基于支持向量機的電火花加工TC4的盲孔深度預測模型

周加樂　茍淞　劉宏

摘 要：在使用電火花加工技術對難加工金屬進行加工時，因為加工過程的復雜性，單純通過電火花加工實驗方法研究各種放電參數及非電參數對盲孔深度的影響不但耗費大量時間，而且實驗成本較高。因此文章提出了基于支持向量機在電火花加工工程中盲孔深度的預測模型。以電火花加工TC4為例，設計正交實驗。實驗結果表明，支持向量機模型可以精確的反映加工參數與實驗結果的非線性關系，具有較準確的預測精度。

關鍵詞：電火花加工；盲孔深度；預測模型；支持向量機；TC4

中圖分類號：TG661 文獻標志碼：A 文章編號：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，由于其獨特的功能，廣泛用于各種行業。它可以加工任何導電材料，包括各種金屬和合金，不管其硬度如何[1]。已廣泛應用于模具制造、航空航天、航空、電子、核能、儀器儀表、輕工等領域，解決各種難加工材料和復雜形狀物體的加工問題。現代工藝中，由于對精度的高需求，所以加工后所需的盲孔的深度需要合適的加工參數來確定。

近年來，許多研究者對電火花加工后的盲孔進行了研討。楊立光[2]等人對徑比盲孔電火花加工工藝進行了探討，結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程非常復雜，涉及許多電參數和非電參數，選擇不當的參數也可能導致嚴重的后果，如異常放電狀態[3]。而這些參數與加工后的盲孔關系又具有不確定性。所以通過系統工藝試驗來確定的實驗參數不足以滿足現代工藝需求。所以，急需一種數學建模方法來對加工過程進行建模，來精確的反映加工參數與加工結果的非線性映射關系。任大林[4]等運用支持向量機（SVM）對電火花加工中電參數進行了優化研究，實驗結果表明該方法所確定的最優電參數能夠很好地保證預期的加工質量。針對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的電火花加工表面粗糙度預測模型，研究表明所建立的電加工表面粗糙度預測模型精度較高，可以用于預測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與盲孔深度的非線性映射關系，用基于支持向量機的方法建立一個適用于電火花加工盲孔深度預測的模型。

1 實驗設計

本次實驗中，用ES540-NC EDM作為機床，機床的裝備結構如圖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組電火花加工實驗。由于數據量嚴重受限，因此采用正交實驗的設計思想[6，7]，設計峰值電流大小，電極直徑大小，為5水平的正交實驗。同時還進行了部分試點實驗，來確定峰值電流和電極直徑的選取水平。加工參數如表1所示。每組實驗完成后，使用千分尺對加后的TC4鈦合金工件上的盲孔深度進行多次測量并計算平均值。從而得到24組TC4鈦合金的相關加工參數及其對應的實驗結果的數據。圖2為加工后的工件，實驗數據記錄見表2。

2 支持向量機

2.1 支持向量機介紹

支持向量機具有結構簡單，計算效率高，泛化能力強等優點。它也可以用小樣本解決機器學習問題[8]。在求解小樣本，非線性和高維模式識別方面顯示出許多獨特的優勢，故構建了一個SVM模型。圖3顯示了SVM模型構建的流程圖。

2.2 數據預處理

將實驗所得的數據進行[0，1]歸一化[9]，以便加快訓練速度，提高訓練精度。

4 結束語

本次研究表明，支持向量機模型可以很精確的反映加工參數與加工結果之間的非線性映射關系。所構建的支持向量機模型預測的平均誤差為4.48%，在可接受的范圍內。

可將其應用在實際工程中用以確保加工穩定高效地進行，尤其適合在機床經驗數據缺乏的情況下，通過構建支持向量機模型，來選擇合適的加工參數，得到想要的盲孔深度。

可達到提高加工效率，降低工人技術要求的目的。

參考文獻：

[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，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的電火花加工參數優化研究[J].機械科學與技術，2014，33（8）：1167-1171.

[5]余劍武，胡其豐，文丞，等.基于支持向量機的電火花加工8418鋼表面粗糙度預測模型[J].中國機械工程，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，段會川，孫海濤.SVM訓練數據歸一化研究[J].山東師范大學學報（自然科學版），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.