[发明专利]一种基于改进支持向量机算法的磨削表面粗糙度预测方法

说明书

本发明提供一种基于改进支持向量机算法的磨削表面粗糙度预测方法。用蚱蜢算法优化支持向量机算法的参数，具体包括以下步骤：(1)设计磨削加工参数与实验方法，以及采集磨削加工过程中的加工参数；(2)利用交叉验证的思想将数据划分为训练集和测试集，进行归一化处理；(3)把砂轮线速度、工件速度、磨削深度为作为输入参数，表面粗糙度作为输出参数，构建GOA‑SVM预测模型，实现磨削表面粗糙度预测。与其他预测磨削相比较，本发明提出的一种基于改进支持向量机算法的磨削表面粗糙度预测方法能够在复杂的搜索空间中快速寻求全局最优解，具有低成本、高精度、易操作的特点，其预测值与真实值的误差更小。

技术领域

本发明属于磨削加工技术领域，尤其是涉及到一种基于改进支持向量机算法的磨削表面粗糙度预测方法。

背景技术

表面粗糙度是衡量产品质量的重要标准之一。由于加工环境复杂多变、砂轮状态不确定，在磨削过程中很难精准控制磨削表面粗糙度，而产品的耐腐蚀性、润湿性、抗疲劳性以及配合性质等性能指标都与表面粗糙度有着密切的关系。因此，如何准确高效地预测磨削表面粗糙度是磨削加工领域亟需解决的关键问题。

磨削加工过程中，影响表面粗糙度的因素众多，且这些因素彼此又相互耦合，因此在磨削加工工艺参数和表面粗糙度之间存在着复杂的非线性关系。支持向量机(supportvector machine，SVM)是建立在统计学习理论基础上的一种数据挖掘方法，其具有强大的矢量分类功能和快速计算能力，能以任意精度逼近任意非线性函数，且学习收敛速度快。但由于支持向量机算法参数的选取随机性的问题，导致不恰当地参数选择，将降低预测结果的可信度。所以选择合适的参数对模型的精确度和复杂度起着决定性作用。而蚱蜢优化算法(Grasshopper Optimization Algorithm；GOA)是一种模仿自然界中蚱蜢群体觅食行为而提出的一种新型群智能优化方法。GOA结构简单、概念清晰，且易实现、全局性能好等特性，能够对支持向量机算法中的参数进行寻优。结合两种智能算法，从而提高拟合精度，降低误差。

为此本发明进行了有益的探索和尝试，找到了解决上述问题的办法，下面将要介绍的方案便是这种背景下产生的。

发明内容

针对上述的问题，本发明提出了一种基于改进支持向量机算法的磨削表面粗糙度预测方法。该方法是利用蚱蜢算法和支持向量机算法结合的磨削表面质量粗糙度预测的新方法，以砂轮线速度、工件速度、磨削深度为输入量，以表面粗糙度为输出参数。主要通过以下技术来实现：

本发明采用的技术方案如下：一种基于改进支持向量机算法的磨削表面粗糙度预测方法，包括以下步骤：

步骤一，设计磨削加工实验参数与实验方案，磨削参数主要是砂轮线速度、工件速度、磨削深度，通过多组实验数据，测量出表面粗糙度值；

步骤二，将得到步骤一得到的数据，利用交叉验证的思想，划分出训练集和测试集，并进行归一化处理，将归一化的磨削参数和表面粗糙度作为预测模型的输入和输出样本；

步骤三，建立GOA-SVM磨削表面粗糙度预测模型，并进行磨削将的表面粗糙度预测。

在步骤二中，所述的表面粗糙度的数据要进行测试集和训练集的划分，并进行数据的归一化处理，具体的处理方法为：

将预处理后的实验样本数据中的随机70％的数据作为训练数据组，另30％的数据作为测试数据组；为消除各维数据间数量级差别，将训练数据组和测试数据组归一处理化得到训练集和测试集，其中数据归一化处理采用最大最小法，即

其中：x＇为处理后的数据，_x为原数据，x_min为数据中的最小值，x_max为数据中的最大值。

在步骤三中所述的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，具体包括以下的步骤:

a)支持向量机算法的构建