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
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。