范 卓，鄢 威，張 華

( 武漢科技大學 機械自動化學院，武漢 430081)

基于幾何特征的工件加工能耗預測研究*

范 卓，鄢 威，張 華

( 武漢科技大學 機械自動化學院，武漢 430081)

機械加工過程中影響能耗的因素很多，工件結(jié)構(gòu)設計階段和加工工藝階段的參數(shù)等都會影響能耗。為了利用工件結(jié)構(gòu)設計階段參數(shù)實現(xiàn)能耗預測，通過控制工件的幾何特征來控制最終的加工能耗，將工件拆分為單個幾何特征，在分析工件幾何特征與加工能耗關系的基礎上，提出了一種基于幾何特征的工件加工能耗預測方法。建立了基于幾何特征的工件加工能耗模型；構(gòu)建了幾何特征屬性信息的特征表；提出了通過歷史能耗數(shù)據(jù)預測加工能耗的方法：以實例推理為主、規(guī)則推理為輔的混合推理技術進行幾何特征加工能耗的匹配檢索，并采用指數(shù)平滑法修正歷史能耗。最后以某主軸的加工能耗預測為例驗證了該方法的有效性。

幾何特征；混合推理；能耗預測

0 引言

近年來，中國制造業(yè)取得了飛速的發(fā)展，許多制造產(chǎn)品的產(chǎn)量位居全球第一，“中國制造”享譽全球。但是我國制造業(yè)尤其是機械制造行業(yè)存在著能源消耗量大，利用率低等問題，節(jié)能減排、綠色低碳成為制造業(yè)可持續(xù)發(fā)展的挑戰(zhàn)。機械加工過程中能量損耗嚴重，據(jù)相關研究文獻的估算及多年來的實測數(shù)據(jù)表明，直接用于加工的有效能耗僅占總能耗的30%左右，機床節(jié)能降耗潛力巨大。因此研究機床的節(jié)能降耗及能源的精細管理對提高資源利用率、實現(xiàn)可持續(xù)制造具有重要作用。其中機械加工過程中能耗的估算和預測不僅能為加工工藝方案的評價和物流調(diào)度等活動提供數(shù)據(jù)支持，而且是機床能源消耗管理和節(jié)能減排研究的基礎，因此工件加工能耗的估算與預測的研究十分有意義。

國內(nèi)外學者在機床加工能耗的預測方面也做了許多的研究。Nils Weinert等提出通過調(diào)取機床加工信息文件，分析機床各部件的功率及工作時間，采用EnergyBlocks方法對工件能耗進行預測，并對生產(chǎn)系統(tǒng)進行節(jié)能規(guī)劃和管理[1]；宮運啟等人主要從工序?qū)用婧凸に噷用鎸δ芎念A測進行了研究：在工序?qū)用?，采用神?jīng)網(wǎng)絡算法，以切削用量組合為輸入，以加工能耗為輸出建立非線性關系，對加工過程中新的切削用量組合進行能耗預測，從而為切削用量的選擇提供能耗數(shù)據(jù)的參考[2]；在工藝方面，應用實例推理的方法，通過檢索相似案例，對新零件的加工能耗進行預測估算，為工藝方案的評價等提供數(shù)據(jù)支持[3]。現(xiàn)有的預測方法中，工件能耗預測主要通過實驗測量獲取機床加工過程的主要功率和工藝參數(shù)，再利用模型公式對工件能耗進行估算，需要詳細的加工工藝信息、精確的加工參數(shù)或需人工劃分機床服役過程。然而對于同一工件，其加工工藝方案、加工參數(shù)有很多種組合，現(xiàn)有的方法只能針對工件某一特定的加工信息組合進行能耗預測。本文在對工件幾何特征與加工能耗關系分析的基礎上，提出一種基于幾何特征的工件加工能耗預測方法，該方法建立在工件加工的歷史能耗數(shù)據(jù)的基礎上，只需要工件結(jié)構(gòu)設計階段的參數(shù)，對于一個工件，該參數(shù)信息是確定的，檢索該參數(shù)信息即可估算工件加工能耗。

1 工件幾何特征加工能耗預測基礎

機械加工過程主要是指通過一種或多種機械設備改變工件的外形形狀或性能，使之變成成品的過程。工件加工過程的能源消耗具有復雜的動態(tài)特性，主要由工藝設計階段的參數(shù)或工藝特征(工藝方法、加工參數(shù)、設備特性、刀具特性等)引起，而這些特性與工件結(jié)構(gòu)設計階段的參數(shù)或幾何特征(形狀特性、尺寸特性、材料特性、加工精度等)又有著相互協(xié)同與制約的關系，因此基于工件的幾何特征可以對加工能耗進行估算。建立工件幾何特征與能耗預測的映射關系，如圖1所示。

圖1 工件幾何特征與能耗預測的映射關系

1.1 基于幾何特征的工件加工能耗數(shù)學模型

工件某一幾何特征的加工能耗數(shù)學模型可以表示為：

Eprocessi=EPi

(1)

其中，EPi可表示為：

(2)

得工件加工過程中的總能耗為：

(3)

式中，Pi表示加工幾何特征i時的能耗，Oij表示加工幾何特征i工序j時機床的功率，n表示加工工件的幾何特征數(shù)，m表示加工某一幾何特征時的工序數(shù)。

1.2 基于混合推理的工件幾何特征加工能耗預測

在影響工件加工能耗的因素中，盡管工件的幾何尺寸、質(zhì)量、精度等信息有所差異，但是工件的幾何特征還是具有相似性，尤其是形狀特征，因此工藝方案也具有很強的相似性；工件加工過程所使用的制造資源具有相似性，對于一般制造企業(yè)，其制造設備更新周期長，具有同樣的機床、刀具、夾具、原材料等，技術人員與操作工人工作水平比較穩(wěn)定；工件加工時的環(huán)境具有相似性，同一個車間，其溫度、濕度及照明、壓縮空氣之類的輔助設備等基本相同，因此工件幾何特征的加工能耗數(shù)據(jù)具有重用性。

基于實例的推理(Case-based Reasoning，CBR)是通過尋找研究相似的歷史案例，利用已有經(jīng)驗或解決方案來解決當前問題，該技術在結(jié)構(gòu)設計、工藝路線規(guī)劃、加工工時成本估算等方面進行了應用，因此運用實例推理技術利用加工幾何特征的歷史能耗數(shù)據(jù)信息便可估算新幾何特征的加工能耗。由于CBR技術是運用已有的相似案例解決新問題，需要龐大的歷史案例數(shù)據(jù)信息組成案例庫，無法通過CBR檢索到相似案例時，采用規(guī)則推理(Rule-based Reasoning,RBR)的方法進行估算，并將估算結(jié)果存入案例庫中以完善案例庫。本文采用以實例推理為主，規(guī)則推理為輔的混合推理技術進行基于幾何特征的工件加工能耗預測。

2 基于工件幾何特征的混合推理及其過程模型

混合推理技術結(jié)合兩個推理方法的優(yōu)點、彌補單一方法的不足，更適應實際應用。實例推理用于檢索并匹配相似案例，獲取相關能耗數(shù)據(jù)及信息；規(guī)則推理則是當實例庫實例不足，不能給出問題的解時，挖掘?qū)嵗龓熘袔缀翁卣鞯墓に嚪桨浮⑶邢饔昧康饶芎南嚓P信息，建立相關規(guī)則提供解決方案[4]。

常見的實例推理(CBR)系統(tǒng)的求解過程是一個推理循環(huán)，包括實例表示(Render)、實例檢索(Retrieve)、實例重用(Reuse)、實例修改(Revise)、實例保存(Retain)[5]，其操作過程如圖2所示。

圖2 實例推理的一般操作過程

2.1 實例表示

實例一般由問題的描述、相應的解決方案以及方案的實施效果三部分組成，其中問題描述和解決方案是實例表示時必須包含的信息，方案的實施效果則是根據(jù)實例庫建立的需求而定的。進行能耗相關信息的推理并不需要方案的實施效果，因此實例表示只包含問題描述和相應的解決方案兩部分，準確的表示實例是進行實例匹配的重要前提[6]。

在工件的制造過程中，需要集成工件的設計信息和制造信息才能保證其可制造性，工件特征包含設計方面的幾何特征信息和制造方面的加工工藝信息，其中幾何特征信息是實例問題描述，加工工藝信息便是解決方案。

2.1.1 實例問題描述

工件的幾何特征信息具體包括材料特征和熱處理狀態(tài)，加工部位、形狀特征和尺寸特征參量等。在實際加工生產(chǎn)中，工件的種類和特征一般來說各不相同，若直接采用整個工件作為實例檢索匹配過程中的輸入，需要從CAD模型中通過特征識別、特征映射等技術獲取，然而由于特征技術具有相當難度，至今仍存在許多挑戰(zhàn)性問題需要解決，因此對于零件來說不便于查找及提取。本文主要將工件的幾何特征及幾何特征相關參量進行分類，可以簡單明了的描述零件的各種外在特征,工件幾何特征屬性分類圖如圖3所示。

圖3 工件幾何特征屬性分類

2.1.2 相應解決方案

工件的加工過程中，加工制造相關信息具體包括工藝方法、機床信息、刀具信息、切削液和切削用量等，另外相應的解決方案還包含舊案例加工所需能耗。運用實例推理進行幾何特征加工能耗預測時，解決方案是舊實例的加工能耗數(shù)據(jù)；當實例推理無法得到相似案例采用規(guī)則推理時，解決方案則是影響加工能耗的相關信息，相應解決方案的框架如圖4所示。

圖4 相應解決方案的框架

2.2 實例檢索

實例檢索是從實例庫中尋找并匹配與新問題相似的實例，實例檢索是CBR系統(tǒng)中非常關鍵的環(huán)節(jié)，本文采用最近鄰法進行實例的檢索匹配，首先對屬性間的相似度進行計算，然后通過屬性間相似度的加權匹配來估計實例間的相似度[7]。

2.2.1 幾何特征屬性間相似度的計算方法及選用

幾何特征屬性間相似度的計算根據(jù)數(shù)值類型的不同分為數(shù)值型、模糊邏輯型和無關型，根據(jù)實例的屬性特點，不同的取值類型選擇不同的屬性間相似度計算方法。

(1)數(shù)值型：該屬性具有數(shù)值型值域，則其相似度的計算公式為：

(4)

式中，sim(p,q)為屬性間相似度；p,q為屬性的值。

(2)模糊邏輯型：該屬性具有模糊邏輯值，則其相似度的計算公式：

sim(p,q)=f(p,q)

(5)

式中，sim(p,q)為屬性間相似度；p,q是賦給模糊邏輯屬性值的數(shù)值；f(p,q)為一數(shù)值函數(shù)，根據(jù)定義的具體特征屬性而定。

例如工件加工精度可分為五類，粗加工、半粗加工、半精加工、精加工和超精加工。它們分別被賦值為1、2、3、4、5，則：

(6)

式中，X為屬性的最大賦值，這里X=5。

(3)無關型：該屬性的不同取值之間沒有任何關聯(lián)，則其相似度的計算公式：

(7)

式中，sim(p,q)為局部相似度；p,q是屬性的值。

幾何特征屬性間相似度的計算方法選用如下：材料特征、形狀特征、加工部位信息直接決定工藝方案，需要完全匹配；定型尺寸、待加工量具有數(shù)值型值域，采用數(shù)值型算法；熱處理狀態(tài)采用無關型算法；表面粗糙度和加工精度具有模糊邏輯值，采用模糊邏輯型算法[10]。

2.2.2 幾何特征整體相似度的計算

幾何特征整體相似度的計算需要對實例的屬性賦予相應的權值，根據(jù)實例各屬性對加工能耗的影響情況定義權值分配規(guī)則如下[8]：表面粗糙度、加工精度、熱處理狀態(tài)的權值均為0.6；定型尺寸、待加工量的權值均為0.4。

幾何特征整體相似度計算公式為：

(8)

(9)

根據(jù)新問題各屬性的取值類型，選擇適合的相似度計算方法，再代入權值計算整體相似度。設定閾值R∈[0,1]，當整體相似度的值SIM(Pj,Q)≥R時才調(diào)用舊實例，獲取舊實例加工能耗數(shù)據(jù)。

2.3 指數(shù)平滑法修正能耗

指數(shù)平滑法(Exponential Smoothing，ES)是布朗提出的一種預測方法，常用于生產(chǎn)過程和中短期經(jīng)濟發(fā)展趨勢的預測，是預測方法中使用率最高的一種。指數(shù)平滑法盡可能利用所有時間歷程的數(shù)據(jù)，逐漸降低過去數(shù)據(jù)的影響程度，即根據(jù)數(shù)據(jù)的時間距離，賦予不同的權值，距離越大權值約趨近于零。

指數(shù)平滑法的遞推公式如下[9]：

St=αYt+α(1-α)Yt-1+α(1-α)2Yt-2+…+
α(1-α)n-1Yt-(n-1)

(10)

運用指數(shù)平滑法修正幾何特征加工能耗時，以整體相似度作為排序的新方法代替時間序列。平滑常數(shù)α可以通過經(jīng)驗準則法、最小變異系數(shù)法等方法來確定。由此，相似件的工件幾何特征加工能耗估算值為：

EPi=αEQ1+α(1-α)EQ2+α(1-α)2EQ3+…

(11)

加工工件的總能耗則為：

(12)

式中，EPi為待預測工件內(nèi)一幾何特征的加工能耗；EQ1為幾何特征相似案例的加工能耗；EP為待測工件的加工能耗。

2.4 規(guī)則推理估算能耗

當案例庫中不存在相似案例或能耗數(shù)據(jù)信息時，對幾何特征進行能耗相關信息的推理，并運用規(guī)則推理對能耗相關信息進行數(shù)據(jù)挖掘，進而估算能耗。

幾何特征加工能耗主要由主軸電機的切削能耗EC和進給電機能耗EF組成，他們的能耗模型為：

(1)主軸電機能耗模型：

(13)

PC=FC×V

(14)

(15)

式中，PC為切削功率；t為切削時間，通過幾何形狀與進給速度vC來計算；FC為切削力[10]；aP、f、vC為背吃刀量、進給速度和切削速度；KFC、CFC、xFC、yFC、zFC分別為切削力影響系數(shù)、修正系數(shù)、指數(shù)，其數(shù)值詳見《金屬切削手冊》。

(2)進給電機能耗模型：

(16)

式中，PF為第i個進給電機的功率，從機床信息中獲?。籺為第i個進給電機工作時間，通過幾何形狀與進給速度vC來計算。

則工件一幾何特征的加工能耗為：

EPi=EC+EF

(17)

至此，完成基于幾何特征的工件加工能耗預測，其過程模型如圖5所示：

圖5 基于幾何特征的工件加工能耗預測過程模型

首先根據(jù)CAD模型中集成的幾何特征信息對工件CAD模型拆分建立工件特征類樹，并提取工件幾何特征信息；然后應用混合推理技術針對工件幾何特征進行相似案例檢索，獲取加工幾何特征的能耗數(shù)據(jù)及能耗相關信息：工藝方案、機床信息、刀具信息、切削用量等；通過相似案例歷史能耗數(shù)據(jù)修正新幾何特征的加工能耗；若相似案例無歷史能耗數(shù)據(jù)，則通過規(guī)則推理及相關計算估算加工能耗，并存入實例庫中；最后估算整個工件加工能耗。

3 應用分析

以某數(shù)控磨床主軸粗車為例對該工件加工能耗預測方法進行應用分析，該主軸的模型及幾何特征示意圖如圖6所示。

圖6 主軸的模型及幾何特征示意圖

首先對主軸進行幾何特征屬性分類，其材料為20CrMnTi，粗車前未進行熱處理，對于材料特征、形狀特征和加工部位進行完全匹配，因此沒有相似度計算時的權重值。表1為主軸的幾何特征屬性表。

表1 主軸的幾何特征屬性表

下面對幾何特征P1進行混合推理，表2為摘取的部分外圓特征的相似案例。

采用混合推理技術對P1進行檢索匹配，設定閾值R取0.7，可得相似案例為Q4和Q6，它們的相似度分別是0.740和0.738。

運用指數(shù)平滑法修正相似案例，平滑常數(shù)采用經(jīng)驗準則法[11]，當時序波動較小時0.05≤α<0.3，時序波動較大時0.3≤α<0.7。對工件加工能耗特點進行分析并試算后，取平滑常數(shù)α=0.5，計算得到的目標案例的加工能耗為137.5W·h。

由于混合推理過程相似，這里不一一進行推理演算。經(jīng)過計算，所有特征進行推理后按式(12)估算總能耗為1498W·h。對該軸進行批量加工并通過橫河WT1800高性能功率分析儀進行能耗采集，得到的平均能耗為1542W·h，估算誤差為2.86%，在允許誤差范圍內(nèi)，驗證了該方法的可行性和有效性。

4 結(jié)論

(1)影響工件加工能耗的因素有很多，通過確切的工藝參數(shù)或數(shù)學方法難以精確估算工件加工能耗，且不便于企業(yè)的應用，鑒于在成熟制造業(yè)中，工件的加工信息及能耗數(shù)據(jù)等信息具有重用性，運用以實例推理為主，規(guī)則推理為輔的混合推理技術，充分利用已有案例數(shù)據(jù)，實現(xiàn)工件加工能耗的合理估算，為通過控制幾何特征來控制工件的加工能耗提供理論基礎；

(2)工件都是由不同的幾何特征組成，將幾何特征作為實例的表示，更加容易實現(xiàn)案例檢索，建立基于幾何特征的工件加工能耗模型，在某數(shù)控磨床主軸的加工能耗的估算過程中進行應用，驗證了該方法的有效性及合理性；

(3)在未來的研究方面：拆分后的幾何特征進行整個工件的能耗計算有待完善以減小能耗預測的誤差、數(shù)據(jù)庫中案例的存儲等問題也有待深入研究。

[1] Nils Weinert, Stylianos Chiotellis, Gunther Seliger. Methodology for planning and operating energy-efficient production systems[J].CIRP Annals - Manufacturing Technology, 2011, 60(1):41-44.

[2] 宮運啟.基于神經(jīng)網(wǎng)絡的機械加工工序能耗預測[J].計算機工程與應用，2012,48(21):235-239.

[3] 宮運啟,董世成.基于CBR的機械加工過程能耗預測的研究[J].機械設計與制造工程,2012,41(15):87-90.

[4] Polkowski L. Data-mining and Knowledge Discovery:Case-based Reasoning, NearestNeighbor andRough Sets[M]. New York:Springer,2012.

[5] 楊青海,祁國寧,黃哲人,等.基于案例推理和事物特性表的零件工時估算方法[J].機械工程學報,2007,43(5):99-105.

[6] 郝博,宋陽,胡玉蘭,等.基于灰色關聯(lián)理論的實例檢索與匹配[J].組合機床與自動化加工技術,2014(9):14-16.

[7] 李曉輝,劉妍秀.基于實例推理機制(CBR)綜述[J].長春大學學報,2006,16(8M):68-70.

[8] 陳維克,范微微,李忠群.基于混合推理的大型機床零件切削數(shù)據(jù)庫系統(tǒng)[J].中國機械工程,2015,26(7):923-928.

[9] 吳立之.工程投資估算的新方法——模糊指數(shù)平滑法[D].大連:大連理工大學，2003.

[10] 陳俊超,孔露露,徐敬通,等.數(shù)控機床切削比能建模及其參數(shù)影響分析[J].組合機床與自動化加工技術,2016(1):24-28.

[11] 王云霞,高成沖.實例推理技術在定制產(chǎn)品相似件成本估算中的應用[J].機械設計,2007,24(4):66-67.

(編輯李秀敏)

ResearchonEnergyConsumptionForecastinginWorkpieceMachiningBasedonGeometricFeature

FAN Zhuo, YAN Wei, ZHANG Hua

(College of Machinery and Automation, Wuhan University of Science and Technology,Wuhan 430081,China)

Many factors affect the energy consumption in the machining process, the workpiece structure design stage and processing parameters of the process will affect the system energy consumption. In order to realize the energy consumption forecasting by using the parameters of the workpiece structure design stage, the final machining energy consumption is controlled by controlling the geometric characteristics of the workpiece, and the workpiece is divided into single geometrical features. Based on the analysis of the relation between workpiece geometry and machining energy consumption, a method for predicting the energy consumption of workpiece based on geometric features is proposed. A machining energy consumption model based on geometrical features is established. A feature table of workpiece feature information is constructed. A method for predicting machining energy consumption through historical energy consumption data is presented.A mixed reasoning based on case-based reasoning and rule-based reasoning is applied to retrieve the energy consumption of geometric feature processing, and the historical energy consumption is corrected by exponential smoothing method. Finally, the effectiveness of the proposed method is verified by an example of machining energy consumption prediction of a spindle.

geometric characteristics; mixed reasoning; energy consumption prediction

1001-2265(2017)11-0036-05

10.13462/j.cnki.mmtamt.2017.11.010

2016-12-28；

2017-02-07

國家高技術研究發(fā)展計劃(863)計劃典型機床綠色生產(chǎn)工藝技術評估及應用支持系統(tǒng)研究(2014AA041504)

范卓(1991—)，男，湖北漢川人，武漢科技大學碩士研究生，研究方向為綠色制造，(E-mail)f_nzhuo@126.com。

TH162;TG506

A