基于CBAS-ELM算法的切削过程能耗仿真预测方法技术

本发明专利技术公开了基于CBAS

【技术实现步骤摘要】
基于CBAS
‑
ELM算法的切削过程能耗仿真预测方法


[0001]本专利技术涉及基于CBAS
‑
ELM算法的切削过程能耗仿真预测方法，属于数控机床能耗预测


技术介绍

[0002]数控机床在现代化生产中发挥着重要作用，是制造业的基本能源消耗设备，对世界各国的经济产生了重大影响。随着低碳制造的兴起，降低能耗成为数控加工工艺的热点问题之一。能耗的精准预测也对企业的加工过程存在一定的指导意义。
[0003]机床加工过程中，能耗的影响因素多且作用复杂，能耗获取困难。随着人工智能的发展，一些新的能耗模型被提出来，其中极限学习机(ELM)作为预测中常用的一种算法，理论简洁，易于实现，其泛化性能良好，学习速度比运用反向传播算法训练的速度要快很多(Huang GB,Zhu QY,Siew CK.Extreme learning machine:Theory and applications,Neurocomputing[J],2006,70(1),489
‑
501)。但由于ELM算法本身存在一定的缺陷，其权值和阈值是随机产生的，在仿真的过程中会造成模型预测精度不够，不稳定等一些缺点，因此一些学者采用了其他启发式算法对上述ELM模型进行优化，比如蚁群算法优化ELM(ACO
‑
ELM)模型(张杜娟,苏曦.基于改进极限学习机的疾病预测研究[J],2020,43(09),56
‑
60)，遗传算法优化ELM(GA
‑
ELM)模型(秦勉,钟建伟,朱永丹,黄明,张继学,鄢蓓.基于GA
‑
ELM的短期负荷预测研究[J].湖北民族大学学报(自然科学版),2021,39(01),111
‑
114)，粒子群算法优化ELM(PSO
‑
ELM)模型(范伟,田丽,汪晨,凤志民,吴道林,李从飞.基于PSO
‑
ELM模型的短期电力系统负荷预测[J].南阳理工学院学报,2017,9(04),12
‑
15)，天牛须优化ELM(BAS
‑
ELM)模型(刘鹭,曹政才.基于BAS_ELM的智能电网负荷预测方法[C].第五届全国现代制造集成技术学术会议论文集.2018:1
‑
10)等等，并取得了一定的成果。
[0004]上述优化算法中，天牛须(BAS)算法作为一种新型启发式算法，优化机制简单，且实施便捷，运算量小，具有很大的研究价值。但由于算法在实现的过程中存在一些缺陷，比如自身的理论还不够完善，其搜索范围是随机产生的，因此存在着收敛慢，求解精度低，易陷入局部最优等(廖列法,杨红.天牛须搜索算法研究综述[J].计算机工程与应用,2021,57(12),54
‑
64)。

技术实现思路

[0005]为了进一步提高采用ELM模型对机床切削过程能耗预测的精度及稳定性，本专利技术提供了一种基于CBAS
‑
ELM算法的切削过程能耗仿真预测方法，所述方法包括：
[0006]Step1：确定能耗预测模型的输入、输出变量，建立基于极限学习机ELM网络的能耗模型；
[0007]Step2：采用混沌天牛须优化算法优化ELM网络的权值阈值，建立基于CBAS
‑
ELM的能耗预测模型；所述混沌天牛须优化算法为采用混沌优化算法中的logistic映射对天牛须算法进行改进得到的优化算法；
[0008]Step3：采用Step2所建立的基于CBAS
‑
ELM的能耗预测模型对机床切削过程进行能耗预测。
[0009]可选的，所述Step1中能耗预测模型的输入、输出变量分别为：
[0010]输入变量：v
‑
切削速度；a
p
‑
切削深度；f
t
‑
进给量；
[0011]输出变量：E
‑
能耗；
[0012]输入、输出变量之间的关系为：
[0013]E＝E
c
+E
va
＝E
spindle
+E
feed
＝f(v，a
p
，f
t
，mat)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]其中，E
c
表示切削能耗，E
va
表示变化能耗；E
spindle
表示主轴电机能耗，E
feed
表示进给轴电机能耗；v
‑
切削速度，a
p
‑
切削深度，f
t
‑
进给量，mat
‑
材料特征。
[0015]可选的，所述Step1中建立基于极限学习机ELM网络的能耗模型，包括：
[0016]ELM网络包括输入层、隐含层和输出层；标准的极限学习机计算过程描述如下：
[0017][0018]其中，L是ELM网络中隐含层的节点数，β
i
是连接第i层隐含层节点和输出层节点的权值，g
i
(x)为对应的激活函数，w
i
为第i层隐含层节点阈值，b
i
是第i层隐含层的偏移量；N表示训练样本的个数；则公式(2)表示为：
[0019]T＝Hβ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020][0021][0022]式中m是输入变量x的维度，H是隐含层输出矩阵，T是训练目标矩阵；
[0023]获取能耗预测模型的输入、输出变量值，并将其划分为训练集和测试集；
[0024]根据ELM算法理论，搭建ELM网络的能耗模型，其中输入变量为x切削过程中的v
‑
切削速度、a
p
‑
切削深度和f
t
‑
进给量所组成的向量，输出变量为E
‑
能耗；设定隐含层个数，根据训练集中的输入、输出变量值初始化模型的权值和阈值，得到基于极限学习机ELM网络的能耗模型。
[0025]可选的，所述Step2中混沌天牛须优化算法为采用混沌优化算法中的logistic映射对天牛须算法进行改进、利用混沌扰动产生的混沌变量进行搜索以将搜索空间限定在最优解附近的区域内得到的算法，具体优化过程包括：
[0026]步骤(1).参数初始化：BAS算法参数初始化，混沌优化算法参数初始化；
[0027]步骤(2).设置停止标准，未达到停止标准跳转(3)，达到停止标准跳转(10)；
[0028]步骤(3).BAS算法产生随机搜索方向，位置搜索，状态更新；
[0029]随机搜索方向：
[0030][0031]式中k为空间维数，rand()是随机搜索函数；
[0032]位置搜索：
[0033][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CBAS
‑
ELM算法的切削过程能耗仿真预测方法，其特征在于，所述方法包括：Step1：确定能耗预测模型的输入、输出变量，建立基于极限学习机ELM网络的能耗模型；Step2：采用混沌天牛须优化算法优化ELM网络的权值阈值，建立基于CBAS
‑
ELM的能耗预测模型；所述混沌天牛须优化算法为采用混沌优化算法中的logistic映射对天牛须算法进行改进得到的优化算法；Step3：采用Step2所建立的基于CBAS
‑
ELM的能耗预测模型对机床切削过程进行能耗预测。2.根据权利要求1所述的方法，其特征在于，所述Step1中能耗预测模型的输入、输出变量分别为：输入变量：v
‑
切削速度；a
p
‑
切削深度；f
t
‑
进给量；输出变量：E
‑
能耗；输入、输出变量之间的关系为：E＝E
c
+E
va
＝E
spindle
+E
feed
＝f(v,a
p
,f
t
,mat)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，E
c
表示切削能耗，E
va
表示变化能耗；E
spindle
表示主轴电机能耗，E
feed
表示进给轴电机能耗；v
‑
切削速度，a
p
‑
切削深度，f
t
‑
进给量，mat
‑
材料特征。3.根据权利要求2所述的方法，其特征在于，所述Step1中建立基于极限学习机ELM网络的能耗模型，包括：ELM网络包括输入层、隐含层和输出层；标准的极限学习机计算过程描述如下：其中，L是ELM网络中隐含层的节点数，β
i
是连接第i层隐含层节点和输出层节点的权值，g
i
(x)为对应的激活函数，w
i
为第i层隐含层节点阈值，b
i
是第i层隐含层的偏移量；N表示训练样本的个数；则公式(2)表示为：T＝Hβ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)式中m是输入变量x的维度，H是隐含层输出矩阵，T是训练目标矩阵；获取能耗预测模型的输入、输出变量值，并将其划分为训练集和测试集；根据ELM算法理论，搭建ELM网络的能耗模型，其中输入变量为x切削过程中的v
‑
切削速度、a
p
‑
切削深度和f
t
‑
进给量所组成的向量，输出变量为E
‑
能耗；设定隐含层个数，根据训练集中的输入、输出变量值初始化模型的权值和阈值，得到基于极限学习机ELM网络的能耗模型。4.根据权利要求3所述的方法，其特征在于，所述Step2中混沌天牛须优化算法为采用
混沌优化算法中的logistic映射对天牛须算法进行改进、利用混沌扰动产生的混沌变量进行搜索以将搜索空间限定在最优解附近的区域内得到的算法，具体优化过程包括：步骤(1).参数初始化：BAS算法参数初始化，混沌优化算法参数初始化；步骤(2).设置停止标准，未达到停止标准跳转(3)，达到停止标准跳转(10)；步骤(3).BAS算法产生随机搜索方向，位置搜索，状态更新；随机搜索方向：式中k为空间维数，rand()是随机搜索函数；位置搜索：位置搜索：在搜索范围内，x
l
代表左须坐标，x
r
代表右须坐标；d为两须之间的距离；状态更新：x
t+1
＝x
t
‑
δ
t
bsign(f(x
rt
)
‑
f(x
lt
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式中x
t

【专利技术属性】
技术研发人员：王艳，都吉东，纪志成，
申请(专利权)人：江南大学，
类型：发明
国别省市：