本發(fā)明屬于機(jī)械切削加工，具體涉及一種基于rime-svm構(gòu)建銑削變曲率零件銑削力預(yù)測模型的方法。

背景技術(shù)：

1、銑削力與銑削參數(shù)(如切削速度、進(jìn)給速度、切削深度等)和零件的幾何特征之間存在復(fù)雜的非線性關(guān)系。svm和gwo-svm模型能夠有效地捕捉這些非線性關(guān)系，從而提高預(yù)測的準(zhǔn)確性。通過svm和gwo-svm模型，可以建立具有較強(qiáng)泛化能力的預(yù)測模型，這意味著模型不僅能夠在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，還能夠準(zhǔn)確預(yù)測未見過的數(shù)據(jù)，這對(duì)于實(shí)際工程應(yīng)用至關(guān)重要，銑削力預(yù)測模型的性能很大程度上取決于模型參數(shù)的選擇。svm和gwo-svm模型通過優(yōu)化算法自動(dòng)選擇最優(yōu)參數(shù)，從而提高模型的預(yù)測性能，通過建立準(zhǔn)確的預(yù)測模型，可以減少在實(shí)際銑削實(shí)驗(yàn)中所需的樣本數(shù)量，從而降低實(shí)驗(yàn)成本。

2、然而傳統(tǒng)的svm模型可能無法有效地處理銑削過程中存在的復(fù)雜非線性關(guān)系，尤其是在銑削參數(shù)和銑削力之間存在多重交互作用時(shí)。gwo-svm雖然在一定程度上改進(jìn)了svm的性能，但仍然可能難以完全捕捉到這些復(fù)雜關(guān)系，導(dǎo)致優(yōu)化過程不夠高效。

3、雖然svm和gwo-svm模型在優(yōu)化過程中可能具有良好的計(jì)算效率，但在處理大規(guī)模數(shù)據(jù)和復(fù)雜優(yōu)化問題時(shí)可能不具有更高的計(jì)算效率，可能不具有更好的泛化能力，特別是在面對(duì)未知數(shù)據(jù)或不同工況時(shí)。svm和gwo-svm模型通常需要選擇合適的參數(shù)(如c、γ等)，這可能需要大量的實(shí)驗(yàn)來確定，而rime-svm模型通過優(yōu)化算法可以自動(dòng)選擇這些參數(shù)，減少了手動(dòng)調(diào)整的需要，鑒于此，我們提出一種基于rime-svm構(gòu)建銑削變曲率零件銑削力預(yù)測模型的方法來解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的是上述現(xiàn)有技術(shù)中雖然svm和gwo-svm在處理優(yōu)化問題時(shí)可能具有較好的計(jì)算效率，但在處理大規(guī)模數(shù)據(jù)和復(fù)雜優(yōu)化問題時(shí)可能不具有更高的計(jì)算效率，并且可能不具有更好的泛化能力的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于rime-svm構(gòu)建銑削變曲率零件銑削力預(yù)測模型的方法，包括如下步驟：

4、s1、獲取預(yù)測模型數(shù)據(jù)：設(shè)計(jì)實(shí)驗(yàn)參數(shù)，進(jìn)行銑削實(shí)驗(yàn)，采集切削力數(shù)據(jù)作為樣本數(shù)據(jù)；

5、s2、基于支持向量機(jī)構(gòu)建rime-svm銑削力預(yù)測模型：使用rime算法對(duì)svm的懲罰因子c和高斯核函數(shù)中的gamma進(jìn)行參數(shù)優(yōu)化，構(gòu)建rime-svm預(yù)測模型；

6、s3、構(gòu)建立銑刀用于加工常規(guī)直面切削力預(yù)測模型：選取部分實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，構(gòu)建rime-svm模型進(jìn)行預(yù)測；

7、s4、驗(yàn)證立銑刀用于加工常規(guī)直面切削力預(yù)測模型的精度：將步驟3中的預(yù)測結(jié)果與實(shí)驗(yàn)值進(jìn)行對(duì)比，計(jì)算誤差；

8、s5、構(gòu)建立銑刀用于加工不同幾何特征切削力預(yù)測模型：將曲率作為變量選取相關(guān)實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，構(gòu)建rime-svm模型進(jìn)行預(yù)測；

9、s6、驗(yàn)證立銑刀用于加工不同幾何特征切削力預(yù)測模型精度：將步驟5中的預(yù)測結(jié)果與實(shí)驗(yàn)值進(jìn)行對(duì)比，計(jì)算誤差。

10、作為優(yōu)選，步驟s1中，設(shè)計(jì)不同主軸轉(zhuǎn)速n為1200r/min-2700r/min、銑削寬度ap為0.7mm-1.2mm、銑削寬度ae為0.5mm-3mm、進(jìn)給速度vf為700mm/min-1200mm/min的實(shí)驗(yàn)參數(shù)。

11、作為優(yōu)選，步驟s1中，銑削實(shí)驗(yàn)中采用直徑20mm的r1硬質(zhì)合金立銑刀，銑削3種幾何特征，分別是曲率為0的幾何特征1直面、曲率為1/341的幾何特征2凹曲面和曲率為1/835的幾何特征3凸曲面。

12、作為優(yōu)選，步驟s1中，采用kistler?9257b切削力測試系統(tǒng)進(jìn)行x、y、z三個(gè)方向切削力的采集，對(duì)采集的銑削力數(shù)據(jù)進(jìn)行濾波處理提取各方向銑削力均方根值，得到由加工各幾何特征的各加工參數(shù)和三個(gè)方向銑削力均方根值組成的各組實(shí)驗(yàn)切削力測試結(jié)果作為樣本數(shù)據(jù)。

13、作為優(yōu)選，步驟s2中，基于支持向量機(jī)構(gòu)建rime-svm銑削力預(yù)測模型的步驟如下：

14、首先，給定訓(xùn)練樣本集；

15、然后使用支持向量機(jī)進(jìn)行回歸，通過引入松弛變量將擬合問題轉(zhuǎn)化為一個(gè)優(yōu)化問題，利用對(duì)偶原理轉(zhuǎn)換成拉格朗日形式，再求解得到支持向量機(jī)的回歸函數(shù)；

16、接著，采用高斯核函數(shù)作為核函數(shù)；

17、而后，利用rime算法對(duì)svm的懲罰因子c和高斯核函數(shù)中的gamma進(jìn)行參數(shù)優(yōu)化；rime算法通過模擬冰晶的軟霜和硬霜生長過程，構(gòu)造軟霜搜索策略和硬霜打孔機(jī)制，不斷對(duì)種群更新從而實(shí)現(xiàn)優(yōu)化，找到最優(yōu)解；

18、最后，輸出rime-svm部分代碼。

19、作為優(yōu)選，步驟s2中，給定樣本集d＝{(xi，yi)|i＝1,2,...l}，其中xi∈rn為n維輸入樣本，yi∈r為輸出樣本，支持向量機(jī)用于回歸算法的基本理論是通過訓(xùn)練樣本，用回歸函數(shù)f(x)＝w·x+b擬合輸入樣本與輸出樣本之間的關(guān)系，其中w是權(quán)重向量，用來表示特征的重要性或貢獻(xiàn)，x是輸入樣本的特征向量，b是偏移量，用來調(diào)整決策函數(shù)f(x)對(duì)不同回歸函數(shù)的偏移，引入非負(fù)松弛因子ξi，ξi*，將函數(shù)的擬合問題轉(zhuǎn)化為如下的優(yōu)化問題：

20、

21、yi-w·xi-b≤ε+ξi

22、s.t.w·xi+b-yi≤ε+ξi

23、

24、ε>0表示需擬合精度，與噪聲水平有關(guān)，c>0控制對(duì)超出誤差ε的樣本的懲罰程度，利用最優(yōu)化方法的對(duì)偶原理，可轉(zhuǎn)換得到如下形式：

25、

26、αi、αj和為不同的拉格朗日乘子，由此可得到支持向量機(jī)擬合函數(shù)為：

27、

28、其中表示核函數(shù)，高維特征空間用核函數(shù)內(nèi)積運(yùn)算來解決非線性回歸問題。

29、作為優(yōu)選，采用高斯核函數(shù)作為支持向量機(jī)的核函數(shù)，形式為：

30、

31、采用rime算法進(jìn)行svm懲罰因子c和高斯核函數(shù)中g(shù)amma進(jìn)行參數(shù)尋優(yōu)。

32、作為優(yōu)選，rime是一種基于霜冰物理現(xiàn)象的高效優(yōu)化算法rime算法通過模擬冰晶的軟霜和硬霜生長過程，構(gòu)造軟霜搜索策略和硬霜打孔機(jī)制，不斷對(duì)種群更新從而實(shí)現(xiàn)優(yōu)化，找到最優(yōu)解；rime優(yōu)化算法過程如下：

33、(1)初始化種群：隨機(jī)生成一組冰晶，每個(gè)冰晶代表一個(gè)潛在解；

34、(2)軟霜冰搜索機(jī)制：受軟霜成長的啟發(fā)，利用霜冰的強(qiáng)隨機(jī)性和覆蓋性，提出軟霜搜索策略；針對(duì)霜冰粒子的5種運(yùn)動(dòng)特征，模擬了各個(gè)粒子的凝聚過程；其計(jì)算公式為：

35、

36、其中，為更新粒子的新位置，i和j表示第i個(gè)霜冰因子的第j個(gè)粒子；rbestj是霜冰種群r中最佳霜冰因子的第j個(gè)粒子。參數(shù)r1∈(-1,1)的隨機(jī)數(shù)，r1與cosθ控制粒子運(yùn)動(dòng)的方向，同時(shí)cosθ將隨著迭代次數(shù)而改變?nèi)缡溅率黔h(huán)境因子，其遵循迭代次數(shù)如式h是粘附度，用于控制兩個(gè)霜冰粒子的中心距離；ubij和lbij分別是搜索空間的上界和下界，限制了其粒子運(yùn)動(dòng)的有效區(qū)域；e是被附著系數(shù)，其影響霜冰因子的縮合概率并且隨著迭代次數(shù)而增加如式參數(shù)r2∈(-1,1)的隨機(jī)數(shù)，與e一起控制粒子是否凝聚，即是否更新粒子位置；

37、其中，t是當(dāng)前迭代次數(shù)，t是算法的最大迭代次數(shù)；w為5，用于控制階躍函數(shù)的段數(shù)；

38、(3)硬霜冰穿刺機(jī)制：通過對(duì)硬霜生長過程的模擬，提出硬霜打孔機(jī)制，用于霜冰粒子間的置換，其計(jì)算公式為：

39、

40、其中，r3∈(-1,1)；fnormr(si)表示當(dāng)前霜冰因子適應(yīng)度值的歸一化值；

41、(4)正向貪婪選擇機(jī)制：最佳位置rbestj通過正向貪婪選擇機(jī)制來確定，即代理更新后的適應(yīng)度與更新前的代理適應(yīng)度進(jìn)行比較。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)效果和優(yōu)點(diǎn)是：該基于rime-svm構(gòu)建銑削變曲率零件銑削力預(yù)測模型的方法，svm是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法，特別是用于回歸問題，它通過尋找一個(gè)最優(yōu)的分割平面來最小化分類誤差，同時(shí)保持足夠的泛化能力。在銑削力預(yù)測中，svm用于捕捉銑削參數(shù)和銑削力之間的復(fù)雜非線性關(guān)系。為了處理高維特征空間中的非線性問題，svm使用核函數(shù)來將數(shù)據(jù)映射到一個(gè)更高維的空間，并在該空間中尋找最優(yōu)分割平面。采用高斯核函數(shù)，因?yàn)樗谔幚矸蔷€性問題時(shí)表現(xiàn)出色，并具有較寬的收斂域。rime是一種基于物理現(xiàn)象的優(yōu)化算法，它通過模擬冰晶的軟霜和硬霜生長過程來構(gòu)造搜索策略。rime通過軟霜搜索機(jī)制和硬霜打孔機(jī)制來不斷更新種群，從而實(shí)現(xiàn)優(yōu)化并找到最優(yōu)解。rime能夠提高svm模型的泛化能力和預(yù)測精度。

43、rime-svm模型通過rime算法的優(yōu)化能力，可以更好地捕捉銑削參數(shù)和銑削力之間的復(fù)雜非線性關(guān)系，從而提高預(yù)測的準(zhǔn)確性。rime-svm通過優(yōu)化算法自動(dòng)選擇svm模型的參數(shù)，減少了手動(dòng)調(diào)整的需要，這在實(shí)際應(yīng)用中是非常有利的。準(zhǔn)確的預(yù)測模型可以減少在實(shí)際銑削實(shí)驗(yàn)中所需的樣本數(shù)量，從而降低實(shí)驗(yàn)成本。rime-svm模型具有更強(qiáng)的泛化能力，意味著模型不僅能夠在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，還能夠準(zhǔn)確預(yù)測未見過的數(shù)據(jù)，這對(duì)于實(shí)際工程應(yīng)用至關(guān)重要。雖然svm和gwo-svm模型在優(yōu)化過程中可能具有良好的計(jì)算效率，但rime-svm可能在這些方面表現(xiàn)得更好，特別是在處理大規(guī)模數(shù)據(jù)和復(fù)雜優(yōu)化問題時(shí)。