[发明专利]基于决策树的数控车床车削过程能耗预测系统

说明书

本发明公开了一种基于决策树的数控车床车削过程能耗预测系统，它包括数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分。本发明充分考虑了各种因素对数控机床车削能耗的影响，利用数据挖掘技术中的决策树算法得到车削能耗与车削参数之间的定量关系，再与自我修正模块相结合，对初步预测结果进行修正，来进行数控机床车削过程的能耗预先测算，用于指导实际加工过程。此外，可根据实际情况不断更新模型，从而不断提高预测模型的预测精度，使操作者能够选择更加合理的车削参数，最终帮助企业提高加工效率。

技术领域

本发明涉及机床控制系统技术领域，尤其涉及一种基于决策树的数控车床车削过程能耗预测系统。

背景技术

目前，对数控车床的车削过程能耗的预测还没有形成比较统一的技术体系。传统的方法主要是有经验的操作工依据经验和操作手册综合选择合适的车削参数，或者通过现场切削实验或者监测加工过程来合理选择车削参数。这种方法受工人的主观因素、具体的车床种类以及加工方法、加工对象不同的影响而差异很大，无法大规模普及。有学者提出各种不同的假设和理论模型，将多种数学方法应用于数控车床的车削过程能耗的预测中，如支持向量机法、神经网络法等。不可否认这些方法虽然取得了一定的成果，但各有其不足之处。

现有的支持向量机法，借助二次规划来求解支持向量时涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。此外，经典的支持向量机法只给出了二类分类的算法，对于数据挖掘的实际应用中涉及的多类分类问题需要结合其他算法加以解决，比较复杂。

现有的神经网络法，存在样本数据训练时间长甚至完全不能训练的情况。此外，存在样本训练过程中学习新样本时有遗忘旧样本的趋势。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于决策树的数控车床车削过程能耗预测系统，利用数据挖掘技术中的决策树算法，充分衡量各种因素对数控车床车削过程能耗的影响，建立各车削参数与车削过程能耗的定量关系，从而建立能耗决策树预测模型，来进行数控机床车削过程的能耗预测。

为实现上述目标，本发明采用的技术方案如下：所述的基于决策树的数控车床车削过程能耗预测系统包括数据准备模块、能耗预测模块、自我修正模块，其中，数据准备模块主要包括历史车削能耗数据读取模块以及实时车削参数数据采集模块两大部分，从车削参数数据库中选取包括刀具类型、主轴转速、进给量和切削深度在内的主要参数属性构成属性集作为评价指标，对从车削参数数据库中提取的各参数属性值以及实时检测的各参数属性值进行预处理，并将连续型属性离散化，转换成调用决策树算法所需的数据格式，再传送至能耗预测模块；数据准备模块的工作完成后，实时车削参数数据采集模块与能耗预测模块协同工作，调用决策树算法，计算各参数属性的信息增益率，选取信息增益率最大的属性作为决策树的根结点，再由该属性的不同取值建立分支，调用此方法建立决策树各节点的分支，直到所有子集只包含同一类别的数据为止，建立车削过程能耗决策树预测模型；然后对模型进行修正，以提高模型预测精度，输出初步的能耗预测结果；得到初步的能耗预测结果后，自我修正模块与能耗预测模块协同工作，对初步预测结果进行修正，得到最终的预测结果。

进一步的，在数据准备阶段，从车削参数数据库依据历史车削参数与车削能耗的关系，获取大量已知的样本基础数据构成样本集，然后将样本集划分为两类样本，一类用作训练样本集S，用于建立能耗决策树预测模型，一类作为测试样本集，用来对初步建立的能耗决策树预测模型中不正确的数据进行修正。