基于深度学习与特征后处理的支持向量机铣刀磨损预测模型

TP391%TH164; 为提高机械加工过程中的刀具磨损预测精度,建立了一种基于深度学习特征降维及特征后处理的布谷鸟优化参数的最小二乘支持向量机预测模型.该模型利用堆叠稀疏自动编码网络将时域、频域及时频域3方面提取的特征向量进行降维处理,然后利用特征后处理确保降维向量单调不递减及平滑趋势,最后采用自适应步长布谷鸟算法优化参数的最小二乘支持向量机模型预测铣刀磨损量.通过试验测试比较所提方法与其他预测方法,表明了所提模型能更有效表征铣刀磨损量,大幅降低预测误差....

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 26; no. 9; pp. 2331 - 2343
Main Authors 戴稳, 张超勇, 孟磊磊, 李晋航, 肖鹏飞
Format Journal Article
LanguageChinese
Published 华中科技大学数字制造装备与技术国家重点实验室,湖北武汉 430074%聊城大学计算机学院,山东聊城 252059%中国东方电气集团有限公司中央研究院,四川成都 611731 01.09.2020
Subjects
刀具磨损
特征后处理
特征提取
最小二乘支持向量机回归算法
布谷鸟搜索算法
自动编码器
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2020.09.003

Cover

More Information
Summary:TP391%TH164; 为提高机械加工过程中的刀具磨损预测精度,建立了一种基于深度学习特征降维及特征后处理的布谷鸟优化参数的最小二乘支持向量机预测模型.该模型利用堆叠稀疏自动编码网络将时域、频域及时频域3方面提取的特征向量进行降维处理,然后利用特征后处理确保降维向量单调不递减及平滑趋势,最后采用自适应步长布谷鸟算法优化参数的最小二乘支持向量机模型预测铣刀磨损量.通过试验测试比较所提方法与其他预测方法,表明了所提模型能更有效表征铣刀磨损量,大幅降低预测误差.
ISSN:1006-5911
DOI:10.13196/j.cims.2020.09.003