資源描述：
《基于遺傳算法優(yōu)化SVM的刀具VB值預(yù)測(cè)的研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、2015年6月機(jī)床與液壓Jun．20l5第43卷第11期MACHINETOOL&HYDRAULICSVo1．43No．11DOI：10．3969／j．issn．1001—3881．2015．11．012基于遺傳算法優(yōu)化SVM的刀具值預(yù)測(cè)的研究聶鵬，何超，許良，李正強(qiáng)，崔凱奇(沈陽航空航天大學(xué)機(jī)電工程學(xué)院，遼寧沈陽110136)摘要：針對(duì)刀具磨損量的預(yù)測(cè)問題，建立了基于支持向量機(jī)回歸理論的刀具餾值的在線預(yù)測(cè)模型。對(duì)聲發(fā)射信號(hào)和電流信號(hào)分別進(jìn)行EEMD分解和小波包分解得到的能量值，把它與主軸轉(zhuǎn)速、進(jìn)給量和背吃刀量一起組成初始特征向量。通過主成分分析進(jìn)
2、行數(shù)據(jù)處理，把得到主元作為遺傳算法優(yōu)化的支持向量回歸機(jī)的輸入向量。結(jié)果表明，該模型精度高，運(yùn)行速度快。關(guān)鍵詞：支持向量回歸機(jī)；遺傳算法；主成分分析；餾值預(yù)測(cè)中圖分類號(hào)：TP206．3文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001—3881(2015)1卜043—3ResearchonToolVBValuePredictionofOptimizedSVMBasedonGeneticAlgorithmNIEPeng，HEChao，XULiang，LIZhengqiang，CUIKaiqi(SchoolofMechanicalandElectronicEnginee
3、ring，ShenyangAerospaceUniversity，ShenyangLiaoning110136，China)Abstract：Aimedattheamountoftoolwearpredictionproblems，toolwearmodelofonlineVBvaluepredictionwasestablishedbasedonthetheoryofsuppo~vectorregression(SVR)regression．Theacousticemissionsignalsandcurrentsignalswererespe
4、ctivelyEEMDdecomposed，andwaveletpacketdecomposedtogettheenergyvalues，whichwerecombinedwiththespindlespeed，feedingrate，andbackengagementofthetooltoformtogethertheoriginalfeaturevectors．Byprincipalcomponentanalysisfordataprocessing，theprincipalelementsobtainedwereinputtothemach
5、ineoftheSupportVectorRegression(SVR)optimizedbygeneticalgorithms．Theresultsshowthatthismodelhashighprecisionandfastoperation．Keywords：Supportvectorregression(SVR)；Geneticalgorithm；Principalcomponentanalysis(PCA)；VBvaluepredication0前言態(tài)混疊的本征模態(tài)函數(shù)(IntrinsicModeFunction，制造業(yè)支撐著國(guó)家經(jīng)濟(jì)
6、的發(fā)展，先進(jìn)制造技術(shù)推動(dòng)IMF)IMF代表著信號(hào)諧振模式的本質(zhì)，它作為僅由制造業(yè)的發(fā)展。機(jī)械加工是制造業(yè)的重點(diǎn)，刀具是機(jī)械信號(hào)確定的基本函數(shù)，這點(diǎn)要優(yōu)于事先確定內(nèi)核。這加工的直接執(zhí)行者。刀具磨損量直接影響到刀具需求計(jì)樣更加適合處理非線性、非穩(wěn)態(tài)的AE信號(hào)L3J。劃制定、刀具成本核算、生產(chǎn)效率和加工成本?。EEMD分解特征提取步驟如下：刀具加工過程中通過傳感器獲得的聲發(fā)射信號(hào)和(1)對(duì)原始信號(hào)進(jìn)行EEMD分解，得到各個(gè)電流信號(hào)包含著豐富的加工工況信息，這些信息能夠IMF分量，然后按照敏感因子從大到小從新排序，取反映刀具磨損量的變化J。支持向量回歸機(jī)
7、作為一種前rt個(gè)IMF進(jìn)行后續(xù)處理。非常有潛力的預(yù)測(cè)技術(shù)，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的(2)計(jì)算排序后前n個(gè)的IMF的能量和總能量：n模式識(shí)別方法，在解決小樣本、非線性及高維模式識(shí)e=三IY(t)I(i=1，2，?，n)別問題中表現(xiàn)出特有的優(yōu)勢(shì)。本文使用支持向量機(jī)回上式中rt為IMF的個(gè)數(shù)，記：歸算法，提出一種利用遺傳算法優(yōu)化的支持向量機(jī)建ne“=∑e￡(1，2，?，n)立模型并對(duì)刀具值進(jìn)行預(yù)測(cè)。為總能量。1信號(hào)的特征提取方法(3)將前n個(gè)敏感IMF的能量進(jìn)行歸一化處理：1．1EEMD分解一EEMD是由wUzH和HUANGNE提出的一種．e=二(i=
8、1，2，?，n)et01針對(duì)EMD的模態(tài)混疊問題的改進(jìn)方法，該方法很好地解決了EMD的最大缺點(diǎn)模態(tài)混疊，提取到了無模即得到特征向量：：[
