CN107391890B - 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 - Google Patents
一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 Download PDFInfo
- Publication number
- CN107391890B CN107391890B CN201710780169.7A CN201710780169A CN107391890B CN 107391890 B CN107391890 B CN 107391890B CN 201710780169 A CN201710780169 A CN 201710780169A CN 107391890 B CN107391890 B CN 107391890B
- Authority
- CN
- China
- Prior art keywords
- chatter
- data
- prediction
- chatter mark
- machining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003754 machining Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007547 defect Effects 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000007418 data mining Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 206010061592 cardiac fibrillation Diseases 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002600 fibrillogenic effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 239000003208 petroleum Substances 0.000 abstract description 2
- 239000000725 suspension Substances 0.000 description 5
- 238000007789 sealing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，涉及石油装备制造技术领域，本发明针对螺纹加工颤纹发生的规律与特点，基于实际的颤纹发生情况大数据，交叉运用数据挖掘、可靠性分析及优化设计理论方法，尤其采用改进的K‑means聚类算法实施数据挖掘，采用改进的非支配排序遗传算法实施颤纹缺陷控制优化，提出油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法；与现有技术相比，本发明的一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，可以提高油套管螺纹加工颤纹预测的准确度，并有效控制颤纹的发生。
Description
技术领域
本发明涉及石油装备制造技术领域，特别涉及一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法。
背景技术
油气井管柱是由大量油套管单根通过螺纹连接而成，油气单井的油套管螺纹数量动辄数以千计。螺纹是管柱在井下拉伸、压缩、弯曲、扭转、内/外压力等复合载荷状态下服役结构与密封完整性保障的重要环节，也是最薄弱环节（据不完全统计，井下管柱结构和密封完整性失效的约70%发生在螺纹部分）。螺纹的苛刻服役环境及极高的安全可靠度指标对螺纹抗粘扣性、连接性能及密封性能提出了较高的要求，螺纹的机加工精度与质量至关重要。
颤纹是特殊螺纹接头生产加工过程中普遍存在的现象，不仅影响特殊螺纹接头的表面质量，还会导致特殊螺纹接头的各项性能恶化，直接降低螺纹的使用性能，对螺纹抗粘扣性及密封性能影响尤其显著。颤纹的发生受多种因素的复杂耦合影响，包括：与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊；与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据；与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积；与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量等。现有技术中往往通过工艺试错进行反复调整与优化，导致工程实践中颤纹产生原因难找、规避措施缺乏。本发明针对螺纹加工颤纹发生的规律与特点，基于实际的颤纹发生情况大数据，交叉运用数据挖掘、可靠性分析及优化设计理论方法，提出油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法。
发明内容
本发明的目的在于提供一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，以提高颤纹发生预测的准确度，有效控制颤纹产生。
本发明解决其技术问题所采取的技术方案是：一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，其特征在于，在原始数据库中预先存储多组不同钢级、规格和螺纹类型的螺纹加工工艺参数和对应的螺纹表面实际颤纹数据；所述加工工艺参数数据包括，与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊，与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据，与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积，与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量等；所述的螺纹表面实际颤纹数据包括，对实际加工螺纹表面颤纹严重程度观察与检测的评级数据；所述方法包括：
S1，选取原始数据库存储的至少两组同种规格、钢级和螺纹类型的油套管螺纹加工工艺参数数据及其对应的螺纹实际表面颤纹数据，并对选取的数据进行规一化并抽象为向量，将规一向量化后的数据分为训练数据样本和校验数据样本，并将训练数据样本和校验数据样本分别放入训练样本库和校验样本库；
S2，采用改进的K-means聚类算法，对训练数据样本进行数据挖掘建模，得到由机加工工艺参数作为因变量、螺纹表面颤纹数据作为响应变量的油套管螺纹加工的基于数据挖掘的颤纹生产预测模型；
S3，使用所述检验数据样本验证所述基于数据挖掘的颤纹生产预测模型的正确性，如果检验通过即得到颤纹预测专家模型，则执行S4，否则，转置S1，选取更新的数据重复执行流程；
S4，采用得到的颤纹预测专家模型，对用户输入的指定工艺条件下的颤纹产生程度进行预测，输出颤纹预测结果；
S5，根据训练样本库中大量实测机加工工艺参数，分析获取工艺参数分布模型，结合S4所建立的颤纹预测专家模型通过蒙特卡洛模拟建立基于响应面函数的颤纹的可靠度预测模型；
S6，通过螺纹加工的废品率要求分析与成本控制要求分析两者的综合分析确定设计的目标可靠度，将目标可靠度作为标准成为目标可靠度校核，将S5计算得到的颤纹的可靠度预测模型中的颤纹可靠度与目标可靠度比对差值作为目标函数，加工工艺参数作为设计变量，运用改进的非支配排序遗传算法进行可靠性优化迭代，最终满足目标可靠度的要求，输出控制颤纹的工艺参数优化设计结果。
所述的S2中按照K-means聚类算法的原理实施数据挖掘建模，所述的数据挖掘建模步骤为：
（1）从实际形成颤纹的n个工艺参数数学向量任意选取k个对象作为初始簇中心；
（2）根据簇中对象的均值，计算每个对象与这些簇中心的距离，将每一个对象指派到最相似的簇；
（3）更新簇均值，即计算每一个簇中对象的均值；
（4）循环（2）和（3）直到每个簇准则函数不再发生变化；
完成对形成颤纹产生的多个工艺参数预测。
作为优化，所述的K-means聚类算法基于选择批次距离尽可能远的K个点作为初始簇为原则，首先随机选择一个点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出K个对象作为初始簇中心。
所述的颤纹的可靠度预测模型，运用改进的非支配排序遗传算法进行优化迭代，可靠性优化迭代采用非支配排序遗传算法的优化设计，实施包括遗传编码生成、随机初始种群确定、适应度评估以及子代种群计算的优化迭代过程，在对个体的Pareto排序值进行评估的基础上，通过引入个体变量及其排序值的均值和标准差来评估优化目标趋近度对个体周围种群密度信息的敏感性，使个体的下代遗传远离种群不活跃的区域。
本发明的有益效果是：基于实际检测的螺纹加工工艺参数数据和对应的螺纹加工实际产生颤纹数据，通过改进的K-means方法建立基于数据挖掘的颤纹预测模型，根据该模型对预设工艺参数条件下颤纹的产生程度进行预测；结合螺纹加工工艺参数分布数据统计，通过蒙特卡洛模拟建立颤纹可靠度预测模型，根据兼顾质量与成本的考虑建立预期颤纹可靠度指标，采用改进的非支配排序遗传算法，以预期颤纹可靠度指标为优化目标，以螺纹加工工艺参数为优化设计参数，进行优化计算，得到对控制颤纹发生的加工工艺参数优化结果。从而可以提高颤纹发生预测的准确度，有效控制颤纹的发生概率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明控制方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，主要包括如下的步骤：
1、用户建立油套管螺纹加工颤纹实际情况数据库，在数据库中输入并不断积累更新存储多组不同钢级、规格和螺纹类型的螺纹加工工艺参数和对应的螺纹表面实际颤纹数据；所述加工工艺参数数据包括：与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊，与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据；与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积；与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量等。螺纹表面实际颤纹数据，包括：对实际加工螺纹表面颤纹严重程度观察与检测的评级数据。
2、对原始数据库存储的至少两组同种规格、钢级和螺纹类型的油套管螺纹加工工艺参数数据及其对应的螺纹实际表面颤纹数据进行规一化并抽象为向量，将规一向量化后的数据分为训练数据样本和校验数据样本，并将训练数据样本和校验数据样本分别放入训练样本库和校验样本库。
3、采用改进的K-means聚类算法，对训练数据样本进行数据挖掘建模，得到由机加工工艺参数作为因变量、螺纹表面颤纹数据作为响应变量的油套管螺纹加工的基于数据挖掘的颤纹生产预测模型。
进一步的，颤纹由上述多维数据复杂耦合影响，难以确定内在机制。按照K-means聚类算法的原理实施数据挖掘建模：
（1）从实际形成颤纹的n个工艺参数数学向量任意选取k个对象作为初始簇中心；
（2）根据簇中对象的均值，计算每个对象与这些簇中心的距离，将每一个对象指派到最相似的簇；
（3）更新簇均值，即计算每一个簇中对象的均值；
（4）循环（2）和（3）直到每个簇准则函数不再发生变化；
由此，完成对形成颤纹的多个工艺参数预测；
进一步的，对K-means聚类算法的改进：K-means聚类算法对初始簇中心的初始值和选取个数尤其敏感，针对该问题提出改进：基于选择批次距离尽可能远的K个点作为初始簇为原则，首先随机选择一个点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出K个对象作为初始簇中心。
4、使用所述检验数据样本验证所述基于数据挖掘的颤纹生产预测模型的正确性，如果检验通过即得到颤纹预测专家模型，则执行颤纹预测，对指定工艺条件下的颤纹产生程度进行预测，输出预测结果，否则，转置油套管螺纹加工颤纹实际情况原始数据库，选取更新的数据库重复执行流程。
5、根据训练样本库中大量实测机加工工艺参数，分析获取工艺参数分布模型，结合所建立的颤纹预测专家模型通过蒙特卡洛模拟建立基于响应面函数的颤纹的可靠度预测模型。
6、通过螺纹加工废品率要求分析与成本控制要求分析两者的综合分析确定设计的目标可靠度。
7、采用所建立基于响应面函数的颤纹的可靠度预测模型计算得到颤纹可靠度，与目标可靠度比对差值作为目标函数，加工工艺参数作为设计变量，运用改进的非支配排序遗传算法进行可靠性优化迭代，最终满足目标可靠度的要求，输出控制颤纹程度的工艺参数优化设计结果。
进一步的，根据非支配排序遗传算法的优化设计思想，实施包括遗传编码生成、随机初始种群确定、适应度评估以及子代种群计算的优化迭代过程。其中适应度评估过程虽然可以通过非支配排序获得并评估所有遗传个体的Pareto排序值从而不断接近最优解，但是不能评估不同级别个体周围的种群密度信息，从而有时会出现优化目标趋近度不同的个体仍然具有相同的繁殖后代机会，这样就降低了优化效率。针对原算法的这一不足提出改进：在对个体的Pareto排序值进行评估的基础上，通过引入个体变量及其排序值的均值和标准差来评估优化目标趋近度对个体周围种群密度信息的敏感性，使个体的下代遗传远离种群不活跃的区域，增加适应度评估的合理性，提高优化迭代效率。
下面结合实施例对本发明方法进行详细地说明：
如图1所示的实施例中，一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法。用户建立油套管螺纹加工颤纹实际情况原始数据库，将实际生产过程中统计的多组不同钢级、规格和螺纹类型的螺纹加工工艺参数和对应的螺纹表面实际颤纹数据输入其中。所述加工工艺参数数据包括：与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊，与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据；与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积；与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量等。螺纹表面实际颤纹数据，包括：对实际加工螺纹表面颤纹严重程度观察与检测的评级数据。
对原始数据库存储的至少两组同种规格、钢级和螺纹类型的油套管螺纹加工工艺参数数据及其对应的螺纹实际表面颤纹数据进行规一化并抽象为向量，将规一向量化后的数据分为训练数据样本和校验数据样本，并将训练数据样本和校验数据样本分别放入训练样本库和校验样本库；
采用所建立的改进K-means聚类算法，对训练数据样本进行数据挖掘建模，由检验数据样本进行模型正确性校核，基于来源于实际的大数据库，得到由机加工工艺参数作为因变量、螺纹表面颤纹数据作为变量的油套管螺纹加工颤纹预测模型；
对指定工艺条件下的颤纹产生程度进行预测，输出预测结果；
根据训练样本库中大量实测机加工工艺参数，分析获取工艺参数分布模型，结合所建立的颤纹预测专家模型通过蒙特卡洛模拟建立基于响应面函数的颤纹可靠度预测模型；
通过螺纹加工废品率与成本控制综合分析确定设计的目标可靠度，
采用所建立基于响应面函数的颤纹可靠度预测模型计算得到颤纹可靠度，与目标可靠度比对差值作为目标函数，加工工艺参数作为设计变量，运用所建立的改进非支配排序遗传算法进行优化迭代，最终满足目标可靠度的要求，输出控制颤纹程度的工艺参数优化设计结果。
上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式的产品形态和式样，任何符合本发明权利要求书的一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法且任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应落入本发明的专利保护范围。
Claims (2)
1.一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，其特征在于，在原始数据库中预先存储多组不同钢级、规格和螺纹类型的螺纹加工工艺参数和对应的螺纹表面实际颤纹数据；所述加工工艺参数数据包括，与管样刚度相关的管体悬出长度、内支撑及浮动支撑辊，与刀具刚度相关的刀杆直径、悬出长度，与车床刚性相关的轴承间隙、轴承润滑性数据，与管样装夹方式相关的夹持压力、卡爪尺寸、夹持接触面积，与刀具质量和安装相关的刀片及刀垫间隙、装夹紧固度、刀尖与车床中心高距离；与加工过程相关的切削深度、走刀量；所述的螺纹表面实际颤纹数据包括，对实际加工螺纹表面颤纹严重程度观察与检测的评级数据；所述方法包括：
S1，选取原始数据库存储的至少两组同种规格、钢级和螺纹类型的油套管螺纹加工工艺参数数据及其对应的螺纹实际表面颤纹数据，并对选取的数据进行规一化并抽象为向量，将规一向量化后的数据分为训练数据样本和校验数据样本，并将训练数据样本和校验数据样本分别放入训练样本库和校验样本库；
S2，采用改进的K-means聚类算法，对训练数据样本进行数据挖掘建模，得到由机加工工艺参数作为因变量、螺纹表面颤纹数据作为响应变量的油套管螺纹加工的基于数据挖掘的颤纹生产预测模型；所述的K-means聚类算法基于选择批次距离最远的K个点作为初始簇为原则，首先随机选择一个点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出K个对象作为初始簇中心；
S3，使用所述校验数据样本验证所述基于数据挖掘的颤纹生产预测模型的正确性，如果检验通过即得到颤纹预测专家模型，则执行S4，否则，转置S1，选取更新的数据重复执行流程；
S4，采用得到的颤纹预测专家模型，对用户输入的指定工艺条件下的颤纹产生程度进行预测，输出颤纹预测结果；
S5，根据训练样本库中大量实测机加工工艺参数，分析获取工艺参数分布模型，结合S4所建立的颤纹预测专家模型通过蒙特卡洛模拟建立基于响应面函数的颤纹的可靠度预测模型；
S6，通过螺纹加工的废品率要求分析与成本控制要求分析两者的综合分析确定设计的目标可靠度，将目标可靠度作为标准成为目标可靠度校核，将S5计算得到的颤纹的可靠度预测模型中的颤纹可靠度与目标可靠度比对差值作为目标函数，加工工艺参数作为设计变量，运用改进的非支配排序遗传算法进行可靠性优化迭代，最终满足目标可靠度的要求，输出控制颤纹的工艺参数优化设计结果；所述改进的非支配排序遗传算法具体实施包括遗传编码生成、随机初始种群确定、适应度评估以及子代种群计算的优化迭代过程，在对个体的Pareto排序值进行评估的基础上，通过引入个体变量及其排序值的均值和标准差来评估优化目标趋近度对个体周围种群密度信息的敏感性，使个体的下代遗传远离种群不活跃的区域。
2.如权利要求1所述的一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法，其特征在于，所述的S2中按照改进的K-means聚类算法的原理实施数据挖掘建模，所述的数据挖掘建模步骤为：
（1）从实际形成颤纹的n个工艺参数数学向量任意选取k个对象作为初始簇中心；
（2）根据簇中对象的均值，计算每个对象与这些簇中心的距离，将每一个对象指派到最相似的簇；
（3）更新簇均值，即计算每一个簇中对象的均值；
（4）循环（2）和（3）直到每个簇准则函数不再发生变化；
完成对形成颤纹产生的多个工艺参数预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780169.7A CN107391890B (zh) | 2017-09-01 | 2017-09-01 | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780169.7A CN107391890B (zh) | 2017-09-01 | 2017-09-01 | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107391890A CN107391890A (zh) | 2017-11-24 |
| CN107391890B true CN107391890B (zh) | 2020-10-09 |
Family
ID=60348755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710780169.7A Active CN107391890B (zh) | 2017-09-01 | 2017-09-01 | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107391890B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110116254B (zh) * | 2019-05-05 | 2021-07-02 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN112801137B (zh) * | 2021-01-04 | 2024-06-28 | 中国石油天然气集团有限公司 | 一种基于大数据的石油管材质量动态评价方法及*** |
| CN113408927B (zh) * | 2021-06-30 | 2023-01-10 | 四川交达预应力工程检测科技有限公司 | 基于大数据的预应力施工质量评估方法及*** |
| DE102021214320A1 (de) * | 2021-12-14 | 2023-06-15 | Sms Group Gmbh | Anlage zur spanenden Bearbeitung von Werkstücken sowie Verfahren zur Steuerung einer Werkzeugmaschine |
| CN116748352B (zh) * | 2023-08-14 | 2023-11-07 | 江苏新恒基特种装备股份有限公司 | 一种金属弯管机加工参数监测控制方法、***及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003065179A3 (en) * | 2002-02-01 | 2003-11-06 | John Fairweather | A system and method for mining data |
| CN102609566A (zh) * | 2012-01-12 | 2012-07-25 | 中国石油天然气集团公司 | 一种非api螺纹密封面优化设计方法 |
| CN105444923A (zh) * | 2015-11-18 | 2016-03-30 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
| CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7613541B2 (en) * | 2003-03-28 | 2009-11-03 | Mitsubishi Denki Kabushiki Kaisha | Thread control method and system therefor |
-
2017
- 2017-09-01 CN CN201710780169.7A patent/CN107391890B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003065179A3 (en) * | 2002-02-01 | 2003-11-06 | John Fairweather | A system and method for mining data |
| CN102609566A (zh) * | 2012-01-12 | 2012-07-25 | 中国石油天然气集团公司 | 一种非api螺纹密封面优化设计方法 |
| CN105444923A (zh) * | 2015-11-18 | 2016-03-30 | 浙江工业大学 | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 |
| CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Chatter stability prediction in milling using time-varying uncertainties;Yu Liu 等;《The International Journal of Advanced Manufacturing Technology》;20170430;2627–2636 * |
| Prediction and experimental analysis of cutting forces during machining of precision external threads;Hamza K.Akyildiz 等;《Machining Science and Technology》;20110403;第15卷(第4期);485-506 * |
| 基于BP神经网络的大型螺纹旋风铣削表面粗糙度预测;周斌 等;《组合机床与自动化加工技术》;20150731(第7期);5-10 * |
| 梳刀加工接箍螺纹产生颤纹的原因及对策;杨建国;《煤矿机械》;20110228;第32卷(第02期);121-123 * |
| 铣削颤振及其可靠度分析;冯吉路 等;《组合机床与自动化加工技术》;20151231(第12期);8-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107391890A (zh) | 2017-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107391890B (zh) | 一种油套管螺纹接头机加工颤纹缺陷的预测与优化控制方法 | |
| CN110116254B (zh) | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 | |
| CN113176761B (zh) | 多加工特征薄板零件质量预测与工艺参数优化方法 | |
| CN104820716B (zh) | 基于数据挖掘的装备可靠性评估方法 | |
| CN111046341A (zh) | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 | |
| CN113469241B (zh) | 基于工艺网络模型与机器学习算法的产品质量控制方法 | |
| CN112610903A (zh) | 一种基于深度神经网络模型的给水管网泄漏定位方法 | |
| CN109115383B (zh) | 冷挤压强化孔的疲劳寿命预测方法 | |
| CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及*** | |
| Kaya | RETRACTED: A genetic algorithm approach to determine the sample size for control charts with variables and attributes | |
| CN116737510A (zh) | 一种基于数据分析的键盘智能监测方法及*** | |
| Hossain et al. | Surface roughness prediction model for ball end milling operation using artificial intelligence | |
| CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及*** | |
| CN116018509A (zh) | 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| Liu et al. | A modeling method of stochastic parameters’ inverse gauss process considering measurement error under accelerated degradation test | |
| Vafadar et al. | Evaluation of the effect of product demand uncertainty on manufacturing system selection | |
| CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模***及方法 | |
| ZAKERI et al. | Tool wear modeling in drilling process of AISI1020 and AISI8620 using genetic programming | |
| CN113868304A (zh) | 一种配电网冗余数据的确定方法及*** | |
| CN117592223B (zh) | 一种面向航空航天材料的孔加工刀具智能设计方法 | |
| CN114925568B (zh) | 六面顶压机铰链梁结构的疲劳寿命预测及可靠性分析方法 | |
| Pitaloka et al. | Reliability and Life Data Analysis on the Components of Pump |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Jinxiang road 257000 in Shandong province Dongying city Dongying District No. 1 Applicant after: SHANDONG YONGLIJINGGONG PETROLEUM EQUIPMENT CO.,LTD. Address before: Jinxiang road 257000 in Shandong province Dongying city Dongying District No. 1 Applicant before: DONGYING CITY YONGLIJINGGONG PETROLEUM MACHINERY MANUFACTURING Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A prediction and optimal control method for machining chatter defect of oil casing threaded joint Effective date of registration: 20220316 Granted publication date: 20201009 Pledgee: Dongying Rural Commercial Bank Co.,Ltd. Pledgor: Shandong Yongli Jinggong Petroleum Equipment Co.,Ltd. Registration number: Y2022980002561 |
|
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 257000 No.1, jinxiangshan Road, Dongying District, Dongying City, Shandong Province Patentee after: Shandong Yongli Jinggong Petroleum Equipment Co.,Ltd. Address before: 257000 No.1, jinxiangshan Road, Dongying District, Dongying City, Shandong Province Patentee before: SHANDONG YONGLIJINGGONG PETROLEUM EQUIPMENT CO.,LTD. |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220928 Granted publication date: 20201009 Pledgee: Dongying Rural Commercial Bank Co.,Ltd. Pledgor: Shandong Yongli Jinggong Petroleum Equipment Co.,Ltd. Registration number: Y2022980002561 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Predicting and Optimizing Control of Machining Chatter Flaws in Oil and Casing Threaded Joints Effective date of registration: 20221020 Granted publication date: 20201009 Pledgee: Weihai commercial bank Limited by Share Ltd. Dongying branch Pledgor: Shandong Yongli Jinggong Petroleum Equipment Co.,Ltd. Registration number: Y2022980019046 |