多特征數據驅動的數控銑削加工能耗預測研究

張 華，史夢成，鄢 威，王 正

（1.武漢科技大學冶金裝備及控制教育部重點實驗室，湖北 武漢 430081；2.武漢科技大學機械傳動與制造工程湖北省重點實驗室，湖北 武漢 430081；3.武漢科技大學綠色制造工程研究院，湖北 武漢 430081）

1 引言

制造業作為國民經濟的支柱產業，在國家發展過程中起著舉足輕重的作用，而數控機床作為工作母機，代表了制造業的發展水平，我國機床的年產量和保有量居于世界前列。機床在加工過程中消耗的能源占到制造業的75%左右[1]，但機床用于加工工件過程的有效能耗只占總能耗的30%左右[2]。因此，對機床加工過程進行節能優化，對提高機械加工過程能源利用率，實現制造業節能減排和可持續發展具有重大作用。

提高機械加工過程中的能源利用率的關鍵是要能夠準確的預測機械加工過程的能耗。近年來，國內外許多專家學者對機床能耗尤其是加工過程能耗預測做了大量研究，提出了許多關于加工過程能耗預測的理論模型和經驗模型。文獻[3]對機械加工系統進行了研究，建立了數控加工系統的功率平衡方程。文獻[4]綜合考慮機床自身能量消耗特性并考慮未來加工過程可能發生的能量消耗特點，提出了機床固有能效的新概念。文獻[5]從機床運行過程出發包括啟動、空載、加工、待機等狀態進行分析，得出機床能耗預測模型與機床主軸轉速密切相關的結論。文獻[6]通過分析不同材料切除率，建立了切削加工過程比能模型，從切削比能的角度出發預測能耗。文獻[7]從切削參數的角度出發，分析了機械加工過程能量效率，得出了機械加工過程能耗受切削用量等參數的影響較大的結論。文獻[8]通過解析數控機床加工過程中NC代碼與能耗部件之間的關系，建立了機床整體能耗評估模型。文獻[9]運用實例推理的方法，通過檢索加工工藝相似的案例，預測零件加工過程能耗。

上述方法在進行機械加工過程能耗預測時大多基于機床結構的理論建模和經驗模型，然而由于機械加工過程中能耗的多源動態性，實際加工中模型的相關參數的獲取和計算過程比較復雜，隨著工業互聯網等新興技術的發展，在機械制造過程中產生了海量的工業大數據，為機械加工過程能耗預測提供了可能。通過數控銑削加工過程中收集的特征數據，對數據的特征屬性進行分類分析并通過特征選擇算法對數控銑削加工過程中能耗影響較大的特征數據進行篩選，最后運用ABC-BPNN 的算法進行數控銑削加工過程能耗預測。

2 數控銑削加工過程能耗分析

2.1 數控銑削加工過程特征屬性分析

數控銑床作為一個復雜的機電系統，其加工過程中的能耗受眾多因素的影響，能耗預測的重點就是為了確定數控銑削能耗預測過程中輸入變量和能耗預測結果之間的定量關系。由零件的成形原理可知基于材料去除原理的數控機床的加工過程主要受機床類型、刀具種類、零件材料屬性、夾具類型、零件幾何形狀尺寸、切削用量和冷卻條件等影響。這些影響零件加工制造過程的相關因素也被稱之為特征，這些特征的數值稱為特征數據。由于這些特征對機床加工能耗的影響程度和相關性的不同，在確定加工能耗影響特征之前需要對這些特征進行屬性分析。

在這些特征中有些是直接給定了數據，在加工過程中，零件幾何形狀尺寸、切削用量等特征是可以直接從計算機輔助設計和工藝規劃信息中讀取。如零件的幾何尺寸可以直接從CAD系統中讀取，有些特征沒有直接給定數據，如銑床xk613等設備，必須對其加工過程進行分析，從而找到其它數值化參數量化該特征。因此，可以將這些特征分為可量化特征和不可量化特征，在不可量化特征中，機床主要通過待機功率、空載功率、切削功率影響加工能耗，因此，可以通過主軸電機額定功率、進給電機額定功率和待機功率量化特征。刀具和夾具在工件材料和機床選定好后并被確定，因此屬于冗余特征，暫不考慮在內。零件材料對機床加工能耗受硬度影響最大，因此通過硬度值衡量。冷卻條件用冷卻電機額定功率衡量。數控銑削加工過程特征屬性分析結果，如圖1所示。

圖1 數控銑削加工過程特征屬性分析框圖Fig.1 Block Diagram of Characteristic Attribute Analysis of CNC Milling Process

2.2 數控銑削加工過程特征數據采集及處理

多特征數據驅動的數控銑削加工過程能耗預測的關鍵是要對加工過程數據進行采集和處理，數控銑削加工過程中的多源數據包括產品設計數據和數控系統數據。可以從計算機輔助設計/計算機輔助工藝規劃、制造執行系統、制造數據采集及狀態管理系統、刀具數據管理系統中提取這些數據。由于數控銑削加工過程中所產生的數據種類多、數量大，以及在操作過程中可能出現設備異常或者操作重復造成數據殘缺或重復，因此，需要對采集的數據進行數據檢查、空缺值填補、數據篩選、數據關聯分析等處理。數據采集方法及處理，如圖2所示。

2.3 基于ReliefF的特征選擇算法

特征選擇的目的是在原始數據集中找到一個小的特征數據集用以描述原始數據集，并且描述效果能夠接近原始數據[10]。在預測數控銑削加工能耗過程中，機床相關特征、零件設計相關特征、工藝參數相關特征對加工能耗的影響程度是不同的。因此，需要根據加工零件的類型、加工工藝方法進行特征選擇。

ReliefF算法可以解決復雜的多類特征選擇問題，ReliefF算法的運算過程為，首先從原始樣本集中隨機抽取一個樣本R，

每個隨機樣本R的附近都有兩類樣本：R的同類近鄰樣本H和R的不同類近鄰樣本M，再從R的同類近鄰樣本H和不同類近鄰樣本M中分別抽取k個近鄰樣本，這兩類樣本關于特征A的權值是不同的，根據下面的公式更新特征A的權值ω［A］：

式中：m—隨機抽樣次數；函數diff（A，Ri，Rj）—樣本Ri和Rj在特征A上的距離；Mj（C）—不同類樣本C中的第j個最近鄰樣本；class（Ri）—樣本Ri所屬的樣本類別；P（C）—C類樣本數占樣本總數的比例。

ω[A]越大，對特征A越便于分類，因此，將求得的大于設定閾值的特征數據作為能耗預測的輸入特征數據。

3 基于ABC-BPNN算法的求解

BPNN神經網絡算法是目前應用最廣泛的求解無法用數學公式描述的復雜模型及其非線性問題的方法之一，但該方法大多采用梯度下降法調整網絡節點處的權值，因此受初始權值和閾值的影響較大，導致神經網絡收斂速度慢和容易陷入局部最優值等問題[11]。

采用一種基于ABC-BPNN的數控銑削加工能耗預測方法，ABC（人工蜂群算法）由于整體搜索能力強，受初始值的影響較小，可以用來優化BPNN神經網絡算法在運行時出現的問題，同時又不丟失BPNN神經網絡的良好學習能力和泛化能力。該算法可以加快網絡的訓練速度提高預測的精度。

3.1 構建神經網絡

將用于預測數控銑削加工能耗的特征變量值作為BPNN神經網絡的輸入變量，隱層神經元的作用是用于存取從樣本中提取的數據及神經網絡的運算規律，隱層神經元的個數一般用下面的經驗公式確定：

式中：m—輸入神經元的個數；n—輸出神經元的個數；c—（1～10）之間的常數，輸出神經元為預測的數控銑削加工能耗。

3.2 人工蜂群算法優化BPNN神經網絡的步驟

（1）構建BPNN神經網絡拓撲結構，初始化算法參數。

（2）初始化人工蜂群算法參數：蜂群的大小（Nc）、引領蜂數目（Ne）、跟隨蜂數目（No）、解的個數（Ns）、極限值（limit）、最大循環次數（MCN），并且Nc、Ns、Ne、No滿足下式關系：

蜂群中的每一個解都是一個D維向量，并且D維向量滿足如下式關系：

初始化時，按以下公式隨機產生Ns個可行解：

式中：Xid—問題的可能解；Ud和Ld—可行解中的最大和最小元素，rand（0，1）表示在[0，1]中的一個隨機數。

（3）計算每個解的適應度值

（4）計算食物源的最佳收益率

式中：f（Xi）—第i解的適應度值，跟隨蜂根據最佳收益率的大小從現有的解中根據式（9）搜索新的最優解。

（5）每一個引領蜂對應一個蜂源（模型的解），引領蜂根據下式搜索新的解Vid，并進行貪婪學習，如果新的解的適應度值大于原解的適應度值，則用新解代替原解，否則原解的更新失敗的次數加1。

式中：d—[1，D]區間內的一個隨機整數；j—可行解中不為i的解；φ—[-1，1]區間內的一個隨機數。

（6）判斷最優解更新次數是否超過limit 值，如果超過limit值則舍棄該食物源，出現偵查蜂搜索新的食物源。

（7）如果算法的迭代次數超過設定的最大循環次數，則結束算法，否則返回第（5）步。

（8）將算法算得的最優值賦予BPNN神經網絡的連接權值和閾值，輸出最終的能耗預測結果。

ABC算法優化BPNN神經網絡預測數控銑削加工能耗的流程，如圖3所示。

圖3 ABC優化BPNN神經網絡流程圖Fig.3 ABC Optimized BPNN Neural Network Flow Chart

4 案例分析

4.1 實驗條件

實驗通過某兩種不同型號數控銑床銑削工件平面所采集的歷史數據，運用以上方法對數控銑削加工能耗進行預測。數控銑床加工工件材料為HT-200，采用三刃高速鋼立銑刀，材料為8Cr4V，刀具直徑10mm，采用WT1800高精度功率分析儀測量實際銑削加工能耗結果。現場試驗測量裝置，如圖4所示。

圖4 數控銑削加工能耗測量裝置圖Fig.4 CNC Milling Processing Energy Consumption Measuring Device

零件銑削加工實驗數據集的特征取值范圍，如表1所示。

表1 零件銑削加工過程數據集特征取值范圍Tab.1 Part Milling Process Data Set Feature Value Range

4.2 零件銑削加工能耗預測

經過前文ReliefF 的特征選擇算法篩選，收集實驗得到的120條有效銑削加工能耗數據，選取數據集中的90條數據作為訓練樣本，其余30組數據作為測試樣本，選取對數控銑削加工過程中對能耗影響較大的特征作為能耗預測的輸入變量，采用ABCBPNN算法對數控銑削加工能耗進行預測，算法在裝有Inteli5-雙核CPU、4G內存、window10操作系統matlab2014b平臺上運行。

BP神經網絡參數設置：采用典型的三層BP神經網絡，輸入層選取表1中對能耗影響較大的9個特征變量，隱含層采用個10神經元，輸出層為預測的銑削加工能耗值，輸入層隱含層之間采用“logsig”傳遞函數，隱含輸出層之間采用“tansig”傳遞函數。人工蜂群算法參數設置：設置人工蜂群種群個數為100個，限制值limit為100，最大迭代次數MCN為2000次。算法預測結果，如圖5所示。

圖5 數控銑削加工能耗ABC-BPNN和BPNN神經網絡算法預測結果圖Fig.5 Prediction Results of ABC-BPNN and BPNN Neural Network Algorithm for Energy Consumption of CNC Milling

對兩種算法的能耗預測結果，采用平均誤差評價模型的預測效果，平均誤差計算公式為：

式中：E—計算的平均誤差；n—樣本的數量；Ep—預測的能耗值；Ea—實際的能耗測量值。

由式（10）計算的ABC-BPNN算法預測的數控銑削加工能耗的訓練樣本和測試樣本平均誤差分別為2.86%和5.13%與實際的測量值之間非常的接近，基本能夠滿足實際生產過程中的誤差允許要求，由圖6預測誤差圖可知，ABC-BPNN算法的預測值平均誤差小于BPNN算法的預測值平均誤差，因此，ABC-BPNN算法的預測值跟實際測量值更加的接近。

圖6 數控銑削加工能耗訓練樣本和測試樣本預測誤差圖Fig.6 Numerical Control Milling Processing Energy Consumption Training Samples and Test Sample Prediction Error

5 結論

數控銑削加工過程的能耗隨加工情景的不同呈現出復雜的動態性，因此傳統的理論建模和經驗建模難以準確預測出加工能耗，從數控銑床銑削加工工件產生的特征歷史數據的角度出發，對數控銑削加工過程中能耗影響較大的特征數據進行分析，提出了特征數據的采集方法，通過ReliefF的特征選擇算法篩選出對銑削加工過程影響較大的特征數據作為能耗預測的輸入變量，運用ABC-BPNN 的算法對數控銑床銑削加工過程能耗進行預測，并通過兩種常用算法對數控銑床銑削工件平面的實際案例的能耗預測結果進行對比，結果證明了該方法的有效性和精確性，為實現制造過程中的能耗預測提供了一定的理論支持。