基于支持向量机的铣削力预测.pdf

《基于支持向量机的铣削力预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年2月机床与液压Feb．2015第43卷第3期MACHINETOOL&HYDRAULICSVo1．43No．3DOI：10．3969／j．issn．1001—3881．2015．03．038基于支持向量机的铣削力预测王占礼，席萍，李静，朱丹(长春工业大学机电工程学院，吉林长春130012)摘要：针对小样本、低泛化、过拟合和局部极小等问题，建立基于支持向量机(SVM)的铣削力预测模型，对铣削力进行预测，将其预测结果与试验值、BP神经网络预测值进行对比分析。结果表明：在训练样本较小情况下，得

2、到的预测值与试验值吻合较好，且相对于BP神经网络预测模型的预测精度高。关键词：支持向量机；铣削力预测：BP神经网络中图分类号：TG501．3文献标志码：A文章编号：1001—3881(2015)3—146—4MillingForcePredictionBasedonSupportVectorMachineWANGZhanli，XIPing，LIJing，ZHUDan(SchoolofMechatronicEngineering，ChangchunUniversityofTechnology，Ch

3、angchunJilin130012，China)Abstract：Aimedattheproblemsofsmallsample，lowgeneralization，over—fittingandlocalminimum，amillingforcepredictionmethodwasestablishedbasedonSupportVectorMachine(SVM)．Itwasusedtopredictthemillingforce，andcomparedthepredictedresul

4、tswiththetestvalueandtheBPneuralnetworkpredictivevalue．Theresultshowsunderthecircumstanceofsmalltrainingsam—pies，theSVMpredictivevaluegetsagoodagreementwiththetestvalue，andcomparingwiththeBPNeuralNetworktraining，SVMgetshigherpredictionresults．Keyword

5、s：Supportvectormachines；Millingforceprediction；BPneuralnetwork0前言以及过拟合等问题。其良好的性能，使得支持向量机铣削力是铣削加工过程中的重要参数之一，其直受到越来越多研究人员的关注．已经成为人工智能研接决定着铣削热的产生，并影响刀具的磨损、使用究的新热点¨5]，并在模式识别、预测、故障分类等诸寿命、铣削功率和加工变形等⋯。因此，如何对铣多领域得到了成功的应用]。削力进行准确的预测，避免或减少铣削加工过程中采用支持向量机方法对铣削力进

6、行预测。该方法因铣削力引起的负面影响。一直是国内外关注的热以主轴转速、进给速度和轴向深度为输人，铣削力为点。输出，构建了一个多输入、单输出的支持向量机铣削近年来，由于神经网络能够逼近任意线性与非线力预测模型．并与BP神经网络预测模型进行对比分性函数而具有良好的预测性能，故在铣削力预测领域析。中得到了广泛的应用。王凌云和黄宏辉做了基于1支持向量机的基本原理BP神经网络的注塑成型模具硬态高速铣削力研究；对于训练样本集(，Y)(其中，i=1，2，⋯，崔伯第等应用神经网络对高速硬切削切削力进行n；∈R，

7、为输入变量；Y∈R，为对应的输出值)，了预测研究：林岗等人对遗传神经网络的铣削力预支持向量机回归理论的基本思想就是通过一个非线测方法进行了研究。但是常规的神经网络存在全局搜性映射将数据映射到高维特征空间F，并在特索能力差、收敛速度慢和过拟合等缺陷，特别是针对征空间中用下列估计函数进行线性回归．即：小样本统计学习问题时，神经网络会出现过拟合或低厂()：∞(f'()+b(I)泛化等现象．限制了其应用范围。与采用传统经验风式中：为权系数，b为阀值。险最小化原则的神经网络预测方法相比，支持向量机函数逼近

8、问题等价于如下函数：采用结构风险最小化原则，在理论上充分保证了其良[=[+AIl∞l=C(e)+好的泛化能力。具有坚实的理论基础和良好的推广能i=1力．能够较好地解决小样本、维数灾难、局部极小点AII∞ll(2)收稿日期：2013—12—29基金项目：吉林省自然科学基金项目(20140101086JC)作者简介：王占礼(1961一)，男，博士，教授，研究领域为虚拟制造、机械CAD／CAM技术通信作者：李静．E—mail：135286@126．COrn。·148·机床与液压第43卷表1训练样本数，