数控电火花线切割加工参数优化的新技术.docVIP

线切割加工参数优化的新方法 新余学院 机电工程系 黄小英 【摘要】本文提出了基于决策树分类器和神经网络的数控线切割加工工艺参数寻优的新方法。根据已有的样本训练数据建立分类和神经网络类型，针对要求的加工目标；通过对分类规则的提取，生成预测数据集，结合建立的神经网络模型，迅速准确的预测出对应的加工工艺参数。 【关键词】线切割 数控 分类器 神经网络 参数优化 前言 在电火花线切割加工中, 各项加工参数相互关联, 制约, 有些相互矛盾，其中最突出的问题是工具电极的损耗。依靠操作人员的技能和经验很难有效的选取合适的加工参数, 无法获得最佳的加工效果和加工稳定性。由于加工过程的复杂性、系统的非线性和加工参数变化而引起的时变性等, 很难建立数学模型，无法得到有效的规则, 为了获得更理想的加工效果, 实现更有效的优化控制加工过程, 本文提出了用数据挖掘技术，采用基于决策树规则和神经网络构建电火花线切割加工过程的模型, 实现参数优化，从而达到预定的加工目的。 优化算法： 本文基于决策树规则和神经网络构建的线切割加工nj ：C），其中C表示加工的目标或要求，其值一般是连续的，从取值的意义无法形成具有分类功能的类别，并且决策树分类器要 求类别属性必须是离散型，故需对其进行泛化处理，本文采用自然分割法对类别属性进行泛化。V1—Vn对应着加工参数，它们的取值也以连续型居多,并不利于进行深入的分析，所以在建立分类模型之前，对连续型的属性也要进行泛化。 图1 对样本集泛化预处理完后，可按照决策树的算法进行建模。在形成的分类模型里，每个分类中的属性顺序是按照各自对分类的所起的重要性来排列的，即在一条分类规则里，属性是按照对这条分类规则的不确定性影响的大小顺序排布。这个特性直按影响到后续利用分类器进行预测加工工艺参数的属性选择。如类别C1的一种划分为V2=V2i V1=V1i V3=V3i，则表示当V2 取V2i , V1取V1i，V3取V3i的记录属于类别C1，在这条规则里，属性的重要程度的顺序为V2＞V1＞V3。 2.2 建立神经网络模型 标准反向传播算法（BP.Back Propagation）.3 工艺参数寻优方法： 建立模型后，按如下步骤进行参数寻优： 1）确定新的加工要求或目标所属的分类模型中离散化的类别属性的类别，再由决策树提取出所有此类别的规则，形成一个预测规则集T。 2）将各属性在当前规则的取值区间内，进行细化，并按照组合方式得到属于规则Ti的数据集STi。 3）重复第2步，直到每项都完成了数据集的生成，最终形成预测数据集ST。设定误差精度，将数据ST的每个元组数据置入神经网络模型，进行预测计算，生成CTi，即属于类别属性的连续型值，对结果集CT进行分析，在误差范围内的CTi对应的元组即为可能的加工参数方案。 若上述预测数据集ST不足以达到误差限的要求。则可以调整细化程度，生成更加精确的预测数据集。此外还可以生成的CT与对应的元组组合成新的样本集，按照前述的分类模型构造方法构造出一个更精确的分类模型，再由此模型重复上述步骤，直到预测出满足误差要求的新的CTi，从而得到所需求的优化的加工参数组合。 3 数控线切割实例： 本文在DK7716数控放电线切割加工机床，皂化油乳化液，工件材料为CrWMn模具钢等，钼丝电极直径Φ0.15 mm，走丝速度7-9 m/s(A), 放电脉冲宽度ton()。工件厚度TH(mm)时的电极损耗EX（mm/min） 电流 I(A) 放电脉冲宽度 ton() 工件厚度 TH(mm) 电极损耗 EX（mm/min） 0.0039 3.0 12 20 0.0049 3.0 25 50 0.0052 3.0 30 10 0.0061 5.0 8 20 0.0046 5.0 12 50 0.0051 5.0 25 20 0.0054 5.0 30 50 0.0069 6.5 12 10 0.0049 6.5 25 20 0.0055 6.5 45 10 0.0069 6.5 60 20 0.0085 加工目标是对工艺参数进行优化设定后，使切割后的电极损耗值为0.0047。误差限土0.0002,类别属性到列EX离散化为取值区间；（0.003，0.005）,(0.005,0.007),(0.007,0.009),工艺参数属性列ton离散化为取值区间：（0,20）;(0,40);(40,60)。 首先，建立决策树分类模型