共查询到19条相似文献,搜索用时 78 毫秒
1.
刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模,在切削参数变化的情况下其预测精度通常会变低。另一方面,数据驱动模型通过测量数据来估计刀具磨损,没有考虑刀具磨损机理,导致模型泛化性和结果可解释性较差。为了解决这些问题,提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模,建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别,而且挖掘了来自物理域和数据域的隐藏信息。此外,通过将物理模型与高斯过程的协方差函数相结合,构建了一个物理信息协方差函数来约束模型的输出,提高了预测精度。多工况试验结果表明,所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8,比传统数据驱动模型的预测误差要更小,预测精度进一步提升。 相似文献
2.
3.
4.
5.
为实现刀具磨损的准确预测,对加工过程的换刀和参数优化提供指导,提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法,建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号,运用时域、小波包分解和经验模态分解提取切削力信号特征,并利用MIC分析特征与刀具磨损的相关度来实现特征选择,避免预测模型的“维数灾难”。为提高预测模型的精度,考虑高斯子模型内部核函数的差异性及准确性,利用Bagging对高斯核函数进行随机组合,作为各子模型的核函数,构建改进的Bagging-GPR模型实现刀具磨损值预测,并基于铣削实验数据验证了所提方法的有效性和优异性。 相似文献
6.
7.
8.
利用Gleeble-1500D热模拟机完成AZ31镁合金高温压缩实验,并将每一组实验均选作为GP模型的训练样本。然后利用处理高度非线性问题的高斯回归技术,借助MATLAB语言编程,预测与训练样本相对应的流变应力,并与ANN模型预测结果进行对比。结果表明,GP模型预测的平均绝对误差为0.39MPa,平均相对误差为0.58%。与ANN模型预测结果相比,其预测精度更高且简单易行,是AZ31镁合金高温压缩实验中参数预测和优化的可行工具。 相似文献
9.
10.
11.
为提高钛合金零部件的旋转超声磨削加工精度,降低刀具磨损造成的加工误差,基于量纲分析和正交试验相结合的方法建立了旋转超声磨削钛合金刀具磨损数学模型,定量求解了旋转超声磨削钛合金中刀具磨损与加工工艺参数和刀具结构参数之间的非线性关系。对模型进行有效性和显著性检验,验证了所建模型的有效性。 相似文献
12.
13.
14.
15.
16.
17.
18.
依据正交切削试验,利用回归分析方法,通过MATLAB软件建立切削参数与粗糙度之间的回归预测模型,并对回归模型和回归系数显著性进行了检验,可知该表面粗糙度预测模型是显著的,切削参数中切削速度对粗糙度的影响最显著。模型所反映的粗糙度变化趋势与切削试验结果基本一致:当切削速度和切削深度增加时,工件表面粗糙度呈逐渐上升趋势;当进给量增大时,工件表面粗糙度有所下降。 相似文献
19.
针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。 相似文献