数控机床主轴热误差建模参数优化

数控机床主轴系统的热变形所引起热误差是影响其加工质量及效率的主要因素,因此,对机床主轴的热误差进行建模及补偿有着十分重要的意义,而建模的方法多种多样,其中利用最小二乘支持向量机法建模对于非线性系统效果良好并使模型具备更好的决策能力.文章对机床主轴温度场进行了实时的采集,并以此为基础以matlab为平台利用网格搜索法在相对更大的范围内针对最小二乘支持向量机建模时核函数的重要参数对(γ、σ)的选值进行优化,有效的提高了建模精度.     

基于GA-LSSVM的数控机床热误差建模方法研究

为减小数控机床热误差对加工精度的影响,实现对热误差的补偿控制,提出一种基于遗传算法(GA)优化的最小二乘支持向量机(LSSVM)数控机床热误差建模方法.利用遗传算法优化选择LSSVM惩罚因子C和核函数参数σ2,构建针对某卧式加工中心主轴热误差的GA-LSSVM模型.根据该模型得到热误差的模拟值和测量值对比曲线,通过分析...     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。     

主轴热误差的改进累积法建模研究

为提高机床的加工精度,针对主轴热误差建模,结合最小二乘原理和F分布检验提出了一种改进的累积新算法。对一台立式加工中心,采用激光位移传感器和分布的温度传感器同步测量主轴热变形及温度变化;对获取的建模数据,结合方差分析和F分布检验确定累积阶次K的最小值,在提高热误差建模精度的同时降低算法的复杂度;并进行累积算子求和,构建K(N+1)阶累积方程组,再运用最小二乘原理得出K阶累积广义均值的正规方程组,最后通过矩阵求解实现回归建模及参数估计。最后,对机床变工况条件下主轴热误差进行了实验与建模预测。结果表明:改进累积法的建模精度高于普通累积法,同时保证了建模效率。     

基于最小二乘支持向量机建模的电液伺服系统故障检测方法

基于最小二乘支持向量机建模的方法,研究了电液伺服系统的故障检测问题.介绍了基于最小二乘支持向量机进行建模的基本原理,分析了电液伺服系统所存在的非线性和故障模式,给出了基于最小二乘支持向量机建模进行故障检测的方法,试验结果表明,由支持向量机模型预测输出与实际输出相比较所形成的残差,能够准确地反映故障发生与否的情况;同时,与神经网络方法和普通的支持向量机方法相比,最小二乘支持向量机方法更适合工程应用,效果更好.     

基于最小二乘向量机的锂离子电池建模及参数辨识研究

现有锂离子电池参数辨识研究较少,为提升锂离子电池模型建立有效性以及参数辨识精度,提出了基于最小二乘向量机的锂离子电池建模及参数辨识方法.利用二阶等效电路模型建立锂离子电池RC等效电路模型,并利用LPV技术建立锂离子电池参数可辨识模型,选取最小二乘支持向量机算法求解参数可辨识模型,实现锂离子电池模型参数的有效辨识.利用二...     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

基于GA-SVR的数控机床热误差建模

为了提高数控机床加工精度,消除数控机床热误差对加工精度的影响,文章提出了基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法.为了构建机床的热误差模型,首先采用温度传感器与位置传感器测量机床的温度与对应的机床主轴变形量.其次把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值.最后建立机床热误差模型,并验证模型的准确度.结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点.     

混沌-支持向量机在加工误差预测中的应用

提出将混沌-支持向量机模型方法应用于加工误差数据预测。利用互信息法和曹氏方法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对加工误差时间序列进行混沌识别。通过最小二乘支持向量机对历史样本的学习建立预测模型,并将其预测结果与RBF神经网络预测结果进行仿真对比。结果表明,在较少的加工误差数据条件下,该模型能够有效地描述和预测加工误差的变化,具有较高的预测精度。     

基于LS-SVM的铜铬合金挤压加工挤压力预测

提出一种最小二乘支持向量机的Cu-0.75Cr铜合金反挤压力预测新模型.以断面缩减率、凸模锥角和挤压温度这3个主要工艺参数作为影响因素,以反挤压过程的挤压力为影响对象,通过最小二乘支持向量机模型建立影响因素和影响对象之间的复杂非线性关系.以正交实验数据为样本对模型进行训练,用训练好的模型预测在一定反挤压条件下Cu-0.75Cr铜合金的挤压力.结果表明:该模型不仅预测精度和处理速度大大高于人工神经网络预测模型,而且建模速度也比标准支持向量机快,实际预测误差小于3%.     

最小二乘支持向量机弯曲回弹元模型技术研究

影响大尺寸高强度U型折弯件回弹的变量众多,使得其弯曲回弹难以控制。提出一种基于约束的高斯过程潜变量(RGPLVM)筛选技术来进行最优变量的筛选和降维。将筛选出的变量作为决策变量,并以最小二乘支持向量机(LSSVM)为基础,构建了大尺寸高强度U型折弯件的最小二乘支持向量机(LSSVM)元模型。分别以支持向量机(SVM),LSSVM和BP神经网络为模型进行预测,并将预测结果与实际工程零件进行对比。结果表明LSSVM模型的预测结果更为接近实际零件的回弹情况,从而验证了所提方法的可行性。     

多工况下数控机床主轴热误差建模

单一工况条件下数控机床主轴热误差模型无法准确预测其它工况下的热误差。通过研究分析支持向量机回归的算法和参数的关系,提出一种经过遗传算法(GA)在多工况条件下优化的支持向量机(SVM)的建模方法。以一台数控车床为研究对象,进行热误差测量实验,利用电涡流位移传感器和温度传感器同步测量机床主轴两个方向热误差和温度变化数值,获取两种工况的建模数据。运用遗传算法对SVM的惩罚函数、核函数参数和不敏感损失函数进行多工况条件下的优化选择,建立机床主轴热误差补偿模型。通过热误差建模实验验证,该方法在工况一的残差为0.838μm,工况二的残差为0.653μm,在保持较高预测精度的同时,能在两种工况下进行有效的热误差预测,使热误差补偿更适合实际加工环境。     

硅锰合金埋弧熔炼过程中炉渣成分软测量

针对硅锰合金埋弧熔炼过程中炉渣成分检测难的问题,提出一种基于自适应差分进化(ADE)优化的约减最小二乘支持向量机(RLSSVM)软测量模型。该模型以硅锰合金熔炼过程的工况参数为实测数据集,首先通过斯密特正交变换获取高维特征空间核矩阵的基,然后利用Direct Kernel PLS回归计算得到约减最小二乘支持向量机软测量模型,并以最小化训练样本的均方差为目标函数,用自适应差分进化算法优化最小二乘支持向量机的核参数和正则化参数,将此模型应用于30 MW硅锰合金埋弧冶炼过程炉渣成分测量。结果表明:ADE-RLSSVM模型测量值与实际值的最大相对误差为7.3%,运行时间为21 min。     

基于机器视觉的再生铜铜含量快速估计系统(英文)

针对废杂铜再生熔炼过程中铜含量指标离线检测时滞大的问题,提出一个基于机器视觉的铜含量快速检测系统。首先,使用3CCD彩色相机获取再生铜样本的横截面图像。然后,利用图像亮度标准差和边缘像素百分比这两个特征筛选建模样本。改进了颜色向量角,并提取建模铜样本的颜色向量角。最后,利用改进的颜色向量角和实测铜含量数据建立一个基于最小二乘支持向量机的铜含量估计模型。为了对比,如下铜含量最小二乘支持向量回归模型也被建立:1)仅使用样本筛选方法;2)仅改进颜色向量角;3)不使用样本筛选方法和改进的颜色向量角。另外,还分别建立了使用样本筛选方法和不使用样本筛选方法的两个指数函数铜含量回归模型。实验结果表明,同时使用样本筛选方法和改进颜色向量角的最小二乘支持向量回归模型具有最高的估计准确度,尤其是当建模样本数目较少的时候。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于支持向量回归机的精密数控平台热误差建模与补偿研究

为了提高数控机床的加工精度,文章以精密四轴数控平台为研究对象,采用PT100、激光干涉仪等仪器对X、Z轴的温度、定位误差进行测量与分析,研究精密四轴数控平台定位误差与温度之间的变化规律。运用支持向量回归机建立X、Z轴的热误差模型,利用网格搜索法对支持向量回归机热误差模型进行参数寻优,确定惩罚参数c和核函数参数g的最优参数值。在热平衡状态下,根据BP神经网络、支持向量回归机热误差模型分别计算出X、Z轴定位误差的预测值与测量值对比曲线,对比曲线和数据分析表明支持向量回归机的预测精度较高,其X、Z轴拟合偏差带宽均不超过0.6μm。依据支持向量回归机热误差模型的预测数据进行补偿实验,数控平台X轴的定位误差降低了89.55%,Z轴定位误差降低了85.67%。实验结果证明支持向量回归机建模方法具有较高的预测精度、泛化能力、补偿精度和鲁棒性。     

利用最小二乘支持向量机预测铝熔体氢含量

提出了一种最小二乘支持向量机的铝熔体在不同温度和保温时间下的氩含量预测新模型.以2个主要影响因素加热温度、保温时间为输入,铝熔体中氢含量为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性映射关系.以铝熔炼实验数据为样本对模型进行学习训练,用训练好模型预测在一定影响因素下铝熔体中氢的含量.仿真实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于最小二乘支持向量机的超磁致伸缩执行器磁滞非线性模型

为准确模拟超磁致伸缩执行器的磁滞非线性特性,基于最小二乘支持向量机与实验数据建立了超磁致伸缩执行器的模型,结果显示所建模型都能够充分逼近非线性实验数据点。为提高模型的求解速度,仅选用一半的实验数据建立了小样本模型,并与神经网络所建小样本模型对比,结果表明:基于最小二乘支持向量机所建模型的位移预测误差小于1.2μm,而基于神经网络所建模型的位移预测误差大于1.5μm。     

基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测

目的 构建海洋管线外腐蚀速率预测模型,提高海底油气管线外腐蚀速率预测的准确性.方法 建立基于套索(LASSO)回归和鲸鱼优化算法(WOA)的最小二乘支持向量机(LSSVM)腐蚀速率预测模型,采用LASSO回归方法对指标进行筛选,提取海洋管线腐蚀的主要影响因素.应用最小二乘支持向量机算法建立海洋管线外腐蚀速率预测模型,并使用鲸鱼优化算法对模型参数进行优化,避免了参数取值对模型回归性能的影响.以海洋挂片实验为例,通过MATLAB进行模拟仿真,分析验证模型预测结果,并将预测结果与其他模型进行对比分析.结果 LASSO回归算法筛选得到影响腐蚀速率的主要因素为:温度、溶解氧含量、pH值.采用WOA-LSSVM模型所预测的结果与实际值较为吻合,其平均相对误差为2.23％,均方根误差(RMSE)为0.3248,决定系数R2达到0.9708,均优于其他两种模型.结论 基于LASSO回归和鲸鱼优化算法的最小二乘支持向量机预测模型具有更优的泛化能力和预测精度,为海底管道腐蚀研究工作提供了新思路,也为海洋油气输送系统的结构安全与风险防范提供了参考.     

加工中心主轴热误差的建模分析

采用五点法测量了加工中心主轴的温度场和热误差数据,研究了温度变化与主轴热误差之间的关系,并用不同的回归方法建立了两者的多元线性回归模型。经研究分析,利用偏最小二乘回归法进行建模具有较强的预测能力和较为理想的精度,可以满足加工中心热误差实时补偿的应用要求。