基于QGA-SVR的工件表面粗糙度预测和分析

发布时间：2021-11-23 20:28

　　在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归（Quantum genetic algorithm-Support vector regression,QGA-SVR）的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。 

【文章来源】：机床与液压. 2020,48(15)北大核心

【文章页数】：6 页

【部分图文】：

基于QGA-SVR的表面粗糙度建模流程

步骤3:记录g1,g2,......,gn中最优个体和对应的适应度,并判断优化过程是否可以结束,满足条件则可以退出寻优,继续步骤5,否则继续计算。步骤4:重复步骤2,利用量子凯旋门对个体进行更新,由此得到新的一代的种群;t→t+1,返回步骤3。

表1 刀具的几何和工作角度 (°) 刀尖角εr 前角γ0 后角α0 主偏角Kr 负偏角Kr′ 刃倾角λs 80 8 7 95 -5 -5工件是直径为42 mm的AISI 304不锈钢棒材,车削过程如图4(a)所示。车削结束后,用MAHR台式探针粗糙度检测仪器对304不锈钢棒材已加工表面进行了表面粗糙度检测,如图4(b)所示,沿约120°的角度在3个不同的位置采集数据,实验设计的切削参数为:切削速度v从90 m/min到210 m/min,进给量f从0.05 mm/r到0.17 mm/r,切削深度ap从1 mm到2 mm,其中,收集的10组测试集的切削参数及其对应的表面粗糙度值为表2所示。

【参考文献】：
期刊论文
[1]切削参数对纯铁车削表面粗糙度的影响[J]. 刘波,孔金星.  机床与液压. 2018(08)



本文编号：3514589