基于机器学习的典型零件特征加工方案智能决策研究

任涵韬，张胜文，程德俊，方喜峰，官 威，李 群

(江苏科技大学机械工程学院，镇江 212003)

0 引言

特征加工方案决策作为CAPP中十分重要的一环，一直是国内外研究的重点领域。目前，针对特征加工方案的决策，国内外已进行了大量的研究，如基于工艺重用的、基于规则、推理的方法等。随着工艺设计制造的智能化进程不断推动，大多数的企业已经开始转变传统的工艺决策方法。如波音公司[1]运用集成化工艺设计、虚拟制造等先进的设计制造技术，从而显著提高了生产效益；胡权威等[2]构建了决策因子与零件特征加工方案之间存在的隶属关系，实现了对零件特征加工方案的模糊决策；钟君焐等[3]提出了基于BP神经网络的槽类特征加工方案决策方法。但目前国内外对于特征加工方案决策的研究仍然存在以下局限：①复杂零件的加工特征涉及多专业知识，知识库构建困难，知识评价体系与推理机制不健全；②加工工艺的设计过程依赖人工经验，设计效率低，智能化程度总体较低；③国内大量中小型机械制造企业没有实现加工设计工艺的结构化、智能化。

近几年，神经网络[4-5]是机器学习领域的重要研究内容之一，其中BP神经网络[6-7]是神经网络最成熟、最具代表性的机器学习方法，已被广泛应用于解决机械领域内各种问题，如吴连平等[8]采用BP神经网络建立了挤压模具形状与内外圈最大间隙与最小间隙之差的映射关系，并结合遗传算法优化了模具型腔；张子豪等[9]通过搭建BP神经网络偏心预测模型，快速精确地计算转子零件的加工设计偏心；上官文斌等[10]采用BP神经网络和遗传算法，对压入型橡胶扭转减震器进行了优化设计，确定其最优参数。

可见人工神经网络对于研究基于机器学习的特征加工方案智能决策有重要意义。但传统的BP神经网络具有易陷入局部极值，对小样本、高维度的问题进行求解计算时，收敛速度变慢，网络性能变差等缺点。同时，一旦BP神经网络的初始权值和阈值选取不恰当，则会时常导致无法获得较好的预测结果[11]。

针对以上问题，本文对BP神经网络算法的优化方法及其与典型零件特征加工方案智能决策结合方法进行研究，构建特征加工方案智能决策模型，并通过案例测试分析，验证其可行性和有效性。

1 典型零件特征加工方案智能设计

零件特征加工方案决策是零件工艺设计的重要环节，其目的在于为零件上各待加工特征选择加工方案。由于加工产品具有特征种类、数量繁多，所涉及的专业知识复杂等特点，所以需要根据零件加工特征的特征类型、尺寸精度要求、表面粗糙度以及零件的材料类型、热处理方式等相关信息，对零件特征进行加工方案决策。

传统的特征加工方案决策主要基于规则的知识表达方法，其通过搭建工艺设计经验数据库、知识库，然后运用规则推理获得加工方案。此方法虽然能够实现加工方案的决策，但推理效率低、欠灵活，对于新的特征需添加新的决策约束，不具备学习和泛化能力、智能化程度不高，无法顺应智能制造的大趋势。因此，本文将对特征加工方案智能决策问题进行研究，总体技术方案如图1所示。

图1 特征加工工艺路线智能设计技术方案

通过对企业历史特征加工工艺文件等资料的采集与分析，结合特征加工方案智能决策的需求，梳理出相应特征-加工方案的知识与规则，为后续特征加工方案决策奠定基础；其次，对加工零件的特征数据进行转换；在此基础上，针对特征加工方案决策问题进行神经网络模型构建，通过对多种零件的特征加工方案决策问题进行训练，最终实现特征加工方案的智能决策。

2 基于改进蝗虫算法优化的BP神经网络

2.1 改进蝗虫算法

蝗虫算法(GOA)是一种新型启发性群智能优化算法，该算法受蝗虫种群行为启发，引入社交作用力的概念，考虑种群内个体间的交流行为，是一种结构简单、可调参数较少、搜索能力较强的算法。蝗虫算法具体步骤见文献[13]。传统蝗虫算法存在种群初始化依赖性强，中期收敛速度慢以及搜索精度低等问题，因此本文对蝗虫算法做了以下改进：

(1)应用余弦函数更新控制参数c。传统蝗虫算法的控制参数使用式(1)计算，但该方法并没有体现出蝗虫算法的搜索特点与控制参数c的作用。

(1)

为达到动态调节控制参数的目的，并考虑到应尽量引入少的参数来减少计算量，故引用文献[14]的余弦函数式(2)来调节控制参数c。

(2)

(2)引入静态分割初始种群策略。传统蝗虫算法中，由于需要考虑到每个个体的更新与每个个体间的作用，会造成计算冗余，为减少此情况，故对蝗虫算法的初始种群进行静态划分，即保留初始种群的基本操作，不改变种群的迭代公式，也不引入新的参数，而是将初始种群分割成两个子种群独立进化，在两个子种群完成种群更新后，进行信息交互，共享最优信息。由种群更新式(3)可得出，每次迭代，种群都要进行N(N-1)次计算，分割成两个子种群后，每个子种群规模都为N/2，此时进行迭代计算的次数变成原来的1/4，可在一定程度上改善种群更新时的计算冗余。

(3)

(3)基于高斯变异的蝗虫优化算法种群优化。传统蝗虫优化函数可能会丢失进化方向，无法保证优质个体的产生概率。本文引入高斯变异，作为一个独立部分，放在种群更新之后，具体公式如下：

(4)

式中，σ=1。为保证随机性，将∝选取为0～1之间的任意数。对经过种群更新后得到的个体进行如式(5)所示的高斯变异。

Xi=Xi+XiG(∝)

(5)

通过上述变异公式，将更新后得到种群个体进行新旧适应度值的对比，保证经过高斯变异的个体都优于原个体，从而使得种群总体向着好的方向进化。

2.2 改进蝗虫算法在BP神经网络的运用

针对上文所提的BP神经网络存在的问题，本文通过利用IGOA算法优化BP神经网络的初始权值与偏置值。

根据BP神经网络模型对种群进行编码并生成初始种群，将BP神经网络的均方误差损失函数式(6)作为IGOA算法的目标函数：

(6)

式中，O′为理论结果；O为神经网络的输出结果；n为输出层节点个数。

根据该函数计算IGOA算法适应度，函数值越小，适应度越好，当IGOA算法最大迭代次数时，记录并提取最优个体，经过解码处理后，生成最优初始权值与偏置值。

IGOA-BP神经网络流程如图2所示。

图2 IGOA-BP神经网络流程图

3 特征加工方案智能决策模型构建

3.1 训练集模型构建

本文依托特征加工工艺结构层次模型并以每个特征加工层级中的各组件或子特征加工体为单位进行特征加工工艺决策，由于每个特征加工层级之间又有一定的特征加工关系，因此在使用IGOA-BP神经网络对特征加工工艺路线进行决策时，需要根据各种类别特征的特点构建特征加工方案训练集。

构建训练集的方法如下：

(1)各特征—加工工艺信息库的构建。对企业过往生产过的所有同类型或同系列零件的特征加工工艺文件进行读取，获得各零件的特征加工方案等信息，根据这些信息建立零件—特征—特征加工工序对应的信息库。如柴油机连杆的信息库就是该企业所有型号的连杆所包含的特征信息、特征加工方案信息的集合。

(2)训练集的编码与构建。根据零件的特征—加工方案信息库，对各零件特征加工工艺文件中的特征加工工序进行对应转换从而建立对应的训练集。以某零件的特征加工方案训练集建立过程为例：根据该零件的特征信息库对比其他零件的信息，当全部信息比对完成以，会得到以矩阵APTS形式存在的特征加工方案训练集，其表达式如下：

(7)

式中，APTS表示当前对象的特征加工方案训练集矩阵。A1～An中，行向量代表所有零件中包含的特征—加工信息，列向量代表各零件中是否存在当前加工特征，若存在，则记为1，反之为-1。O1～On中，行向量代表所有零件中该特征包含特征加工工序信息，列向量代表各零件在加工过程中是否存在当前特征加工工序，若存在，则记为1，反之为-1。因此，此零件加工特征训练集矩阵实现了不同零件同一加工特征工序信息的全覆盖。

3.2 基于iGOA-BP神经网络的决策模型构建

(1)神经网络模型构建。在构建BP神经网络决策模型时，将A1～An按列向量作为输入层各节点，O1～Om按列向量作为输出层各节点，列向量元素个数为所涉及零件特征个数该神经网络模型如图3所示。

图3 神经网络决策模型示例

(2)IGOA算法种群生成。在IGOA算法中，蝗虫种群中个体位置向量直接体现了各层权值与阈值质量，为方便求解，将输入层到隐藏层的权值和阈值矩阵w1，b1与隐藏层到输出层的权值和阈值矩阵w2，b2整合，并拉伸成行向量作为蝗虫的个体位置向量。

(8)

式中，Nw1、Nb1、Nw2、Nb2分别为w1、b1、w2、b2中的元素个数；w1、b1、w2、b2元素个数由神经网络输入层、隐藏层、输出层节点确定。

Nw1=Nin×Nhd

(9)

Nb1=Nhd

(10)

Nw2=Nhd×Nout

(11)

Nb2=Nout

(12)

式中，Nin、Nhd、Nout分别为输入层、隐藏层、输出层节点个数。

按照Dim生成两个初始子种群：

Loc1=[α1,α2,α3,…,αDim]

(13)

Loc2=[β1,β2,β3,…,βDim]

(14)

经过迭代优化获取各个子种群的最优个体Best_posi，然后进行种群间的信息交互，共享最优个体Best_pos，具体步骤如下：

步骤3：将各行向量重新排列，生成优化过的w1、b1、w2、b2矩阵。

3.3 特征加工方案智能决策总体流程

特征加工方案的智能决策旨在实现零件特征自上而下的特征加工方案智能设计。总体流程如图4所示，具体步骤如下：

图4 特征加工方案决策流程图

步骤1：获取零件MBD模型上的特征类型以及特征工艺信息；

步骤2：基于加工方案决策数据库，训练用于不同类型特征加工方案决策的IGOA-BP神经网络模型，并分别获取最优的决策模型；

步骤3：将特征工艺信息转码后输入IGOA-BP神经网络模型中，获得合适的特征加工方案；

步骤4：根据实际情况，人为判断得到的加工方案是否满足要求，若满足，则输出该加工方案，并将该实例输入加工方案决策数据库；若不满足，则对结果进行人为修改，然后输出结果，并将修改后的方案输入加工方案决策数据库。

4 实例验证与分析

本文试验硬件环境的配置为CPU Intel(R) Core(TM) I7 9700K，内存16 GB，操作系统为Windows10 64位，程序环境为Python3.6，NX10平台，在NVIDIA GTX1660和NVIDIA CUDA Toolkit GPU加速环境下开展实例验证。

为证明本文方法的有效性，以船用柴油机关键件连杆为实验对象，将连杆所有加工特征的加工信息提取出来并归一化处理后构建出神经网络训练集，如图5所示。

图5 部分连杆特征加工训练集

本文在PyCharm平台上利用Python语言构建IGOA-BP模型，经过对所选参数进行多次试验，拟定该模型中的相关参数值，其中：输入层的节点数为113，输出层节点数为8，隐藏层神经元个数为12，最大迭代次数maxiter=80，学习速率η=0.035，修正量β=0.02，隐藏层激活函数选取Sigmoid函数，输出层激活函数选取Identity函数，当训练误差小于6.5×10-6时，视为神经网络训练完成。

通过程序运算，得到IGOA-BP算法的损失函数图像，如图6所示。其中横坐标表示训练次数，纵坐标表示损失函数值。随着训练次数的增加，损失函数值逐渐向0逼近，最终在1200次左右达到终止条件，训练完成。使用训练后的神经网络对若干种船用柴油机连杆进行特征加工方案智能决策，输出结果如表1所示。

图6 IGOA-BP神经网络损失函数图像图7 BP神经网络损失函数图像

表1 IGOA-BP神经网络输出结果表

表1中的粗铣、半精铣等均为连杆加工方案的组成部分。各方案预测输出结果的数值为该加工方案是否存在于当前零件特征加工方案中的支持度，将其按照“四舍五入”原则进行“标准化”处理，并将结果与理论值“1，-1”进行比较。以平面1为例：平面1的特征加工的输出数值为-0.996 3，标准化结果为-1，表示平面1的特征加工方案中不包含粗铣这一工步；半精铣的输出数值为0.974 6，标准化结果为1，说明半精铣工步存在于平面1的特征加工方案中。以上述构建的神经网络模型对现有资料中若干型号的连杆特征加工方案进行验证测试，将各型号输出结果与实际特征加工方案进行对比，其结果准确率达到96.9%，且随着训练集的不断扩充，其结果准确率不断提高，证明此模型是有效可靠的。

为进一步证明本文所提算法在训练效率与预测准确性相对于传统BP神经网络的优越性，根据已建立的训练集，使用传统BP神经网络对连杆特征加工方案进行训练与预测。损失函数图像如图7所示。

从图7中可得，使用传统的BP神经网络进行训练时，训练次数明显增多，大约在4×105次左右才达到终止条件，其训练过程中多次陷入局部极值，充分说明了本文所提的IGOA-BP算法具有良好的收敛能力与收敛速度。

使用传统神经网络进行连杆特征加工方案智能决策的输出结果如表2所示。

表2 BP神经网络输出结果表

将四种型号的理论输出与IGOA-BP神经网络预测输出以及传统BP神经网络预测输出进行对比可知，IGOA-BP神经网络预测输出与理论输出值基本一致，而传统BP神经网络预测输出与理论输出的偏离较大，因此，可以证明本文所提出的IGOA-BP神经网络与传统BP神经网络相比，训练结果误差小，准确率更高，使用IGOA-BP神经网络进行特征加工方案智能决策的结果可信度更高，对企业的适用性更强。

为方便将决策结果形象的展示给工艺人员，故将智能决策技术与NX平台相结合，经二次开发得到如图8所示。

图8 船用柴油机连杆特征加工方案示例

同时保留人机交互的修改功能，便于工艺设计人员根据自身的经验和规则对其进行补充完善，最终形成整个船用柴油机连杆可靠度高的特征加工方案。

5 结束语

本文对典型零件的特征加工方案决策问题进行研究，提出了一种基于IGOA-BP神经网络的特征加工方案智能决策方法：

(1)改进了蝗虫优化算法，运用余弦函数调节控制参数c，引入种群静态分割方法，减少了算法运算量；引入高斯变异提高了种群内个体差异性，并提增强了算法的搜索能力；

(2)使用改进蝗虫算法对BP神经网络初始权值和阈值进行优化，提高了神经网络的收敛速度与精度；

(3)构建了典型零件特征加工方案智能决策模型，并以船用柴油机中连杆为实验对象进行了决策模型验证，证明了该模型的有效性。

总的来说，基于IGOA-BP的神经网络在特征加工方案中有较好的应用效果，能快速准确地决策出典型零件的特征加工方案。在今后的深入研究中可以不断优化特征加工方案决策模型，进一步解决加工工艺设计中各个方面的问题，提高其应用价值。