一种基于LightGBM-NN算法的TC4钛合金高速铣削表面粗糙度建模方法

本发明属于生产制造领域，具体涉及一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法。

背景技术：

1、tc4钛合金(ti-6al-4v)由于其具有比强度高、耐热性和耐蚀性好等优良性能，不仅成为现代航空航天工业中不可缺少的结构材料，而且在造船、化工、冶金、医疗等方面也获得了广泛的应用。

2、目前航空钛合金结构件加工以铣削为主，tc4钛合金铣削加工时，由于加工过程中循环热力载荷的作用，切屑与刀刃容易黏结，刀具磨损严重，影响加工质量。目前，机器学习方法在机械加工预测建模领域已经得到了广泛的应用。相对于理论物理建模法，机器学习方法具有显著的优点。首先，机器学习方法不受限于严格的理论物理假设，能够直接从大量实际数据中学习并构建模型，因此更具灵活性。其次，机器学习方法能够处理复杂的非线性关系和高维数据，从而更全面地探索参数之间的复杂相互作用。此外，机器学习方法具有较强的泛化能力，可以适应新数据和不同场景的应用，因此在不同的工艺和材料中都能取得良好的效果。最后，机器学习方法通常能够在相对较短的时间内训练模型并进行预测，从而大大提高了建模和优化的效率。同时，在tc4铣削过程中，也会产生许多如电信号和振动信号之类的动态信号，此类数据和tc4加工质量也是息息相关的，通过综合分析这些静态和动态参数，能够在机器学习模型训练过程中提供充足的数据支持，使模型能更精准地预测铣削过程的结果。

技术实现思路

1、本发明的目的在于提供一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，该方法以tc4钛合金铣削静态数据(铣削速度、进给速度、轴向切深、径向切深)与动态信号(振动信号、电信号)相结合作为训练模型的数据集，并提出一种带特征选择能力的lightgbm-nn算法建立tc4高速铣削表面粗糙度模型。

2、为实现上述目的，本发明的技术方案是：一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，以tc4钛合金铣削静态数据与动态信号相结合作为训练模型的数据集，并提出一种带特征选择能力的lightgbm-nn算法建立tc4高速铣削表面粗糙度模型。

3、所述方法，包括如下步骤：

4、步骤s1、以静态数据即铣削速度、进给速度、轴向切深和径向切深为变量，构建实验方案，实验过程中采集铣削过程的电信号以及振动信号，实验完成后测量钛合金铣削表面粗糙度；

5、步骤s2、提取电信号和振动信号的时域特征，结合静态数据构建数据集，用以训练lightgbm-nn算法；

6、步骤s3、使用lightgbm算法进行特征选择，通过计算每个特征的重要性得分ij，对所有特征进行排序；

7、步骤s4、利用步骤s3中优选后的特征作为nn算法的输入，钛合金铣削表面粗糙度作为输出，构建钛合金高速铣削表面粗糙度模型。

8、本发明还提供了一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。

9、本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。

10、相较于现有技术，本发明具有以下有益效果：本发明以tc4钛合金铣削静态数据(铣削速度、进给速度、轴向切深、径向切深)与动态信号(振动信号、电信号)相结合作为训练模型的数据集，并提出一种带特征选择能力的lightgbm-nn算法建立tc4高速铣削表面粗糙度模型。本发明能够实现tc4钛合金高速铣削表面粗糙度建模。

技术特征：

1.一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，以tc4钛合金铣削静态数据与动态信号相结合作为训练模型的数据集，并提出一种带特征选择能力的lightgbm-nn算法建立tc4高速铣削表面粗糙度模型。

2.根据权利要求1所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，包括如下步骤：

3.根据权利要求2所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，步骤s1具体包括：

4.根据权利要求2所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，步骤s2具体包括：

5.根据权利要求4所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，步骤s3具体包括：

6.根据权利要求5所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，lightgbm在特征选择时使用的是基于特征重要性得分的方法，基于特征重要性得分的方法基于增益，即特征在树节点分裂时带来的损失减少量；具体地，对于每个特征j，它的重要性得分ij表示为特征j在所有树中的增益之和，其计算公式为：

7.根据权利要求6所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，步骤s4具体包括：

8.根据权利要求7所述的一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模方法，其特征在于，nn算法的损失函数采用均方根误差函数，其计算公式为：

9.一种基于lightgbm-nn算法的tc4钛合金高速铣削表面粗糙度建模系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。

10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。

技术总结
本发明涉及一种基于LightGBM‑NN算法的TC4钛合金高速铣削表面粗糙度建模方法，属于生产制造领域。所述方法以TC4钛合金铣削静态数据（铣削速度、进给速度、轴向切深、径向切深）与动态信号（振动信号、电信号）相结合作为训练模型的数据集，并提出一种带特征选择能力的LightGBM‑NN算法建立TC4高速铣削表面粗糙度模型。本发明能够实现TC4钛合金高速铣削表面粗糙度建模。

技术研发人员：朱丽丽,廖大喜,黄彬
受保护的技术使用者：福州大学至诚学院
技术研发日：
技术公布日：2025/2/17