切削數(shù)據(jù)庫數(shù)據(jù)優(yōu)化算法及其應(yīng)用

摘要：隨著金屬切削向高效率、高精度、智能化方向發(fā)展，切削數(shù)據(jù)庫的支撐作用越來越重要，如何解決切削數(shù)據(jù)庫的數(shù)據(jù)優(yōu)化問題一直是研究的熱點(diǎn)課題。數(shù)據(jù)優(yōu)化算法是解決數(shù)據(jù)優(yōu)化問題的基礎(chǔ)，因此，對數(shù)據(jù)算法的理論及應(yīng)用研究都是具有重要學(xué)術(shù)意義和實(shí)用價(jià)值。本文詳細(xì)論述了幾種數(shù)據(jù)獲取技術(shù)在切削數(shù)據(jù)庫中的應(yīng)用，分析比較了幾類切削數(shù)據(jù)優(yōu)化算法，并總結(jié)了數(shù)據(jù)尋優(yōu)算法的改進(jìn)算法。最后根據(jù)切削數(shù)據(jù)庫的發(fā)展方向及數(shù)據(jù)優(yōu)化算法存在的問題進(jìn)行了展望。

關(guān)鍵詞：切削數(shù)據(jù)庫；數(shù)據(jù)尋優(yōu)算法；實(shí)例推理；粒子群算法；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TG506 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-2683（2013）01-0001-06

0.引言

近年來，隨著數(shù)控機(jī)床及切削刀具技術(shù)的不斷發(fā)展，切削數(shù)據(jù)在機(jī)械制造領(lǐng)域中越來越顯示出其重要性，并且已經(jīng)成為一種極為重要的資源。

數(shù)據(jù)庫是集中、保存和管理某一領(lǐng)域內(nèi)所有這些信息的集合，是管理信息系統(tǒng)的核心。切削數(shù)據(jù)庫是切削加工技術(shù)與計(jì)算機(jī)技術(shù)相結(jié)合的產(chǎn)物。切削數(shù)據(jù)庫最初只是管理加工中出現(xiàn)的切削數(shù)據(jù)，隨著神經(jīng)網(wǎng)絡(luò)算法、粒子群算法等優(yōu)化算法的應(yīng)用，切削數(shù)據(jù)庫中添加了優(yōu)化切削數(shù)據(jù)和切削數(shù)據(jù)的智能化評(píng)價(jià)等功能，使得切削數(shù)據(jù)庫系統(tǒng)得到了很大的發(fā)展并已受到各相關(guān)行業(yè)的高度重視。選擇合理的優(yōu)化算法建立切削數(shù)據(jù)庫，可以合理地選擇切削參數(shù)，對提高生產(chǎn)率、降低生產(chǎn)成本有著非常重要的意義。對于解決某一類問題，可以通過多種算法來實(shí)現(xiàn)但并不是每一種算法都能找到最優(yōu)解，需要根據(jù)每個(gè)算法自身的優(yōu)缺點(diǎn)、適合的領(lǐng)域、優(yōu)化方式等來選擇合適的算法，從而使尋優(yōu)路徑達(dá)到最短，優(yōu)化效果達(dá)到最好。但是傳統(tǒng)的優(yōu)化算法也存在一定的弊端，為此提出了算法的改進(jìn)算法，在很大程度上增強(qiáng)了算法的尋優(yōu)能力。

1.數(shù)據(jù)獲取技術(shù)在切削數(shù)據(jù)庫中的應(yīng)用

1.1神經(jīng)網(wǎng)絡(luò)推理技術(shù)

神經(jīng)網(wǎng)絡(luò)算法是指模擬生物的神經(jīng)結(jié)構(gòu)以及其處理信息的方式來進(jìn)行計(jì)算的一種算法。神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù)，這對于很多系統(tǒng)都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數(shù)據(jù)庫將分別基于MATLAB神經(jīng)網(wǎng)絡(luò)和基于指數(shù)函數(shù)的刀具磨損預(yù)報(bào)模型的擬合誤差相比較，優(yōu)選出基于MATLAB神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)報(bào)模型，并將.NET框架和MATLAB環(huán)境引入到刀具磨損集成預(yù)報(bào)系統(tǒng)中，實(shí)現(xiàn)了模具鋼精加工過程中對刀具磨損的在線預(yù)報(bào)，實(shí)現(xiàn)了對高速切削加工技術(shù)的合理應(yīng)用。

為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的智能尋優(yōu)，將其與蟻群算法相結(jié)合使用，用蟻群算法的啟發(fā)式尋優(yōu)和全局優(yōu)化的特點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值即用蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終解決尋優(yōu)問題。如詹曉娟等研究的基于蟻群神經(jīng)網(wǎng)絡(luò)銑削數(shù)據(jù)庫系統(tǒng)就是利用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，使系統(tǒng)在切削參數(shù)的選擇具有一定的智力水平，實(shí)現(xiàn)了切削參數(shù)的合理選擇。這種智能尋優(yōu)的方法不僅避免了以往算法收斂速度慢易陷入局部最優(yōu)等缺陷，提高了系統(tǒng)的運(yùn)行速度和運(yùn)算效率，還能夠通過自學(xué)習(xí)提高自身決策能力，使決策結(jié)果更趨合理。

神經(jīng)網(wǎng)絡(luò)在解決非線性映射問題如切削用量選擇上可達(dá)到良好的效果，在機(jī)械工程領(lǐng)域具有很高的利用價(jià)值。但是當(dāng)前的神經(jīng)網(wǎng)絡(luò)仍普遍存在收斂速度慢、計(jì)算量大、訓(xùn)練時(shí)間長和不可解釋等缺點(diǎn)。

1.2動(dòng)力學(xué)仿真優(yōu)化技術(shù)

切削參數(shù)數(shù)據(jù)庫的數(shù)據(jù)主要來源于切削手冊、生產(chǎn)實(shí)踐和切削實(shí)驗(yàn)，傳統(tǒng)來源的切削參數(shù)難以完全滿足切削加工的要求。為了存儲(chǔ)優(yōu)化型仿真切削數(shù)據(jù)，保證切削加工穩(wěn)定性，趙海洋等在ASP.NET平臺(tái)下開發(fā)了基于B/S數(shù)據(jù)庫結(jié)構(gòu)的動(dòng)力學(xué)仿真優(yōu)化型切削數(shù)據(jù)庫系統(tǒng)。該系統(tǒng)通過動(dòng)力學(xué)仿真優(yōu)化方式獲取優(yōu)化型切削參數(shù)，實(shí)現(xiàn)了高速加工過程中的穩(wěn)定高效切削。

將動(dòng)力學(xué)仿真優(yōu)化技術(shù)引入到切削數(shù)據(jù)庫及其應(yīng)用系統(tǒng)中，不僅能使系統(tǒng)具有良好的結(jié)構(gòu)和可擴(kuò)展性，還能提供工藝人員合理的切削參數(shù)，大大減少了以往試切所帶來的經(jīng)濟(jì)和時(shí)間上的浪費(fèi)，從而提高了生產(chǎn)效率，降低了生產(chǎn)成本。

1.3實(shí)例推理技術(shù)

1982年Schank通過研究人和機(jī)器學(xué)習(xí)的動(dòng)態(tài)存儲(chǔ)理論，提出了基于實(shí)例的推理（case-based reason-ing，CBR）其本質(zhì)是利用舊問題的解決方案來解決新問題，并且具有自學(xué)習(xí)功能，CBR原理如圖1所示。

利用實(shí)例推理技術(shù)，將其與規(guī)則推理相結(jié)合使用，把以往取得的經(jīng)驗(yàn)應(yīng)用于新問題的解決上，減少知識(shí)獲取的工作量，不僅可以為建立切削參數(shù)數(shù)據(jù)庫提供一個(gè)有效可行的方法，還可以為新的工件加工問題提供參考解決方案，對切削技術(shù)的推廣應(yīng)用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應(yīng)用于問題求解領(lǐng)域，在一定程度上突破了知識(shí)獲取的瓶頸問題。由于CBR中實(shí)例都是以往問題的優(yōu)化結(jié)果，因此其本身就包含了大量的設(shè)計(jì)經(jīng)驗(yàn)知識(shí)，不僅避免了在獲取知識(shí)上的時(shí)間的浪費(fèi)，而且設(shè)計(jì)結(jié)果的實(shí)用性也很強(qiáng)。CBR為快速設(shè)計(jì)新的工藝提供了依據(jù)。

2.切削數(shù)據(jù)優(yōu)化算法分析對比

2.1多目標(biāo)優(yōu)化算法的比較

從古老的時(shí)代開始，人們就力求在解決一個(gè)問題的眾多方案中尋求一種最優(yōu)方案，因此實(shí)際中優(yōu)化問題大多數(shù)是多目標(biāo)優(yōu)化問題，它也是一類普遍存在的問題。基于群體智能進(jìn)化的群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問題上提高了人們解決和處理優(yōu)化問題的能力。但是粒子群算法等群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問題時(shí)有著各自的優(yōu)缺點(diǎn)，需要對它們進(jìn)行比較以選擇合適的算法。表1是幾種智能優(yōu)化算法的比較。

通過表1中幾種算法的對比可以看出，每種優(yōu)化算法都有自己獨(dú)特的優(yōu)缺點(diǎn)，但是在處理高維復(fù)雜問題時(shí)都出現(xiàn)易陷入局部最優(yōu)、收斂效果不好的問題。粒子群算法和遺傳算法都屬于全局優(yōu)化算法，利用目標(biāo)函數(shù)來衡量個(gè)體的優(yōu)劣程度，粒子群算法計(jì)算復(fù)雜度比遺傳算法低，可以短時(shí)間內(nèi)找到最優(yōu)解，但粒子群算法在搜索性能上好于混洗蛙跳算法。可以將幾種算法結(jié)合使用或者對某種算法進(jìn)行改進(jìn)，彌補(bǔ)以往算法的缺點(diǎn)，從而達(dá)到更好的解決多目標(biāo)優(yōu)化問題的目的。

2.2知識(shí)獲取的推理方式比較

規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)、實(shí)例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應(yīng)用在工程中。實(shí)例推理作為基于規(guī)則推理技術(shù)的一個(gè)重要補(bǔ)充，已受到人們越來越廣泛的關(guān)注。但目前比較常用的智能推理方法有規(guī)則推理、神經(jīng)網(wǎng)絡(luò)和實(shí)例推理，它們在解決不同問題上表現(xiàn)出各自的優(yōu)缺點(diǎn)，如表2所示。

根據(jù)表2列出的3種智能推理方式的比較可以看出，在總體上來看實(shí)例推理表現(xiàn)最好，但在解決復(fù)雜知識(shí)獲取問題上仍表現(xiàn)出明顯的不足。針對這一問題研究人員將實(shí)例推理、規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合，產(chǎn)生了各種各樣的混合推理，這些推理不僅結(jié)合了它們各自的優(yōu)點(diǎn)，而且很大程度上克服了單個(gè)方法的缺點(diǎn)，可

以很好的解決復(fù)雜問題，如高速切削數(shù)據(jù)庫系統(tǒng)的建立就是采用規(guī)則推理和實(shí)例相結(jié)合的混合推理方式，通過這一方式使該系統(tǒng)的數(shù)據(jù)采集和知識(shí)更新變得簡單易行。

2.3數(shù)據(jù)查詢優(yōu)化算法比較

隨著現(xiàn)代切削數(shù)據(jù)庫規(guī)模的不斷擴(kuò)大，高效率的信息提取技術(shù)逐漸成為人們研究的熱點(diǎn)。高效的查詢被用來體現(xiàn)一個(gè)系統(tǒng)性能的好壞，查詢的效率也就成為了評(píng)價(jià)切削數(shù)據(jù)庫系統(tǒng)的重要指標(biāo)。提高查詢效率是建立一個(gè)系統(tǒng)首要解決的問題之一，因此對作為有效手段的查詢優(yōu)化的研究就顯得尤為重要。但是一個(gè)較好的優(yōu)化算法，并不是通用和萬能的，根據(jù)不同的環(huán)境不同的優(yōu)化算法適用于不同的的問題及用戶。目前常用的數(shù)據(jù)查尋優(yōu)化算法有啟發(fā)式搜索算法又稱為A算法，它是在貪婪算法的基礎(chǔ)上提出的一種基于人工智能理論的改進(jìn)算法；基于Agent的分布式查詢優(yōu)化算法，它結(jié)合了分布式人工智能與切削數(shù)據(jù)庫管理系統(tǒng)兩個(gè)領(lǐng)域；遺傳算法，它是模擬生物在環(huán)境中遺傳和進(jìn)化過程而形成得一種自適應(yīng)的全局優(yōu)化概率搜索算法；全局查詢優(yōu)化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優(yōu)解；等聯(lián)結(jié)操作結(jié)果估算模型，它是一種改進(jìn)算法，能保證優(yōu)化方法在一定條件下生成的任意兩個(gè)相鄰的操作次序是最優(yōu)的；分裂大表算法即將大表分成若干個(gè)子表和一個(gè)索引表，將子表放在不同的邏輯設(shè)備上，各子表的名稱和分裂條件存放在索引表里來提高查詢速度；神經(jīng)網(wǎng)絡(luò)技術(shù)的異構(gòu)數(shù)據(jù)庫集成，它可以通過將全局查詢快速地分解為各個(gè)子查詢，來進(jìn)行優(yōu)化操作；多元連接查詢優(yōu)化算法，針對遠(yuǎn)程網(wǎng)和局域網(wǎng)這兩種不同的網(wǎng)絡(luò)，提出了最小生成樹算法和改進(jìn)的最小生成樹算法兩種全局優(yōu)化算法，反復(fù)使用此算法可使預(yù)先估計(jì)的總代價(jià)最小；分布式查詢優(yōu)化算法，它的核心是SDD-1查詢優(yōu)化算法，該算法在一定程度上可以使整個(gè)網(wǎng)絡(luò)上的傳輸量保持最小。對數(shù)據(jù)庫進(jìn)行查詢時(shí)，可供選擇查詢優(yōu)化算法很多，需要根據(jù)一定的標(biāo)準(zhǔn)來評(píng)價(jià)各算法是否適用于此環(huán)境，以提高效率的目的。為此研究人員提出了評(píng)價(jià)算法的4個(gè)標(biāo)準(zhǔn)：一是否適用于大數(shù)據(jù)量；二是否能應(yīng)付異構(gòu)數(shù)據(jù)庫的要求；三是局部優(yōu)化還是全局優(yōu)化；四是算法的效率是否滿足大數(shù)據(jù)量、高復(fù)雜性的要求。表3是幾種數(shù)據(jù)查詢優(yōu)化算法的比較。

由表3可知，對數(shù)據(jù)庫進(jìn)行查詢時(shí)，對查詢優(yōu)化算法的選擇需要考慮很多因素，不能通過一個(gè)固定的原則來評(píng)價(jià)優(yōu)化算法的優(yōu)劣，需要根據(jù)當(dāng)時(shí)的系統(tǒng)環(huán)境來選擇合適的優(yōu)化算法，這樣才能充分利用算法的優(yōu)點(diǎn)。

3.數(shù)據(jù)尋優(yōu)算法的改進(jìn)

目前許多數(shù)據(jù)優(yōu)化算法被廣泛應(yīng)用在機(jī)械加工領(lǐng)域，在一定程度上達(dá)到了數(shù)據(jù)尋優(yōu)的目的，提高了系統(tǒng)的尋優(yōu)能力，但是面臨一些復(fù)雜的問題時(shí)一些算法表現(xiàn)出收斂速度慢、陷入局優(yōu)等問題，為了解決這一問題，對一些算法提出了改進(jìn)，下面介紹了幾種算法的改進(jìn)算法。

3.1變形遺傳算法

變形遺傳算法是從簡單遺傳算法發(fā)展而來的，是對其運(yùn)算因子的擴(kuò)展和補(bǔ)充。簡單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎(chǔ)上進(jìn)行了一些改進(jìn)：改進(jìn)編碼方式，改進(jìn)初始群體的生成方式，改進(jìn)適應(yīng)度函數(shù)的定義方式，改進(jìn)選擇算子操作方式，改進(jìn)變異算子操作方式，改進(jìn)算法終止條件。這些算法增強(qiáng)了變形遺傳算法搜索過程的方向性，從而增強(qiáng)了算法搜索尋優(yōu)的方向性。圖2為切削用量優(yōu)化的變形遺傳算法的流程圖。

變形遺傳算法有兩個(gè)優(yōu)點(diǎn)：一是具有局部的隨機(jī)搜索能力；二是可維持群體多樣性，防止出現(xiàn)未成熟收斂現(xiàn)象，從而使收斂概率達(dá)到大值。

3.2改進(jìn)的粒子群算法

粒子群優(yōu)化算法在函數(shù)優(yōu)化等領(lǐng)域蘊(yùn)涵了廣闊的應(yīng)用前景，利用粒子群優(yōu)化參數(shù)原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區(qū)域內(nèi)進(jìn)行精細(xì)搜索的能力。尋找到最優(yōu)化的加工參數(shù)。目前針對粒子群算法存在的問題，已提出了多種粒子群算法改進(jìn)算法，并且這些改進(jìn)的算法廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式分類等領(lǐng)域。其中一種改進(jìn)的粒子群算法是針對粒子群算法在求解高維函數(shù)時(shí)易陷入局部最優(yōu)的問題提出的，該算法通過對粒子的速度和位置更新公式進(jìn)行改進(jìn)，使粒子在其最優(yōu)位置的基礎(chǔ)上進(jìn)行位置更新，從而增強(qiáng)算法的尋優(yōu)能力。如圖4為改進(jìn)的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進(jìn)算法為：①全局鄰域模式和局部鄰域模式粒子群優(yōu)化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開局部極小值；②混沌粒子群優(yōu)化算法，它不但具有混沌的隨機(jī)性、遍歷性、規(guī)律性等特性，還能引導(dǎo)粒子及其組成的群落搜索全局最優(yōu)解。

3.3協(xié)同優(yōu)化算法的改進(jìn)

協(xié)同優(yōu)化算法（eollaborati Veoptimization，CO）是多學(xué)科設(shè)計(jì)優(yōu)化方法中應(yīng)用最廣、效果最好的算法，但是在應(yīng)用中存在計(jì)算困難的問題，根據(jù)這一問題提出了改進(jìn)的協(xié)同優(yōu)化算法一ICO（Improvedeollaborati Veoptimization）多學(xué)科設(shè)計(jì)優(yōu)化方法。

ICO多學(xué)科設(shè)計(jì)優(yōu)化方法保持了CO算法模塊化和學(xué)科自治性的優(yōu)點(diǎn)，以新的表達(dá)方式來克服CO算法的計(jì)算困難。ICO算法利用快速啟動(dòng)方法提高了計(jì)算速度，使得ICO算法比標(biāo)準(zhǔn)CO算法更加穩(wěn)定、可靠，計(jì)算效率明顯提高。以往協(xié)同粒子群算法不能保證全局收斂，易產(chǎn)生偽最優(yōu)值的問題，根據(jù)這一問題提出改進(jìn)的協(xié)同粒子群優(yōu)化算法，它將混沌理論引入?yún)f(xié)同粒子群算法中，改善了協(xié)同粒子群算法的性能，使其具備了求解高維優(yōu)化問題的優(yōu)越性。但是IC0算法還需要在大型復(fù)雜工程系統(tǒng)設(shè)計(jì)優(yōu)化中進(jìn)行應(yīng)用、檢驗(yàn)及進(jìn)一步完善。

Matherton提出Kriging數(shù)學(xué)理論之后，Kriging技術(shù)在許多領(lǐng)域得到應(yīng)用，研究人員以此為基礎(chǔ)并基于統(tǒng)計(jì)學(xué)理論提出了Kriging模型，Kriging模型被視為一種最優(yōu)的線性無偏估計(jì)。對于計(jì)算量大的問題可以利用基于Kriging模型的改進(jìn)協(xié)同優(yōu)化算法（Kriging-CO算法）來提高系統(tǒng)的優(yōu)化效率，該改進(jìn)算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復(fù)雜的問題，應(yīng)用該算法減少迭代次數(shù)，提高運(yùn)算效率。

雖然一些改進(jìn)算法彌補(bǔ)了以往算法一些不足，但切削數(shù)據(jù)庫技術(shù)的發(fā)展越來越快，對切削數(shù)據(jù)庫性能的要求越來越高，出現(xiàn)的問題也會(huì)越來越多，因此對算法的研究也必須更加深入。

4.結(jié)語

本文首先列舉了切削數(shù)據(jù)庫中幾種優(yōu)化算法的應(yīng)用，總結(jié)了這些算法所解決的問題以及達(dá)到的效果。其次將切削數(shù)據(jù)庫中常用算法進(jìn)行了分類、總結(jié)、比較，說明對于不同的數(shù)據(jù)庫系統(tǒng)環(huán)境應(yīng)采用合適的查詢優(yōu)化算法。最后針對幾種改進(jìn)算法的優(yōu)點(diǎn)及應(yīng)用領(lǐng)域進(jìn)行了總結(jié)。

切削數(shù)據(jù)庫正在向集成化、智能化、網(wǎng)絡(luò)化的方向發(fā)展，對數(shù)據(jù)尋優(yōu)速度，數(shù)據(jù)優(yōu)化精確度等功能要求越來越高，但現(xiàn)有的優(yōu)化算法仍有許多不足，例如算法的數(shù)學(xué)理論基礎(chǔ)比較薄弱，缺乏深刻且具有普遍意義的理論分析，利用算法優(yōu)化切削數(shù)據(jù)時(shí)，容易陷入局部最優(yōu)解、接近最優(yōu)解時(shí)收斂速度易變慢等問題。可以將不同數(shù)據(jù)優(yōu)化算法融合，發(fā)揮各自優(yōu)點(diǎn)，形成復(fù)合算法，進(jìn)行高效尋優(yōu)求解；并將數(shù)據(jù)挖掘技術(shù)應(yīng)用于切削數(shù)據(jù)庫的數(shù)據(jù)尋優(yōu)、推理，使數(shù)據(jù)庫功能和數(shù)據(jù)質(zhì)量得到提升和保證。

（編輯：溫澤宇）