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GA-BP的6061Al切削参数优化

针对6061Al铣削中表面粗糙度预测精度低、切削参数选择不合理的问题,提出一种基于遗传神经网络与遗传算法结合的优化模型,对6061Al切削参数进行优化。采用遗传神经网络(GA-BP)构建表面粗糙度预测模型;基于表面粗糙度预测,以材料去除率为目标函数构建切削参数优化模型;利用遗传算法进行优化求解,对6061Al切削参数进行优化。研究结果表明:所建预测模型表面粗糙度预测精度在97%以上;同时,优化模型能优化6061Al切削参数,达到较好的全局寻优效果,为铝合金工件铣削加工切削参数优化提供参考。     

基于QGA-SVR的工件表面粗糙度预测和分析

在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归(Quantum genetic algorithm-Support vector regression,QGA-SVR)的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。     

超声振动磨削放电加工指标预测模型的研究

超声振动磨削放电加工过程复杂,难以用精确的理论公式进行描述,通常在试验基础上,借助于机器学习理论做出分析。针对实际加工中试验样本数量有限、预测量数值变化波动大的情况,采用BP神经网络和支持向量机两种方法分别建立超声振动磨削放电加工SiCp/Al指标预测模型,并利用两个模型预测零件表面粗糙度和加工速度等工艺指标。预测结果表明,零件表面粗糙度的数值变化范围较小,两种模型预测值与试验值均具有较好的一致性,预测精度较高;加工速度的数值变化较大,支持向量机模型的预测精度优于BP模型。因此,支持向量机模型更适合于解决小样本及指标变化范围大的预测问题。     

基于PSO-LSSVM的拉线棒腐蚀预测

根据鄂西某输电线路拉线塔的拉线棒腐蚀数据,通过灰色关联度算法分析了土壤因素与拉线棒腐蚀情况之间的相关性;应用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)的关键参数进行优化;利用灰色关联度权重对有关数据进行处理,建立了PSO-LSSVM和考虑灰色关联度权重的PSO-LSSVM预测模型。实例计算表明,与LSSVM预测模型相比,PSO-LSSVM预测模型训练集所得结果的均方根误差下降了15.3%;预测集的均方根误差下降了35.71%。考虑灰色关联度权重后,PSO-LSSVM预测模型训练集和预测集的均方根误差进一步下降,分别减少了24.59%和20%。PSO-LSSVM用于拉线棒腐蚀预测具有较好的精度,考虑灰色关联度权重的PSO-LSSVM模型的预测精度更高。     

考虑能耗的多传感器融合加工表面粗糙度预测方法

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。     

SVR-PSO算法在慢走丝线切割参数优化中的应用

针对慢走丝线切割加工中难以同时获得较快加工速度和较优表面质量的问题,从其加工参数与加工指标之间的高非线性关系入手,选取水压、脉冲时间、脉冲宽度、峰值电流和进给速率作为优化参数,以表面粗糙度(Ra)、材料去除率(MRR)作为优化指标,设计正交实验;创新运用支持向量机(SVR)结合粒子群算法(PSO)建立其多目标预测优化模型,得到最优加工参数。结果表明:所建立的多目标预测优化模型优化效果十分显著,相同Ra下MRR平均提高32%;相同MRR下Ra同比下降25%。     

PVD硬质合金刀具加工NimonicC-263合金表面粗糙度的建模和分析

研究了加工Nimonic C-263合金时,切削参数（切削速度、给进速度、切削深度等）对表面粗糙度的影响。采用正交方法设计实验。评估了切削参数对表面粗糙度的影响,获得最小粗糙度的最优切削条件。采用响应面方法建立了切削参数和表面粗糙度的二次多项式模型。实验结果表明：在所考察的切削参数中,给进速度对表面粗糙度的影响最为显著,其次是切削速度。模型预测结果与实际结果吻合较好,表明所建立的模型能够用来有效地预测加工Nimonic C-263合金时的表面粗糙度。最后,对预测结果用加成定律进行了验证。     

基于航空铸造钛合金Ti-6Al-4V高速铣削参数的表面质量及切削效率优化

目的研究高速铣削参数对航空铸造钛合金Ti-6Al-4V表面质量的影响规律及交互作用,并基于高速铣削参数对表面质量和材料去除率进行优化。方法采用Box-Behnken设计和二次回归正交实验法,建立高速铣削参数与表面粗糙度的显著不失拟回归模型,获得铣削参数影响表面粗糙度的显著性差异,挖掘高速铣削参数交互作用与表面粗糙度的关系;基于表面粗糙度回归模型及材料去除率,采用遗传算法(GA),对高速铣削参数进行多目标优化。结果铣削参数影响航空铸造钛合金Ti-6Al-4V试件表面粗糙度的显著性顺序为:切削深度>每齿进给量>切削宽度>主轴转速,其中切削宽度和主轴转速、每齿进给量和主轴转速的交互作用较为明显。利用遗传算法对铣削参数优化后,Ti-6Al-4V表面粗糙度较优化前提高44%,材料去除率提高70%,遗传算法优化后的试件表面粗糙度显著降低,表面刀路行距减小,纹理平均高度降低。结论由实验验证可知,通过响应曲面建立表面粗糙度显著不失拟回归模型具有较高的预测精度,基于遗传算法优化获得的铣削参数可有效提高表面质量和切削效率,对保证航空铸造钛合金Ti-6Al-4V表面质量具有较好的指导意义。     

径向基函数神经网络在高速铣削表面粗糙度预测中的应用

应用RBF神经网络建立了高速铣削模具型腔时已加工表面粗糙度的预测模型,预测值与实测值非常接近,预测精度略高于回归模型的精度.利用该模型对高速铣削表面粗糙度进行了预报,并分析了工艺参数的影响规律,验证了模型对质量监测及工艺参数优化的可行性及实用性.结果表明,通过合理选择工艺参数,尤其在控制切削深度和切削宽度的情况下,可获得Ra0.3 μm以下的已加工表面粗糙度.     

径向基函数神经网络在复合材料滚压加工中的应用

文章以滚压速度、进给量、滚压力、滚压次数为输入参数,建立了对表面粗糙度进行预测的径向基函数神经网络模型,利用该模型对高硅铝合金基复合材料的已加工表面粗糙度进行了预测.结果表明,预测值可达到满意的精度要求,对7组样本进行预测时最大相对误差不超过12%,且表面粗糙度值越大,模型的预测效果越明显;模型的学习速度和精度均优于传统的BP神经网络.此外,利用所建立的模型对滚压工艺参数进行了优化,得出了工艺参数的最佳范围.     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

基于PSO-ELM的316L不锈钢细长管磁粒研磨内表面粗糙度预测模型

针对316L不锈钢细长管磁粒研磨加工过程中,最佳工艺参数难以选择,以及加工后对工件内表面粗糙度（Ra）的预测问题,将影响磁粒研磨316L不锈钢细长管内表面粗糙度的四个工艺参数作为输入值,内表面粗糙度作为输出值,构建粒子群（PSO）优化极限学习机（ELM）模型来预测316L不锈钢细长管内表面粗糙度,利用PSO对工艺参数进行全局寻优,获得最佳工艺参数组合,最后通过试验与预测结果进行对比。构建的PSO-ELM表面粗糙度预测模型拟合优度R2为0.984 8,绝对误差（MAE）为0.013 4,均方根误差（RMSE）为0.021 4。得到的最佳工艺参数组合为：主轴转速2 389.011r/min,进给速度3.167 mm/s,磨料粒径216.185μm,加工时间35.856 min,预测Ra为0.178μm。对工艺参数进行调整,试验得到的Ra为0.182μm,与预测值相比误差为2.24%。基于PSO-ELM方法构建316L不锈钢细长管内表面粗糙度预测模型,实现对工件内表面粗糙度的精确预测,应用粒子群方法得到最佳工艺参数组合,提高了磁粒研磨316L不锈钢细长管的加工效率。     

基于BP神经网络L M优化算法的喷液式线切割工艺参数优化

为了解决大能量切割时常因放电极间供液不足而出现干切和断丝的现象,提出在工作液高压浇注供液方式的基础上,增添跟踪喷液辅助系统。该系统可减少或消除供液喷嘴与切割表面间的喷液流失,提高工作液的极间进入量和极间平均流动速度,进而改善极间放电条件。在搭建的喷液系统上进行了正交优化试验,研究了功放管数、脉冲间隔、切割厚度、脉冲宽度、运丝速度等因素对切割效率的影响,确定了线切割优化工艺参数,获得了200 mm~2/min以上切割效率。借助L-M优化算法的BP神经网络搭立了线切割加工工艺网络预测模型,预测精度较高,为跟踪喷液式高速走丝线切割机的高效切割提供了可靠的工艺参数预测模型,满足实际加工需要。     

面向绿色高表面质量制造的硬态车削工艺多目标参数优化

目的 为了进行硬态车削绿色制造与工艺性能协同优化研究,提出一种同时考虑碳排放量和表面粗糙度的多目标优化方法。方法 首先,通过分析硬态车削过程中切削参数、工件材料、刀具材料等因素对切削功率的影响建立碳排放目标函数,针对工件的表面粗糙度受到切削条件、工件材料、刀具材料等诸多因素的影响,利用正交试验和广义回归神经网络建立轴承硬态车削表面粗糙度目标函数。然后,考虑加工过程中机床特性和硬车实际工况等约束条件,建立以切削参数为优化变量,以碳排放量和表面粗糙度为优化目标的多目标优化模型,引入权重系数将其转化为单目标优化模型。最后,利用遗传算法对优化模型进行优化求解,深入分析切削参数对优化目标的影响。结果 在工厂实际轴承产品硬车试验中验证了优化模型的有效性,结果表明,切削速度为225 m/min、进给量为0.08 mm/r、背吃刀量为0.10 mm时,碳排放量和表面粗糙度的综合优化指标最低。相比优化前,虽然碳排放量上升了13.05%,但表面质量提升了34.44%。结论 研究结果对面向绿色制造的轴承硬车工艺参数优化提供理论方法有重要意义。     

针对表面粗糙度和刀具振幅的切削用量优化研究

对进给量、切削速度和轴向切深这3个切削参数对工件表面粗糙度和刀具振动幅度的影响进行试验研究。采用BBD响应面法对6061铝工件进行端铣加工试验,并通过数学建模对试验结果进行分析。提出一种基于遗传算法的多目标优化方法来同时减小工件表面粗糙度和刀具振动幅度。建立能预报表面粗糙度和刀具振动的径向基神经网络模型,并通过试验验证其准确性。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。