[发明专利]一种线性液动压抛光波纹度预测优化方法

权利要求书

1.一种线性液动压抛光波纹度预测优化方法，其特征在于，包括以下步骤：

S1、分析与线性液动压抛光波纹度相关的各参数，分别进行单因素预实验，探究各参数影响规律及响应灵敏度；

S2、筛选显著参数为试验因子，波纹度为试验输出，利用响应曲面法分析参数间交互作用；

S3、以响应曲面设计试验组为样本训练集，建立基于支持向量回归机SVR的线性液动压抛光波纹度预测模型，能准确预测未知样本下的波纹度；

S4、以建立的最佳SVR预测模型为适应度函数，以遗传算法GA为全局寻优工具的优化模型，得到控制线性液动压抛光波纹度的最佳参数组合。

2.根据权利要求1所述的一种线性液动压抛光波纹度预测优化方法，其特征在于，所述步骤S1中，与线性液动压抛光波纹度相关的各参数包括抛光辊子转速、抛光间隙、流体粘度、抛光液中磨粒粒径、磨粒浓度、往复进给速度；

根据相对灵敏度公式：计算各参数灵敏度量化值；

其中，W_a(a_i)为各参数取值点的波纹度，a_i为各参数，i＝1,2,…,6，即对应上述六个参数。

3.根据权利要求2所述的一种线性液动压抛光波纹度预测优化方法，其特征在于，所述步骤S2中，选取抛光辊子转速n、抛光间隙h、流体粘度μ、往复进给速度V_f，四个参数为抛光波纹度的显著参数；

确立各参数取值范围，建立响应曲面法的中心复合设计CCD-31组试验方案，根据各试验组进行线性液动压抛光加工实验，每组重复数次，沿进给方向划线测波纹度，取各组波纹度平均值作为试验输出；

取其中两个参数为常量，建立剩余两个参数的响应曲面图，分析两两交互作用，并重点关注交互作用效果增强或减弱的区间，即两参数在一定取值范围内共同作用使得抛光波纹度快速上升和下降，从而实现各参数取值范围的进一步优化。

4.根据权利要求3所述的一种线性液动压抛光波纹度预测优化方法，其特征在于，所述步骤S3中，以CCD-31试验组作为SVR预测模型的训练样本集：

{x_i,y_i}，i＝1,2,...,31

其中，x_i为各试验组的四个参数构成的参数组合，y_i为对应试验组的参数组合下的实测抛光波纹度；

定义高维空间线性回归函数：

其中，为非映射函数，f(x)为模型训练得到的预测值，y为样本真实值，w，b为高维空间回归函数的特征参数；

通过定义线性不敏感函数ε，引入松弛变量ξ_i、建立约束条件：

其中，C为惩罚因子，其值越大，对于预测值误差大于ε的样本惩罚也越大；m为样本数量，为31；

引入Lagrange乘子α，转换为对偶形式，同时引入为核函数，得到；

求解即可得到最佳抛光波纹度预测模型回归函数f_Wa(x_i)：

其中，b^*为抛光波纹度预测模型回归函数的特征参数。

5.根据权利要求4所述的一种线性液动压抛光波纹度预测优化方法，其特征在于，所述SVR预测模型的建立借助Matlab编程实现，具体包括以下步骤：

S31、学习样本输入：学习样本分为训练样本和测试样本，训练样本为CCD-31试验结果，测试样本为另取的5组不相同试验组；

S32、数据归一化：将四个不同维度的波纹度参数维度都处理至[0,1]之间；

S33、寻找最佳参数C和g：C为惩罚因子、g为核函数因子，选用RBF核函数，通过交叉验证确定最佳参数C、g，得到SVR预测模型；

S34、数据反归一化，将SVR预测模型得到的预测值进行反归一化；

S35、模型评价：评价SVR预测模型的拟合程度，以获取最佳SVR预测模型。

6.根据权利要求5所述的一种线性液动压抛光波纹度预测优化方法，其特征在于，所述步骤S4中，基于最佳SVR预测模型，以最小波纹度为目标，利用改进GA优化算法进行全局寻优；

适应度函数由最佳SVR预测模型映射关系转换得到：

x_i＝[n μ h V_f]

其中，fitness代表适应度函数，svrmodel代表波纹度预测模型映射函数；

初代种群：各试验组的参数组合及其对应波纹度大小为一个个体，其中四个参数取值即为个体对应的“基因点”，而若干个个体即组成一个种群，初步确立种群数量；

迭代操作：迭代一次为执行一次循环，更新一次种群个体；设置最大迭代次数；

非线性规划：在GA中嵌套非线性规划，当迭代次数为k的整数倍时，执行非线性规划函数；其中，k为预设的迭代目标次数；

算子选择：包括选择、交叉、变异三大算子，通过选择算子对比淘汰波纹度大的参数组合个体；交叉算子为调换两个参数组合中的部分参数取值，形成新的参数组合；变异算子为变化新的参数组合中的某个参数取值，形成最新的参数组合，作为新生种群进行迭代；

优化中止条件：波纹度GA优化中止条件有二个：其一、当迭代次数大于最大迭代次数时，即输出当前种群中最小波纹度对应的最佳个体的参数组合；其二、每次迭代都会记录一代种群中的最佳个体，并将下一次迭代循环中的最佳个体与上一次迭代循环中的最佳个体进行比较，当多次迭代中的最小波纹度趋于稳定时，即为搜索得到满意结果，输出最小波纹度对应的最佳参数组合。