小孔超声振动挤压加工用变幅杆的优化设计

为了设计小孔超声振动挤压加工用变幅杆,提出了一种复合型变幅杆的优化设计方法。采用多项式响应面法、克里金法和支持向量回归法构建了根据变幅杆的结构参数预测其性能参数的代理模型,评价了代理模型的精度。结合精度较高的代理模型,基于遗传算法对该复合型变幅杆进行了优化设计。经仿真实验验证了该优化方法的有效性。加工试验结果表明:所设计的变幅杆满足使用要求,加工效果理想。     

基于模拟退火算法优化的支持向量回归机对内螺旋槽切削力的预测

鉴于内螺旋槽加工领域缺少预测精度良好的切削力预测模型。基于ABAQUS软件对内螺旋槽的切削加工过程进行了有限元仿真,并由此得出切削力数值;通过模拟退火算法对支持向量回归机预测模型进行参数寻优,得出最优参数以及最优切削力预测值,为刀具设计提供依据,并经切削力实验对预测值进行验证。通过仿真以及切削力实验可知,模拟退火算法优化的支持向量回归机预测精度比优化前的预测精度提高了50%以上,且模拟退火优化的支持向量机模型能够应用于实际内螺旋槽的切削加工中。     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

CO_2激光切割不锈钢的自适应控制优化

切割不锈钢板材随切割速度的改变,板材切割边缘易出现挂渣和过烧,影响尺寸精度和加工质量;提出在激光切割不锈钢过程中建立一控制自适应控制线性模型,利用输入参数中高速条件、低速条件来合理规划切割速度与输出功率、脉冲频率与脉冲占空比之间的线性自适应控制模型,控制切割部分所输入的能量水平;分析了易速度起伏的转角等小尺度路径判定模式;试验验证上述策略的可行性,其结论具有一定的实际实用价值。     

基于最小二乘支持向量机的铣削加工表面粗糙度预测模型

在分析以往所建立的表面粗糙度预测模型方法不足的基础上，将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响，并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值，有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明，在相同样本条件下，其模型构造速度比标准支持向量机方法高1～2个数量级，模型预测误差约为支持向量机方法的40％，预测精度比常规BP模型高1个数量级。因此，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。     

2Cr13不锈钢高速铣削表面粗糙度预测模型研究

针对汽轮机叶片常用钢2Cr13不锈钢在切削加工中表面质量存在的问题,对高速铣削条件下2Cr13不锈钢表面粗糙度预测模型进行了研究。将最小二乘支持向量机原理应用到高速铣削2Cr13不锈钢的表面粗糙度预测建模中。得出的模型能方便地预测铣削参数对表面粗糙度的影响,并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值。经试验验证,应用最小二乘支持向量机原理建立的粗糙度预测模型回归预测精度高。基于最小二乘支持向量机原理建模方法适合于表面粗糙度预测。     

基于支持向量机和粒子群优化相结合的残余应力预测

准确地预测残余应力对激光冲击工艺过程中的参数优化有重要的意义。残余应力预测问题实际上是多输入单输出问题,文中利用粒子群优化方法优化支持向量机回归中的参数,建立了残余应力的预测模型。试验结果表明,经PSO算法优化的SVM回归模型具有较高的预测精度。     

支持向量机刀具磨损预测模型及MATLAB仿真

针对刀具使用时加工参数多变的实际情况,提出使用最小二乘支持向量机（LS—SVM）建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型,然后针对具体实验数据,采用交叉验证的办法,选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系,刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测,并为切削参数的实际选择提供依据。     

碳钢板激光切割工艺分析及优化

随着科技的不断发展,激光切割技术已经成为现代工业生产中不可或缺的技术之一,碳钢激光切割件加工技术也得到越来越多的应用。随着对加工工件的质量要求越来越高,对激光加工工艺进行优化以获得更高切割质量与切割精度的钢板具有重要意义。为了优化碳钢的激光加工工艺,文章以3 mm碳钢为对象,采用1 500 W激光器系统,研究了激光功率、切割速度、离焦量和辅助气体压力等切割参数对切割质量的影响。选取切缝宽度、表面粗糙度、挂渣高度作为评价切割质量的标准,综合分析工艺参数对切割质量的影响规律并研究了影响机理,同时通过卷积神经网络对数据进行预测分析,并采用带精英策略的非支配排序的遗传算法对工艺参数进行优化,获得辅助气体为氧气条件下激光切割碳钢的最佳工艺参数为P=1 500 W、v=64 mm/s、F=2.6 bar、h=2.9 mm。通过实验发现优化后的切件切割面光滑,无挂渣现象且切缝宽度较小,达到预期标准。     

支持大数据的参数自适应支持向量回归方法

为解决大数据条件下的高效精准预测问题，提出一种基于均值漂移聚类与海洋捕食者算法的参数自适应支持向量回归方法。将大数据样本划分为训练组、验证组和测试组；采用均值漂移聚类算法处理训练组得到聚类中心；设定支持向量回归(SVR)参数，随机生成多个SVR参数组；基于参数组和聚类中心，采用支持向量回归算法对验证组样本进行预测以得到预测精度，然后采用海洋捕食者算法更新SVR参数组，循环本步骤直到满足截止条件，从而获得最优SVR参数组；基于该最优参数组，用SVR获得测试组的预测精度。与高度类似方法在预测精度、稳定性和数据损失等方面进行比较，验证了该方法的可行性和有效性。     

基于LS-SVM的高速切削温度预测

提出一种基于最小二乘支持向量机(LS-SVM)的高速切削温度预测方法。为验证其可行性,首先,构建了基于LS-SVM的高速切削温度预测模型并选取影响切削温度变化的主要加工参数(切削速度、进给量、轴向切深和径向切宽)为模型输入;其次,采用Box-Beknhen实验设计方法在尽可能多地获取的切削温度变化数据的同时减少实验次数。然后,构建了基于MCV850加工中心的高速切削温度测量系统,验证了所建立模型的预测精度。结果表明:模型预测误差1%;以随机设定的两组不同于实验方案中的切削参数组合为测试数据,预测值偏离测量值百分比分别为0.83%和0.51%,表明所建立预测模型应用于主要加工参数情况下高速切削温度预测的可行性。     

含间隙润滑铰曲柄滑块机构中铰间作用力的可靠度分析

以曲柄滑块机构为研究对象,分析其在考虑转动副间隙和润滑作用下并同时考虑系统参数具有随机性时滑块与连杆铰接处铰间作用力的可靠度问题。利用连续接触模型和流体动力学理论分别求出间隙处接触力及润滑碰撞力,基于Newton-Euler法建立曲柄滑块系统的动力学模型。为了克服因为参数选择不准确而使支持向量机回归的预测精度难以达到目标精度这一缺陷,通过遗传算法对支持向量机回归预测模型的各项参数进行寻优处理,获得最优参数值。然后,考虑系统物理参数及几何参数的随机性,利用该方法给出随机参数与功能函数的近似函数关系式,进而利用Monte-Carlo法计算铰间作用力的可靠度。通过算例验证了方法的可行性和有效性。     

最小二乘支持向量机在U71Mn高锰钢表面粗糙度预测模型中的运用

获取了U71Mn高锰钢在特定主轴转速n、进给量f、铣削深度ap、铣削宽度ae加工条件下的表面粗糙度Ra的原始数据。基于留出法原则将原始数据依次随机分为两组,一组为训练集用于训练U71Mn高锰钢的预测模型;另一组数据为验证集用于验证模型,并且通过机器学习性能评价指标来确定模型的最终预测精确率。通过实际建模对比发现最小二乘支持向量机预测模型其拟合以及预测精度明显高于传统多元线性回归模型。最小二乘支持向量机(LSSVM)通过对原支持向量机算法(SVM)进行了算法改进,在算法中把原求解Lagrange乘子α不等式约束的二次规划(QP)问题,转化为等式约束即求解线性方程组,显著减少了计算机运算的时间复杂度。并且通过寻求结构化风险最小提高了学习机的泛化能力,在观测样本数量较小的情况下,容易实现经验风险和置信范围的最小化,使模型对未知样本有良好的鲁棒性与预测精度。     

数控机床热误差建模与补偿

数控机床热变形误差对零件加工精度有重大影响。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要点有三:其一是数据采样,用不同传感器测量机床关键点的温度与机床主轴变形量。其二是数据训练,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。其三是数据建模,建立机床热误差模型,并验证模型的准确度。仿真及实验结果表明,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。并依此算法建立了以DSP和A/D为核心的热误差补差补偿器。     

支持少样本的高速滚齿工艺参数优化

针对少量历史加工案例支撑下的工艺参数优化问题,提出一种融合支持向量回归和多目标蜻蜓算法的高速滚齿工艺参数优化方法。建立高速滚齿加工效果评价模型,设定ε-支持向量回归参数:核函数类型、惩罚因子和松弛变量,利用多目标蜻蜓算法生成支持向量回归参数组,利用支持向量回归生成包括主轴转速、进给量在内的工艺参数组,计算包括加工质量、加工时间、加工成本、环境影响在内的目标值,运用多目标蜻蜓算法中的Pareto最优方法寻找非支配解,循环上述过程,满足终止条件得到支持向量回归参数和工艺参数非支配解集,即优化支持向量回归参数组和工艺参数组。通过与实际滚齿加工比较验证了所提方法的可行性,并通过与单独支持向量回归等算法的对比说明了该方法在少样本的情况下具备一定优势。     

基于信息粒化支持向量机的主轴热误差综合预测模型

主轴热变形是影响数控机床加工精度的主要因素。为提高主轴热误差的预测精度,提出了基于信息粒化支持向量机(SVM)的主轴热误差综合预测模型。使用信息粒化方法对采样温度数据与主轴热误差数据进行预处理,分别建立基于SVM的主轴热误差的回归预测模型和时间序列模型,通过计算两个模型权重系数,最终建立主轴热误差综合预测模型。以2MZK7150五轴数控可转位刀片工具磨床为研究对象,实验表明,较之于单一模型该模型具有良好的泛化能力和较高建模精度。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

基于LS-SVM的汽轮机叶片高速铣削表面质量预测建模

针对汽轮机叶片高速铣削加工中存在的表面质量不易控制问题,借助最小二乘支持向量机原理,建立了被加工不锈钢叶片表面的粗糙度预测模型。实验结果表明,该模型能方便地预测切削速度、主轴转速、进给量、铣削宽度等铣削参数对铣削加工工件表面粗糙度的影响,并能利用有限的实验数据得出整个工作范围内的表面粗糙度预测值,模型适合于表面粗糙度预测,回归预测精度高。     

基于支持向量机工具的性能劣化建模方法

针对基于故障数据的数控装备可靠性研究中的小样本问题,提出了建立基于支持向量机的性能劣化模型.在研究支持向量机的建模理论和参数优化方法的基础上,将最小二乘法支持向量机工具LSSVM.M应用于性能退化数据处理,提出一种改进的参数选择方法,以提高拟合和预测准确性.通过实例,验证了该方法的可行性,并建立了数控机床加工精度的性能劣化模型,为可靠性评估奠定了基础.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。