在自動化生產(chǎn)中建立難加工材料的表面質量預測模型,是實現(xiàn)可持續(xù)制造的基礎。提出一種結合量子遺傳算法和支持向量回歸（Quantum genetic algorithm-Support vector regression,QGA-SVR）的已加工表面粗糙度預測模型,改進了現(xiàn)有尋優(yōu)方法在搜索支持向量回歸的模型參數(shù)易陷入局部最優(yōu)解的問題。在量子門更新的過程中加入交叉和變異的操作,保證了模型全局搜索能力,為了提高支持向量回歸的泛化能力,在參數(shù)優(yōu)化過程結合了K-折疊交叉驗證。結合干車削304不銹鋼的切削試驗以及現(xiàn)有的銑削實驗數(shù)據(jù),對比分析了基于量子遺傳算法和遺傳算法的支持向量回歸模型。結果表明:QGA-SVR具有收斂速度快、預測精度高的優(yōu)點,基于建立的QGA-SVR模型分析了切削參數(shù)對車削表面粗糙度的影響規(guī)律。 

【文章來源】：機床與液壓. 2020,48(15)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

基于QGA-SVR的表面粗糙度建模流程

步驟3:記錄g1,g2,......,gn中最優(yōu)個體和對應的適應度,并判斷優(yōu)化過程是否可以結束,滿足條件則可以退出尋優(yōu),繼續(xù)步驟5,否則繼續(xù)計算。步驟4:重復步驟2,利用量子凱旋門對個體進行更新,由此得到新的一代的種群;t→t+1,返回步驟3。

表1 刀具的幾何和工作角度 (°) 刀尖角εr 前角γ0 后角α0 主偏角Kr 負偏角Kr′ 刃傾角λs 80 8 7 95 -5 -5工件是直徑為42 mm的AISI 304不銹鋼棒材,車削過程如圖4(a)所示。車削結束后,用MAHR臺式探針粗糙度檢測儀器對304不銹鋼棒材已加工表面進行了表面粗糙度檢測,如圖4(b)所示,沿約120°的角度在3個不同的位置采集數(shù)據(jù),實驗設計的切削參數(shù)為:切削速度v從90 m/min到210 m/min,進給量f從0.05 mm/r到0.17 mm/r,切削深度ap從1 mm到2 mm,其中,收集的10組測試集的切削參數(shù)及其對應的表面粗糙度值為表2所示。

【參考文獻】：
期刊論文
[1]切削參數(shù)對純鐵車削表面粗糙度的影響[J]. 劉波,孔金星.  機床與液壓. 2018(08)



本文編號：3514589