买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖北工业大学

摘要：本发明属于齿轮设计领域，涉及一种滚削力波动特性预测模型的构建方法及预测模型，该构建方法包括：1获取滚削力波动特性样本数据集；2构建SOA‑XGBoost融合算法模型；3将步骤1获取得到的滚削力波动特性样本数据集划分为训练集和测试集；4采用步骤3划分得到的训练集对步骤2构建得到的SOA‑XGBoost融合算法模型进行训练，确定SOA‑XGBoost融合算法模型的参数，得到训练后的SOA‑XGBoost融合算法模型，训练后的SOA‑XGBoost融合算法模型是滚削力波动特性预测模型。本发明可较好的预测滚削力波动特性、预测精度高以及为滚齿加工优化提供理论指导。

主权项：1.一种滚削力波动特性预测模型的构建方法，其特征在于：所述滚削力波动特性预测模型的构建方法包括以下步骤：1获取滚削力波动特性样本数据集：1.1获取滚齿完全切入阶段的滚削力信号：1.1基于指令域的方法对滚齿不同加工阶段的滚削力信号进行划分，使用HNC-SSTT数据采集软件在滚齿工艺试验平台截取完全切入阶段的滚削力信号；1.2首先使用小波包算法对滚削力信号进行二进制分解，获得分解后的底层节点，将分解后的底层节点按照频带范围由低到高排序，得到不同频率段的滚削力信号，最后采用对小波阈值降噪方式对滚削力信号进行降噪处理，得到纯净光滑的滚削力信号；1.3通过功率转换和滤波处理，提取经步骤1.2获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集；1.2对步骤1.1获取得到的滚削力信号进行滤波重构，得到光滑纯净的滚削力信号；1.3提取经步骤1.2获取得到的光滑纯净的滚削力信号的方差特征，所述方差特征是滚削力波动特性样本数据集；2构建SOA-XGBoost融合算法模型：2.1选取XGBoost模型，设定超参数初始值为默认值；2.2对SOA海鸥优化算法的参数A，参数B以及maxiteration参数进行初始化，同时设置参数fc、u以及v；2.3基于步骤2.2，输入训练集的数据进行迭代训练，计算各个海鸥适应度值，计算海鸥个体与适应度值小的最佳海鸥之间的距离Ds以及海鸥新位置Ps；2.4经过步骤2.3的迭代训练并达到最大迭代次数，输出最佳海鸥位置和舒适度值，输出优化后的超参数；2.5根据步骤2.4获得的超参数对步骤2.1所选取的XGBoost模型进行优化，得到SOA-XGBoost融合算法模型；3将步骤1获取得到的滚削力波动特性样本数据集划分为训练集和测试集；4采用步骤3划分得到的训练集对步骤2构建得到的SOA-XGBoost融合算法模型进行训练，确定SOA-XGBoost融合算法模型的参数，得到训练后的SOA-XGBoost融合算法模型，所述训练后的SOA-XGBoost融合算法模型是滚削力波动特性预测模型。

全文数据：

权利要求：

百度查询： 湖北工业大学 滚削力波动特性预测模型的构建方法及预测模型