周加乐　苟淞　刘宏

摘 要：在使用电火花加工技术对难加工金属进行加工时，因为加工过程的复杂性，单纯通过电火花加工实验方法研究各种放电参数及非电参数对盲孔深度的影响不但耗费大量时间，而且实验成本较高。因此文章提出了基于支持向量机在电火花加工工程中盲孔深度的预测模型。以电火花加工TC4为例，设计正交实验。实验结果表明，支持向量机模型可以精确的反映加工参数与实验结果的非线性关系，具有较准确的预测精度。

关键词：电火花加工；盲孔深度；预测模型；支持向量机；TC4

中图分类号：TG661 文献标志码：A 文章编号：2095-2945（2018）21-0024-03

Abstract： Because of the complexity of machining process， the effect of discharge parameters and non-electrical parameters on the depth of blind hole is not only time-consuming to study simply by electrical discharge machining （EDM） experiment method when EDM technology is used to process difficult-to-machine metal. Moreover， the cost of the experiment is high. Therefore， a prediction model of blind hole depth based on support vector machine （SVM） in EDM engineering is proposed in this paper. Taking electrical discharge machining TC4 as an example， the orthogonal experiment was designed. The experimental results show that the SVM model can accurately reflect the nonlinear relationship between the machining parameters and the real results， and has a more accurate prediction accuracy.

Keywords： electrical discharge machining （EDM）； blind hole depth； prediction model； support vector machine； TC4

引言

电火花加工（EDM）是一种电热蚀刻微加工工艺，由于其独特的功能，广泛用于各种行业。它可以加工任何导电材料，包括各种金属和合金，不管其硬度如何[1]。已廣泛应用于模具制造、航空航天、航空、电子、核能、仪器仪表、轻工等领域，解决各种难加工材料和复杂形状物体的加工问题。现代工艺中，由于对精度的高需求，所以加工后所需的盲孔的深度需要合适的加工参数来确定。

近年来，许多研究者对电火花加工后的盲孔进行了研讨。杨立光[2]等人对径比盲孔电火花加工工艺进行了探讨，结果表明电火花加工工艺方法是解决盘轴类零件大深径比盲孔加工的有效方法。但是因电火花加工工艺过程非常复杂，涉及许多电参数和非电参数，选择不当的参数也可能导致严重的后果，如异常放电状态[3]。而这些参数与加工后的盲孔关系又具有不确定性。所以通过系统工艺试验来确定的实验参数不足以满足现代工艺需求。所以，急需一种数学建模方法来对加工过程进行建模，来精确的反映加工参数与加工结果的非线性映射关系。任大林[4]等运用支持向量机（SVM）对电火花加工中电参数进行了优化研究，实验结果表明该方法所确定的最优电参数能够很好地保证预期的加工质量。针对电火花加工的非线性特性，余剑武[5]等人提出了基于支持向量机的电火花加工表面粗糙度预测模型，研究表明所建立的电加工表面粗糙度预测模型精度较高，可以用于预测加工后工件表面粗糙度。

在本文中，为了精确的反映加工参数与盲孔深度的非线性映射关系，用基于支持向量机的方法建立一个适用于电火花加工盲孔深度预测的模型。

1 实验设计

本次实验中，用ES540-NC EDM作为机床，机床的装备结构如图1所示。加工材料为钛合金（TC4），不同直径的棒状紫铜材料作为工具电极，采用浸液式加工完成20组电火花加工实验。由于数据量严重受限，因此采用正交实验的设计思想[6，7]，设计峰值电流大小，电极直径大小，为5水平的正交实验。同时还进行了部分试点实验，来确定峰值电流和电极直径的选取水平。加工参数如表1所示。每组实验完成后，使用千分尺对加后的TC4钛合金工件上的盲孔深度进行多次测量并计算平均值。从而得到24组TC4钛合金的相关加工参数及其对应的实验结果的数据。图2为加工后的工件，实验数据记录见表2。

2 支持向量机

2.1 支持向量机介绍

支持向量机具有结构简单，计算效率高，泛化能力强等优点。它也可以用小样本解决机器学习问题[8]。在求解小样本，非线性和高维模式识别方面显示出许多独特的优势，故构建了一个SVM模型。图3显示了SVM模型构建的流程图。

2.2 数据预处理

将实验所得的数据进行[0，1]归一化[9]，以便加快训练速度，提高训练精度。

4 结束语

本次研究表明，支持向量机模型可以很精确的反映加工参数与加工结果之间的非线性映射关系。所构建的支持向量机模型预测的平均误差为4.48%，在可接受的范围内。

可将其应用在实际工程中用以确保加工稳定高效地进行，尤其适合在机床经验数据缺乏的情况下，通过构建支持向量机模型，来选择合适的加工参数，得到想要的盲孔深度。

可达到提高加工效率，降低工人技术要求的目的。

参考文献：

[1]VijayKumarMeena， ManSinghAzad. Grey Relational Analysis of Micro-EDM Machining of Ti-6Al-4V Alloy[J]. Advanced Manufacturing Processes， 2012，27（9）：973-977.

[2]杨立光，伏金娟，任连生，等.镍基高温合金大深径比盲孔电火花加工工艺探讨[J].航空制造技术，2014，460（16）：42-46.

[3]Zhang Z， Ming W， Zhang G， et al. A new method for on-line monitoring discharge pulse in WEDM-MS process[J]. International Journal of Advanced Manufacturing Technology， 2015，81（5-8）：1403-1418.

[4]任大林，隋修武，杜玉红.基于SVM的电火花加工参数优化研究[J].机械科學与技术，2014，33（8）：1167-1171.

[5]余剑武，胡其丰，文丞，等.基于支持向量机的电火花加工8418钢表面粗糙度预测模型[J].中国机械工程，2018，29（07）.

[6]Lela B， Baji D， Jozi S. Regression analysis， support vector machines， and Bayesian neural network approaches to modeling surface roughness in face milling[J]. International Journal of Advanced Manufacturing Technology， 2009，42（11-12）：1082-1088.

[7]Djuric P M. Model selection by cross-validation[C]// IEEE International Symposium on Circuits and Systems. IEEE， 1990：2760-2763 vol.4.

[8]Ramesh R， Kumar K S R， Anil G. Automated intelligent manufacturing system for surface finish control in CNC milling using support vector machines[J]. International Journal of Advanced Manufacturing Technology， 2009，42（11-12）：1103-1117.

[9]汤荣志，段会川，孙海涛.SVM训练数据归一化研究[J].山东师范大学学报（自然科学版），2016，31（4）：60-65.

[10]Cristianini N， Shawetaylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods： Notation[J].2000，32（8）：1-28.

[11]Pedregosa F， Gramfort A， Michel V， et al. Scikit-learn： Machine Learning in Python[J]. Journal of Machine Learning Research，2012，12（10）：2825-2830.