一种基于改进支持向量机算法的磨削表面粗糙度预测方法技术

本发明专利技术提供一种基于改进支持向量机算法的磨削表面粗糙度预测方法。用蚱蜢算法优化支持向量机算法的参数，具体包括以下步骤：(1)设计磨削加工参数与实验方法，以及采集磨削加工过程中的加工参数；(2)利用交叉验证的思想将数据划分为训练集和测试集，进行归一化处理；(3)把砂轮线速度、工件速度、磨削深度为作为输入参数，表面粗糙度作为输出参数，构建GOA‑SVM预测模型，实现磨削表面粗糙度预测。与其他预测磨削相比较，本发明专利技术提出的一种基于改进支持向量机算法的磨削表面粗糙度预测方法能够在复杂的搜索空间中快速寻求全局最优解，具有低成本、高精度、易操作的特点，其预测值与真实值的误差更小。

A prediction method of grinding surface roughness based on improved support vector machine algorithm

【技术实现步骤摘要】
一种基于改进支持向量机算法的磨削表面粗糙度预测方法
本专利技术属于磨削加工
，尤其是涉及到一种基于改进支持向量机算法的磨削表面粗糙度预测方法。
技术介绍
表面粗糙度是衡量产品质量的重要标准之一。由于加工环境复杂多变、砂轮状态不确定，在磨削过程中很难精准控制磨削表面粗糙度，而产品的耐腐蚀性、润湿性、抗疲劳性以及配合性质等性能指标都与表面粗糙度有着密切的关系。因此，如何准确高效地预测磨削表面粗糙度是磨削加工领域亟需解决的关键问题。磨削加工过程中，影响表面粗糙度的因素众多，且这些因素彼此又相互耦合，因此在磨削加工工艺参数和表面粗糙度之间存在着复杂的非线性关系。支持向量机(supportvectormachine，SVM)是建立在统计学习理论基础上的一种数据挖掘方法，其具有强大的矢量分类功能和快速计算能力，能以任意精度逼近任意非线性函数，且学习收敛速度快。但由于支持向量机算法参数的选取随机性的问题，导致不恰当地参数选择，将降低预测结果的可信度。所以选择合适的参数对模型的精确度和复杂度起着决定性作用。而蚱蜢优化算法(GrasshopperOptimizationAlgorithm；GOA)是一种模仿自然界中蚱蜢群体觅食行为而提出的一种新型群智能优化方法。GOA结构简单、概念清晰，且易实现、全局性能好等特性，能够对支持向量机算法中的参数进行寻优。结合两种智能算法，从而提高拟合精度，降低误差。为此本专利技术进行了有益的探索和尝试，找到了解决上述问题的办法，下面将要介绍的方案便是这种背景下产生的。
技术实现思路
针对上述的问题，本专利技术提出了一种基于改进支持向量机算法的磨削表面粗糙度预测方法。该方法是利用蚱蜢算法和支持向量机算法结合的磨削表面质量粗糙度预测的新方法，以砂轮线速度、工件速度、磨削深度为输入量，以表面粗糙度为输出参数。主要通过以下技术来实现：本专利技术采用的技术方案如下：一种基于改进支持向量机算法的磨削表面粗糙度预测方法，包括以下步骤：步骤一，设计磨削加工实验参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表面粗糙度值；步骤二，将得到步骤一得到的数据，利用交叉验证的思想，划分出训练集和测试集，并进行归一化处理，将归一化的磨削参数和表面粗糙度作为预测模型的输入和输出样本；步骤三，建立GOA-SVM磨削表面粗糙度预测模型，并进行磨削将的表面粗糙度预测。在步骤二中，所述的表面粗糙度的数据要进行测试集和训练集的划分，并进行数据的归一化处理，具体的处理方法为：将预处理后的实验样本数据中的随机70％的数据作为训练数据组，另30％的数据作为测试数据组；为消除各维数据间数量级差别，将训练数据组和测试数据组归一处理化得到训练集和测试集，其中数据归一化处理采用最大最小法，即其中：x＇为处理后的数据，x为原数据，xmin为数据中的最小值，xmax为数据中的最大值。在步骤三中所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，具体包括以下的步骤:a)支持向量机算法的构建在磨削加工实验中，每一组实验的输入参数x(i)∈Rn，输出参数yi＝Rai∈Rn,构成一样本数据所以磨削加工表面粗糙度模型表示为其中，ωT是向量，是向量x经过非线性映射得到的高维特征空间向量，y(x)表示一超平面,偏差b可以通过下式求得：其中，L(yi,yRa)是损失函数，μ是惩罚系数。在引入松弛变量后，SVM可以转化为：s.t.f(xi)-yi≤ε+ξi式中，C为惩罚参数；ξi,均为松弛变量，ε为不敏感损失因子，通过引入拉格朗日乘子可以得到SVM的对偶问题：式中，αi,αj,为拉格朗日乘子，K(xi,xj)为核函数；本模型中选择REF核函数，其计算公式为：式中，σ为核函数参数。可以得到SVM回归模型为：上述分析可得，SVM估计模型的建立问题即两个参数的选取问题，不恰当地选取C和σ，将降低预测结果的可信度。选择合适的参数对模型的估计精确度和复杂度起着决定性作用。b)蚱蜢算法优化模型蚱蜢算法是通过模拟自然界中的各种生物进化方式而提出的一种随机搜索。蚱蜢种群组成一个网络，这个网络将所有的个体连接起来，使每个蚱蜢个体的位置协调一致，个体可以通过群体中的其他个体来决定掠食的方向。具有最佳适应度的蚱蜢的位置被认为是与目标最接近的位置，蚱蜢会随着网络中目标的方向而移动。随着蚱蜢的位置更新，为了在全局搜索与局部搜索之间取得平衡，适宜范围区将自适应地下降，直到最后，蚱蜢汇聚在一起并向最优解进行逼近。为了建立环绕行为的数学模型，提出了以下方程:Xi＝r1Si+r2Gi+r3Ai式中，Xi表示第i个蚱蜢的位置；Si表示群居互相影响因子；Gi表示第i个蚱蜢的重力，Ai表示风平流；r1、r2、r3为[0,1]上的随机数。具体计算式子如下：式中，dij表示第i和第j个蚱蜢之间的距离，即dij＝|xj-xi|；表示从第i个蚱蜢到第j个蚱蜢之间的单位向量；g表示引力常数；表示地心引力方向的单位向量；u表示漂移常数；表示风向方向的单位；s表示蚱蜢群相互影响强度函数，用下式表示：s(r)＝fe-r/l-e-r式中，f表示吸引力的强度；l表示有吸引力的长度比例。为了有效解决优化问题，假设风向总是朝着待优化目标提出以下位置更新方式：式中，ub、lb分别为D维搜索空间中的上、下届；为当代D维目标函数最优解；c为自适应系数，用下式表示：式中，cmax、cmin分别表示自适应系数最大值、最小值，l表示当前迭代次数；L表示最大迭代次数。c)GOA-SVM算法磨削表面粗糙度模型建立初始化支持向量机算法和蚱蜢算法的各参数，对数据进行分割，得到训练集合和测试集。支持向量机算法中的惩罚参数C和核函数参数σ由蚱蜢算法进行确定，计算蚱蜢种群中个体适应值，并确定当前最优值，判断是否满足预设的条件，若满足，则输出最优的惩罚参数C和核函数参数σ，从而停止更新。否则，应返回继续寻找。d)表面粗糙度预测用蚱蜢算法最终优化的结果对支持向量机算法进行网络训练，将训练集对磨削表面粗糙度模型进行学习训练，从而即可获得不同磨削参数下的磨削表面粗糙度预测模型；利用测试集对训练后的网络模型进行测试，得出预测模型的精度，进而利用精度满足要求的模型对磨削的表面粗糙度进行预测。由于采用了如上的技术方案，本专利技术的有益效果在于：1、本专利技术采用蚱蜢算法寻优，该算法具有运算时间短，收敛速度快等优点，因此在工程优化领域的应用广泛；2、本专利技术所提出的表面粗糙度预测模型预测的结果准确率高、误差小；3、本专利技术信息涉及全面，应用范围广，本专利技术所提出的表面粗糙度的预测模型可以运用在各种磨削加工领域，如平面磨、内圆磨、外圆磨等。附图说明图1为一种基于改进支持向量机算法的磨削表面粗糙度预测方法流程图。图2为实例中预测模型对训练数据集的表面粗糙度拟合效果图。图3为实例中预测模型对测试数据集的表面粗糙度拟合效果图。图4为支持向量机算法、粒子群优化支持向量机算法和本专利算法误差对比图。具体实施方式下面结合本专利技术的内容和附图所述实施例对本专利技术做进一步说明。本专利技术一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其包括以下骤：步骤一、设计磨削加工实验参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表本文档来自技高网...

【技术保护点】
1.一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，包括以下步骤：步骤一、设计磨削实验加工参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表面粗糙度值；步骤二、将得到步骤一得到的数据，利用交叉验证的思想，划分出训练集和测试集，并进行归一化处理，将归一化的磨削参数和表面粗糙度作为预测模型的输入和输出样本；步骤三、建立GOA‑SVM的磨削表面粗糙度预测模型，并进行磨削的表面粗糙度预测。

【技术特征摘要】
1.一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，包括以下步骤：步骤一、设计磨削实验加工参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表面粗糙度值；步骤二、将得到步骤一得到的数据，利用交叉验证的思想，划分出训练集和测试集，并进行归一化处理，将归一化的磨削参数和表面粗糙度作为预测模型的输入和输出样本；步骤三、建立GOA-SVM的磨削表面粗糙度预测模型，并进行磨削的表面粗糙度预测。2.根据权利要求1所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，所述的表面粗糙度的数据要进行测试集和训练集的划分，并进行数据的归一化处理。3.根据权利要求1所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，其特征在于，所述的步骤三具体包括以下的步骤:(1)初始化GOA-SVM算法的相关参数，包括种群规模大小、最大允许迭代次数、变量维度、惩罚参数C与核函数...

【专利技术属性】
技术研发人员：邓朝晖，谷倩微，李重阳，刘涛，吕黎曙，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：湖南,43