基于支持向量机的铣削力预测

针对小样本、低泛化、过拟合和局部极小等问题,建立基于支持向量机(SVM)的铣削力预测模型,对铣削力进行预测,将其预测结果与试验值、BP神经网络预测值进行对比分析。结果表明:在训练样本较小情况下,得到的预测值与试验值吻合较好,且相对于BP神经网络预测模型的预测精度高。     

基于支持向量机的焊缝尺寸预测

焊缝尺寸是决定焊接接头强度及有关性能的重要因素,因此也是焊接质量控制的重要内容.分别以焊接电流、电弧电压以及焊接速度作为输入向量构造样本集,建立CO2焊接焊缝尺寸支持向量机模型,分别运用线性核函数,多项式核函数、高斯径向基核函数以及指数径向基核函数对焊缝熔宽、焊缝熔深以及焊缝余高进行预测.结果表明,采用指数径向基核函数所建立的支持向量机模型可以有效地对焊缝尺寸进行预测,为进一步实现焊缝质量的在线控制提供依据.     

基于支持向量机的加工误差预测建模方法研究

误差补偿是提高机械加工精度的有效途径,其中误差的建模是关键.在分析现有加工误差预测技术不足的基础上,提出基于支持向量机的加工误差回归建模和预测方法,并对实际应用中的问题进行了分析和总结.通过实例验证及与其它建模方法的对比,表明该方法具有优良的预测性能,为加工误差预测提供了一种新的可行方法.     

基于支持向量机钛合金铣削力预测分析

钛合金材料广泛应用于各个领域,其材料在加工过程中受铣削力影响易于产生变形而影响加工质量,为此需对铣削力进行预测分析。针对实际加工工程中铣削力函数不能显式表示的问题,提出一种基于支持向量机铣削力模型预测的方法。利用正交试验设计选取合适的设计参数样本点建立铣削力预测模型,并获得预测值与实验值的拟合曲线,试验值通过有限元建模获得,分别对预测值与试验值结果进行误差率及显著性检验分析。为验证支持向量机方法的有效性,建立BP神经网络模型对试验值预测。与BP神经网络模型预测比较,结果显示支持向量机模型预测的结果更能精确预测。     

基于支持向量回归的切削颤振状态趋势预测的研究

文章使用支持向量回归方法（SVR）成功地对切削颤振状态趋势进行了预测，同时提出了一种新的信号特征提取方法。首先逐次对切削信号进行小波包分解，然后计算各频带区间内的能量并对能量进行归一化处理，于是得到了信号在各区间的能量分布图以及各区间的能量变化曲线，从能量的变化曲线可以很清楚的看到，各区间的能量分布很好地反应了切削颤振过渡的特征。最后通过SVR算法对能量变化趋势进行回归预测，与实际曲线进行比较，预测结果基本能反应出能量的变化趋势，从而为切削颤振的预报奠定了较好的基础。     

基于支持向量机的船用柴油机装配质量预测

针对船用柴油机整机装配工序复杂、零部件种类多、多工序并行作业难度大,导致装配质量稳定性与一致性差等问题。基于粒子群-支持向量机建模原理,提出一种船用柴油机装配质量预测方法,以提高船用柴油机装配质量。通过对船用柴油机装配质量特性影响因素分析,结合灰色关联和主成分分析原理,筛选出关键装配质量参数作为支持向量机输入变量,利用粒子群优化算法对支持向量机预测模型关键参数进行优化,并结合实际装配参数,对预测模型进行了验证。结果表明,基于粒子群优化支持向量机的装配质量预测方法能够提高预测精度,缩短预测时间,为装配过程控制和异常诊断提供技术支持。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于支持向量机的铝基碳化硅磨削表面质量预测

目的针对传统粗糙度指标评价具有凹坑缺陷的铝基碳化硅磨削表面质量的局限性,提出基于三维形貌的改进表面粗糙度评价指标及其预测模型。方法基于磨削表面三维形貌构建等高线图,获取等高线轮廓间面积占比与轮廓高度的关系曲线,提出表面三维形貌体积相对于采样区域面积的算术平均偏差和凹坑最大偏离高度评价指标,用于表征包含凹坑缺陷的磨削表面质量。基于支持向量机建立和优化三维形貌算术平均偏差和凹坑最大偏离高度的预测模型,并分析磨削工艺参数对评价指标的影响规律。结果三维形貌算术平均偏差和凹坑最大偏离高度评价指标包含凹坑缺陷等更多表面特征,评价指标预测值与实验值误差在5%以内,且随着砂轮转速的增大而减小,随着进给速度与磨削深度的增大而增大。结论采用三维形貌算术平均偏差和凹坑最大偏离高度评价包含凹坑缺陷的磨削表面质量是合理的,评价指标测量和确定方法是可行和有效的。基于支持向量机的评价指标预测方法具有正确性,为铝基碳化硅磨削表面质量评价和使用性能研究打下了基础。     

基于加权支持向量机的热轧带钢弯曲质量预测

针对带钢弯曲质量预测时因样本的误判率不平衡而导致质量预测误差较大、异常检出率较低的问题,引入了决策函数中的少数类样本支持向量所占的权重系数μ,建立了基于改进权重系数的加权支持向量机(μ+SVM)的热轧带钢弯曲质量预测分析模型。结果表明:通过比较其与随机采样+支持向量机方法、人工合成数据+支持向量机方法的预测结果,验证了μ+SVM支持向量机方法的优越性。采用支持向量机方法得到的最小误判率为0.32,标准差为0.38,更加符合实际检测需求。     

基于支持向量机的端面磨削淬硬效果预测

提出了一种基于支持向量机(SVM)的磨削淬硬效果预测方法,利用试验测得的淬硬硬度和淬硬层深度数据建立SVM预测模型,并将预测结果和模糊神经网络法结果进行对比分析。结果表明,采用SVM方法进行磨削淬硬效果预测是可行的,与试验值相比,其预测误差均在5%以内,精度较高,且预测效果优于BP神经网络的预测效果。     

基于支持向量机的蠕墨铸铁表面粗糙度预测

目的准确预测蠕墨铸铁加工过程中的表面质量,指导加工参数调整,保证加工过程中加工质量的稳定,运用差分进化算法优化的SVM模型(DE-SVM)构建蠕墨铸铁表面粗糙度(Ra)预测模型和加工参数选择方法。方法采用DE-SVM提高支持向量机回归模型的预测精度,建立针对实际加工材料的表面粗糙度预测模型,基于构建的预测模型,挖掘表面粗糙度与加工参数之间的关系,从而获得较优的加工参数。结果结合蠕墨铸铁的铣削加工实验数据,对比DE-SVM与常用优化算法(粒子群优化算法(PSO)和遗传算法(GA))优化的SVM模型,DE-SVM模型获得的MAPE(0.122)和R2(0.9559)值均优于粒子群和遗传算法优化的支持向量模型获得MAPE和R2值。在给定的加工参数范围内,切削速度和进给速度对表面粗糙度的影响较大,且表面粗糙度与切削速度成正比关系,与进给速度成反比,而切削深度对表面粗糙度影响不显著。结论由实验的对比结果可知,采用DE-SVM模型建立的蠕墨铸铁表面粗糙度模型具有更高的预测精度,基于DE-SVM获得的加工参数对表面粗糙度的影响,可有效指导加工参数的选择与调整,对保持蠕墨铸铁优良的加工质量具有较好的指导意义。     

基于支持向量回归机的传感器故障诊断方法研究

以支持向量回归机(Support Vector Regression,SVR)为基础,构建了一个传感器故障诊断系统,对SVR采用离线训练,在线应用的方法,用训练好的SVR来模拟柴油机温度控制的传感器系统的动态特性.仿真结果表明:SVR能有效地模拟传感器系统的动态特性,能有效跟踪传感器的输出信号,并在传感器发生故障后能及时地对传感器系统进行故障诊断.     

基于支持向量机的电弧炉炉况判断方法

由于判断电弧炉炉况的直接条件不好测得,导致电弧炉各个炉况不容易确定。本文针对此类问题,提出一种基于支持向量机(SVM)理论的炉况判断系统。通过传感器采集数据,获得废铁量、废铁温度、炉渣量和炉渣温度等参数作为训练样本,离线训练SVM,得到分离器,然后选取测试的特征数据作为测试样本,根据本文提出的分类方法,通过离线分类器对炉况类型进行判断,从而为调整电极升降提供依据。实验表明SVM在有限的训练样本情况下可以有效地判断炉况。     

典型机床关键零部件切削/磨削比能数据库系统研发

以现有机床加工能耗研究为基础,根据材料去除功率与机床空载功率、加工功率的经验关系式,建立切削/磨削比能的经验计算模型,并通过以切削力/磨削力为基础的切削/磨削比能理论模型及其实验,验证该经验计算模型的可行性和正确性。基于此经验计算模型的切削/磨削比能的测量值和计算值,设计研发典型机床关键零部件切削/磨削比能数据库系统,包括基本架构、基础数据库和切削/磨削比能分析模块,使其系统化和规范化。用户可在软件操作界面迅速地实现所需数据的增、删、改、查等功能。      

基于支持向量回归机的SLS制件收缩率预测与分析

结合选择性激光烧结过程的工艺特点,将收缩率作为精度的评价标准,选择预热温度、激光功率、扫描速度、铺粉层厚、支撑厚度五个工艺参数设计正交试验以获得训练样本。建立了基于支持向量回归机的SLS制件收缩率回归-预测模型,以预测不同参数组合下的制件收缩率,确定了一定参数范围下的工艺参数优化组合方案,并定性分析其参数组合的合理性。     

基于支持向量机的钢结构焊接质量安全评价方法

目前我国对钢结构焊接质量安全鉴定主要依赖于经验判断,这种方法具有较大的不确定性。本研究借助现代检测仪器和测试技术,综合考虑现代统计学理论和凸二次规划理论,运用优秀的机器学习算法,对钢结构焊接质量进行全面分析,提出基于支持向量机的钢结构焊接质量安全评价方法,建立了钢结构焊接质量安全评价数学模型并进行仿真实验。理论分析和仿真试验结果表明,支持向量机解决了神经网络的局部最优问题,它的数学模型中样本仅以点积形式出现,其优良特性表明该方法在钢结构焊接质量安全评价中具有很大的应用潜力。     

基于信号分形与支持向量机的点焊检测方法

鉴于分形维数对数据样本集复杂程度的定量描述特点及支持向量机在小样本集合分类和回归方面所具有的显著优势,采用信号数据序列的分形维数作为特征值,提出一种基于信号分形维数及支持向量机的点焊信号检测方法。分别对点焊飞溅缺陷和熔核尺寸缺陷建立两类支持向量机检测模型,构成支持向量机阵列,利用该阵列模型进行点焊飞溅和小尺寸熔核两种缺陷的综合检测。结果表明,该阵列对点焊缺陷的无损检测是比较精确的,能较好地无损检测到点焊过程中飞溅及小尺寸熔核两种缺陷。为点焊的无损检测提供了一种新的方法。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

基于支持向量机的灰铸铁强度预测模型

利用高碳当量灰铸铁组织强度试验数据,提出了一种基于支持向量机理论的灰铸铁强度预测模型。与多元线性回归、模糊回归和自适应模糊神经网络相比,该模型学习精度高且具有较好的泛化能力,能取得较好的预测效果。