基于支持向量機(jī)的電火花加工TC4的盲孔深度預(yù)測(cè)模型

周加樂(lè)　茍淞　劉宏

摘 要：在使用電火花加工技術(shù)對(duì)難加工金屬進(jìn)行加工時(shí)，因?yàn)榧庸み^(guò)程的復(fù)雜性，單純通過(guò)電火花加工實(shí)驗(yàn)方法研究各種放電參數(shù)及非電參數(shù)對(duì)盲孔深度的影響不但耗費(fèi)大量時(shí)間，而且實(shí)驗(yàn)成本較高。因此文章提出了基于支持向量機(jī)在電火花加工工程中盲孔深度的預(yù)測(cè)模型。以電火花加工TC4為例，設(shè)計(jì)正交實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)模型可以精確的反映加工參數(shù)與實(shí)驗(yàn)結(jié)果的非線性關(guān)系，具有較準(zhǔn)確的預(yù)測(cè)精度。

關(guān)鍵詞：電火花加工；盲孔深度；預(yù)測(cè)模型；支持向量機(jī)；TC4

中圖分類號(hào)：TG661 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）21-0024-03

Abstract： Because of the complexity of machining process， the effect of discharge parameters and non-electrical parameters on the depth of blind hole is not only time-consuming to study simply by electrical discharge machining （EDM） experiment method when EDM technology is used to process difficult-to-machine metal. Moreover， the cost of the experiment is high. Therefore， a prediction model of blind hole depth based on support vector machine （SVM） in EDM engineering is proposed in this paper. Taking electrical discharge machining TC4 as an example， the orthogonal experiment was designed. The experimental results show that the SVM model can accurately reflect the nonlinear relationship between the machining parameters and the real results， and has a more accurate prediction accuracy.

Keywords： electrical discharge machining （EDM）； blind hole depth； prediction model； support vector machine； TC4

引言

電火花加工（EDM）是一種電熱蝕刻微加工工藝，由于其獨(dú)特的功能，廣泛用于各種行業(yè)。它可以加工任何導(dǎo)電材料，包括各種金屬和合金，不管其硬度如何[1]。已廣泛應(yīng)用于模具制造、航空航天、航空、電子、核能、儀器儀表、輕工等領(lǐng)域，解決各種難加工材料和復(fù)雜形狀物體的加工問(wèn)題?，F(xiàn)代工藝中，由于對(duì)精度的高需求，所以加工后所需的盲孔的深度需要合適的加工參數(shù)來(lái)確定。

近年來(lái)，許多研究者對(duì)電火花加工后的盲孔進(jìn)行了研討。楊立光[2]等人對(duì)徑比盲孔電火花加工工藝進(jìn)行了探討，結(jié)果表明電火花加工工藝方法是解決盤軸類零件大深徑比盲孔加工的有效方法。但是因電火花加工工藝過(guò)程非常復(fù)雜，涉及許多電參數(shù)和非電參數(shù)，選擇不當(dāng)?shù)膮?shù)也可能導(dǎo)致嚴(yán)重的后果，如異常放電狀態(tài)[3]。而這些參數(shù)與加工后的盲孔關(guān)系又具有不確定性。所以通過(guò)系統(tǒng)工藝試驗(yàn)來(lái)確定的實(shí)驗(yàn)參數(shù)不足以滿足現(xiàn)代工藝需求。所以，急需一種數(shù)學(xué)建模方法來(lái)對(duì)加工過(guò)程進(jìn)行建模，來(lái)精確的反映加工參數(shù)與加工結(jié)果的非線性映射關(guān)系。任大林[4]等運(yùn)用支持向量機(jī)（SVM）對(duì)電火花加工中電參數(shù)進(jìn)行了優(yōu)化研究，實(shí)驗(yàn)結(jié)果表明該方法所確定的最優(yōu)電參數(shù)能夠很好地保證預(yù)期的加工質(zhì)量。針對(duì)電火花加工的非線性特性，余劍武[5]等人提出了基于支持向量機(jī)的電火花加工表面粗糙度預(yù)測(cè)模型，研究表明所建立的電加工表面粗糙度預(yù)測(cè)模型精度較高，可以用于預(yù)測(cè)加工后工件表面粗糙度。

在本文中，為了精確的反映加工參數(shù)與盲孔深度的非線性映射關(guān)系，用基于支持向量機(jī)的方法建立一個(gè)適用于電火花加工盲孔深度預(yù)測(cè)的模型。

1 實(shí)驗(yàn)設(shè)計(jì)

本次實(shí)驗(yàn)中，用ES540-NC EDM作為機(jī)床，機(jī)床的裝備結(jié)構(gòu)如圖1所示。加工材料為鈦合金（TC4），不同直徑的棒狀紫銅材料作為工具電極，采用浸液式加工完成20組電火花加工實(shí)驗(yàn)。由于數(shù)據(jù)量嚴(yán)重受限，因此采用正交實(shí)驗(yàn)的設(shè)計(jì)思想[6，7]，設(shè)計(jì)峰值電流大小，電極直徑大小，為5水平的正交實(shí)驗(yàn)。同時(shí)還進(jìn)行了部分試點(diǎn)實(shí)驗(yàn)，來(lái)確定峰值電流和電極直徑的選取水平。加工參數(shù)如表1所示。每組實(shí)驗(yàn)完成后，使用千分尺對(duì)加后的TC4鈦合金工件上的盲孔深度進(jìn)行多次測(cè)量并計(jì)算平均值。從而得到24組TC4鈦合金的相關(guān)加工參數(shù)及其對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果的數(shù)據(jù)。圖2為加工后的工件，實(shí)驗(yàn)數(shù)據(jù)記錄見表2。

2 支持向量機(jī)

2.1 支持向量機(jī)介紹

支持向量機(jī)具有結(jié)構(gòu)簡(jiǎn)單，計(jì)算效率高，泛化能力強(qiáng)等優(yōu)點(diǎn)。它也可以用小樣本解決機(jī)器學(xué)習(xí)問(wèn)題[8]。在求解小樣本，非線性和高維模式識(shí)別方面顯示出許多獨(dú)特的優(yōu)勢(shì)，故構(gòu)建了一個(gè)SVM模型。圖3顯示了SVM模型構(gòu)建的流程圖。

2.2 數(shù)據(jù)預(yù)處理

將實(shí)驗(yàn)所得的數(shù)據(jù)進(jìn)行[0，1]歸一化[9]，以便加快訓(xùn)練速度，提高訓(xùn)練精度。

4 結(jié)束語(yǔ)

本次研究表明，支持向量機(jī)模型可以很精確的反映加工參數(shù)與加工結(jié)果之間的非線性映射關(guān)系。所構(gòu)建的支持向量機(jī)模型預(yù)測(cè)的平均誤差為4.48%，在可接受的范圍內(nèi)。

可將其應(yīng)用在實(shí)際工程中用以確保加工穩(wěn)定高效地進(jìn)行，尤其適合在機(jī)床經(jīng)驗(yàn)數(shù)據(jù)缺乏的情況下，通過(guò)構(gòu)建支持向量機(jī)模型，來(lái)選擇合適的加工參數(shù)，得到想要的盲孔深度。

可達(dá)到提高加工效率，降低工人技術(shù)要求的目的。

參考文獻(xiàn)：

[1]VijayKumarMeena， ManSinghAzad. Grey Relational Analysis of Micro-EDM Machining of Ti-6Al-4V Alloy[J]. Advanced Manufacturing Processes， 2012，27（9）：973-977.

[2]楊立光，伏金娟，任連生，等.鎳基高溫合金大深徑比盲孔電火花加工工藝探討[J].航空制造技術(shù)，2014，460（16）：42-46.

[3]Zhang Z， Ming W， Zhang G， et al. A new method for on-line monitoring discharge pulse in WEDM-MS process[J]. International Journal of Advanced Manufacturing Technology， 2015，81（5-8）：1403-1418.

[4]任大林，隋修武，杜玉紅.基于SVM的電火花加工參數(shù)優(yōu)化研究[J].機(jī)械科學(xué)與技術(shù)，2014，33（8）：1167-1171.

[5]余劍武，胡其豐，文丞，等.基于支持向量機(jī)的電火花加工8418鋼表面粗糙度預(yù)測(cè)模型[J].中國(guó)機(jī)械工程，2018，29（07）.

[6]Lela B， Baji D， Jozi S. Regression analysis， support vector machines， and Bayesian neural network approaches to modeling surface roughness in face milling[J]. International Journal of Advanced Manufacturing Technology， 2009，42（11-12）：1082-1088.

[7]Djuric P M. Model selection by cross-validation[C]// IEEE International Symposium on Circuits and Systems. IEEE， 1990：2760-2763 vol.4.

[8]Ramesh R， Kumar K S R， Anil G. Automated intelligent manufacturing system for surface finish control in CNC milling using support vector machines[J]. International Journal of Advanced Manufacturing Technology， 2009，42（11-12）：1103-1117.

[9]湯榮志，段會(huì)川，孫海濤.SVM訓(xùn)練數(shù)據(jù)歸一化研究[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，31（4）：60-65.

[10]Cristianini N， Shawetaylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods： Notation[J].2000，32（8）：1-28.

[11]Pedregosa F， Gramfort A， Michel V， et al. Scikit-learn： Machine Learning in Python[J]. Journal of Machine Learning Research，2012，12（10）：2825-2830.