智能制造技術基礎第3章智能制造加工技術本章要點1.智能制造加工技術概述2.智能制造加工工藝3.制造加工過程中的智能預測4.智能制造專家系統設計及實例智能制造加工技術概述101概述

智能制造加工技術（主要是智能切削技術）是智能制造技術的核心。原材料或毛坯的加工有三種形式：增材制造（通過焊接、鍍層、快速原型等方法來實現）、等材制造（通過鑄造、鍛造、粉末冶金等材料變形方法來實現）和減材制造（主要通過各種切削加工來實現），而減材制造目前仍然是制造零件和產品的主要方法。

切削過程是非常復雜的加工過程，在切削過程中涉及物理學、化學、力學、材料學、振動學、摩擦學、傳熱學等多學科、多領域的相關知識與理論，對于切削過程的控制一直以來是切削研究的重點。隨著加工技術不斷發展與工業4.0時代的到來，切削過程的智能加工技術已經成為切削研究的熱點，在切削過程中應用智能加工技術是必然的發展趨勢。高性能、難加工材料（如鈦合金、高溫合金、復合材料及它們的結構件）零件的加工過程中必須采用智能加工工藝，對加工系統、時變工況進行在線監測，以獲取加工過程的狀態信息。在此基礎上，針對實時工況變化采用智能化方法對工藝過程進行自主學習及決策控制，實現高品質零件制造過程的智能決策和自主控制。采用智能制造加工技術，可最大限度地提高難加工材料及其結構件的加工質量、加工效率、減少或者避免不必要的損失、降低生產成本。在常規數控加工過程中，數控機床只是根據零件的幾何形狀與給定切削參數生成數控加工程序，并按照已定的數控程序進行加工，沒有把加工過程中機床、刀具、工件的狀態變化一并納入加工過程進行考慮。工件材料去除加工過程中存在著非常復雜的狀態變化，其中包括機床位姿變化、機床功率變化、機床剛度變化、刀具的空間位置變化、刀具受力情況變化、刀具變形情況變化、刀具磨損狀態變化、刀具溫度變化、工件的受力情況變化、工件的變形情況變化、工件材料的去除程度、機床、刀具及工件的振動情況等。常規的數控加工技術只是按照給定的工件幾何輪廓、加工參數、刀具路徑進行加工，對于加工過程中出現的“突發”狀況不能進行實時處理，不能根據加工過程中狀態的變化采取相應的應對措施，也不能實現對加工狀態的實時優化，設備加工能力得不到充分發揮，同時也難以保證零件的最終加工質量。01概述現階段常規數控加工技術的不足智能加工技術是對現有加工技術的一次技術變革，通過加工前的仿真分析與優化、加工過程中的狀態監測、智能優化與控制、貫穿于整個加工過程的數據處理與共享，使得切削過程中各種狀態變化量可以被“預測”、“感知”、“控制”與“優化”，實現智能加工。智能加工技術在加工過程中的應用包括：（1）加工前：機床、刀具、零件、夾具幾何模型的建立、加工過程仿真、加工路徑優化、切削參數優化、刀具角度優化、切削過程中的狀態與最終加工質量預測等。（2）加工中：加工過程中加工狀態的在線監測、數據處理、特征提取、狀態判斷、智能推理與決策、實時優化與控制。（3）加工后：零件幾何尺寸與精度、表面粗糙度、表面貌、殘余應力等加工質量的檢測與判斷。（4）數據處理貫穿于整個智能加工過程：包括加工前、中、后不同階段中相關數據的建立、存儲、處理、通信與共享。01概述航空航天產品制造技術新特點及其對策01概述智能制造加工工藝21智能切削技術的內涵與流程2智能切削加工過程中的基礎關鍵技術3智能加工技術在切削過程中的應用4高端制造裝備及智能制造加工技術01智能切削技術的內涵與流程1、智能切削加工技術內涵智能切削加工涉及因素

智能切削加工是基于切削理論建模及數字化制造技術，對切削過程進行預測及優化，在加工過程中采用先進的數據監測及處理技術，對加工過程中機床、工件、刀具的狀態進行實時監測與特征提取，并結合理論知識與加工經驗，通過人工智能技術，對加工狀態進行判斷，通過數據對比、分析、推理、決策、實時優化切削參數、刀具路徑，調整自身狀態，實現加工過程的智能控制，完成最優加工，獲得理想的工件質量及加工效率。01智能切削技術的內涵與流程2、智能切削加工流程（1）整體工藝規劃

在零件進行實際加工之前首先需要對零件的幾何特征進行分析，綜合考慮機床參數、工件參數、刀具參數與技術要求等對零件的加工工藝進行規劃，通過運用大數據技術，結合以往理論知識與加工數據確定相應的加工參數與流程。（2）基于仿真的切削過程預測與優化

在機床、刀具、切削參數選取之后，通過數控加工仿真、切削過程物理仿真、數值仿真等手段對切削過程進行仿真，在實際加工之前預測加工過程機床、刀具、工件的狀態變化情況。并通過優化算法對刀具路徑，加工參數等進行優化，通過仿真分析使加工參數達到最優狀態。（3）加工過程在線監測與優化控制

加工過程的在線監測與優化是智能加工技術的核心技術，主要包括：在線監測模塊、優化決策模塊、實時控制模塊，涉及到在線監測、數據處理、特征提取、智能決策與優化、在線實時控制等多項技術。智能切削加工流程圖（4）質量檢測與判斷

質量檢測環節為加工的最后環節，通過對零件加工質量的在線監測，完成對零件幾何外形輪廓、加工尺寸精度、表面質量等的檢測，最終完成零件加工質量檢測。（5）智能加工中的數據處理

數據處理貫穿于智能加工的整個過程，加工中涉及的數據包括：機床、夾具、刀具、工件的基本參數數據、切削參數數據、加工過程中所測得的狀態參數數據、優化參數數據、控制參數數據、檢測數據等一系列數據。02智能切削加工過程中的基礎關鍵技術智能加工具體技術路線

智能切削加工過程所涉及的關鍵技術主要包括：智能加工工藝規劃、通過仿真手段對切削過程進行預測與優化、在加工過程中對于狀態變化的監測、加工過程中的智能決策與控制、貫穿于整個加工過程的數據處理技術。02智能切削加工過程中的基礎關鍵技術1、基于試驗的切削過程預測與優化技術（1）正交試驗設計及多元非線性回歸分析

加工過程中，影響加工過程參量（如加工表面質量、刀具磨損、切削力和切削溫度、切削振動等）的因素較多，常常需要同時考察3個或3個以上的試驗因素，若進行全面試驗，則試驗的規模將很大，往往因試驗條件的限制而難于實施。正交設計是安排多因素試驗、尋求最優水平組合的一種高效率試驗設計方法。（2）均勻試驗設計均勻試驗設計是一種只考慮試驗點在試驗范圍內均勻散布的試驗設計方法，由于均勻試驗只考慮試驗點的“均勻散布”而不考慮“整齊可比”，因此可以大大減少試驗次數，這是它與正交試驗設計的最大不同之處。02智能切削加工過程中的基礎關鍵技術（3）回歸設計（或響應面設計）

回歸設計就是在因子空間選擇適當的試驗點，以較少的試驗處理建立一個有效的多項式回歸方程，從而解決生產中的最優化問題，這種試驗設計方法就被稱為回歸設計。（4）穩健設計穩健設計是一個低成本高效益的質量工程方法，其基本思想是把穩健性應用到產品中，以抵御大量下游生產或使用中的噪聲；其基本原理是利用影響產品質量的非線性因素，通過改變某些可控因素的水平，使噪聲因素對產品質量的影響減到最小。由于穩健設計在產品設計之初就考慮到了噪聲因素的影響，所以產品設計幾乎不需要考慮額外的余量或采用高質量的零部件對噪聲因素的影響進行補償，從而可在保證產品的性能的同時降低產品生產和使用的費用。

02智能切削加工過程中的基礎關鍵技術（5）多目標優化（multi-objectiveoptimization）

工程實際中的許多問題都是多目標優化設計問題。多目標優化可以描述為：一個由滿足一定約束條件的決策變量組成的向量，使得一個由多個目標函數組成的向量函數最優化。

目標函數組成了性能標準的數學描述，而性能標準之間通常是互相沖突的，優化意味著要找到一個使得所有目標函數值都可接受的解。

各個目標間的競爭性和復雜性，使得對其優化變得困難，在多目標優化問題中尋求單一最優解是不太現實的，而是產生一組可選的折中解集。

目前，求解多目標優化的方法分為多目標決策（MultipleCriteriaDecisionMaking，MCDM）法和Pareto優化法。02智能切削加工過程中的基礎關鍵技術多目標優化問題的基本概念：1）目標函數、決策變量和約束條件目標函數是指在優化問題中所關心的一個或多個指標，它與優化問題中的某些因素呈函數關系，在優化過程中需要求其極值（最大值或最小值）。決策變量是指優化問題中所涉及的與約束條件和目標函數有關的待確定量。在求目標函數的極值時變量和目標函數必須滿足的限制稱為約束條件。2）個體之間的關系：支配關系或不相關關系。3）非支配解多目標優化問題與單目標優化問題的差異非常大。在有多個目標時，由于存在目標之間的無法比較和沖突現象，不一定有在所有目標上都是最優的解。一個解可能在某個目標上是最好的，但在其他目標上是最差的。因此在有多個目標時，通常存在一系列無法簡單進行相互比較的解。這種解稱作非支配解（on-dominatedsolutions）或Pareto最優解（Paretooptimumsolution。02智能切削加工過程中的基礎關鍵技術4）最優邊界（ParetoFront）

最優解是目標函數的切點，它總是落在搜索區域的邊界（面）上。如圖3.4所示，粗線段表示二個優化目標的最優邊界。三個優化目標的最優邊界構成一個曲面，三個以上的最優邊界則構成超曲面。圖中，實心點A、B、C、D、E、F均處在最優邊界上，它們都是最優解（Paretopoints），是非支配的（non-dominated）；空心點G、H、I、J、K、L落在搜索區域內，但不在最優邊界上，不是最優解，是被支配的（dominated），它們直接或間接受最優邊界上的最優解支配。兩個目標的最優邊界02智能切削加工過程中的基礎關鍵技術

多目標優化問題的解不是唯一的，而是一個解的集合，稱為非劣解集。且由于決策者對多個目標的要求也不一樣，什么樣的解是滿足設計者需求的解，需要按照決策者的意圖從非劣解集中找出最終理想有效解。根據優化過程和決策過程的先后順序，可將多目標優化方法分為三大類：先驗優先權方法、交互式方法以及后驗優先權方法。（1）先驗優先權方法，即先決策后搜索法。決策器事先設置各目標的優先權值，將全體目標按權值合成一個標量效用函數，把多目標優化問題轉化成單目標優化問題。（2）交互式方法，這種方法決策與搜索是相互交替進行的。優先權決策器與非劣解集的搜索過程優化器交替進行，變化的優先權可產生變化的非劣解。（3）后驗優先權方法，即先搜索后決策。優化器進行非劣解集的搜索，決策器從搜索到的非劣解集中進行選擇，這種技術不利用決策者的信息找出問題的全部非劣解集，供不同的決策者根據自己的需要進行選擇。02智能切削加工過程中的基礎關鍵技術（6）模擬退火算法、遺傳算法和人工神經網絡1）模擬退火算法模擬退火算法（SimulatedAnnealing，SA）是基于蒙特卡洛迭代求解策略，模仿固體退火降溫原理，實現目標優化的方法。模擬退火算法的基本思想是：從某一較高初始溫度開始，隨著溫度參數的下降，尋找局部最優解的同時能以一定概率實現全局最優解的求解。模擬退火算法的的基本原理為：當對固體加溫過程中，固體內部粒子會隨溫度的升高而趨于無序狀態，內能增大，當對固體降溫讓其徐徐冷卻過程中，固體中的粒子釋放能量，趨于穩定有序，最終在常溫狀態下達到穩定狀態，內能減為最小。物理退火與模擬退火算法對應關系圖02智能切削加工過程中的基礎關鍵技術2）遺傳算法

遺傳算法（GeneticAlgorithm，GA）于1975年由Holland提出，它借鑒了生物界中“優勝劣汰，適者生存”的進化規律，本質上是一種進化算法。由于其具有較好的全局搜索能力在多個領域得到廣泛應用，目前在機器學習、圖像處理、函數優化領域應用較多。

遺傳算法的基本思想是：將給定問題的解集初始化為一個種群，結合生物界中的優勝劣汰規則對初始種群進行淘汰選擇，隨后對選擇后的種群個體進行交叉、變異，隨著進化代數的增加，優良種群（即原問題的解）得以保留，進化結束后則獲得對應優化設計問題的最優解。因此，遺傳算法包括三個基本操作：選擇、交叉、變異。遺傳算法概述圖02智能切削加工過程中的基礎關鍵技術人工神經網絡模型是一種模仿人類大腦神經元之間信息處理特性的網絡，由輸入層、隱含層、輸出層組成，層與層之間通過神經元進行連接，通過不斷地調整神經元間連接權值和閥值來進行學習。近年來，人工神經網絡因其強大的非線性映射能力、高容錯性、魯棒性，被廣泛應用于板料成形優化領域。BP神經網絡（BackPropagationNeuralNetworks，BPNN）于1986年由Rumelhart等研究人員提出，是一種根據誤差反向傳播不斷自我訓練的神經網絡，它適用于各種復雜非線性問題。3）人工神經網絡（ArtificialNeuralNetwork，ANN）人工神經網絡概述圖02智能切削加工過程中的基礎關鍵技術BP神經網絡結構包括3層，從第1層到第3層分別為輸入層、隱含層和輸出層，每一層包含若干個神經元，層與層之間通過權值進行連接，隱含層和輸出層的每個神經元上分別對應一個閾值。有學者通過理論已經證明，含有3層結構的神經網絡能夠以任意精度逼近任意函數。圖為輸入層包含3個神經元和輸出層包含1個神經元的三層結構的BP神經網絡。圖中wij為網絡輸入層與隱含層的連接權值，wki為網絡隱含層與輸出層的連接權值。三層BP神經網絡結構圖02智能切削加工過程中的基礎關鍵技術2、基于仿真的切削過程預測與優化技術

基于仿真的切削過程預測與優化技術主要是在實際切削前通過幾何仿真、切削過程物理仿真、數值仿真等手段對加工過程進行仿真，通過仿真分析獲得加工過程中物理量的狀態變化情況，從而對實際加工過程進行預測，通過仿真手段對切削參數進行優化，指導實際加工參數的選擇，并發現加工過程中可能存在的問題。

通過對切削過程的物理仿真，可以對切削過程的切削力、切削溫度、刀具磨損、切屑形狀等狀態進行預測，并通過對獲得的仿真結果數據進行分析及時發現在切削過程中可能出現的載荷過大、溫度過高、磨損嚴重等問題，從而提出解決方案，改變加工參數。通過對切削過程的物理仿真優化，可以對切削參數與刀具角度進行優化，從而獲得使加工狀態最好的切削參數及刀具角度。切削仿真經典案例02智能切削加工過程中的基礎關鍵技術數值仿真作為切削過程的一種仿真手段同樣占有重要地位，通過建立切削過程的數學模型，例如切削力模型、刀具磨損模型、刀具振動模型、表面質量模型等可以對切削過程中變化的量進行定量分析，使切削參數，刀具角度參數與結果參數之間的關系更加具體明了，并且對于優化而言，數值仿真方法更具有優化算法多、實際操作簡單、效率高、精度高等優勢，通過數值仿真方法可以很容易對切削參數，刀具角度等進行優化。通過仿真都可以實現對零件幾何尺寸、表面微觀幾何形貌、表面粗糙度、表面殘余應力、表面冷作硬化等加工質量進行預測，進一步指導加工參數與刀具的選擇與優化。02智能切削加工過程中的基礎關鍵技術3、智能加工工藝規劃

對于傳統的零件加工工藝規劃，主要是根據工藝工程師的個人經驗對所要加工的零件進行工藝分析，對加工機床、工裝夾具與刀具進行選取，最后根據加工要求完成切削參數的選擇，進行機械加工。此種工藝規劃方式的主要問題在于人為因素對零件最終的加工質量影響很大，由于工藝工程師個人知識與加工經驗的不同，導致對于同一零件，不同工藝工程師所選取的工藝參數不盡相同，加工后的零件質量也各不相同。

智能加工的工藝規劃主要特點在于對機床、工裝夾具、刀具及加工參數的選擇過程中引入數據庫、知識庫、大數據、云平臺等數據處理技術。

引入仿真手段對工藝規劃進行仿真與優化。通過參考以往加工相同類型零件所積累的加工參數，對新零件工藝參數的選擇具有指導意義。通過對大量參考加工參數的提取與分析，選擇出適合當前零件的加工參數。02智能切削加工過程中的基礎關鍵技術（1）智能CAPP系統的構成

基于知識的智能化CAPP系統引入了知識工程、智能理論和智能計算等最新的人工智能技術，但其基本結構和傳統的CAPP專家系統一樣，都是以知識庫和推理機為中心的。智能CAPP系統的總體框架結構如圖所示，智能CAPP由以下幾部分組成：智能CAPP系統的框架結構02智能切削加工過程中的基礎關鍵技術（2）智能CAPP系統的工作原理智能CAPP系統信息的傳遞1）知識庫的建立：智能CAPP的知識庫包括零件信息庫、工藝規則庫、資源庫和知識庫管理系統。其中零件信息庫存儲的是零件的幾何特征、精度特征和加工特征的信息；工藝規則庫存儲的是大量的以產生式規則形式表示的工藝專家的經驗和知識；知識管理系統的作用是負責知識庫與外界的溝通、信息交換以及知識的修改與擴充、測試與精煉，還有就是維護知識庫的一致性與完整性。知識庫的建立過程實際上是知識經過一系列的變換進入計算機系統的過程，因此對知識庫的建立來說，最關鍵的環節就是知識的表示和組織。02智能切削加工過程中的基礎關鍵技術·傳統CAPP專家系統的推理機制一般和知識的表達方式有關，主要包括推理方法和搜索技術。推理方法：常用的推理方法有正向演繹推理、逆向演繹推理、正逆向混合演繹推理。搜索技術：根據在問題求解過程中是否運用啟發性知識，搜索技術分為非啟發式搜索和啟發式搜索兩種。·人工神經網絡·模擬退火算法·遺傳算法·模糊決策·粗糙集理論·混沌理論、蟻群算法、粒子群算法2）推理機制02智能切削加工過程中的基礎關鍵技術

知識獲取（KnowledgeAcquisition）就是抽取領域知識并將其形式化的過程。工藝決策知識是人們在工藝設計實踐中積累的認識的經驗的總和。工藝設計經驗性強、技巧性高，工藝設計理論和工藝決策模型化研究仍不成熟，這使工藝決策知識的獲取更為困難。

目前，除了一些工藝決策知識可以從書本或有關資料中直接獲取外，大多數工藝決策知識還必須從具有豐富實踐經驗的工藝人員那里獲取。知識獲取的方式有間接的知識獲取、直接的知識獲取和自動的知識獲取三種類型。

目前，CAPP統中知識獲取的研究工作集中在數據中知識的發現（KnowledgeDiscoveryinDatabases，KDD）或數據挖掘等方面。經常用到的方法有Apriori算法系，粗糙集，人工神經網絡等。3）知識的獲取02智能切削加工過程中的基礎關鍵技術（3）智能CAPP系統中的特點及存在的問題特點：1）在智能CAPP系統中，知識表示是和知識本身相分離的，所以當加工零件變化或知識更新時，相應的決策方法不會改變。這樣就提高了系統的通用性和適應性，能適應不同企業以及不同產品的工藝特點。2）智能CAPP系統以零件的知識為基礎，以工藝規則為依據，采用各種工藝決策算法，可以直接推理出最優的工藝設計結果或給出幾種設計方案以供工藝設計人員選擇。因此，即使是沒有經驗的工藝人員利用智能化的CAPP系統也能設計出高質量的工藝規程。3）智能CAPP系統中，知識庫和推理機的分離有利于系統的模塊化和增加系統的可擴充性，有利于知識工程師和工藝設計師的合作，從而可以使系統的功能不斷趨于完善。4）工藝設計的主要問題不是數值計算，而是對工藝信息和工藝知識的處理，而這正是基于知識和計算智能的智能CAPP系統所擅長的。5）如果系統具備自學習的功能，可以不斷進行工藝經驗知識的積累，那么系統的智能性就會越來越高，系統生成的工藝方案就會越來越合理。02智能切削加工過程中的基礎關鍵技術問題：1）目前，人工智能領域中關于智能和思維方面的研究，仍處于僅能模擬人的邏輯思維和邏輯推理的階段，而工藝設計是具有高度綜合性和創造性的思維活動，在特征識別、結構工藝分析和基準選擇等很多環節上需要發揮人的形象思維、抽象思維和創造性思維的能力，這就要求CAPP系統不僅要有推理的功能，還要有“聯想”的功能。但是在現階段，對于人類的這些高級思維能力，計算機還難以進行有效的模擬，這些工作仍需要靠人工來完成，這就大大制約了CAPP系統智能化水平的提高。2）工藝決策問題是非常復雜的規劃問題，決策所需要的信息量很大，而受CAD/CAM技術發展的限制，目前CAPP系統還無法自動獲取工藝決策所需要的零件信息，大量的信息仍需要通過人工來輸入。因此，零件特征的自動識別和零件信息的自動獲取是制約智能CAPP發展的一個“瓶頸”。3）推理和決策方法是智能CAPP的核心。然而，現階段用于CAPP系統的推理和決策算法普遍推理能力不強且效率低下，致使CAPP的智能水平不高。02智能切削加工過程中的基礎關鍵技術4、數據挖掘（DataMining，DM）

智能設計的目的是利用計算機延伸以創造性思維為核心的人的設計能力，從而盡可能地實現設計自動化，設計的自動化實際上就是對知識的自動化處理，其中知識是實現這一過程的載體。數據挖掘就是實現數據到知識轉化的有力工具。

在智能設計系統中，如何對大量、復雜和抽象的產品、工藝、制造等數據、信息進行處理，提取高層次的信息和有價值的知識，成為一項新的挑戰和課題。數據挖掘作為一種實現數據深化到知識的新的技術，正成為當前研究的熱點。02智能切削加工過程中的基礎關鍵技術數據挖掘的主要步驟（1）數據挖掘的定義與內涵知識發現（KnowledgeDiscoveryinDatabase，KDD）是從大量數據中提取可信的、新穎的、有效的并能被人理解的高級處理過程“模式”可以看作是知識的雛形，經過驗證、完善后形成知識。KDD是一個高級的處理過程，它從數據集中識別出以模式來表示的知識。高級的處理過程是指一個多步驟的處理過程，多步驟之間相互影響，反復調整，形成一種螺旋式的上升過程。02智能切削加工過程中的基礎關鍵技術

問題的定義：在這個階段，我們跟設計專家進行交流、定義問題，并決定設計目標、確定關鍵性問題、了解該問題目前的解決途徑。

理解數據：這包括最初的數據收集，對得到的原始數據進行抽樣分析，列出數據類型。準備數據：這是決定整個數據挖掘成功與否的關鍵性步驟，通常要占有整個項目的半數時間，因為數據庫包含了龐大數據，這就要求我們利用其中的某一部分的數據，并寄希望于我們從中得到的結果對于整個數據庫具有代表意義。這種對容量的縮減可以通過以下兩種途徑獲得，一種是對數據空間進行采樣，此時進行的數據收集是隨機的，另一種是對特征空間的采樣，只有具有某些特征的數據才能被選中。02智能切削加工過程中的基礎關鍵技術

數據挖掘：這是數據挖掘過程中最關鍵的步驟。數據挖掘包括選擇數據模型、決定訓練和實驗過程、建立模型、評價模型的品質。數據挖掘階段首先根據對問題的定義明確挖掘的任務或目的，如分類、聚類、關聯規則發現或序列模式發現等。確定了挖掘任務后，就要決定使用什么樣的算法。數據挖掘的算法繁多，常用的包括人工神經網絡、決策樹、遺傳算法、規則歸納、最臨近技術等。

知識評價：數據挖掘階段發現出來的模式，經過評估,可能存在冗余或無關的模式，這時需要將其剔除；也有可能模式不滿足用戶要求，這時則需要整個發現過程回退到前續階段，如重新選取數據、采用新的數據變換方法、設定新的參數值，甚至換一種算法等等；另外，數據挖掘由于最終是面向人類用戶的，因此可能要對發現的模式進行可視化，或者把結果轉換為用戶易懂的另一種表示02智能切削加工過程中的基礎關鍵技術（2）數據挖掘的體系結構

數據挖掘系統可以大致分為三層結構，如圖所示。

第一層是數據源，包括數據庫、數據倉庫。數據挖掘不一定要建立在數據倉庫的基礎上，但如果數據挖掘與數據倉庫協同工作，則將大大提高數據挖掘的效率。

第二層是數據挖掘器，利用數據挖掘方法分析數據庫中的數據，包括關聯分析、序列模式分析、分類分析、聚類分析等。

第三層是用戶界面，將獲取的信息以便于用戶理解和觀察的方式反映給用戶，可以使用可視化工具。KDD的體系結構02智能切削加工過程中的基礎關鍵技術（3）數據挖掘關鍵技術數據挖掘語言：為了數據挖掘過程的高效地進行，需要通過使用一組數據挖掘原語與數據挖掘系統通信，以支持有效的和有成果的數據挖掘。這些原語允許用戶在數據挖掘時與數據挖掘系統相互地通信，從不同的角度和深度審查發現結果，并指導挖掘過程。數據挖掘原語：原語用來定義數據挖掘任務，是數據挖掘的基本單位。一個數據挖掘任務由以下五種基本的數據挖掘原語定義。·任務相關數據原語·挖掘的知識類型原語·指導挖掘過程的背景知識原語·模式評估的興趣度度量原語·知識的表示和可視化原語02智能切削加工過程中的基礎關鍵技術（4）數據挖掘語言

定義了數據挖掘原語，還需要基于這些原語為用戶提供一組與數據挖掘系統通信的語言，即數據挖掘語言。根據數據挖掘語言的功能和發展階段的不同，將其分為三種類型：數挖掘查詢語言、數據挖掘模型語言、標準數據挖掘語言。第一發展階段的數據挖掘語言一般屬于數據挖掘查詢語言，如JiaweiHan等設計的DMQL(DataMiningQueryLanguage)，Imielinski和Virmani提出的MSQL和Meo、Psaila等提出的MINERULE等。數據挖掘模型語言主要包括數據挖掘工作組(TheDataMiningGroup，DMG)提出的預言模型標記語言PMML（PredictiveModelMarkupLanguage）。標準數據挖掘語言的代表是微軟公司提出的OLEDBforDM。02智能切削加工過程中的基礎關鍵技術（5）數據預處理數據清理：主要處理空缺值,平滑噪聲數據（臟數據），識別、刪除孤立點。其主要涉及：空缺值處理、噪聲數據處理、不一致數據處理。數據集成和變換：數據集成指由多個數據存儲合并數據。數據變換是將數據轉換成適合于挖掘的形式。數據集成涉及3個問題：模式集成、冗余、數據值沖突的檢測與處理。數據變換主要涉及：平滑（分箱、聚類、回歸）、聚集、數據概化（主要使用概念分層方法）、規范化、屬性構造。數據歸約：即對原始數據進行歸約,得到原始數據的歸約表示，它接近于保持原數據的完整性，但數據量比原始數據小。數據歸約的策略有：數據立方體聚集、維歸約（刪除不相關的屬性或維，常采用屬性子集選擇方法）、數據壓縮（目前流行的數據壓縮方法是小波變換和主成分分析）、數值歸約。離散化和概念分層：通過將屬性域劃分為區間，根據區間的設定判斷記錄的每個屬性值落在哪一個區間之內，然后將這個屬性值用一個唯一表示該區間的符號標識來代替。02智能切削加工過程中的基礎關鍵技術（6）數據挖掘方法粗糙集方法（RoughSet）：它是模擬人類的抽象邏輯思維，以各種更接近人們對事物的描述方式的定性、定量或者混合信息為輸入，輸入空間與輸出空間的映射關系是通過簡單的決策表簡化得到的，它通過考察知識表達中不同屬性的重要性，來確定那些是冗余的，那些是有用的。它是一種處理數據不確定性的屬性工具。決策樹方法（DecisionTree）：決策樹是通過一系列規則對數據進行分類的過程。它以信息論中的互信息(信息增益)原理為基礎尋找數據中具有最大信息量的字段，建立決策樹的一個結點，再根據字段的不同取值建立樹的分枝，在每個分枝中集中重復建樹的下層結點和分枝的過程，即可建立決策樹"采用決策樹，可以將數據規則可視化，其輸出結果也容易理解。人工神經網絡方法、遺傳算法、統計分析方法02智能切削加工過程中的基礎關鍵技術（7）智能設計（基于知識的設計）的內涵

在工業化社會向知識化和信息化社會轉化的過程中，人類對智能化的追求將導致一場“智能革命”，在這場智能革命的歷史浪潮中，人工智能研究的一個重要動力便是建立知識系統以求解困難問題。

在工程實踐中人們注意到，專家知識一般來源于領域專家的經驗積累，帶有很強的經驗性、模糊性和不確定性。智能設計就是希望通過知識處理的一系列技術來獲取領域專家或其它信息的知識，并選擇合適的知識建模語言將知識計算機化，以便于把寶貴的專家知識應用于設計中，提高實際解決問題的能力和設計開發的質量，起主要特點可以概述為：·是一種與CAX系統集成、用于解決工程問題的計算機系統；·集中解決了清晰表示知識的問題，并且將知識應用于特定工程問題的求解中；·既能深入地刻畫各領域中的核心問題，又能處理具體問題中的各個細節情況；·采用模式識別、基于規則和基于事例等方法進行知識的推理。02智能切削加工過程中的基礎關鍵技術

智能設計是面向工程開發全過程，能夠自動地誘導產品設計人員進行產品的設計活動，并能尋求記錄不同類型知識的方法。它是將人工智能（包括知識表示、推理、知識庫等）與CAX系統有機結合為一體的。圖顯示了智能設計系統的典型結構框架。典型智能設計系統的體現結構

基于知識的工藝設計信息系統運行過程中的智能行為主要體現在以下幾個方面：（1）零件信息建模中的智能輔助功能（2）工藝決策中的智能輔助功能（3）工藝檢索中的智能輔助（4）知識獲取中的智能輔助智能功能示意圖02智能切削加工過程中的基礎關鍵技術

通過對加工過程中機床、刀具、工件進行狀態監測是“感知”加工狀態最直接的手段。切削過程是一個非常復雜的過程，在切削過程中涉及機床、刀具、工件的狀態變化。例如機床的變形與振動，刀具的磨損與破損，材料的形變與相變等，所涉及的學科包括：材料學、力學、摩擦學、傳熱學、動力學等多門學科，所能監測的狀態量多而復雜，主要包括：機床、刀具位置；切削力、刀具溫度、刀具磨損、機床與工件及刀具的振動、聲發射信號、機床功率、工件表面質量、切屑形狀等信息。

對于機床的狀態進行監測，可以確保運行安全，防止運動干涉與碰撞、載荷及功率過大等問題。對機床位置監測是確保機床位置的正確性與實現機床誤差補償的基礎。同時對機床的能耗進行監測是降低成本、提高效率、實現綠色生產的前提。02智能切削加工過程中的基礎關鍵技術5、加工過程檢測技術

對于刀具、工件的狀態變化進行監測可以實時掌握加工過程中刀具與工件相互作用及自身狀態變化情況，是否存在切削力過大、刀具溫度過高、磨損嚴重、振動劇烈等情況，從而判斷加工狀態是否正確，是否進行穩定切削，實現對切削過程進行“感知”。將所采集到的信號進行降噪、濾波后，通過多種信號處理手段對信號進行特征提取與分析，例如應用比較廣泛的模糊神經網絡處理技術、多傳感器信息融合技術、支持向量機技術等實現對加工狀態的在線監測，實時了解到加工過程的狀態變化，為智能控制提供反饋。

優化決策模塊通過在線監測模塊所監測與提取的信息反饋，對加工過程進行單目標或多目標優化。可優化的目標包括：基于切削力的優化、基于刀具壽命的優化、基于加工振動的優化、基于工件表面質量的優化、基于切削溫度的優化、基于切屑形態的優化、基于加工效率的優化、基于經濟效益的優化等。優化完成后，將優化結果發送到實時控制模塊，通過實時控制模塊完成對機床相關參數的調整，包括改變切削參數、實時位置誤差補償、路徑優化、刀具狀態調整（更換刀具、改變刀具物理狀態）等，完成切削狀態的實時調整，實現最優加工。02智能切削加工過程中的基礎關鍵技術6、優化決策與控制技術7、智能刀具（系統）技術

刀具作為機床的“牙齒”在零件加工中占有非常重要的地位，零件的加工是通過刀具對工件進行切削作用完成的。智能切削加工技術不僅需要刀具具有切削功能，同時需要刀具具有自我感知、自我調節等智能功能，對于智能刀具的研制與研究已經成為刀具研究的熱點。智能刀具的感知功能主要集中在對切削力、切削溫度、振動等的感知，通過在刀具上集成感知系統，實現刀具狀態的自我識別，避免了在刀具上安裝多種傳感器的繁瑣操作，同時節省了空間，利于生產與維護。對于刀具尺寸較小或由于某種原因無法將智能感知與控制系統安裝在刀具上的情況，通過采用智能刀柄技術可以很好地解決上述問題。智能刀柄同樣可以對切削力、扭矩、振動、AE聲發射等信號進行監測。對于刀具的自我感知系統，進一步實現多傳感器的集成與融合是智能刀具感知系統的發展方向。

智能刀具的自我調節功能體現在對刀具自身屬性的調節，通過調節自身屬性來適應生產需要，實現優化加工。例如：在鏜削加工過程中，使用智能鏜桿進行鏜削，通過對刀具振動的識別與反饋控制，實時改變鏜桿自身剛度、阻尼等，實現鏜削過程的振動抑制。02智能切削加工過程中的基礎關鍵技術8、智能機床02智能切削加工過程中的基礎關鍵技術

智能化是數控機床的發展趨勢，在現有數控技術的基礎上，數控機床已經逐漸由機械運動的自動化向信息控制的智能化方向發展。智能機床不僅使機床操作變得簡單、安全，而且借助現代傳感技術、信息技術、自動化技術、網絡技術、人工智能技術等已經部分實現了機床的智能化加工，確保加工的高精度與高效率。智能機床的特點在于可以實現智能感知、智能決策、智能執行。智能機床所具備的具體功能包括：人機交互、加工仿真、自我監測、智能防碰撞、振動控制、自適應技術（負載自適應、位置自適應、主軸功率自適應、運動自適應）、誤差測量與補償（幾何誤差、溫度誤差）、智能主軸、刀具智能管理、文檔管理、設備維護等。03智能加工技術在切削過程中的應用1、基于切削仿真的預測與優化

通過數字仿真手段對切削過程進行預測與優化是智能切削加工技術的重要組成部分，通過仿真可以對切削過程進行預測并發現切削過程中可能存在的問題并進行優化。例如通過仿真手段可以對工件裝夾位置、刀具走刀路徑、切削過程的切削力、表面質量、刀具磨損等進行預測，及時發現過切或欠切。通過走刀路徑優化，切削參數優化可以提高加工效率，改善加工質量。(a)表面幾何形狀(b)A軸角度變化(c)C-軸角度變化(d)仿真周期時間刀具姿態對數控運動的影響03智能加工技術在切削過程中的應用

圖為Ti6Al4V鈦合金在高速銑削過程中切屑的生成過程鋸齒狀切屑的仿真結果與掃描電鏡測試結果對比圖，從仿真結果與試驗結果對比可以發現通過仿真手段可以較好地預測切屑的形態。切屑形態對比圖（切削速度v為180m/min，進給量f為0.1mm/r）03智能加工技術在切削過程中的應用

圖為有限元仿真方法對鉆削碳纖維復合材料過程中的材料分層現象進行了模擬與預測，通過對比發現簡化模型大大降低計算成本。通過仿真方法還可研究鉆削力、纖維板的夾持面積、纖維的鋪層方式對分層缺陷的影響規律。研究結果表明通過有限元仿真方法可以對碳纖維復合材料鉆削過程中的分層現象進行模擬與預測，對加工參數的選擇具有一定指導意義。(a)鉆入材料(b)鉆出材料采用完整仿真模型模擬的鉆削過程03智能加工技術在切削過程中的應用

圖為采用Python語言、基于Abaqus對預處理中的切削仿真模型進行二次開發切削仿真的實施方案。通過切削仿真模型二次開發可實現刀具角度與工件尺寸的參數化設計，縮短建模時間，奠定建立高效、高精度仿真模型的基礎。

通過采用綜合優化軟件Isight與Abaqus聯合仿真實現了通過對切削參數的調整實現對切削力的自動優化控制，并對切削參數的選取進行了優化，為選擇適合的切削條件提供了理論工具。切削仿真二次開發與聯合仿真03智能加工技術在切削過程中的應用2、加工過程中狀態監測與識別刀具磨損的監測與識別

刀具磨損直接影響工件的表面粗糙度、尺寸精度并最終影響零件的制造成本，同時刀具磨損對切削力，切削溫度，切削振動等也有影響，隨著刀具磨損的加劇，加工工件的質量也越來越差。通過對切削過程的切削力、振動、聲音、AE信號、切削溫度、主軸功率/電流、表面粗糙度等都可以實現刀具磨損的在線監測。

通過測量切削力的變化實時監測刀具磨損狀態，可建立切削力分量與后刀面磨損寬度的相互關系。該模型可以應用于在線刀具磨損監測系統，該監測方法可以應用于自適應加工系統的外部反饋控制回路中。還可通過采用測試主軸噪音的方法對車削過程中刀具的磨損進行監測，采用麥克風記錄恒線速度數控車削加工中的聲音。將主軸噪聲音頻信號與幾種不同的速度和進給組合的切削刀具的后刀面磨損情況進行比較，從而對刀具磨損狀態進行預測。03智能加工技術在切削過程中的應用

采用多傳感器融合技術和人工智能信號處理算法技術對刀具磨損狀態進行分類，可開發一種獨特的模糊神經混合模式識別算法，圖為算法中模糊驅動神經網絡的結構圖。所開發的算法具有很強的建模能力和噪聲抑制能力，能夠成功地在一定加工參數范圍內對刀具磨損進行分類。模糊驅動神經網絡的結構圖03智能加工技術在切削過程中的應用

還有一種新的基于自聯想神經網絡(AANN)的刀具磨損監測方法，該方法的主要優點在于它可以使用在正常切削條件下的數據建立模型，不再需要刀具磨損狀態的訓練樣本，使它較其他神經網絡模型更容易被應用在實際的工業環境中。由于該方法是在不停止切削過程的情況下連續獲得訓練樣本，訓練過程中不需要測量刀具磨損值而實現在線建模過程。因此，它為神經網絡在在線刀具狀態監測領域的實際應用提供了新的思路。

刀具磨損狀態識別及預測技術是集切削加工、信號處理、現代傳感器、微電子和計算機等技術為一體的綜合技術。該技術發展至今，仍然還沒形成完整和成熟的理論體系，還沒能很好的解決柔性加工過程中多種工況下精確識別刀具磨損狀態的問題。如何加強刀具磨損智能監測系統的知識自動獲取能力，如何有機地融合多個傳感器信號對刀具磨損狀態進行準確地識別和預測，都是亟待解決的問題。03智能加工技術在切削過程中的應用切削溫度的監測技術在切削加工中，伴隨著切削的進行，刀具與工件及切屑的溫度會有明顯升高，切削溫度的主要來源包括：切削層發生彈性變形和塑性變形，切屑與前刀面的摩擦，工件與后刀面的摩擦。切削溫度對切削過程有著很大的影響，直接影響刀具的磨損和使用壽命，切削溫度過高會引起工件表面發生化學變化，加速刀具磨損，影響切屑的變形等。通過對切削溫度的監測與控制可以很好地對加工狀態進行判斷與優化控制。03智能加工技術在切削過程中的應用

在PCBN刀具嵌入微尺度薄膜熱電偶陣列的方法可對硬態切削過程中切削溫度的變化進行測量。如圖所示，10組熱電偶測試點被安裝于刀尖位置處，測試點沿著前后刀面的邊界排布，試驗證明采用所提出的熱電偶測溫方法很好地實現了刀具溫度的測量。PCBN刀片和薄膜熱電偶陣列布局03智能加工技術在切削過程中的應用

使用自適應神經模糊推理系統與粒子群優化學習方法也可對切削區溫度進行預測。通過采用試驗中獲得的切削速度、進給量和切削力對ANFIS進行訓練，進而對切削區溫度進行預測。測試結果表明，預測的切削區的溫度與測量值具有較好的吻合性。

右圖為一種使用多輸入多輸出的模糊推理系統的切削參數識別方法，可對切削溫度與刀具壽命進行預測。其中切削速度、進給量和切削深度作為輸入量，使用切削溫度和刀具后刀面磨損壽命為輸出量，通過試驗數據對切削溫度和刀具壽命的預測模型進行訓練。試驗結果表明，刀具壽命試預測的平均偏差為11.6%，切削溫度的平均偏差為3.28%。刀具溫度與刀具壽命模糊推理系統03智能加工技術在切削過程中的應用工件表面質量監測

工件表面質量是指零件加工后表面的形態，主要包括的指標有表面粗糙度、表面層殘余應力、表面層加工硬化成度等。加工表面的質量會對工件的性能產生很大的影響。如表面粗糙度對零件的耐磨性、耐腐蝕性、配合精度以及接觸剛度等影響較大。表面殘余拉應力會使零件表面產生微小的裂紋，降低疲勞強度，還可能會使零件的形狀發生改變。表面加工硬化程度雖然可以增加零件的耐磨程度，但硬化往往不均勻，且會增加材料的脆性，使工件更容易產生裂紋。

利用智能插補方法的軟計算系統可對鋼鐵部件高速深鉆過程中的表面粗糙度進行預測，以切削參數和軸向力為輸入量，以鉆孔的表面粗糙度預測值為輸出量。

在對表面粗糙度預測的過程中，研究者通過人工神經網絡或其它方式建立起預測模型，以一系列加工參數如切削力、振動、進給量、切削速度等作為輸入量，以表面粗糙度作為輸出量，對表面粗糙度進行預測。03智能加工技術在切削過程中的應用3、加工過程中智能控制

智能控制是智能切削加工的關鍵技術，在加工過程中通過智能控制可以實現加工狀態的在線調整。通過調節切削參數（轉速、切深、進給）、刀具位置姿態，刀具剛度、角度、機床夾具補償位置等實現切削過程的智能調整，從而使加工過程始終處于較為理想的優化狀態。例如對切削過程的振動控制可以實現穩定切削。對切削力進行控制可以保護刀具、延長刀具壽命、提高加工效率等。03智能加工技術在切削過程中的應用加工過程中振動的控制

切削過程中由于振動的存在對加工過程的影響很大，往往會導致以下不良的后果：導致工件表面出現明顯的波紋，影響工件表面質量，甚至導致工件報廢，帶來經濟損失；加速刀具磨損，縮短刀具壽命，甚至導致刀具破損，引發安全事故；引起機床各部件連接部分松動，影響運動副（齒輪、軸承等）的工作性能，造成機床故障，縮短機床的壽命；為了防止顫振的發生，通常不得不減小切削用量，增加走刀次數，以犧牲加工效率為代價保證加工正常進行，導致機床的加工能力無法充分發揮；加工過程中的噪聲使工作環境惡化，增加工人的疲勞程度，影響其身心健康。

切削過程中的振動與加工系統以及切削過程密切相關，具體包括加工系統的動、靜剛度，刀具以及工件的固有頻率，刀具幾何參數，刀具與工件的材料特性，切削參數，潤滑條件等因素。03智能加工技術在切削過程中的應用

采用基于動力吸振器原理設計了可變控制力的智能式減振鏜桿，并采用基于事件驅動的網絡控制系統與基于H∞控制的網絡控制系統可實現智能減振鏜桿的控制。

在此基礎上人們提出了變剛度-約束阻尼型減振鏜桿，建立了變剛度-約束阻尼減振鏜桿動力學模型，并根據模型進行了結構設計、仿真及剛度調節與控制，所設計的變剛度-約束阻尼型減振鏜桿結構如圖所示。。變剛度-約束阻尼型減振鏜桿結構示意圖03智能加工技術在切削過程中的應用

圖為一種采用在銑床上安裝主動夾具的方式對加工中的顫振進行抑制。所設計的主動夾具由兩個壓電致動器控制的高動態軸驅動。每個動態軸上都具有位移傳感器與力傳感器。采用加速度信號作為反饋信號，使用閉環位置控制方法對工件的位置進行動態補償，從而對顫振進行抑制。主動夾具結構示意圖與試驗現場03智能加工技術在切削過程中的應用新型傳感器壓電智能材料振動控制系統原理圖隨著新型傳感器的研發、新的信號處理技術的應用、智能材料的出現等必將為振動在線監測與控制提供新的方法與途徑。振動控制未來的發展方向包括以下幾點。（1）應用新型傳感器，采用多傳感器智能融合技術將更好地監控機床的狀態，避免以單一信號作為狀態判斷標準的弊端，使得振動狀態的監測與判斷更加準確。（2）將模糊控制、神經網絡控制等現代控制理論融入對機床的在線控制中，使控制系統具有自適應、自學習的特性，實現控制智能化，更好地適應實際加工狀況，并增加控制系統的通用性。（3）智能材料減振器的應用，特別是電流變、磁流變減振器在機理研究、力學建模、材料性能和工程應用等各個方面都取得了長足的發展。03智能加工技術在切削過程中的應用加工過程中切削力的控制

切削力在工件加工過程中占有重要地位，它直接影響刀具-工件系統的振動、加工穩定性、尺寸誤差、加工表面質量等。在數控加工過程中，無論是精加工還是粗加工，都存在加工余量不均勻的情況，如果按統一的進給速、主軸轉速、軸/徑向切深，勢必造成切削力的大幅度變動，在加工余量突變處產生顫動，這對于加工精度與刀具保護來說都很不利。為此，在加工過程中實現切削力在線自我調整成為機械加工中的重要課題。

切削力自適應控制研究至今，出現了多種控制算法，如廣義預測自適應控制、神經網絡自適應控制、自適應PID控制等，這些控制算法都存在一個普遍的矛盾，即要有高的控制精度，又要有快的運算速度。在這樣一種情況下，選擇復雜的算法（如建立精確的加工過程模型），程序運行時間長，達不到自適應控制的實時性要求。而選擇簡單的算法（如變增益自適應控制），控制精度低，適應范圍有限，同樣難達到控制要求。04高端制造裝備及智能制造加工技術制造加工過程中的智能預測31智能預測系統2基于加工誤差傳遞網絡的工序質量智能預測3基于磨削加工的智能預測系統4基于人工神經網絡的切屑形態的預測5制造加工過程中的仿真和預測實例01智能預測系統從預測的觀點來看，以前的預測方法中各有自己的優勢和不足，如何保持優點，克服不足，自然成為需要考慮的問題。特別是經驗預測方法，大量的手工操作與信息的高速傳輸很不相適應，經驗性知識的客觀表示和系統化則是另一個問題，這兩個問題在各類預報專家系統的實踐中已日益暴露出其矛盾的尖銳性。在人工智能方面，過去知識工程的三大課題是分別加以研究的，盡管也都取得了相當的進展，獲得了一些有實用價值的成果，但“難于在實際中應用”仍然是人工智能工作所面臨的難點。學習是人工智能中的難點，進展不快，但如果這個問題不解決，智能就難以達到高水平。基于人工智能的股票預測系統1、智能預測系統的發展趨勢智能預測與智能模擬的關系

模擬是人類認識世界的一個重要手段，在電子計算機出現之前，一般采用實驗室模擬，它對當時的科學技術起了顯著的推動作用，但對于大系統和比較復雜的系統，實驗室模擬就會遇到困難。近年來利用計算機作動力數值模擬已成為模擬的主流，它對一些學科的發展產生了重要的影響。然而實踐也表明它所具有的局限性。智能非數值模擬正是為了克服這些局限而設計的。

智能預測的核心是基于知識的推理，做出預測決斷，智能模擬的核心是基于數據、信息的分析、綜合，提供模擬結論。智能模擬可作為獲取知識的一種輔助手段而與預測系統聯系的，它可以給出應用性知識或某些基礎的知識。01智能預測系統智能模擬——預測系統

目前設計的系統對預測問題只是考慮基于知識的推理，對動力、統計預測方法只是綜合應用了它的預測結果。很明顯，無論哪一種預測方法，在知識這一點上是共同的，僅是表述形式不同，進一步實現在知識這公共基點上的結合，擴展知識表示和知識利用的內容，無疑將會提高預測能力，并將提高整個系統的效率。

預測系統設計的另一個限定是有關基礎知識的，無論是基礎知識的提供，還是修改，大都由人來完成，機器學習也只是在基礎知識上對應用性知識的獲取。其所以如此，是由于沒有充分發揮分析與綜合的能力，模擬則是突出了分析，將來隨著動力與智能模擬的進展，特別是智能模擬與智能預測的進一步結合，相當一部分基礎性知識將可以通過模擬，由機器來獲得，到那時，模擬將與預測一起組成一個綜合的智能模擬——預測系統。01智能預測系統智能預測的基本原理所謂預測就是鑒往知來,借對過去的探討以求對未來的了解,其目的是獲取未來的信息。現代預測理論是建立在定量分析為基本內容的現代科學管條件下的,它由五個基本要素組成：人（預測者）、知識（預測依據）、手段（預測方法）、事物未來或未知狀況（預測對象）、預先推知和判斷（預測結果）。預測理論的五大基本要素的關系如圖所示。預測基本要素關系01智能預測系統2、基于加工誤差傳遞網絡的工序質量智能預測隨著多品種、小批量為代表的柔性生產模式和數字化、信息化制造成為離散制造業發展的趨勢，在提高生產效率的同時，也給過程有效質量管理提出了新的挑戰和機遇。從過程質量保證來看，一個關鍵環節是及時、準確的揭示過程質量的異常狀態，即能夠對加工過程的工序質量波動實施控制以及對加工質量進行預測，為質量優化決策奠定基礎。因此，如何充分利用制造過程中產生的加工工件、加工工藝以及生產執行過程等多方面的靜態和動態有關過程量信息，運用現代質量控制和質量預測技術實現對制造過程的“精確質量控制與預測”，因此實現企業產品質量的持續改善和提升具有重要的理論和現實意義。01智能預測系統02基于加工誤差傳遞網絡的工序質量智能預測

任何制造加工過程都存在波動，剔除或減小波動使過程趨向穩態才能保證高質量的產品。因此，對加工質量進行精確、有效的控制是目前研究的熱點。實現加工過程中的質量穩態保證是一項周而復始、持續改善的工程，重點涵蓋以下四個環節：質量控制（QualityControl，QC）、質量預測（QualityPrediction，QP）、質量診斷（QualityDiagnosis，QD）、質量調整（QualityAdjustment，QA），如圖所示。加工過程質量控制示意圖

實現過程質量預測控制的核心也是構建高效、精確的預測模型。早期的預測算法以時間序列預測法、統計回歸預測法為主，此類方法運算量小、操作方便、效率髙，但是模型簡單且對復雜多變的環境下其魯棒性差、泛化能力不強。

近幾年來，新的理論和技術的出現促進了新的預測算法的出現，成為了目前質量預測的主流工具，主要有：灰色（GM）預測模型、人工神經網絡（ANN）預測模型、支持向量回歸（SVR）預測模型、模糊預測控制模型等以及多種算法的混合模型，主要預測模型見表。預測模型比較分析02基于加工誤差傳遞網絡的工序質量智能預測

SVR算法比較適合小批量生產過程工序質量預測模型的建立。基于MES環境的車間信息化系統能夠實時獲得每道工序結點的輸入與輸出質量特征參數序列，進而得到加工誤差序列，通常這些數據序列會間接反映出工藝系統對加工工件質量特征影響的某種規律，因此，通過運用適當的數據挖掘技術對數據序列進行分析就能夠實現在一定精度下的質量預測。基于加工誤差傳遞網絡的工序質量預測模型02基于加工誤差傳遞網絡的工序質量智能預測磨削智能預測系統的結構

首先將外圓縱向磨削過程中的初始磨削參數和通過傳感器所檢測的在線參數載入到預測系統中，根據所建立的外圓縱向磨削預測模型對所要預測的參數進行預測。將預測的數值與加工要求的期望值進行比較，如有偏差，則調整切削用量，使磨削加工達到要求，實現預測。外圓縱向磨削智能預測系統的結構框圖03基于磨削加工的智能預測系統表面粗糙度預測工件的表面粗糙度是衡量工件質量的一個非常重要的指標。目前對工件表面粗糙度的檢測主要是停機檢測，利用接觸法或對比法得到粗糙度的具體值，在線檢測表面粗糙度雖然在理論上有所突破，但在實際加工中未達到應用。如果能夠得到輸入變量和粗糙度之間的關系，利用類似專家系統的方法對粗糙度能夠預測，就能夠取代傳統的離線測量方法。由于模糊基函數網絡（FBFN）和徑向基神經網絡（RBFN）在結構上非常相似，同時彌補了RBFN不能表達復雜磨削過程中模糊知識的能力以及具有以任意精度逼近任意連續非線性函數的能力。03基于磨削加工的智能預測系統

表面粗糙度的FBFN模型如所示，在FBFN模型中，采用產生式模糊推理方法，以singleton作為輸出成員函數，以質心法進行反模糊化，以Gaussian函數作為輸入成員函數。在外圓縱向磨削粗糙度的分析模型中，實驗表明：在精磨時，砂輪的磨削深度對粗糙度Ra的影響不大，這種結果和前人的研究成果吻合。FBFN的網絡結構模型03基于磨削加工的智能預測系統尺寸預測

采用具有動態記憶能力的Elman神經網絡建立縱向磨削尺寸預測模型，可實現軸類零件尺寸的智能預測。尺寸預測模型如圖所示。外圓縱向磨削尺寸預測模型03基于磨削加工的智能預測系統智能預測系統工作流程圖

如圖所示，通過外圓縱向磨削智能預測系統的人機界面，用戶進入磨削參數預測系統，首先用戶輸入磨削加工的條件、參數，同時通過檢測儀表檢測的參數也顯示在用戶界面上。接下來可以通過后臺功能模塊對知識庫中的相關知識進行檢索，尋找到合適的規則和模型，結合用戶輸入和儀表檢測的參數分別對表面粗糙度預測模型和加工工件尺寸預測模型進行建立、仿真和訓練，后臺模塊是通過接口程序所驅動的仿真軟件。

當仿真和訓練達到良好的效果時，就可以進行真實的加工，在真實的加工過程中，運用訓練好的預測模型對參數進行預測，實現智能預測的過程。外圓縱向磨削智能預測系統的總體工作流程03基于磨削加工的智能預測系統04基于人工神經網絡的切屑形態的預測

人工神經網絡（ArtificialNeuralNetworks，ANN）是人工智能領域中的一個重要分支，它借鑒人腦的結構和特點，對人腦若干基本特性通過數學方法進行的抽象和模擬，組成大規模并行分布式信息和非線性信息處理系統，具有高度并行性、結構可變性、容錯性、高度非線性、自學習性和自組織性等特點。神經網絡反映了人腦對信息的處理、知識與信息的存儲、學習和識別及聯想記憶等功能的相似特性，其應用已經滲透到各個領域，如智能控制、模式識別、信號處理、計算機視覺和工程設計。生產的自動化、柔性化和集成化已成為加工制造領域發展的方向，為保證制造系統的正常運行，切屑控制問題已成為能否有效的發揮機床能力、使生產正常進行的關鍵問題，并且機械加工過程中的切屑形態是影響被加工零件精度和表面質量的重要因素。高速車削鋼件等韌性材料時，連綿不斷的帶狀切屑會燙傷或劃傷操作工人。帶狀切屑若纏繞在工件上，會破壞工件的已加工表面，若堵塞在工件與刀具間，可迫使加工停止或損傷刀具的切削刃。

如何實現切屑形態的預測并對其進行有效的控制已成為制約生產率、加工質量和提高生產自動化水平的重要因素，被認為是CIMS中的一項尚未解決的重要難題。

借助于人工神經網絡的非線性映射能力、較強的魯棒形和容錯性、自適應自組織自學習的能力和虛擬現實技術的人與環境的一體化和人與環境的交互性的特點，將它們應用于切削過程的預測、仿真與控制中構建加工過程的智能預測仿真模型進而完成在虛擬切削環境中對切削進程中的切屑等的模擬預報。神經網絡結構04基于人工神經網絡的切屑形態的預測人工神經網絡模型的數學描述

神經元是人工神經網絡的基本處理單元，是生物神經元在功能上和結構上的一種數學模型。經典的神經元模型是一種多輸入、單一輸出的基本單元。如圖所示這些神經元以并行方式排成像人腦神經系統那樣的網絡結構形式，包括三個基本元素：突觸或連接鏈、加法器、激活函數。人工神經元結構04基于人工神經網絡的切屑形態的預測基于人工神經網絡思想的切屑形態預測仿真

采用的神經網絡是基于誤差反傳遞算法的BP網絡模型。系統網絡模型中采用單隱層結構，隱層神經元數為7個，隱層選用雙曲正切Sigmoid函數。隱層的誤差導數δ（Delta）矢量的反向傳播是BP算法的基礎，它利用網絡誤差平方和網絡各層輸入的導數來調整權值和閾值，從而降低誤差平方和，使網絡得到理想的輸出。輸出層選用線性神經元函數，使得輸出值可以是任何數值，模型結構如圖所示。切屑形態預測網絡模型結構04基于人工神經網絡的切屑形態的預測切屑形態預測模塊功能介紹

切屑形態預測模塊分為兩個主要部分，網絡訓練模塊和仿真預測模塊。網絡訓練模塊主要是對BP網絡進行初始化（包括對網絡的輸入層、隱含層、輸出層各層的神經元點數等），以及對主要參數進進行輸入（包括學習速率、目標誤差、最大循環次數等），最后對BP網絡進行訓練、驗證，存入數據庫備用。仿真預測模塊是運用訓練好的BP網絡，對新的數據進行預測，使其達到允許誤差范圍，結束預測。具體流程如圖所示。切屑形態預測模塊04基于人工神經網絡的切屑形態的預測05制造加工過程中的仿真和預測實例智能制造專家系統設計4*智能制造專家系統設計智能制造專家系統設計123456專家系統推理機制的實現專家系統知識庫的建立與實現編程語言及數據管理系統的確定專家系統的功能結構專家系統的數據分析專家系統的功能設計5智能制造專家系統實例701專家系統的功能設計以智能制造領域中的高速切削系統為例，描述專家系統的設計及實例實現的過程。由于高速切削涉及的實體信息結構復雜，種類繁多，對其進行收集整理，建立高速切削數據庫，形成有效科學的管理很有必要，有助于實現高速切削管理工作的系統化、規范化、智能化，從而提高切削管理效率，提高切削的質量。高速切削專家系統的主要功能包括針對高速切削實際生產需求，建立工件材料與刀具材料的匹配選取規則庫，根據刀具材料選擇刀具型號；建立切削用量的選用規則；進行規則推理；建立切削案例庫；對機床、刀具、材料、加工工藝等實體進行管理，建立切削數據庫等。01專家系統的功能設計（1）工件及材料管理子系統：實現對工件及其材料的增加、更改、刪除及查詢管理。（2）高速切削刀具管理子系統：實現對高速切削刀具（分為轉體式刀具及整體式刀具兩種，轉體式包括刀體、刀片等）及刀具材料的增加、更改、刪除及查詢管理。（3）高速切削機床管理子系統：實現對高速切削機床的增加、更改、刪除及查詢管理。（4）高速切削參數管理子系統：實現對高速切削參數的增加、更改、刪除及查詢管理，切削參數由切削刀具及切削的工件材料及機床等決定。（5）加工案例管理子系統：實現對加工案例的增加、更改、刪除及查詢管理。（6）規則庫管理及推理：包括事實管理、規則庫的管理及規則推理等功能。（7）案例庫管理及推理：包括加工方案的管理、相似度管理及實例推理等功能。02專家系統的數據分析經過對高速切削專家系統的功能分析，查閱資料文獻，涉及到如下的實體集：刀具材料、刀具及組成、工件、工件材料、刀具材料與刀具的匹配、切削參數、加工案例、規則表、事實表、機床與主軸等，如圖所示描述了高速切削數據庫的E-R模型。高速切削專