切削数据库数据优化算法及其应用

摘要：随着金属切削向高效率、高精度、智能化方向发展，切削数据库的支撑作用越来越重要，如何解决切削数据库的数据优化问题一直是研究的热点课题。数据优化算法是解决数据优化问题的基础，因此，对数据算法的理论及应用研究都是具有重要学术意义和实用价值。本文详细论述了几种数据获取技术在切削数据库中的应用，分析比较了几类切削数据优化算法，并总结了数据寻优算法的改进算法。最后根据切削数据库的发展方向及数据优化算法存在的问题进行了展望。

关键词：切削数据库；数据寻优算法；实例推理；粒子群算法；神经网络算法

中图分类号：TG506 文献标志码：A 文章编号：1007-2683（2013）01-0001-06

0.引言

近年来，随着数控机床及切削刀具技术的不断发展，切削数据在机械制造领域中越来越显示出其重要性，并且已经成为一种极为重要的资源。

数据库是集中、保存和管理某一领域内所有这些信息的集合，是管理信息系统的核心。切削数据库是切削加工技术与计算机技术相结合的产物。切削数据库最初只是管理加工中出现的切削数据，随着神经网络算法、粒子群算法等优化算法的应用，切削数据库中添加了优化切削数据和切削数据的智能化评价等功能，使得切削数据库系统得到了很大的发展并已受到各相关行业的高度重视。选择合理的优化算法建立切削数据库，可以合理地选择切削参数，对提高生产率、降低生产成本有着非常重要的意义。对于解决某一类问题，可以通过多种算法来实现但并不是每一种算法都能找到最优解，需要根据每个算法自身的优缺点、适合的领域、优化方式等来选择合适的算法，从而使寻优路径达到最短，优化效果达到最好。但是传统的优化算法也存在一定的弊端，为此提出了算法的改进算法，在很大程度上增强了算法的寻优能力。

1.数据获取技术在切削数据库中的应用

1.1神经网络推理技术

神经网络算法是指模拟生物的神经结构以及其处理信息的方式来进行计算的一种算法。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要。黄传真等研究的汽车覆盖件模具钢高速切削数据库将分别基于MATLAB神经网络和基于指数函数的刀具磨损预报模型的拟合误差相比较，优选出基于MATLAB神经网络的刀具磨损预报模型，并将.NET框架和MATLAB环境引入到刀具磨损集成预报系统中，实现了模具钢精加工过程中对刀具磨损的在线预报，实现了对高速切削加工技术的合理应用。

为了实现神经网络模型的智能寻优，将其与蚁群算法相结合使用，用蚁群算法的启发式寻优和全局优化的特点来训练神经网络的权值即用蚁群算法来训练神经网络，最终解决寻优问题。如詹晓娟等研究的基于蚁群神经网络铣削数据库系统就是利用蚁群算法优化神经网络的方法，使系统在切削参数的选择具有一定的智力水平，实现了切削参数的合理选择。这种智能寻优的方法不仅避免了以往算法收敛速度慢易陷入局部最优等缺陷，提高了系统的运行速度和运算效率，还能够通过自学习提高自身决策能力，使决策结果更趋合理。

神经网络在解决非线性映射问题如切削用量选择上可达到良好的效果，在机械工程领域具有很高的利用价值。但是当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。

1.2动力学仿真优化技术

切削参数数据库的数据主要来源于切削手册、生产实践和切削实验，传统来源的切削参数难以完全满足切削加工的要求。为了存储优化型仿真切削数据，保证切削加工稳定性，赵海洋等在平台下开发了基于B/S数据库结构的动力学仿真优化型切削数据库系统。该系统通过动力学仿真优化方式获取优化型切削参数，实现了高速加工过程中的稳定高效切削。

将动力学仿真优化技术引入到切削数据库及其应用系统中，不仅能使系统具有良好的结构和可扩展性，还能提供工艺人员合理的切削参数，大大减少了以往试切所带来的经济和时间上的浪费，从而提高了生产效率，降低了生产成本。

1.3实例推理技术

1982年Schank通过研究人和机器学习的动态存储理论，提出了基于实例的推理（case-based reason-ing，CBR）其本质是利用旧问题的解决方案来解决新问题，并且具有自学习功能，CBR原理如图1所示。

利用实例推理技术，将其与规则推理相结合使用，把以往取得的经验应用于新问题的解决上，减少知识获取的工作量，不仅可以为建立切削参数数据库提供一个有效可行的方法，还可以为新的工件加工问题提供参考解决方案，对切削技术的推广应用具有非常重要的意义。

CBR是一种人工智能的推理方法，广泛应用于问题求解领域，在一定程度上突破了知识获取的瓶颈问题。由于CBR中实例都是以往问题的优化结果，因此其本身就包含了大量的设计经验知识，不仅避免了在获取知识上的时间的浪费，而且设计结果的实用性也很强。CBR为快速设计新的工艺提供了依据。

2.切削数据优化算法分析对比

2.1多目标优化算法的比较

从古老的时代开始，人们就力求在解决一个问题的众多方案中寻求一种最优方案，因此实际中优化问题大多数是多目标优化问题，它也是一类普遍存在的问题。基于群体智能进化的群体智能优化算法在解决多目标优化问题上提高了人们解决和处理优化问题的能力。但是粒子群算法等群体智能优化算法在解决多目标优化问题时有着各自的优缺点，需要对它们进行比较以选择合适的算法。表1是几种智能优化算法的比较。

通过表1中几种算法的对比可以看出，每种优化算法都有自己独特的优缺点，但是在处理高维复杂问题时都出现易陷入局部最优、收敛效果不好的问题。粒子群算法和遗传算法都属于全局优化算法，利用目标函数来衡量个体的优劣程度，粒子群算法计算复杂度比遗传算法低，可以短时间内找到最优解，但粒子群算法在搜索性能上好于混洗蛙跳算法。可以将几种算法结合使用或者对某种算法进行改进，弥补以往算法的缺点，从而达到更好的解决多目标优化问题的目的。

2.2知识获取的推理方式比较

规则推理、人工神经网络、实例推理、模糊逻辑、遗传算法和混合推理等智能推理方法被普遍应用在工程中。实例推理作为基于规则推理技术的一个重要补充，已受到人们越来越广泛的关注。但目前比较常用的智能推理方法有规则推理、神经网络和实例推理，它们在解决不同问题上表现出各自的优缺点，如表2所示。

根据表2列出的3种智能推理方式的比较可以看出，在总体上来看实例推理表现最好，但在解决复杂知识获取问题上仍表现出明显的不足。针对这一问题研究人员将实例推理、规则推理、人工神经网络三者结合，产生了各种各样的混合推理，这些推理不仅结合了它们各自的优点，而且很大程度上克服了单个方法的缺点，可

以很好的解决复杂问题，如高速切削数据库系统的建立就是采用规则推理和实例相结合的混合推理方式，通过这一方式使该系统的数据采集和知识更新变得简单易行。

2.3数据查询优化算法比较

随着现代切削数据库规模的不断扩大，高效率的信息提取技术逐渐成为人们研究的热点。高效的查询被用来体现一个系统性能的好坏，查询的效率也就成为了评价切削数据库系统的重要指标。提高查询效率是建立一个系统首要解决的问题之一，因此对作为有效手段的查询优化的研究就显得尤为重要。但是一个较好的优化算法，并不是通用和万能的，根据不同的环境不同的优化算法适用于不同的的问题及用户。目前常用的数据查寻优化算法有启发式搜索算法又称为A算法，它是在贪婪算法的基础上提出的一种基于人工智能理论的改进算法；基于Agent的分布式查询优化算法，它结合了分布式人工智能与切削数据库管理系统两个领域；遗传算法，它是模拟生物在环境中遗传和进化过程而形成得一种自适应的全局优化概率搜索算法；全局查询优化算法如模拟退火算法、快速分解模拟退火等，能够找出全局最优解；等联结操作结果估算模型，它是一种改进算法，能保证优化方法在一定条件下生成的任意两个相邻的操作次序是最优的；分裂大表算法即将大表分成若干个子表和一个索引表，将子表放在不同的逻辑设备上，各子表的名称和分裂条件存放在索引表里来提高查询速度；神经网络技术的异构数据库集成，它可以通过将全局查询快速地分解为各个子查询，来进行优化操作；多元连接查询优化算法，针对远程网和局域网这两种不同的网络，提出了最小生成树算法和改进的最小生成树算法两种全局优化算法，反复使用此算法可使预先估计的总代价最小；分布式查询优化算法，它的核心是SDD-1查询优化算法，该算法在一定程度上可以使整个网络上的传输量保持最小。对数据库进行查询时，可供选择查询优化算法很多，需要根据一定的标准来评价各算法是否适用于此环境，以提高效率的目的。为此研究人员提出了评价算法的4个标准：一是否适用于大数据量；二是否能应付异构数据库的要求；三是局部优化还是全局优化；四是算法的效率是否满足大数据量、高复杂性的要求。表3是几种数据查询优化算法的比较。

由表3可知，对数据库进行查询时，对查询优化算法的选择需要考虑很多因素，不能通过一个固定的原则来评价优化算法的优劣，需要根据当时的系统环境来选择合适的优化算法，这样才能充分利用算法的优点。

3.数据寻优算法的改进

目前许多数据优化算法被广泛应用在机械加工领域，在一定程度上达到了数据寻优的目的，提高了系统的寻优能力，但是面临一些复杂的问题时一些算法表现出收敛速度慢、陷入局优等问题，为了解决这一问题，对一些算法提出了改进，下面介绍了几种算法的改进算法。

3.1变形遗传算法

变形遗传算法是从简单遗传算法发展而来的，是对其运算因子的扩展和补充。简单遗传算法存在许多的不足之处，变形遗传算法在此基础上进行了一些改进：改进编码方式，改进初始群体的生成方式，改进适应度函数的定义方式，改进选择算子操作方式，改进变异算子操作方式，改进算法终止条件。这些算法增强了变形遗传算法搜索过程的方向性，从而增强了算法搜索寻优的方向性。图2为切削用量优化的变形遗传算法的流程图。

变形遗传算法有两个优点：一是具有局部的随机搜索能力；二是可维持群体多样性，防止出现未成熟收敛现象，从而使收敛概率达到大值。

3.2改进的粒子群算法

粒子群优化算法在函数优化等领域蕴涵了广阔的应用前景，利用粒子群优化参数原理（如图3），并与局部搜索算法混合，可以提高了算法在局部区域内进行精细搜索的能力。寻找到最优化的加工参数。目前针对粒子群算法存在的问题，已提出了多种粒子群算法改进算法，并且这些改进的算法广泛应用于函数优化，神经网络训练，模式分类等领域。其中一种改进的粒子群算法是针对粒子群算法在求解高维函数时易陷入局部最优的问题提出的，该算法通过对粒子的速度和位置更新公式进行改进，使粒子在其最优位置的基础上进行位置更新，从而增强算法的寻优能力。如图4为改进的粒子群算法流程图。

另外两种典型的粒子群算法的改进算法为：①全局邻域模式和局部邻域模式粒子群优化算法，前者收敛速度快，但易陷入局部极小值；后者收敛速度慢，但能在较大程度上避开局部极小值；②混沌粒子群优化算法，它不但具有混沌的随机性、遍历性、规律性等特性，还能引导粒子及其组成的群落搜索全局最优解。

3.3协同优化算法的改进

协同优化算法（eollaborati Veoptimization，CO）是多学科设计优化方法中应用最广、效果最好的算法，但是在应用中存在计算困难的问题，根据这一问题提出了改进的协同优化算法一ICO（Improvedeollaborati Veoptimization）多学科设计优化方法。

ICO多学科设计优化方法保持了CO算法模块化和学科自治性的优点，以新的表达方式来克服CO算法的计算困难。ICO算法利用快速启动方法提高了计算速度，使得ICO算法比标准CO算法更加稳定、可靠，计算效率明显提高。以往协同粒子群算法不能保证全局收敛，易产生伪最优值的问题，根据这一问题提出改进的协同粒子群优化算法，它将混沌理论引入协同粒子群算法中，改善了协同粒子群算法的性能，使其具备了求解高维优化问题的优越性。但是IC0算法还需要在大型复杂工程系统设计优化中进行应用、检验及进一步完善。

Matherton提出Kriging数学理论之后，Kriging技术在许多领域得到应用，研究人员以此为基础并基于统计学理论提出了Kriging模型，Kriging模型被视为一种最优的线性无偏估计。对于计算量大的问题可以利用基于Kriging模型的改进协同优化算法（Kriging-CO算法）来提高系统的优化效率，该改进算法的原理如图5所示。Kriging-CO算法适用于解决共享变量多、子模型复杂的问题，应用该算法减少迭代次数，提高运算效率。

虽然一些改进算法弥补了以往算法一些不足，但切削数据库技术的发展越来越快，对切削数据库性能的要求越来越高，出现的问题也会越来越多，因此对算法的研究也必须更加深入。

4.结语

本文首先列举了切削数据库中几种优化算法的应用，总结了这些算法所解决的问题以及达到的效果。其次将切削数据库中常用算法进行了分类、总结、比较，说明对于不同的数据库系统环境应采用合适的查询优化算法。最后针对几种改进算法的优点及应用领域进行了总结。

切削数据库正在向集成化、智能化、网络化的方向发展，对数据寻优速度，数据优化精确度等功能要求越来越高，但现有的优化算法仍有许多不足，例如算法的数学理论基础比较薄弱，缺乏深刻且具有普遍意义的理论分析，利用算法优化切削数据时，容易陷入局部最优解、接近最优解时收敛速度易变慢等问题。可以将不同数据优化算法融合，发挥各自优点，形成复合算法，进行高效寻优求解；并将数据挖掘技术应用于切削数据库的数据寻优、推理，使数据库功能和数据质量得到提升和保证。