论文摘要
加工过程产生的粗糙度数据序列会包含多种特征,而单一的预测模型不能同时捕捉多种数据特征,难以提高预测精度。因此,从加工过程中粗糙度数据特征的复杂性出发,提出了一种基于支持向量机（SVM）和BP神经网络算法（BP）的组合预测模型,来同时捕捉数据的线性特征和非线性特征;在组合预测过程中为充分发挥两种预测算法的最佳性能,采用粒子群优化算法（PSO）对支持向量机的参数和BP神经网络中的权值进行优化。通过蠕墨铸铁的铣削实验,实现不同切削用量下的表面粗糙度精准预测,并与PSO-SVM、PSO-BP算法以及切削加工表面粗糙度理论模型进行对比,验证了该组合模型的优越性。
论文目录
文章来源
类型: 期刊论文
作者: 鲁娟,张振坤,廖小平,马俊燕
关键词: 组合模型,表面粗糙度预测,参数优化,铣削加工
来源: 机械科学与技术 2019年09期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 金属学及金属工艺,自动化技术
单位: 北部湾大学机械与船舶海洋工程学院,广西大学机械工程学院
基金: 国家自然科学基金项目(51665005),广西自然科学基金项目(2016GXNSFBA380214),广西研究生教育创新计划项目(YCBZ2017015),广西高校临海机械装备设计制造及控制重点实验室课题项目(GXLH2016ZD-06)资助
分类号: TP18;TG54
DOI: 10.13433/j.cnki.1003-8728.20180314
页码: 1451-1456
总页数: 6
文件大小: 1341K
下载量: 308