pa(Vi)为贝叶斯网络中Vi的父节点，mijk为训练数据中满足变量Vi取第k个状态值且Pa(Vi)取第j个状态值的实例数目，αijk为Dirichlet分布的等价样本量；步骤五、将不同深孔加工参数集合X下的深孔加工数据作为贝叶斯网络的训练数据，采用期望优化算法进行缺值数据的贝叶斯网络参数学习，计算各节点的概率分布，期望优化算法概率计算的迭代公式为式中，为期望优化算法各迭代步的补后数据中满足节点变量V_i取第k个状态值且Pa(V_i)取第j个状态值的碎权样本权重之和，r_i为节点变量V_i的所有状态值个数；当迭代次数达到设定的最大迭代次数时，期望优化算法迭代结束，得到各节点V_i的概率分布；步骤六、根据学习得到的深孔加工贝叶斯网络，采用联合树算法进行不确定性推理；在实际深孔加工中，以深孔加工参数集合X为输入，进行因果推理，计算深孔圆度误差满足公差要求的概率P(C|X)，实现深孔圆度误差的预测；若圆度误差满足公差要求的概率小于50％，则需根据学习得到的深孔加工贝叶斯网络进行诊断推理，计算导致圆度误差不满足公差要求的各加工参数的概率P(X|C)，并对概率最大的加工参数取值进行调整。