一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法技术

本发明专利技术公开了一种基于GA‑GBRT的表面粗糙度预测方法及工艺参数优化方法。a.采集数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；b.参数编码和种群初始化：随机生成一个用于提升迭代次数、个体回归估计器的最大深度和学习速率的染色体序列；c.使用k‑折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数。本发明专利技术具有测试精度高、预测性能优越、提高工件表面加工精度的特点。

A Prediction Method of Surface Roughness Based on GA-GBRT and Optimization Method of Process Parameters

The invention discloses a surface roughness prediction method based on GA GBRT and a process parameter optimization method. A. Collecting data to form a data set, dividing the data set into training group data and testing group data, using training group data to train the key parameters of GBRT model; B. Parameter coding and population initialization: randomly generating a chromosome sequence for increasing iteration times, maximum depth of individual regression estimator and learning rate; C. Training GBRT using k_folding cross validation method The fitness value of fitness goodness of fit is calculated by genetic algorithm. D. When the number of cycles does not reach the maximum number of iterations, the population is selected, crossed and mutated to generate a new generation of population, and GBRT model training is continued. E. Repeat steps C and d until the number of cycles reaches the maximum evolutionary algebra or exceeds the maximum number of iterations to obtain the optimal model parameters. The invention has the characteristics of high test accuracy, superior prediction performance and improving the surface processing accuracy of the workpiece.

【技术实现步骤摘要】
一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法
本专利技术涉及机械加工
，特别是一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。
技术介绍
在生产中建立难加工材料的表面质量预测模型并对其进行控制，是实现可持续制造的先决条件。AISI304不锈钢在高温、高湿、腐蚀环境中具有良好的性能。因此，AISI304不锈钢广泛应用于医疗设备、航空航天、造船、核电等高科技行业。但是在加工AISI304不锈钢过程中，出现切削力大、切削温度高、加工硬化严重、断屑难、刀具寿命短、表面质量难以控制等问题，是一种典型的难加工材料。表面粗糙度是衡量切削表面完整性的重要指标，近几十年来受到广泛关注。然而，由于对切削机理的认识不全面，加工过程中满意的表面粗糙度在很大程度上仍取决于人类的经验。不合理地选择加工参数和机床，会增加生产成本，降低表面质量。因此，建立精确的车削表面粗糙度模型，以实现加工中根据切削参数预测表面粗糙度，是一个急需解决的问题。
技术实现思路
本专利技术的目的在于，提供一种基于GA-GBRT的表面粗糙度预测方法及工艺参数优化方法。本专利技术具有测试精度高、预测性能优越、本文档来自技高网...

【技术保护点】
1.一种基于GA‑GBRT的表面粗糙度预测方法，其特征在于，按下述步骤进行：a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；c.使用k‑折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参...

【技术特征摘要】
1.一种基于GA-GBRT的表面粗糙度预测方法，其特征在于，按下述步骤进行：a.采集车削实验数据构成数据集，将数据集分为训练组数据和测试组数据，使用训练组数据对GBRT模型的关键参数进行训练；b.参数编码和种群初始化：随机生成一个用于提升迭代次数M、个体回归估计器的最大深度D和学习速率v的染色体序列；c.使用k-折叠交叉验证方法训练GBRT模型，并使用遗传算法计算各个体的拟合优度适应度值；d.当循环次数未达到最大迭代次数时，种群被选择、交叉和变异以产生新一代的种群，并继续进行GBRT模型训练；e.重复步骤c和d，直至循环次数达到最大进化代数或超过最大迭代次数，以此获得最优模型参数；将最优模型参数导入GBRT模型得到GBRT预测机。2.根据权利要求1所述的基于GA-GBRT的表面粗糙度预测方法，其特征在于，步骤b中，初始种群设置为30，最大进化代数设置为50。3.根据权利要求1所述的基于GA-GBRT的表面粗糙度预测方法，其特征在于，步骤c中，所述的使用k-折叠交叉验证方法训练GBRT模型，具体如下：将训练组数据随机分为m组，在每次折叠交叉验证测试中，使用m-1组数据进行训练，剩余的1组用于测试；用所有k次的平均值作为GBRT模型选择最优模型参数的适应度值R2，其定义如下：式中：为第i个目标的拟合值；yi为实际观测值，n分别为观测值的平均值和样本总数，R2的范围为0到1之间，其值越接近于1，则表明回归模型的性能越好。4.根据权利要求1...

【专利技术属性】
技术研发人员：周滔，何林，吴锦行，邹中妃，杜飞龙，杨肖委，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52