数控机床装配质量预测模型分析

　　摘要:装配质量的好坏直接决定了数控机床的最终性能，为对数控机床装配质量进行事前预测，提高装配合格率，采用基于GA－SVM方法建立数控机床装配质量预测模型。首先，基于“功能—运动—动作”的结构化分解方法对机床进行元动作分解，将各级元动作内部影响因素作为装配影响因素，并以元动作链中最后一个元动作输出运动参数作为装配质量分析对象。然后，将GA－SVM模型运用到砂轮架X轴进给运动下的元动作链装配质量预测中，为证明该模型的实用性与有效性，将GV－SVM模型得到的预测结果与BP神经网络、常规SVM模型进行对比分析，结果表明:三者的预测结果的平均相对误差分别为3．83%、8．90%和10．16%，显然，GA－SVM模型较其他两种预测模型而言预测效果较好，为数控机床装配工艺进一步优化提供指导意义。

　　关键词:遗传算法;支持向量机;装配质量;预测模型

　　数控机床是现代装备制造业的“工业母机”，其质量和可靠性很大程度上反映了一个国家工业技术发展水平和市场竞争力。针对国产数控机床长期存在由于装配不佳导致的故障频发问题，提高数控机床装配合格率有着重要意义。针对装配质量预测这一领域，国内外专家学者开展了大量学术研究，目前研究主要分为两类:一类是基于统计过程控制(statisticalprocesscontrol，SPC)的传统质量预测方法研究，另一类是基于人工智能算法的质量预测方法研究。基于SPC的传统质量预测方法研究，一般通过建立数学或物理模型来实现质量预测，其主要包括线性回归预测法、时间序列预测法等。张洪和万方华等［1－2］建立轴承特性与零件几何要素间关系的数学模型，并利用偏最小二乘回归法对轴承装配质量进行控制与预测;刘银华等［3］基于偏最小二乘回归预测模型，实现对车身产品检测条件下的装配质量预测与控制;韩卫军等［4］以petri网－THOＲ网为基础，建立了机器人装配系统装配质量预测模型。随着人工智能技术的迅速发展，基于人工智能算法的质量预测方法受到国内外研究人员广泛关注，其主要包括灰色预测模型、人工神经网络(artificialneuralnetworks，ANN)预测模型、BP神经网络预测模型、支持向量机(supportvectormachine，SVM)预测模型等以及不同算法的整合模型。张根保等［5］先用灰熵关联分析找出关键装配特征，然后通过PSO－BP组合预测模型进行产品装配质量的预测;贾振元等［6］建立了基于BP神经网络的装配产品特性预测模型;PatelA［7］等基于利用ANN预测出汽车OEM的装配质量缺陷。SVM作为一种可训练的机器学习方法，许多学者将其成功运用于装配质量的预测，并取得了不错的预测效果，如LiY等［8］对多源不确定性下装配质量特征进行分析，并利用SVM实现了装配质量的预测和关键工艺参数的确定;YuTT［9］等使用PSO－SVM对飞机装配过程中的工时进行定量预测。相比于其他算法，SVM在解决小样本、非线性问题以及高维模式的识别中存在着特有的优势，但是却容易出现局部最优解的问题，因此本文引入遗传算法(geneticalgorithm，GA)对其参数进行优化，以最大程度地寻求最优参数组合，本文采用GA－SVM方法构建了数控机床装配质量预测模型，从而为根据预测结果寻找装配过程中可能出现的质量问题，制定相关调整措施和优化装配细节，以达到装配质量零缺陷的目标提供一种可行有效的方法。

　　1数控机床

　　FMA结构化分解FMA是按照“功能(function)－运动(movement)－动作(action)”的基本顺序，将产品功能分解到运动的最小粒度—元动作的分解方法，以通过控制元动作的性能特性来保证整个产品总功能的实现［10－13］。FMA结构化分解模型如图1所示。以磨齿机的功能部件砂轮架为例，进行运动FMA结构化分解，砂轮架要能够实现砂轮主轴旋转和砂轮X轴进给运动，要实现砂轮X轴进给运动，滚珠丝杠、丝杠螺母、快进油缸以及导轨滑块就都要能正常动作，形成砂轮架的最后一层动作即元动作，结果如图2所示。

　　2基于遗传算法的支持向量机参数优化

　　传统SVM对核函数参数r和惩罚因子C关键参数设置通常采用人工试算方法，通常过度依赖专家主观经验，不仅费时费力、效率低下，而且针对稍微复杂的问题很难实现参数的合理设置，一定程度上阻碍了SVM的推广应用［14］。针对这个问题，许多相关研究将SVM参数设置转换为最优化问题，并采用智能算法来求解该优化问题。遗传算法作为一种基于生物进化论中适者生存和自然选择机制的优化智能算法，其具有适用性好、寻优效率较高、搜索速度快等优点［15］。基于GA－SVM的算法流程图如图3所示。步骤1:参数设置:合理设置遗传算法运行参数和SVM主要参数的寻优范围。步骤2:编码和初始种群的形成:本文采用二进制编码法将支持向量机的核函数参数r和惩罚因子C表示成具有遗传特性的基因型数据，并随机产生初始种群。步骤3:个体适应度的计算:计算所有个体的适应度，用于衡量个体的优劣程度。步骤4:停止准则的判断:判定个体的适应度是否满足停止准则，如果满足，则执行步骤6，否则继续执行步骤5。步骤5:遗传操作:运用轮盘赌法，选择个体的适应度值高的进行选择、交叉、变异操作，最终形成新的种群，返回步骤3继续执行，直至满足停止准则。

　　3实例分析

　　3．1砂轮架装配质量关键影响因素的确定

　　砂轮架是磨齿机中极为关键部件之一，对磨齿机的正常运行有着至关重要的作用。原因在于它不仅承载着砂轮主轴的高速转动，而且提供磨削过程中砂轮的轴向进给运动。砂轮架主要包括电机组件、主轴箱、进给组件和磨头组件。本文以砂轮架作为分析对象，基于文献［16］，选取砂轮架X轴进给运动下的元动作链:滚珠丝杠转动A1→丝杠螺母移动A2→快进油缸移动A3→导轨滑块移动A4为例，将砂轮架在水平面内的移动直线度Y作为装配质量分析对象，并确定该元动作链中关键装配影响因素如表1所示。

　　3．2基于GV－SVM的砂轮架装配质量预测

　　本文将砂轮架在水平面内的移动直线度Y作为模型的输出数据，上述5个影响Y的关键装配影响因素作为模型的输入数据。通过对国产某型号磨齿机砂轮架装配过程进行数据搜集和整理，获得60组样本数据，如表2所示，将前50组作为预测模型的训练样本，剩下10组作为测试样本，由于各个变量间的量纲不同，所以首先要对这60组样本数据归一化处理，才能应用于所构建的GV－SVM模型中。初始化完成后，把训练样本送入GA－SVM模型中，得到遗传算法的参数寻优过程如图4所示，由图可知，随着迭代的推进，最佳适应度曲线并没有波动异常现象发生，而呈现出稳步下降，并最终趋于稳定，这说明遗传算法对核函数参数r以及惩罚参数C的参数寻优过程表现良好，并且，最佳适应度曲线表现出光滑下降趋势，这说明针对该样本空间，遗传算法的全局寻优能力较好，具有一定的稳定性。最终获得最优惩罚因子C为29．413，最优核函数参数r为0．0515。将这两个最优参数代入到SVM中进行模型求解，得到训练样本的训练回归结果如图5a，测试样本的测试回归结果如图5b。由图可知，模型对训练样本拟合效果较好，其均方误差为0．011709，并且测试值基本与实际值一致。为了验证GV－SVM的实用性和合理性，本文将GV－SVM得到的预测结果与BP神经网络、常规SVM模型进行对比分析，其预测结果如表3所示。结果显示，GV－SVM、常规SVM模型与BP神经网络这3种质量预测模型的预测结果平均相对误差分别为3．83%、8．90%和10．16%，显然，GA－SVM预测效果最好。GV－SVM有效地解决了常规SVM中参数选择的问题，并提高了预测结果的准确度，因此，GV－SVM是一种高效合理的装配质量预测方法。

　　4结语

　　针对传统SVM大多采用人工试算法选取主要参数，且针对稍微复杂的问题很难实现参数的正确设置和最优搭配的问题，构建了基于GA－SVM的数控机床装配质量预测模型。以砂轮架X轴进给运动下的元动作链装配质量预测为例，在确定关键装配风险控制点的基础上，通过收集关键装配风险控制点的历史装配数据，并将其作为输入变量，最终预测了该元动作链整体装配质量，并通过与BP神经网络和常规SVM模型预测结果对比分析，说明本文提出的模型局具有实用性与有效性。本文是引用遗传算法来对SVM进行参数优化，但是遗传算法是利用反复迭代进行最优解的寻找，参数寻优的运行速度会很大程度受限于样本数据的数量和质量，当样本数据过多时，其参数寻优效率将严重影响整个GA－SVM装配过程质量预测模型的实际工作效率，因此，下一步工作可以尝试改进遗传算法的参数寻优效率。

　　参考文献

　　［1］张洪，许鸿，唐侃，等．基于PLS的滚动轴承装配质量预测［J］．控制工程，2016，23(3):332－335．

　　［2］万方华，王晓琪，张洪，等．基于KPLS的滚动轴承装配质量预测［J］．工业工程，2016，19(4):136－139．

　　作者：陈资 陈春雨 张根保 单位：广东理工学院工业自动化系 重庆文理学院机械工程学院