基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法

摘要

本发明公开了一种基于深度学习的电火花加工稳定性与能耗状态优化决策平台。用特征筛选法挖掘分析电火花加工数据，得到加工稳定性与能耗状态的优化指标；用K‑medoids算法对优化指标进行聚类，获得加工稳定性与能耗状态的分布情况，并构建稳定加工状态数据库和节能放电状态数据库；用历史电火花加工数据训练LSTM递归神经网络深度学习获得实时电火花加工状态的预测值，结合优化指标的统计特征值，判定当前为非正常加工状态时，对加工稳定性与能耗状态进行多目标优化，获得稳定‑节能加工状态综合最优目标值，并据此调控当前加工参数值。本发明基于深度学习，给出了稳定‑节能综合最优的电火花加工参数优化决策方法，使电火花加工在稳定又节能的状态下运行。

说明书

技术领域

本发明涉及特种加工领域的电加工领域，特别涉及一种基于深度学习的电火 花加工稳定性与能耗状态优化决策系统。

背景技术

电火花加工是指在一定的介质中，通过工具电极和工件电极之间的脉冲放 电，形成瞬间高温将工件材料局部熔化和气化，从而实现材料蚀除。这种加工方 法不产生切削力，不受刀具材料的限制，可以加工超高硬度、脆性和形状复杂的 工件，因此被广泛应用于模具、航空工业、医疗器械等多个领域。电火花加工通 常通过电火花加工机床来实现。

表征电火花加工性能的主要工艺参数包括电参数(峰值电流、峰值电压、脉 冲宽度、脉冲间隔、加工极性)、非电参数(工作液压力、冲刷方式)及工件的 材料参数(比热、密度、热导系数、熔点)。现有技术中，诸多研究人员从不同 角度，研究了上述工艺参数对电火花加工性能的影响，并力图建立准确的工艺优 化模型。王彤等人进行了单脉冲气中电火花加工电蚀坑形貌仿真分析，获得了工 件表面电蚀坑半径、深度、体积以及深径比随峰值电流与脉冲宽度的变化规律， 进而可预测电火花加工效率与工件的表面质量。姚忠等利用灰关联度分析优化 SKD11电火花加工电参数，发现脉冲放电时间和峰值电流、脉冲间隙时间和间 隙电压对表面粗糙度和材料去除率的影响规律。明五一等将加工速度、三维表面 粗糙度作为评价指标，分析了占空比、峰值电流、电压对钛合金电火花成形加工 的影响。由于工艺参数对电火花加工性能的影响程度难以用精确的数学模型来表 示，因此许多学者将人工神经网络、智能算法和模糊数学引入到电火花加工工艺 优化过程中。周晓铭等以脉冲宽度、脉冲间隔、峰值电流和加工厚度为工艺参数， 建立了基于BP神经网络的电火花线切割工艺指标预测模型，使线切割的切割速 度和表面粗糙度组合最佳。孙忠峰等提出了基于神经网络建模和遗传算法的电火 花线切割工艺参数模糊优化方法，从而提高获得全局最优解的概率而不易陷入局 部最优。

然而，现有技术中的研究一般是以中小型工件的电火花精加工为对象，以优 化电火花加工效率和工件表面质量为目标展开的。随着全球碳排放量激增、能源 日益枯竭，发展“绿色经济”已成为全球热点，在这样的大背景下，传统电火花 加工的能量利用率低、耗能高、非稳态运行的弊端日益突出，特别是对于大型工 件的电火花粗加工，如何使电火花加工在既稳定又节能的状态下长期运行变得十 分迫切。但是，电火花加工是一个物理-化学相互作用的复杂随机过程，评价其 加工稳定性与能耗状态的特征参数具有跨学科、强耦合和非线性的特点，如何精 准建立稳定-节能综合最优的电火花加工工艺模型并对其特征参数进行优化控 制，已成为传统电火花加工向绿色、智能、可持续转型过程中亟待解决的关键问 题。

发明内容

本发明的目的在于提供一种能源利用率相对较高、能够使电火花加工既稳定 又节能地长期运行的基于深度学习的电火花加工稳定性与能耗状态优化决策系 统。

为实现上述目的，本发明基于深度学习的电火花加工稳定性与能耗状态优化 决策系统，其特征在于：包括数据预处理模块、加工稳定性与能耗状态优化指标 挖掘模块、加工稳定性与能耗状态优化指标聚类分析模块、稳定加工状态数据库 和节能放电状态数据库构建模块、加工稳定性与能耗状态优化指标统计特征获取 模块、加工稳定性与能耗状态特征参数深度学习模块以及加工稳定性与能耗状态 优化决策模块。

数据预处理模块用于对电火花机床的电控装置获取的电火花加工数据进行 抽取、清洗、融合和归约处理，为后续的加工稳定性与能耗状态优化指标挖掘模 块、加工稳定性与能耗状态优化指标聚类分析模块、稳定加工状态数据库和节能 放电状态数据库构建模块以及加工稳定性与能耗状态特征参数深度学习模块提 供基础的历史电火花加工数据；

加工稳定性与能耗状态优化指标挖掘模块使用(组合权值的)特征筛选法对 数据预处理模块传送的历史电火花加工数据进行挖掘分析，获得影响加工稳定性 和能耗的敏感特征参数，作为加工稳定性与能耗状态优化指标并提供给加工稳定 性与能耗状态优化指标聚类分析模块；

加工稳定性与能耗状态优化指标聚类分析模块根据加工稳定性与能耗状态 优化指标，对数据预处理模块传送的历史电火花加工数据进行聚类分析，标注稳 定、亚稳定和不稳定三个加工稳定性状态类别，获得历史电火花加工数据中各加 工稳定性状态类别的分布情况；标注节能、耗能和高耗能三个放电能耗状态类别， 获得历史电火花加工数据中各放电能耗状态类别的分布情况；

稳定加工状态数据库和节能放电状态数据库构建模块根据加工稳定性与能 耗状态优化指标聚类分析模块提供的聚类分析结果，对数据预处理模块传送的历 史电火花加工数据进行稳定加工类别筛选，得到稳定加工状态数据库；对数据预 处理模块传送的历史电火花加工数据进行节能放电类别筛选，得到节能放电状态 数据库。

加工稳定性与能耗状态优化指标统计特征获取模块通过电火花机床的电控 装置获取实时电火花加工数据并计算其统计特征值，作为判断当前电火花加工状 态的依据。

加工稳定性与能耗状态特征参数深度学习模块，利用LSTM递归神经网络 对历史电火花加工数据进行深度学习获得预测模型，预测实时电火花加工状态的 变化趋势，用预测值辅助辨识当前电火花加工状态；

加工稳定性与能耗状态优化决策模块对当前电火花加工状态进行判断，当判 定当前电火花加工状态为非正常时，计算得到稳定-节能加工状态综合最优的目 标值并通过电火花机床的电控装置调控当前电火花加工参数的参数值。

本发明还公开了一种基于深度学习的电火花加工稳定性与能耗状态优化决 策系统的决策方法，依次按以下步骤进行：

第一步骤是通过数据预处理模块进行数据抽取、数据清洗、数据融合和数 据归约处理；

第二步骤是通过加工稳定性与能耗状态优化指标挖掘模块挖掘加工稳定性 与能耗状态优化指标；

第三步骤是通过加工稳定性与能耗状态优化指标聚类分析模块标注加工稳 定性状态类别和放电能耗状态类别；

第四步骤是通过稳定加工状态数据库和节能放电状态数据库构建模块构建 稳定加工状态数据库和节能放电状态数据库；

第五步骤是通过加工稳定性与能耗状态优化指标统计特征模块计算实时电 火花加工数据的统计特征值，作为判断当前电火花加工状态的依据；

第六步骤是利用加工稳定性与能耗状态特征参数深度学习模块对历史电火 花加工数据进行深度学习获得预测模型，预测实时电火花加工状态的变化趋势， 用预测值辅助辨识当前电火花加工状态；

第七步骤是加工稳定性与能耗状态优化决策模块对当前电火花加工状态进 行判断，当判定当前电火花加工状态为非正常时，计算得到稳定-节能加工状态 综合最优的目标值，并通过电火花机床的电控装置调控当前电火花加工参数的参 数值。

所述的第一步骤中，通过数据抽取、数据清洗、数据融合和数据归约四个步 骤为加工稳定性与能耗状态优化指标挖掘模块、加工稳定性与能耗状态优化指标 聚类分析模块、稳定加工状态数据库和节能放电状态数据库构建模块以及加工稳 定性与能耗状态特征参数深度学习模块提供所需的历史电火花加工数据。

在数据抽取时，首先是通过电火花机床的电控装置获取电火花加工数据，然 后在电火花加工数据中找出影响加工稳定性与能耗的主要因素及相互关系，在此 基础上形成所要抽取的参数及参数值；电火花加工数据中包含了多个参数(包括 如电火花机床高频电源设备、运丝机构、伺服控制、冲刷部分、加工状态等30 个测点获得的30项参数)，抽取其中的8个主要参数，包括电极走丝速度、电极 丝张力、介质温度、放电电流、放电脉宽、放电脉间、极间电压和进给速度；

清理掉所述8个主要参数存在的故障值、缺失值、重复值和噪声值，完成数 据清洗，提高数据质量；

数据清洗后进行数据融合；数据融合是先提取待融合数据的元属性，再分 析待融合数据与目标数据的映射关系，将待融合数据与目标数据映射、集成在一 起形成数据仓库；

数据融合后进行数据归约；数据归约是对于数据仓库中的数据，先进行数 据记录统计特征分析，再移除属性值变化小的数据记录；再进行数据记录特征相 关性分析，去除特征强相关数据记录，得到特征简约的历史电火花加工数据集；

其中，属性值变化小的量化标准为：d(x_i)≤0.01，d(x_i)是将所有数据归一>i与其它数据的最小距离。如果d(x_i)≤0.01，则认为x_i的属性值变化小。

强相关的量化标准为：

其中，是x_i中所有元素的均值；是利用最小二乘法对 x_i＝f(x₁,x₂,…,x_i-1,x_i+1,…,x_n)的拟合函数，是x_i中所有元素的均值，x_ij是x_i的>i与其它元素强相关。

经过上述数据预处理操作后，得到作为后续操作的基础的历史电火花加工数 据，该数据集有p项参数；p大于等于6并小于等于12。

所述第二步骤的具体操作是：

首先是数据采集动作，采集次数为M，M为自然数且其初值为0；在历史电 火花加工数据集中采集一次电火花加工数据；

其次是比较动作，比较M与K的值，如果M＜K，则执行计算参数得分动 作；如果M≥K，则跳转执行计算参数值动作；

计算参数得分动作是对于该次电火花加工数据中的p项参数，分别使用九种 算法进行筛选，计算每项参数的得分；所述九种算法分别为单变量特征选择算法、 皮尔森相关系数算法、决策树算法、L1正则化算法、L2正则化算法、随机森林 算法、随机LASSO算法、距离相关系数算法和支持向量机算法；利用极值规范 化算法对所述得分进行处理，将结果限制在[0，100]区间，得到规范后的评分；

然后使采集次数的值加1(即此处执行M++的自增操作)；采集的预定总次 数为K，K为大于等于3的自然数，采集次数的值加1后，跳转执行比较动作；

M≥K时，从比较动作跳转执行计算参数值动作；

计算参数值动作是计算得到每项参数(即表1中的特征参数)的评分均值、 评分极值和评分方差；根据每项参数的评分均值、评分极值和评分方差对每项参 数的重要度进行评估和排序，将评分均值(即表1中的平均得分)按数量级进行 分类，评分均值为个位数的参数为不重要参数，评分均值为两位数的参数为重要 参数，去除不重要参数，保留重要参数并将其作为加工稳定性与能耗状态优化指 标，完成挖掘加工稳定性与能耗状态优化指标的操作。

第二步骤中，从得分情况看，电极走丝速度、电极丝张力、介质温度的均值 较低为个位数，排除这些得分偏低的特征参数。得分最高的几个特征参数，按照 从高到低的顺序依次是：放电电流、放电脉宽、放电脉间、极间电压和进给速度， 将这些参数作为加工稳定性与能耗状态优化指标。表1是对8项特征参数进行规 范评分后的数据表。

表1加工稳定性与能耗状态特征参数评分表

所述第三步骤的具体操作是：

聚类分析采用的是K-medoids算法，对历史电火花加工数据进行加工稳定性 状态类别标注和放电能耗状态类别标注；

按加工稳定性将历史电火花加工数据记录标注为稳定、亚稳定和不稳定三个 状态类别。按放电能耗将历史电火花加工数据记录标注为节能、耗能和高耗能三 个状态类别；

对于包含上述五个加工稳定性与能耗状态优化指标的历史电火花加工数据 记录，采用K-Medoids算法来标注状态类别；

稳定状态类别为SA，放电电流的取值范围在3～10A之间(包括两端值， 下同)，放电脉宽在80～300μs之间，放电脉间在20～150μs之间，极间电压在 21～26V之间，进给速度在80～128mm²/min之间；

亚稳定状态类别为SB，放电电流的取值范围在1～5A之间，放电脉宽在30～ 100μs之间，放电脉间在0～60μs之间，极间电压在20～22.5V之间，进给速度 在100～145.5mm²/min之间；

不稳定状态类别为SC；放电电流的取值范围在0～1A之间，放电脉宽在10～ 50μs之间，放电脉间在0～35μs之间，极间电压在18.5～22V之间，进给速度在 116.5～150mm²/min之间；表2是加工稳定性分群聚类中心表；

表2加工稳定性分群聚类中心

节能状态类别为EA，放电电流的取值范围在6～10A之间，放电脉宽在 150～280μs之间，放电脉间在50～160μs之间，极间电压在20.5～24V之间，进 给速度在90～135mm²/min之间；

耗能状态类别为EB，放电电流的取值范围在3～5A之间，放电脉宽在60～ 160μs之间，放电脉间在0～70μs之间，极间电压在19.5～22.5V之间，进给速度 在75～115.5mm²/min之间；

高耗能状态类别为EC，放电电流的取值范围在0～2A之间，放电脉宽在10～ 80μs之间，放电脉间在0～45μs之间，极间电压在18.5～21V之间，进给速度在 20～90mm²/min之间。表3是放电能耗分群聚类中心表；

表3.放电能耗分群聚类中心

所述第四步骤的操作是构建稳定加工状态数据库和节能放电状态数据库。

稳定加工状态数据库中每条电火花加工数据记录包括记录号、参数名(如 “放电电流”)和参数值；节能放电状态数据库中每条电火花加工数据记录包括 记录号、参数名和参数值。

构建稳定加工状态数据库的具体操作是：

首先导入和初始化动作，导入第三步骤聚类分析后标注有加工稳定性状态类 别的历史电火花加工数据记录，计算出历史电火花加工数据中的总记录数量n， n为自然数；初始化整数变量i等于1；

然后执行读取动作，读取第i条历史电火花加工数据记录的参数值及该条 加工数据记录对应的状态类别(即图11中的状态标签)；然后判断该条加工数据 记录的状态类别是否为SA，如果判断结果为否，则执行跳过该条加工记录的操 作，并跳转执行i的自增操作；

如果判断结果为是，则执行计算该条历史电火花加工数据记录与稳定加工 状态数据库中已有的每一条加工数据记录的欧氏距离s的操作；

计算欧氏距离s的操作是：

如果稳定加工状态数据库为空数据库，则将该条历史电火花加工数据记录 存入稳定加工状态数据库；

如果稳定加工状态数据库内已存储有加工数据记录，则将该条历史电火花 加工数据记录的参数值与稳定加工状态数据库内已有的每一条加工数据记录中 对应的参数值进行欧氏距离s的计算；

如果该条历史电火花加工数据记录与稳定加工状态数据库内已有的每一条 加工数据记录之间的欧氏距离s均大于0.01，则说明该条历史电火花加工数据记 录与稳定加工状态数据库内已有的各条加工数据记录均不相同，则将该条历史电 火花加工数据记录存入到稳定加工状态数据库，然后执行i的自增操作；

如果该条历史电火花加工数据记录与稳定加工状态数据库内已有的每一条 加工数据记录之间的欧氏距离s均小于0.01，则执行跳过该加工记录的操作，并 跳转执行i的自增操作；

i的自增操作是使i的值增加1(即执行i＝i+1的操作)，然后判断i是否大 于n，如果i小于等于n，则跳转执行读取动作；如果i大于n，则结束构建稳定 加工状态数据库的操作；

构建节能放电状态数据库的具体操作是：

首先导入和初始化动作，导入第三步骤聚类分析后标注有节能状态类别的历 史电火花加工数据记录，计算出历史电火花加工数据的总记录数量m，m为自然 数；初始化整数变量j等于1；

然后执行读取动作，读取第j条历史电火花加工数据记录的参数值及该条加 工数据记录对应的状态类别(即图12中的类别标签)；然后判断该条加工数据记 录的状态类别是否为EA，如果判断结果为否，则执行跳过该条加工数据记录的 操作，并跳转执行j的自增操作；

如果判断结果为是，则执行计算该条加工数据记录与节能放电状态数据库 中已有的每一条加工数据记录的欧氏距离s的操作；

计算欧氏距离e的操作是：

如果节能放电状态数据库为空数据库，则将该条历史电火花加工数据记录 存入节能放电状态数据库；

如果节能放电状态数据库内已存储有加工数据记录，则将该条历史电火花 加工数据记录的参数值与节能放电状态数据库内已有的每一条加工数据记录中 对应的参数值进行欧氏距离e的计算；

如果该条历史电火花加工数据记录与节能放电状态数据库内已有的每一条 加工数据记录之间的欧氏距离e均大于0.01，则说明该条电火花加工数据记录与 节能放电状态数据库内已有的各加工数据记录均不相同，则将该条电火花加工数 据记录存入节能放电状态数据库，然后执行j的自增操作；(判断欧氏距离的意 义在于去重，避免数据库中存入重复的数据，进而避免加大存储器的负荷并避免 重复数据降低运行效率)

如果该条历史电火花加工数据记录与节能放电状态数据库内已有的每一条 加工数据记录之间的欧氏距离e小于等于0.01，则执行跳过该加工记录的操作， 并跳转执行j的自增操作；

j的自增操作是使j的值增加1(即执行j＝j+1的操作)，然后判断j是否大 于m，如果j小于等于m，则跳转执行读取动作；如果j大于m，则结束构建节 能放电状态数据库的操作。

所述的第五步骤中，加工稳定性与能耗状态优化指标统计特征获取模块通 过电火花机床的电控装置获取实时电火花加工数据，计算放电电流、放电脉宽、 放电脉间、极间电压、进给速度这五个优化指标在窗口时间内的均值、极值、方 差和断丝异常次数，把统计特征值作为辨识当前电火花加工状态的依据。

加工稳定性与能耗状态优化指标统计特征获取模块在工作时，导入K时段 (即某一时段)内的实时电火花加工数据记录，统计K时段内加工总记录数量n (此处n为自然数)，并初始化整数变量i等于1，初始化断丝异常次数整数变量 等于0；

然后执行读取动作，读取第i条加工记录的加工数据；

读取后，进行断丝异常检测；如果发生断丝，则先使断丝异常次数整数变 量的值加1，再执行统计动作；如果未发生断丝，则直接执行统计动作；

统计动作是统计K时段内加工记录中的断丝次数，以及放电电流、放电脉 宽、放电脉间、极间电压和加工速度五个参数的均值、极值和方差；

统计动作后，使整数变量i的值加1(即执行i＝i+1)，然后判断K时段内的 加工记录是否读取完毕，具体是判断i值是否大于n值，如果i值小于等于n值， 则跳转并再次执行读取动作；如果i值大于n值，则将此时的所有的统计特征值 传送给加工稳定性与能耗状态优化决策模块。

所述第六步骤的操作是加工稳定性与能耗状态特征参数深度学习：

1)读取数据预处理模块传送的历史电火花加工数据，运用Z-score法将历史 电火花加工数据进行特征标准化；

2)将标准化后的历史电火花加工数据输入到LSTM递归神经网络中进行训 练，获得预测模型

LSTM的核心在于神经网络单元状态，通过整个链式结构向后传递，并利用 门限结构的Sigmoid神经网络层和点乘运算实现信息的选择性通过；LSTM算法 的计算公式如下：

h_t＝o_t*tanh(f_t*c_t-1+i_t*c_in_t)

预测模型中，当前时刻的输出值是输出门o_t、遗忘门f_t、输入门i_t以及上一时>t-1的函数；

3)运用Z-score法将实时采集的放电电流、放电脉宽、放电脉间、极间电压、 进给速度这五个特征参数的值进行标准化；

4)将标准化后的放电电流、放电脉宽、放电脉间、极间电压、进给速度这 五个特征参数的值输入到预测模型进行分析，通过逆特征标准化获得预测值，将 预测值输出给加工稳定性与能耗状态优化决策模块。

以极间电压和进给速度的实时采集数据为例说明采用LSTM递归神经网络 训练预测模型并获得预测值的过程。

首先对一段连续时间内采集到的极间电压和进给速度的值进行加工稳定 性与能耗状态检测，取数间隔为60秒，连续60个极间电压和进给速度的值如 图15所示。

如图16所示，采用LSTM递归神经网络训练加工稳定性和能耗预测模型， 与采用循环神经网络RNN和多层感知器MLP进行对比，发现通过LSTM递归 神经网络获得的预测模型准确度最高。

极间电压、进给速度的预测值和实际值的关系如图17所示。从图中可以 看出预测误差较低，预测值基本能够反映数值的变化趋势，模型的预测效果良 好。

所述第七步骤的操作是加工稳定性与能耗状态优化决策：

1)加工稳定性与能耗状态优化决策模块接收加工稳定性与能耗状态优化指 标统计特征获取模块传来的实时电火花加工数据的统计特征值。如果当前电火花 加工状态判定为非正常加工状态，激活优化决策程序；

所述非正常加工状态的标准是：当加工稳定性状态处于非稳定状态(非稳定 状态指亚稳定或者不稳定状态)或者放电能耗状态处于非节能状态(非节能状态 指耗能或者高耗能状态)。

2)利用狼群算法对加工稳定性与能耗状态进行多目标优化，得到稳定-节能 加工状态多目标优化解集；

3)分别从稳定加工状态数据库和节能放电状态数据库中搜索匹配近似的稳 定加工参数和节能放电参数，得到稳定-节能加工状态综合最优的参数目标值；

4)根据该目标值，通过电火花机床的电控装置调控当前电火花加工参数的 参数值。

本发明具有如下的优点：

本发明的有益效果主要表现在可以使电火花加工既稳定又节能地长期运行， 提高工件品质并降低加工成本，保证在工况变化时加工稳定性与能耗指标能够保 持在综合最优区间，对影响电火花加工稳定性与能耗的特征参数进行优化调控， 达到绿色制造的目的。

本发明结构简单，算法简洁，在电火花加工中的众多参数中找出影响加工 稳定性和能耗的关键参数，并构建稳定加工状态数据库和节能放电状态数据库， 简洁迅速地预测出同时兼顾加工稳定性和能耗双重目标的参数值，从而高效地调 节电火花加工机床的加工参数，保证加工过程的稳定性与节能性。

数据挖掘过程是否成功，主要取决于数据质量的好坏。电火花机床运行过程 中产生大量数据，这些数据不仅多源异构、模态千差万别，而且存在异常、缺漏 和重复，难以支持后续的深度学习等工作。数据预处理就是在数据挖掘和使用前， 对采集的原始电火花加工数据进行必要的抽取、清洗、融合和归约等一系列的处 理工作，从而提高数据质量和数据分析结果的准确率，更好的适应后续应用。

附图说明

图1是本发明的决策方法的流程图；

图2是第一步骤数据预处理的流程图；

图3是第二步骤中加工稳定性与能耗状态优化指标的挖掘流程图；

图4是第三步骤中加工稳定性与能耗状态优化指标K-medoids聚类分析的 流程图；

图5是加工稳定性状态类别中稳定类别(SA)的参数分布概率密度图；

图6是加工稳定性状态类别中亚稳定类别(SB)的参数分布概率密度图；

图7是加工稳定性状态类别中不稳定类别(SC)的参数分布概率密度图；

图8是放电能耗状态类别中节能类别(EA)的参数分布概率密度图；

图9是放电能耗状态类别中耗能类别(EB)的参数分布概率密度图；

图10是放电能耗状态类别中高耗能类别(EC)的参数分布概率密度图；

图11是稳定加工状态数据库的建立流程图；

图12是节能放电状态数据库的建立流程图；

图13是加工稳定性与能耗状态优化指标统计特征获取模块的工作流程图；

图14是加工稳定性与能耗状态特征参数深度学习模块的工作流程图；

图15是极间电压和进给速度的连续值图；

图16是LSTM、RNN和MLP训练预测模型的准确度对比图；

图17是极间电压、进给速度的预测值与实际值的关系图；

图18是加工稳定性与能耗状态优化决策模块的工作流程图。

具体实施方式

本发明以下将结合实施例(附图)作进一步描述：

如附图1所示，提出了基于深度学习的电火花加工稳定性与能耗状态优化决 策平台各模块的功能以及各模块之间的逻辑关系。

数据预处理模块用于对电火花机床的电控装置获取的电火花加工数据进行 抽取、清洗、融合和归约处理，为后续的加工稳定性与能耗状态优化指标挖掘模 块、加工稳定性与能耗状态优化指标聚类分析模块、稳定加工状态数据库和节能 放电状态数据库构建模块以及加工稳定性与能耗状态特征参数深度学习模块提 供基础的历史电火花加工数据；

加工稳定性与能耗状态优化指标挖掘模块使用组合权值的特征筛选法对数 据预处理模块传送的历史电火花加工数据进行挖掘分析，获得影响加工稳定性和 能耗的敏感特征参数，作为加工稳定性与能耗状态优化指标并提供给加工稳定性 与能耗状态优化指标聚类分析模块；

加工稳定性与能耗状态优化指标聚类分析模块根据加工稳定性与能耗状态 优化指标，对数据预处理模块传送的历史电火花加工数据进行聚类分析，标注稳 定、亚稳定和不稳定三个加工稳定性状态类别，获得历史电火花加工数据中各加 工稳定性状态类别的分布情况；标注节能、耗能和高耗能三个放电能耗状态类别， 获得历史电火花加工数据中各放电能耗状态类别的分布情况；

稳定加工状态数据库和节能放电状态数据库构建模块根据加工稳定性与能 耗状态优化指标聚类分析模块提供的聚类分析结果，对数据预处理模块传送的历 史电火花加工数据进行稳定加工类别筛选，得到稳定加工状态数据库；对数据预 处理模块传送的历史电火花加工数据进行节能放电类别筛选，得到节能放电状态 数据库。

加工稳定性与能耗状态优化指标统计特征获取模块通过电火花机床的电控 装置获取实时电火花加工数据并计算其统计特征值，作为判断当前电火花加工状 态的依据提供给加工稳定性与能耗状态优化决策模块。

加工稳定性与能耗状态特征参数深度学习模块，利用LSTM递归神经网络 对历史电火花加工数据进行深度学习获得预测模型，预测实时电火花加工状态的 变化趋势，作为辅助辨识当前电火花加工状态的预测值提供给加工稳定性与能耗 状态优化决策模块；

加工稳定性与能耗状态优化决策模块结合来自加工稳定性与能耗状态优化 指标统计特征获取模块提供的统计特征值和加工稳定性与能耗状态特征参数深 度学习模块提供的预测值，对当前电火花加工状态进行判断，当判定当前电火花 加工状态为非正常时，计算得到稳定-节能加工状态综合最优的目标值并通过电 火花机床的电控装置调控当前电火花加工参数的参数值。

如图2所示为数据预处理流程图。数据挖掘过程是否成功，主要取决于数据 质量的好坏。电火花机床运行过程中产生大量数据，这些数据不仅多源异构、模 态千差万别，而且存在异常、缺漏和重复，难以支持后续的深度学习等工作。数 据预处理就是在数据挖掘和使用前，对采集的原始数据进行必要的抽取、清洗、 融合和归约一系列的处理工作，从而提高数据质量和数据分析结果的准确率，更 好的适应后续应用。

本发明是通过以下技术方案实现的，具体步骤如下：

所述的数据预处理模块中，通过数据抽取、数据清洗、数据融合和数据归约 四个步骤为加工稳定性与能耗状态优化指标挖掘模块、加工稳定性与能耗状态优 化指标聚类分析模块、稳定加工状态数据库和节能放电状态数据库构建模块以及 加工稳定性与能耗状态特征参数深度学习模块提供所需的历史电火花加工数据。

在数据抽取时，首先在运行数据中找出影响加工稳定性与能耗的主要因素及 相互关系，在此基础上形成所要抽取的参数及参数值。历史运行数据中包含了电 火花机床高频电源设备、运丝机构、伺服控制、冲刷部分、加工状态等30个测 点获得的参数，经过抽取得到30个主要参数，包括电极走丝速度、电极丝张力、 介质温度、放电电流、放电脉宽、放电脉间、极间电压、进给速度等。

所述的数据预处理模块中，各种运行数据由各种终端采集而来，存在很多数 据质量问题，比如值的缺失、重复、异常等。数据清洗就是发现并处理抽取后的 30个参数中的“脏数据”，经过排除故障值、缺失值、重复值、噪声值一系列处 理，将不符合要求的数据“清洗掉”，进一步提高数据质量。

所述的数据预处理模块中，数据量的精简通过数据融合、数据归约实现：通 过数据映射将多源、异构的30个参数集成、融合在一个统一的数据仓库中，以 便后续统一处理；对数据进行归约，就是综合考虑电火花加工数据的分布特征、 人为因素及可控因素等，从30个参数集中选择特定数量的、能够准确描述加工 稳定性与能耗状态的关键参数，以降低数据的维度，节约数据处理时间，这样待 选特征参数集简化到8个特征参数：电极走丝速度、电极丝张力、介质温度、放 电电流、放电脉宽、放电脉间、极间电压和进给速度；

如图3所示为加工稳定性与能耗状态优化指标挖掘流程图，具体挖掘步骤如 下：

1)以加工稳定性与能耗状态的优化指标作为输出变量Y_i，以待选的特征参>i，分别使用九种算法对待选特征参数进行筛选，计算每个特征参>

2)利用极值规范化方法对所述九种算法的每种得分结果进行处理，将结果 限制在[0，100]区间，然后多次计算每个特征参数的均值、极值和方差。利用得 分结果的均值、极值和方差对特征参数的重要度进行评估和排序，进行加工稳定 性与能耗状态优化指标的筛选。在电火花加工数据上应用，算法处理后得到结果 如下表1所示。

表1采用九种算法对待选特征参数筛选后的特征得分

3)对特征参数的综合得分进行分析，结合特征参数的可控性和实际含义确 定对加工稳定性和能耗有较大影响的敏感特征参数。从得分情况看，电极走丝速 度、电极丝张力、介质温度的均值较低，排除这些得分偏低的特征参数。得分最 高的几个特征参数，按照从高到低的顺序依次是：放电电流、放电脉宽、放电脉 间、极间电压、进给速度。

4)根据步骤2)和步骤3)中的分析，评估特征参数的筛选结果。五个得分 较高的特征参数中，放电电流、放电脉宽、放电脉间、极间电压、进给速度这五 个特征参数都属于状态变量，参数的取值是在其他可控变量综合影响下得到的结 果。

综合以上分析，最终确定放电电流、放电脉宽、放电脉间、极间电压、进给 速度五个特征参数作为加工稳定性与能耗状态的优化指标。

如图4所示为加工稳定性与能耗状态优化指标K-medoids聚类分析的流程图。 结合实际生产经验和历史运行数据分布，对放电电流、放电脉宽、放电脉间、极 间电压、进给速度五个优化指标进行数据预处理，处理结果作为聚类分析的输入。

聚类分析采用K-medoids算法来发现历史电火花加工数据集中的状态类，聚 类分析的目的是对历史电火花加工数据进行加工稳定性状态类别标注和放电能 耗状态类别标注。

加工稳定性聚类结果如下，选取n＝3时，聚类中心及每个类中的数据点个数 如表2所示，分群的参数分布概率密度图如图5、6、7所示。

表2加工稳定性分群聚类中心表

从图5可以看出：

类别SA特点：放电电流的取值范围在3～10A之间(包括两端值，下同)， 放电脉宽在80～300μs之间，放电脉间在20～150μs之间，极间电压在21～26V 之间，进给速度在80～128mm²/min之间。

从图6可以看出：

类别SB特点：放电电流的取值范围在1～5A之间，放电脉宽在30～100μs之 间，放电脉间在0～60μs之间，极间电压在20～22.5V之间，进给速度在100～ 145.5mm²/min之间；

从图7可以看出：

类别SC特点：放电电流的取值范围在0～1A之间，放电脉宽在10～50μs 之间，放电脉间在0～35μs之间，极间电压在18.5～22V之间，进给速度在116.5～ 150mm²/min之间；

结合本文数据来源电火花生产现状，取三个聚类中心时得到的类别SA的记 录标定为稳定状态，类别SB的记录标定为亚稳定状态、类别SC中的记录标定为 不稳定状态。

能耗聚类结果如下，选取n＝3时，聚类中心及每个类中的数据点个数如表3 所示，分群的参数分布概率密度图如图8、9、10所示。

表3能耗分群聚类中心表

从图8可以看出：

类别EA特点：放电电流的取值范围在6～10A之间，放电脉宽在150～280μs 之间，放电脉间在50～160μs之间，极间电压在20.5～24V之间，进给速度在90～ 135mm²/min之间；

从图9可以看出：

类别EB特点：放电电流的取值范围在3～5A之间，放电脉宽在60～160μs 之间，放电脉间在0～70μs之间，极间电压在19.5～22.5V之间，进给速度在75～ 115.5mm²/min之间；

从图10可以看出：

类别EC特点：放电电流的取值范围在0～2A之间，放电脉宽在10～80μs 之间，放电脉间在0～45μs之间，极间电压在18.5～21V之间，进给速度在20～ 90mm²/min之间。

结合本文数据来源电火花生产现状建议，取三个聚类中心时得到的类别EA 的记录标定为节能状态，类别EB的记录标定为耗能状态、类别EC中的记录标定 为高耗能状态。

按照对聚类分群中数据状态的标定，完成对已有历史电火花加工数据中加工 稳定性状态的类别标注，把稳定状态的类别标注为SA，亚稳定状态的类别标注 为SB，不稳定状态的类别标注为SC；完成对已有历史运行数据中能耗状态的类 别标注，把节能状态的类别标注为EA，耗能状态的类别标注为EB，高耗能状态 的类别标注为EC。

稳定加工状态数据库构建过程如图11所示。一条历史电火花加工数据记录中 包含记录号、参数名、参数值和类别标签，对每条类别标签为SA的历史电火花 加工数据记录，计算其与稳定加工状态数据库中每一条加工数据记录之间的欧式 距离，若距离小于0.01，则认为稳定加工状态数据库中已存在该加工数据记录， 不再重复记录。否则，将该历史电火花加工数据记录存入稳定加工状态数据库。

节能放电状态数据库构建过程如图12所示。一条历史电火花加工数据记录中 包含记录号、参数名、参数值和类别标签，对每条类别标签为EA的历史电火花 加工数据记录，计算其与节能放电状态数据库中每一条加工数据记录之间的欧式 距离，若距离小于0.01，则认为节能放电状态数据库中已存在该加工数据记录， 不再重复记录。否则，将该历史电火花加工数据记录存入节能放电状态数据库。

如图13所示为加工稳定性与能耗状态优化指标统计特征获取模块的工作流 程图。具体统计流程如下：

1)导入K时段内的实时加工数据，并统计该时段内加工记录数n。

2)对n条数据记录逐一进行断丝异常值检测。如是则将该条数据记录中的断 丝异常次数进行累计。

断丝异常的判断依据参照从稳定加工模式库中得到的各个参数取值范围，当 采集到的参数超出正常范围，则认为该时刻的数据为断丝异常值。

3)统计当前数据记录中放电电流、放电脉宽、放电脉间、极间电压、进给 速度这五个参数的均值、极值和方差，最后得到每个参数在取样周期内得到的均 值、极值和方差和断丝异常次数4个维度共20个数值作为判断的特征值，用以加 工稳定性与能耗状态的判断。

4)继续读取下一个数据记录进行处理，重复上述过程直至最后一条数据记 录。

如图14所示为加工稳定性与能耗状态特征参数深度学习模块的工作流程 图。

1)读取历史运行数据，运用Z-score法将历史运行数据进行特征标准化。

2)将标准化后的历史运行数据输入到LSTM递归神经网络中进行训练，获 得预测模型。

LSTM的核心在于神经网络单元状态，通过整个链式结构向后传递，并利用 “门限”结构的Sigmoid神经网络层和点乘运算实现信息的选择性通过。LSTM 算法的计算公式如下：

h_t＝o_t*tanh(f_t*c_t-1+i_t*c_in_t)

该模型认为当前时刻的输出值是输出门o_t、遗忘门f_t、输入门i_t以及上一时刻>t-1的函数。LSTM认为历史序列值及单元状态参数共同影响模型预测h_t的取值。

3)运用Z-score法将实时采集的放电电流、放电脉宽、放电脉间、极间电压、 进给速度这五个特征参数的值进行标准化；

4)将标准化后的放电电流、放电脉宽、放电脉间、极间电压、进给速度这 五个特征参数的值输入到预测模型进行分析，通过逆特征标准化获得预测值，将 预测值输出给加工稳定性与能耗状态优化决策模块。

以极间电压和进给速度的采集数据为例说明采用LSTM递归神经网络训练 预测模型并获得预测值的过程。

首先对一段连续时间内采集到的极间电压和进给速度的值进行加工稳定 性与能耗状态检测，取数间隔为60秒，连续60个极间电压和进给速度的值如 图15所示。

如图16所示，采用LSTM递归神经网络训练加工稳定性和能耗预测模型， 与采用循环神经网络RNN和多层感知器MLP进行对比，发现通过LSTM递归 神经网络获得的预测模型准确度最高。

极间电压、进给速度的预测值和实际值的关系如图17所示。从图中可以 看出预测误差较低，预测值基本能够反映数值的变化趋势，模型的预测效果良 好。

如图18所示为加工稳定性和能耗状态优化决策模块的工作流程图。具体的 决策方法如下：

1)加工稳定性与能耗状态优化决策模块接收加工稳定性与能耗状态优化指 标统计特征获取模块传来的实时电火花加工数据的统计特征值。如果当前电火花 加工状态判定为非正常加工状态，激活优化决策程序；

所述非正常加工状态的标准是：当加工稳定性状态处于非稳定状态(亚稳定 或者不稳定状态)或者放电能耗状态处于非节能状态(耗能或者高耗能状态)。

2)利用狼群算法对加工稳定性与能耗状态进行多目标优化，得到稳定-节能 加工状态多目标优化解集；

3)分别从稳定加工状态数据库和节能放电状态数据库中搜索匹配近似的稳 定加工参数和节能放电参数，得到稳定-节能加工状态综合最优的参数目标值；

4)根据该目标值，通过电火花机床的电控装置调控当前电火花加工参数的 参数值。

以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对 本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进 行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其 均应涵盖在本发明的权利要求范围当中。