基于支持向量机数控机床切削能耗预测方法研究

发布时间：2017-01-05 09:13

  本文关键词：数控机床多源能量流的系统数学模型，由笔耕文化传播整理发布。

机械设计与制造

Ｍａｃｈｉｎｅｒｙ

Ｄｅｓｉｇｎ

＆

Ｍａｎｕｆａｃｔｕｒｅ

第１１期２０１４年１１月

基于支持向量机数控机床切削能耗预测方法研究

陈薇薇１，张华２，向琴１，张业祥１

（１．武汉科技大学机械自动化学院，湖北武汉４３００８１；２．武汉科技大学绿色制造与节能减排科技研究中心，湖北武汉４３００８１）

摘要：数控机床在制造业中耗能比例大，研究其耗能至关重要。在数控机床切削过程中，切削参数的不同直接影响数控机床切削能耗大小。基于此分析切削过程中切削速度、进给量和切削深度等切削参数对数控机床切削能耗的影响，搭建基于支持向量机数控机床能耗与切削参数的模型。实例对比验证了基于支持向量机数控机床能耗预测方法的可行性，简化了传统经验公式繁琐的计算过程，相对于ＢＰ神经网络法比较精确，为数控机床节能问题、能耗定额等实际问题提供了基础理论依据。

关键词：数控机床；支持向量机；ＢＰ神经网络；切削参数；能耗预测中图分类号：ＴＨｌ６

文献标识码：Ａ

文章编号：１００１—３９９７（２０１４）１１一００５４—０３

Ｒｅｓｅａｒｃｈ

Ｏｎ

ＣＮＣｍａＣｈｉｎｅＴＯＯＩＣｕｔｔｉｎｇＥｎｅｒｇＶＣ０ｎｓｕｍｐｔｉＯｎ

Ｏｎ

ＰｒｅｄｉＣｔｉＯｎＢａｓｅｄＳｕｐｐＯｒｔＶｅｃｔＯｒＭａｃｈｉｎｅ

ＣＨＥＮＷｅｉ—ｗｅｉｌ，ＺＨＡＮＧＨｕａ２，ＸＩＡＮＧＱｉｎｌ，ＺＨＡＮＧＹｅ—ｘｉａｎ９１

（１．ＭｅｃｈａｎｉｃａｌＡｕ￡ｏｍａｔｉｏｎＩｎｓｔｉｔｕｔｅ，ＷｕｈａｎＵｎｊｖｅｒｓｉ￡ｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨｕｂｅｉＷｕｈａｎ４３００８ｌ，Ｃｈｉｎａ；２．Ｇｒｅｅｎ

ＭａｎｕｆａｃｔｕｒｉｎｇａｎｄＥｎｅＩ？ｇｙＣｏｎｓｅｒｖａｔｉｏｎａｎｄＥｍｉｓｓｉｏｎｓＲｅｄｕｃｔｉｏｎＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｆ；ｙ，ＨｕｂｅｉＷｕｈａｎ

４３００８１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｚ危ｅ

ＣＮＣ，ｎ伽＾ｉｎｅ￡ｏｏｂ协ｍ册．地触ｔＭｒｉ，曙ｅ，地ｒ霉ｙｄ蠡ｓ咖越幻凡ｒ磁抽蠡Ｚｎｒｇｅｒ，帆ｄ

蠡口ｅ∥ｉ唧。疗删．胁￡ｋｐｒｏｃ哪矿ＣＮＣ，艘危ｉ船ｃｕ撕昭，ｄ派ｒｅｍ

ｃｕ托ｉ，辔ｅ珊哟‘ｃｏ瑚ｕ，印￡；ｏ几吼ｅｉ，班聊聊ｅ矿ｃ眦ｚｉ凡ｇ印ｅｅｄ，斥ｅｄ印ｅｅｄ，ｃＭｆ￡ｉ增ｄｅｐ琥ｏｎｃｏ瑚ｕ，，妒￡ｌ【０凡埘ｅｒｅ凹ｌⅡ蜘ｅ正？矗ｅ玎砌ｄｅｚ旷ｃＮｃ，，ｌ伽＾ｉ，地幻ｏｆｅ，圮增ｙｃｏｍⅡ，，驴ｆ幻儿帆ｄ

ＳＶＭ砚ｅ

ｃ以ｆ垤ｐ删把巧出ｒｅｃ咖雅ｃ￡ｅｄＣＮＣ，唧＾ｉ聊幻ｏＺ

ｃｕ捌昭ｅ凡ｅ聊，

ｃ以ｆｉ，曙ｐ删￡ｅ乃埘∞６“ｉ缸６珊ｅｄ

ｔ＾ｅ

ｒｅｓｅｏｒｃ＾ｉｎｇ泌ｅ，配ｒｇｙｃＤｍｕ，，妒ｆ幻ｎ

ＣＮＣ，ｎ伽五ｉ聊￡ｏｏＺ

Ｄｎ

ｅ戈研妒如５口ｅ咖ｄ￡ｋ声∞曲垅砂矿￡＾ｅ

ｍｏ如ｆ旷ｃＮｃ，ｎｎｃ＾ｉ聊￡ｏｏＺｃⅡ托ｉ增ｅ船恸，ｃｏ琊ｕ，印砌ｎｐｒｅｄ把砌ｎ，

ｃｏ，印ｎｒｅｄ叫ｉ眈曰Ｐ，圯“ｒ耐ｎｅ￡训。以．

ｆ＾ｅｏ∥６珊如．

ｓｉ，，妒Ｚ班ｅｄ￡ｋ￡，谢如抽ｎ以ｅ，ｒ驴ｉｒ如耐如几礼ｕｋ抛ｄ如ｗｃ以ｃｕ肠￡幻ｎｐｒｏｃｅｓｓ，伽ｄ缸加∞ｎｃｃ“删ｅ

，１０ｒＣＮＣｍｎｃ＾ｉｎｅ协ｏｆ∞以ｅ，地增ｙｓ删ｉｎｇ，ｅｎｅ增ｙｃｏ琊Ｍ，印￡幻ｎ

ｒ眦幻几Ⅱ以。琥ｅｒｐｒｎｃ￡如以ｐｒ０６如，瑚ｐ，例ｉｄｅ

ＫｅｙＷｏｒｄｓ：ＣＮＣＭａｃｌｌｉ耻；ＳⅥ讧；ＢＰＮｅ叫ａｌＮｅｔｗＤｒｋ；ＣｕｔｔｉｎｇＰａｒ锄ｅｔｅｒｓ；ＥｎｅｒｇｙＣｏ璐砌ｐｔｉｏｎＰｒｅｄｉｃ廿ｏｎ

１引言

随着数控机床逐渐广泛使用，其能耗问题成为当今研究的热门。以机床为主体的机械加工系统量大面广，节能潜力和环境减排潜力很大；机床的能耗预测是机床加工过程中能量消耗问题的重要组成部分，对于能耗定额制定、切削工艺参数节能性优化等一系列问题均有着重要支持作用。目前，对机床能量特性的研究非常活跃。许多学者从不同的角度进行了研究分析。文献四提出，机床由若干个能量源构成，根据这些能量源的消耗特性可以将机床的能耗归为两类：（１）固定能耗；（２）可变能耗。文献【咀基于数控机床的能量流多源、能流环节多、能流过程复杂等特点出发，对数控机床多源能量流的系统数学模型进行了研究。基于以上研究，数控机床作为一个系统，伴随着复杂的物料信息、能量流程以及工艺流程等系统集合、系统相关等特性，使机床能耗预测问题分析和建模变得非常复杂。文献阎提出基于ＢＰ神经网络对加工过程的切削参数与数控机床能耗关系来建立模型，通过获取的切

来稿日期：２０１４一０５一１５

基金项目：国家自然科学基金资助项目（５１２７５３６５）

削实验数据进行训练，最后得到目标函数，然后用遗传算法寻找最优方案，为加工过程能耗提供一个良好的方案。文献吼基于支持向量机能够解决对于小样本条件下不足问题，利用ｓｖＭ理论建立风速预测模型对风速进行短期预测，验证了支持向量机预测模

型在风速预测中的可售陛。支持向量机在训练时，惩罚参数和核

函数参数的选择对预测的准确率影响非常大。文献噻于网格寻

优方法选择最佳参数。将支持向量机（ｓｖＭ）引人数控机床能耗预测的研究中。利用支持向量机对加工过程中的切削参数与数控机床切削能耗关系建立模型，对比神经网络，验证了支持向量机方法在解决小样本问题上的精确性，为数控机床能耗预测提供了一个良好的方案。

２数控机床切削过程能耗分析

数控机床在实际加工过程中，机床加工零件整个过程中的能耗可分为与负载有关的能耗和与负载无关的能耗这两个部分。

Ｅ＝ＥＫ＋Ｅｓ

（１）

作者简介：陈薇薇，（１９９０－），女，湖北潜江人，硕士研究生，主要研究方向：绿色制造

张华，，（１９６４一），女，广东蕉岭人，博士，教授，主要研究方向：绿色制造

第１１期

床的负载无关能耗。

陈薇薇等：基于支持向量机数控机床切削能耗预测方法研究

５５

式中：肛机床设备的总能耗；Ｅ。—机床的负载无关能耗；Ｂ—机

２．１负载无关能耗

风扇电机、伺服系统、冷却泵和换刀电机等机床部件在运行过程中消耗固定的功率，因此，这些机床部件的能耗可以归类到负载无关能耗，而且这类能耗只受开，停状态的影响，其能耗表达

（２）式如式（２）所示。取＝Ｅ“＋‰服＋Ｅ玲却＋‰刀

核函数Ｋ（气，菇）＝（妒（簟），砂（戈）），它是满足Ｍｅｒｃｅｒ条件的任

意对称函数。偏置６可以通过ＫＴＴ（Ｋａｍｓｈ—ＫｕＩｌＩＩ—ｔＩｌｃｋ－ｅｒ）条件计算。基于支持向量机建立数控机床切削能耗预测模型，采用ＭＡ’ｒＬＡＢ软件中支持向量机工具箱编写程序得出预测结果。ＭＡ—ＴＬＡＢ系统只要包括以下几个部分：ＭＡ，１１ＡＢ开发环境ＭＡＴＬＡＢ语言、ＭＡ７ＩＬＡＢ工具箱和ＭＡＴＬＡＢ的ＡＰＩ，主要利用支持向量机工具箱进行仿真模拟，具体流程，如图１所示。

式中：＆—胡．床的与负载无关能耗；‰—风扇电机的能耗；‰服一

伺服系统的能耗；Ｅ冷却—冷却电机的能耗；‰—换刀电机。

２．２负载相关能耗

负载相关能耗主要分为主传动系统的空载能耗、附加能耗和切削能耗。主轴电机和进给电机的能耗包括了主传动系统的空载能耗、附加能耗和切削能耗。其中空载能耗和附加能耗是受机床的运行参数的影响如主轴需要保持在一定转动速度下运行，切削能耗主要受工艺参数和工件材料的影响。因此，该部分的能耗

子模型可以建立成公式：致＋Ｂ＝Ｅ主轴＋％给酬口，哞’，’，舢ｔ）

（３）

式中：Ｅ主轴一主轴电机能耗；Ｅ进给—进给轴电机能耗；口，％√。工

艺参数；ｍａ卜前料特征。

故可知：肚取可（”，％＇厂’，删）

（４）

由上述公式可知，不同的切削深度、切削速度使得机床的负荷不同，其能耗大小不同。就在加工过程中影响数控机床切削能耗的切削速度、进给量、切削深度作为输入，切削功率作为输出建立能耗预测模型。

图１支持向量机建模流程图

Ｆｉ昏１ｓｕｐｐ０时Ｖｅｃｔｏｒ

３支持向量机（ＳＶＭ）的算法

支持向量机（ＳⅧ）的回归有线性和非线性之分．用ＳｖＭ来估

计回归函数，基本思想就是通过—个非线性映射西，将输入空间的数据并映射到高维特征空间Ｇ中，并在这个空间进行线性回归。设

Ｍａｃｈｉｎｅ（ＳＶＭ）Ｍｏｄｅｂｎｇｎａｗｃｈａｒｔ

４

ＢＰ神经网络预测模型

ＢＰ神经网络通常采用三层结构，一般由输入层、隐含层和

输出层组成。以切削速度、进给速度、切削深度为神经网络的输入变量，输入层神经元个数取３；机床切削功率为输出变量，输出层神经元个数取１；隐含层单元数由实际应用经验公式来确定，该网络模型的隐含层节点设定为２０个。建立的数控机床ＢＰ神经网络模型，如图２所示。

训练懒Ｄ＝｛（簟，咒）１．扛ｌ，２，…，ｚ），气∈尺“，ｙｆ∈尺，回归函数用式

（５）所示线性方程来表示矿（茹）＝∑（呸｛）Ｋ（ｔ，茗）＋６

式中：ｑ，ｑ—拉格朗日乘子；６—偏置；Ｋ（算。乒）—核函数。

支持向量机回归估计可描述为求解式（６）所示的优化问题：

（５）

目标函数：ｍｉｎ．啦｝ｆＩ埘Ｉ２＋ｃ∑（￡《）

约束条件：

（６）

ｓ．￡．（（埘’髫ｆ）＋６）—儿ｓｓ＋￡，ｉ＝１，２，…ｚ咒一（（埘≯ｉ）＋６）ｓｓ《，扛１，２，…ｚ

毒，毒≥０，扛１，２，…Ｚ

（７）

输＾＼Ｊｒ；

隐岔ｆ，；

输…ｊ，；

式中：８一回归允许最大误差，常数Ｃ＞Ｏ一函数厂（茹）的复杂度和样

本拟精度之间的折衷。利用对偶原理、拉格朗日乘子法和核技术，上述优化问题的对偶形式如下。目标函数：

ｌ

ｆ

图２基于ＢＰ神经网络数控机床能耗预测模型

Ｆｉ９２ＴｈｅＰｒｅｄｉｃｔｉｏｎ

Ｍ０ｄｄＢａｓｅｄ

０ｎ

ＢＰＮｅｕｒａｌ

Ｎｅｔ啪ｒｋ

０ｆ

ＣＮＣＭａｃｈｉｎｅＴ００ＩＥｎｅｒ舒Ｃ明ｓｕｍｐｔｉｏｎ

ｍ畸形一｝∑∑（嘎川：）（丐‘）Ｋ（如々）

ａ，ａ

５支持向量机预测模型

５．１训练与测试样本的确定

（８）（９）（１０）（１１）

选择ｃＫ６１３６ｉ数控车床为测试对象，为了获取数控机床能耗与切削参数数据，实验方案设计要简洁同时便于操作，切削速度定为３档，进给量定为３档，切削深度定为３档。共６４组数据，随机抽取２５组作为训练数据，如表１所示。在进行支持向量机建模时，首先对数据进行归一化处理。

。

｜－Ｊ

Ｊ２Ｉ

ｌ

＋∑［ａ．（咒噌）川ｉ（咒＋ｓ）］

约束条件：５＾∑（ａ；以：）＝ｏ；ｏｓｑ，蠢ｓｃ，ｉ＝ｌ，２，…ｚ

最后支持向量机的输出为：埘＝∑（理ｉ—ａ：）砂（誓）

“ｘ）＝∑（Ⅱｉ一蠢）Ｋ（ｔ乒）＋６

Ｎｏ．１１

５６

机械设计与制造

表１测试数据

Ｔａｂ．１

ＴｅｓｔＤａｌａ

Ｎｏｖ．２０１４

６结论

支持向量机算法以风险最小化原理为基础，能很好地解决

０．２９９１Ｏ．３７６８Ｏ．５３８７Ｏ．６７０５０．３１６８０－５８０２ｏ．８３７５

８０８０８０８０８０８０８０８０

Ｏ．０８Ｏ．０８０．０８Ｏ．０８０．１２Ｏ．１２ｏ．１２０．１２

Ｏ．８１．２１．５１．８Ｏ．８１．２１１５１．８

小样本、非线性、局部极小点等实际问题。提出了基于支持向量机的数控机床切削能耗预测的方法，采用支持向量机的方法建立模型，得出了切削参数对数控机床能耗的影响。经过分析对比验证了支持向量机预测结果相对于神经网络更接近，验证了支持向量机在数控机床能耗预测方面应用的可行性和有效性，为数控机床的节能优化、能耗定额制定等一系列实际问题的解决提供一种基础支持。只是对部分切削工艺参数对数控机床切削能耗进行了预测，影响数控机床切削能耗的因素尚有很多，数控机床能耗预测有待全面进行。

１册５

５．２核函数与模型参数的确定

支持向量机的参数包含核参数和惩罚参数。选取径向基ＲＢＦ核函数作为数控机床切削能耗预测模型的核函数。核参数有两个分别为和参数设置如下：ｃ．１００，占＝ｏ．０１，口＝ｌ。

参考文献

［１］刘飞，徐宗俊，但斌．机械加工系统能量特性及其应用［Ｍ］．北京：机械

工业出版社，１９９５．

（ＵｕＦｅｉ，ＸｕＺ０ｎｇ－ｊｕｎ，ＤａＩｌＢｉｎ．ＭａｃｈｉｎｉｎｇＳｙｓｔｅｍＥｎｅｒ盯Ｃ叨眦ｍｐｔｉｏｎ

５．３结果分析

利用所建立的ＳＶＭ预测模型，把切削速度、进给速度、切削深度为样本输入，机床切削功率为样本输出。对表１中数据进行预测，实际值图预测值结果对比，如图３所示。可知只是在少数预测点的相对预测误差较大，大部分预测点的相对预测误差都较为

Ｃｈｍｃｔｅｒｉｓｔｉｃｓａｎｄ

１９９５．）

Ｉｔ８

Ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＭａｃｈｉｎｅＰｒｅｓｓ，

［２］柏占伟，谢志江，胡韶华．数控机床多能源模型及其应用［Ｊ］．机械设计

与制造，２０１２（１２）．

（ＢａｉＺｈａＩｌ—ｗｅｉ，ⅪｅＺｈｉ－ｊｉａｎｇ，ＨｕＳｈａｏ＿ｈｕ＆Ｅｎｅｒｇｙ

ｆｏｒ

ｃｏｎｓｕｎｌｐｔｉｏｎｍｏｄｅｌ

理想，这个预测结果比较理想，从而验证了支持向量机理论在数

控机床能耗预测中的可行性。相对于ＢＰ神经网络，其预测结果如图４所示。由图对比可知，支持向量机更适用于小样本数据预测。支持向量机预测的切削功率与实际切削功率数据比较接近，比神经网络估算的精度高。

测试集预测结果对比（ＢＰ神经网络）

ｍｓｅ：ｏ．２７７８３

４５４

ｃＮｃ撇ｃｈｉｎｅ

ｔ００ｌｓｗｉｔｈｍｕｌｔｉｐｌｅｃｏｍｐｏｎｅｎｔｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．

ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ，２０１２（１２）．）

［３］王秋莲，刘飞．数控机床多源能量流的系统数学模型［Ｊ］。机械工程学

Ｒ如４６８８９

膏

（Ｗ锄ｇＱｉ姐－ｌｉ姐，“ｕＦｅｉ．Ｍａｌｈｅｍａｔｉｃａｌ

ｍｏｄｅｌｏｆ

ｏｆ

报，２０１３，４９（７）：５—１２．

Ｉｎｕｌｔ卜－哪ｕｒｃｅ

ｅｎｅｒｇｙ

３５

３２

么

５

２

。广ｉ

王》

：Ｉ

声。

锅∥ｉ∥ｉ。∥

ｎｏｗｓｆｏｒｃＮｃⅡｍｃＩｌｉｎｅ

ｔ００１ｓ［Ｊ］Ｊｏ啪ａｌ

Ｍｅｃｈ蛐ｉｃａｌＥｎｇｉｎｅ甜ｎｇ，

２０１３，４９（７）：５一１２．）

ｔ

ｆ

｝ｏ

［４］ＫＯＲＤＯＮ０ｗＹＤ

Ｎ．Ａ

ｐｏｗｅｒ髂∞ｓｓｍｅｎｔ０ｆｍａｃｈｉｎｉｎｇｔ００ｌｓ［Ｄ］．ｃ蛐ｂｒ—

ｉｄｇｅ：Ｍ８ａ鹊ｃｈｕｓｅｎｓＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，２００３．

，５

ａ

Ｏ５Ｏ

：Ａ

‘

Ｖｒ鼍厂；

样本编号

］Ｋ笋…

叫

［５］谢东，陈国荣，施金良．基于ＢＰ神经网络数控机床切削能耗的研究

［Ｊ］．机床与液压，２０１２，４０（１）．

（）【ｉｅＤ佣ｇ，ＣｈｅｎＧｕｏ—ｒｏｎｇ，ＳｈｉＪｉｎ“ａＩｌｇ．Ｒｅｓｅａｒｃｈ

ｃｕｔｔｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｂ鹊ｅｄ

ｏｎ

ｏｎ

ＣＮＣ咖ｃｈｉｎｅ

ｔ∞ｌ

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

［Ｊ］．Ｍａｃｈｉｎｅ

‰ｌ＆Ｈｙｄｒ肌ｌｉｃｓ，２０１２，４Ｊ０（１）．）

［６］张华，曾杰．基于支持向量机的风速预测模型研究［Ｊ］．太阳能学报，

２０１０，３１（７）．

（ｚｈ锄ｇＨｕａ，ｚｅｎｇＪｉｅ．１ｈｅｗｉｎｄｓｐｅｅｄｆｏｒｅｃ鹊ｔｉｎｇｍｏｄｅｌｂ鹊ｅｄｏｎ鲫ｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＡｃｔａＥｎｅ晒神Ｓ０ｌ积ｓｓｉｎｉｃａ，２０１０，３１（７））．［７］Ｂｉｎｇ

ｔｏ

图３实际值与预测值分布图（支持向量机）

Ｆｉｇ．３

Ａｃｔｕａｌ

Ｖａｌｕｅ卸ｄｔｌｌｅＰｒｅｄｉｃｔｅｄＶａｌｕｅ

Ｖｅｃｔｏｒ

ＤｉｓｔＩｉｂｕｔｉｏｎ（Ｓｕｐｐｏｒｔ

Ｍ∞ｈｉｎｅ）

Ｄｏｎｇ，ＣｈｅｎｇＣ∞，ＳｉｅｗＥ肌ｇ

ｋ．Ａｐｐｌｙｉｎｇｓｕｐｐｏｒｔｖｅｃｔｏｒ腿ｃｈｉｎｅｓ

ａｎｄ

ｐｒｅｄｉｃｔｂｕｉｌｄｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｉｎｔｍｐｉｃａｌｒｅｇｉｏｎ［Ｊ］．Ｅｎｅｒｇｙ

Ｂｕｉｌｄｉｎｇｓ，２００５（３７）：５４５—５５３．

［８］高尚，杨静宇基于主成分分析和支持向量机的效能评定［Ｊ］．系统工程

与电子技术，２００６，２８（６）．

（Ｇ∞Ｓｈ粕ｇ，ＹａＩｌｇＪｉｎｇ—ｙ１１．Ａｓｓｅｓｓｉｎｇｔ｜ｌｅｅ雎ｃｔｉｖｅｎｅｓｓｂａｓｅｄｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ锄ａｌｙｓｉｓ锄ｄｓｕｐｐｏｎ∞ｄＥｌｅｃｔｒｏｎｉｃｓ，２００６，２８（６）．）

［９］林升梁，刘志．基于ＲＢＦ核函数的支持向量机参数选择［Ｊ］．浙江工业

洋木编号

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅ［Ｊ］ｓｙｓｔｅ瑚Ｅ晒ｎｅｅｒｉｎｇ

图４实际值与预测值的分布图（ＢＰ神经网络）Ｆｉｇ－４ＴｈｅＡｃｔｕａｌＶａｌｕｅ肌ｄｍｅＰｒｅｄｉｃｔｅｄ

Ｖａｌｕｅ

大学学报，２００８（２）．

（“ｎＳｈｅｎｇ－ｌｉ明ｇ，ｌｉｕ

Ｚｈｉ．Ｐａｒ哪ｅｔｅｒ

ｓｅｌｅｃｔｉｏｎｉｎＳＶＭｗｉｔｈＲＢＦｋｅｍｅｌ

Ｄｉｓｔｒｉｂｕｔｉｏｎ（ＢＰＮｅｕ瑁ｌＮｅｈｒｏｒｋ）

ｆｈｎｃｔｉｏｎ【Ｊ］Ｊｏ啪ａｌｏｆＺｈｅｊｉａｎｇＵＴＩｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２００８（２）．）

基于支持向量机数控机床切削能耗预测方法研究

作者：作者单位：刊名：英文刊名：年，卷(期)：

陈薇薇， 张华， 向琴， 张业祥， CHEN Wei-wei， ZHANG Hua， XIANG Qin， ZHANG Ye-xiang

陈薇薇,向琴,张业祥,CHEN Wei-wei,XIANG Qin,ZHANG Ye-xiang(武汉科技大学机械自动化学院,湖北武汉,430081)， 张华,ZHANG Hua(武汉科技大学绿色制造与节能减排科技研究中心,湖北武汉,430081)机械设计与制造

Machinery Design & Manufacture2014(11)

引用本文格式：陈薇薇.张华.向琴.张业祥.CHEN Wei-wei.ZHANG Hua.XIANG Qin.ZHANG Ye-xiang 基于支持向量机数控机床切削能耗预测方法研究[期刊论文]-机械设计与制造 2014(11)

笔耕文化传播（http://www.bigengculture.com）包含总结汇报、IT计算机、专业文献、旅游景点、外语学习、办公文档、计划方案、出国留学以及基于支持向量机数控机床切削能耗预测方法研究_图文等内容。

  本文关键词：数控机床多源能量流的系统数学模型，由笔耕文化传播整理发布。

本文编号：234827