本文關鍵詞：數(shù)控機床多源能量流的系統(tǒng)數(shù)學模型，由筆耕文化傳播整理發(fā)布。

機械設計與制造

Ｍａｃｈｉｎｅｒｙ

Ｄｅｓｉｇｎ

＆

Ｍａｎｕｆａｃｔｕｒｅ

第１１期２０１４年１１月

基于支持向量機數(shù)控機床切削能耗預測方法研究

陳薇薇１，張華２，向琴１，張業(yè)祥１

（１．武漢科技大學機械自動化學院，湖北武漢４３００８１；２．武漢科技大學綠色制造與節(jié)能減排科技研究中心，湖北武漢４３００８１）

摘要：數(shù)控機床在制造業(yè)中耗能比例大，研究其耗能至關重要。在數(shù)控機床切削過程中，切削參數(shù)的不同直接影響數(shù)控機床切削能耗大小。基于此分析切削過程中切削速度、進給量和切削深度等切削參數(shù)對數(shù)控機床切削能耗的影響，搭建基于支持向量機數(shù)控機床能耗與切削參數(shù)的模型。實例對比驗證了基于支持向量機數(shù)控機床能耗預測方法的可行性，簡化了傳統(tǒng)經(jīng)驗公式繁瑣的計算過程，相對于ＢＰ神經(jīng)網(wǎng)絡法比較精確，為數(shù)控機床節(jié)能問題、能耗定額等實際問題提供了基礎理論依據(jù)。

關鍵詞：數(shù)控機床；支持向量機；ＢＰ神經(jīng)網(wǎng)絡；切削參數(shù)；能耗預測中圖分類號：ＴＨｌ６

文獻標識碼：Ａ

文章編號：１００１—３９９７（２０１４）１１一００５４—０３

Ｒｅｓｅａｒｃｈ

Ｏｎ

ＣＮＣｍａＣｈｉｎｅＴＯＯＩＣｕｔｔｉｎｇＥｎｅｒｇＶＣ０ｎｓｕｍｐｔｉＯｎ

Ｏｎ

ＰｒｅｄｉＣｔｉＯｎＢａｓｅｄＳｕｐｐＯｒｔＶｅｃｔＯｒＭａｃｈｉｎｅ

ＣＨＥＮＷｅｉ—ｗｅｉｌ，ＺＨＡＮＧＨｕａ２，ＸＩＡＮＧＱｉｎｌ，ＺＨＡＮＧＹｅ—ｘｉａｎ９１

（１．ＭｅｃｈａｎｉｃａｌＡｕ￡ｏｍａｔｉｏｎＩｎｓｔｉｔｕｔｅ，ＷｕｈａｎＵｎｊｖｅｒｓｉ￡ｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨｕｂｅｉＷｕｈａｎ４３００８ｌ，Ｃｈｉｎａ；２．Ｇｒｅｅｎ

ＭａｎｕｆａｃｔｕｒｉｎｇａｎｄＥｎｅＩ？ｇｙＣｏｎｓｅｒｖａｔｉｏｎａｎｄＥｍｉｓｓｉｏｎｓＲｅｄｕｃｔｉｏｎＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｆ；ｙ，ＨｕｂｅｉＷｕｈａｎ

４３００８１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｚ危ｅ

ＣＮＣ，ｎ伽＾ｉｎｅ￡ｏｏｂ協(xié)ｍ冊．地觸ｔＭｒｉ，曙ｅ，地ｒ霉ｙｄ蠡ｓ咖越幻凡ｒ磁抽蠡Ｚｎｒｇｅｒ，帆ｄ

蠡口ｅ∥ｉ唧。療刪．脅￡ｋｐｒｏｃ哪礦ＣＮＣ，艘危ｉ船ｃｕ撕昭，ｄ派ｒｅｍ

ｃｕ托ｉ，轡ｅ珊喲‘ｃｏ瑚ｕ，印￡；ｏ幾吼ｅｉ，班聊聊ｅ礦ｃ眥ｚｉ凡ｇ印ｅｅｄ，斥ｅｄ印ｅｅｄ，ｃＭｆ￡ｉ增ｄｅｐ琥ｏｎｃｏ瑚ｕ，，妒￡ｌ【０凡塒ｅｒｅ凹ｌⅡ蜘ｅ正？矗ｅ玎砌ｄｅｚ曠ｃＮｃ，，ｌ伽＾ｉ，地幻ｏｆｅ，圮增ｙｃｏｍⅡ，，驢ｆ幻兒帆ｄ

ＳＶＭ硯ｅ

ｃ以ｆ垤ｐ刪把巧出ｒｅｃ咖雅ｃ￡ｅｄＣＮＣ，唧＾ｉ聊幻ｏＺ

ｃｕ捌昭ｅ凡ｅ聊，

ｃ以ｆｉ，曙ｐ刪￡ｅ乃塒∞６“ｉ缸６珊ｅｄ

ｔ＾ｅ

ｒｅｓｅｏｒｃ＾ｉｎｇ泌ｅ，配ｒｇｙｃＤｍｕ，，妒ｆ幻ｎ

ＣＮＣ，ｎ伽五ｉ聊￡ｏｏＺ

Ｄｎ

ｅ戈研妒如５口ｅ咖ｄ￡ｋ聲∞曲垅砂礦￡＾ｅ

ｍｏ如ｆ曠ｃＮｃ，ｎｎｃ＾ｉ聊￡ｏｏＺｃⅡ托ｉ增ｅ船慟，ｃｏ琊ｕ，印砌ｎｐｒｅｄ把砌ｎ，

ｃｏ，�。睿颍澹浣校轫裨唬�，圯“ｒ耐ｎｅ￡訓。以．

ｆ＾ｅｏ∥６珊如．

ｓｉ，，妒Ｚ班ｅｄ￡ｋ￡，謝如抽ｎ以ｅ，ｒ驢ｉｒ如耐如幾禮ｕｋ拋ｄ如ｗｃ以ｃｕ腸￡幻ｎｐｒｏｃｅｓｓ，伽ｄ缸加∞ｎｃｃ“刪ｅ

，１０ｒＣＮＣｍｎｃ＾ｉｎｅ協(xié)ｏｆ∞以ｅ，地增ｙｓ刪ｉｎｇ，ｅｎｅ增ｙｃｏ琊Ｍ，印￡幻ｎ

ｒ眥幻幾Ⅱ以。琥ｅｒｐｒｎｃ￡如以ｐｒ０６如，瑚ｐ，例ｉｄｅ

ＫｅｙＷｏｒｄｓ：ＣＮＣＭａｃｌｌｉ恥；ＳⅥ訌；ＢＰＮｅ叫ａｌＮｅｔｗＤｒｋ；ＣｕｔｔｉｎｇＰａｒ鋤ｅｔｅｒｓ；ＥｎｅｒｇｙＣｏ璐砌ｐｔｉｏｎＰｒｅｄｉｃ廿ｏｎ

１引言

隨著數(shù)控機床逐漸廣泛使用，其能耗問題成為當今研究的熱門。以機床為主體的機械加工系統(tǒng)量大面廣，節(jié)能潛力和環(huán)境減排潛力很大；機床的能耗預測是機床加工過程中能量消耗問題的重要組成部分，對于能耗定額制定、切削工藝參數(shù)節(jié)能性優(yōu)化等一系列問題均有著重要支持作用。目前，對機床能量特性的研究非常活躍。許多學者從不同的角度進行了研究分析。文獻四提出，機床由若干個能量源構(gòu)成，根據(jù)這些能量源的消耗特性可以將機床的能耗歸為兩類：（１）固定能耗；（２）可變能耗。文獻【咀基于數(shù)控機床的能量流多源、能流環(huán)節(jié)多、能流過程復雜等特點出發(fā)，對數(shù)控機床多源能量流的系統(tǒng)數(shù)學模型進行了研究�；谝陨涎芯浚瑪�(shù)控機床作為一個系統(tǒng)，伴隨著復雜的物料信息、能量流程以及工藝流程等系統(tǒng)集合、系統(tǒng)相關等特性，使機床能耗預測問題分析和建模變得非常復雜。文獻閻提出基于ＢＰ神經(jīng)網(wǎng)絡對加工過程的切削參數(shù)與數(shù)控機床能耗關系來建立模型，通過獲取的切

來稿日期：２０１４一０５一１５

基金項目：國家自然科學基金資助項目（５１２７５３６５）

削實驗數(shù)據(jù)進行訓練，最后得到目標函數(shù)，然后用遺傳算法尋找最優(yōu)方案，為加工過程能耗提供一個良好的方案。文獻吼基于支持向量機能夠解決對于小樣本條件下不足問題，利用ｓｖＭ理論建立風速預測模型對風速進行短期預測，驗證了支持向量機預測模

型在風速預測中的可售陛。支持向量機在訓練時，懲罰參數(shù)和核

函數(shù)參數(shù)的選擇對預測的準確率影響非常大。文獻噻于網(wǎng)格尋

優(yōu)方法選擇最佳參數(shù)。將支持向量機（ｓｖＭ）引人數(shù)控機床能耗預測的研究中。利用支持向量機對加工過程中的切削參數(shù)與數(shù)控機床切削能耗關系建立模型，對比神經(jīng)網(wǎng)絡，驗證了支持向量機方法在解決小樣本問題上的精確性，為數(shù)控機床能耗預測提供了一個良好的方案。

２數(shù)控機床切削過程能耗分析

數(shù)控機床在實際加工過程中，機床加工零件整個過程中的能耗可分為與負載有關的能耗和與負載無關的能耗這兩個部分。

Ｅ＝ＥＫ＋Ｅｓ

（１）

作者簡介：陳薇薇，（１９９０－），女，湖北潛江人，碩士研究生，主要研究方向：綠色制造

張華，，（１９６４一），女，廣東蕉嶺人，博士，教授，主要研究方向：綠色制造

第１１期

床的負載無關能耗。

陳薇薇等：基于支持向量機數(shù)控機床切削能耗預測方法研究

５５

式中：肛機床設備的總能耗；Ｅ�！獧C床的負載無關能耗；Ｂ—機

２．１負載無關能耗

風扇電機、伺服系統(tǒng)、冷卻泵和換刀電機等機床部件在運行過程中消耗固定的功率，因此，這些機床部件的能耗可以歸類到負載無關能耗，而且這類能耗只受開，停狀態(tài)的影響，其能耗表達

（２）式如式（２）所示。�。剑拧埃敕帕釁s＋‰刀

核函數(shù)Ｋ（氣，菇）＝（妒（�。�，砂（戈）），它是滿足Ｍｅｒｃｅｒ條件的任

意對稱函數(shù)。偏置６可以通過ＫＴＴ（Ｋａｍｓｈ—ＫｕＩｌＩＩ—ｔＩｌｃｋ－ｅｒ）條件計算�；谥С窒蛄繖C建立數(shù)控機床切削能耗預測模型，采用ＭＡ’ｒＬＡＢ軟件中支持向量機工具箱編寫程序得出預測結(jié)果。ＭＡ—ＴＬＡＢ系統(tǒng)只要包括以下幾個部分：ＭＡ，１１ＡＢ開發(fā)環(huán)境ＭＡＴＬＡＢ語言、ＭＡ７ＩＬＡＢ工具箱和ＭＡＴＬＡＢ的ＡＰＩ，主要利用支持向量機工具箱進行仿真模擬，具體流程，如圖１所示。

式中：＆—胡．床的與負載無關能耗；‰—風扇電機的能耗；‰服一

伺服系統(tǒng)的能耗；Ｅ冷卻—冷卻電機的能耗；‰—換刀電機。

２．２負載相關能耗

負載相關能耗主要分為主傳動系統(tǒng)的空載能耗、附加能耗和切削能耗。主軸電機和進給電機的能耗包括了主傳動系統(tǒng)的空載能耗、附加能耗和切削能耗。其中空載能耗和附加能耗是受機床的運行參數(shù)的影響如主軸需要保持在一定轉(zhuǎn)動速度下運行，切削能耗主要受工藝參數(shù)和工件材料的影響。因此，該部分的能耗

子模型可以建立成公式：致＋Ｂ＝Ｅ主軸＋％給酬口，哞’，’，舢ｔ）

（３）

式中：Ｅ主軸一主軸電機能耗；Ｅ進給—進給軸電機能耗；口，％√。工

藝參數(shù)；ｍａ卜前料特征。

故可知：肚取可（”，％＇廠’，刪）

（４）

由上述公式可知，不同的切削深度、切削速度使得機床的負荷不同，其能耗大小不同。就在加工過程中影響數(shù)控機床切削能耗的切削速度、進給量、切削深度作為輸入，切削功率作為輸出建立能耗預測模型。

圖１支持向量機建模流程圖

Ｆｉ昏１ｓｕｐｐ０時Ｖｅｃｔｏｒ

３支持向量機（ＳＶＭ）的算法

支持向量機（ＳⅧ）的回歸有線性和非線性之分．用ＳｖＭ來估

計回歸函數(shù)，基本思想就是通過—個非線性映射西，將輸入空間的數(shù)據(jù)并映射到高維特征空間Ｇ中，并在這個空間進行線性回歸。設

Ｍａｃｈｉｎｅ（ＳＶＭ）Ｍｏｄｅｂｎｇｎａｗｃｈａｒｔ

４

ＢＰ神經(jīng)網(wǎng)絡預測模型

ＢＰ神經(jīng)網(wǎng)絡通常采用三層結(jié)構(gòu)，一般由輸入層、隱含層和

輸出層組成。以切削速度、進給速度、切削深度為神經(jīng)網(wǎng)絡的輸入變量，輸入層神經(jīng)元個數(shù)取３；機床切削功率為輸出變量，輸出層神經(jīng)元個數(shù)�。�；隱含層單元數(shù)由實際應用經(jīng)驗公式來確定，該網(wǎng)絡模型的隱含層節(jié)點設定為２０個。建立的數(shù)控機床ＢＰ神經(jīng)網(wǎng)絡模型，如圖２所示。

訓練懶Ｄ＝｛（簟，咒）１．扛ｌ，２，…，ｚ），氣∈尺“，ｙｆ∈尺，回歸函數(shù)用式

（５）所示線性方程來表示礦（茹）＝∑（呸｛）Ｋ（ｔ，茗）＋６

式中：ｑ，ｑ—拉格朗日乘子；６—偏置；Ｋ（算。乒）—核函數(shù)。

支持向量機回歸估計可描述為求解式（６）所示的優(yōu)化問題：

（５）

目標函數(shù)：ｍｉｎ．啦｝ｆＩ塒Ｉ２＋ｃ∑（￡《）

約束條件：

（６）

ｓ．￡．（（塒’髫ｆ）＋６）—兒ｓｓ＋￡，ｉ＝１，２，…ｚ咒一（（塒≯ｉ）＋６）ｓｓ《，扛１，２，…ｚ

毒，毒≥０，扛１，２，…Ｚ

（７）

輸＾＼Ｊｒ；

隱岔ｆ，；

輸…ｊ，；

式中：８一回歸允許最大誤差，常數(shù)Ｃ＞Ｏ一函數(shù)廠（茹）的復雜度和樣

本擬精度之間的折衷。利用對偶原理、拉格朗日乘子法和核技術(shù)，上述優(yōu)化問題的對偶形式如下。目標函數(shù)：

ｌ

ｆ

圖２基于ＢＰ神經(jīng)網(wǎng)絡數(shù)控機床能耗預測模型

Ｆｉ９２ＴｈｅＰｒｅｄｉｃｔｉｏｎ

Ｍ０ｄｄＢａｓｅｄ

０ｎ

ＢＰＮｅｕｒａｌ

Ｎｅｔ啪ｒｋ

０ｆ

ＣＮＣＭａｃｈｉｎｅＴ００ＩＥｎｅｒ舒Ｃ明ｓｕｍｐｔｉｏｎ

ｍ畸形一｝∑∑（嘎川：）（丐‘）Ｋ（如々）

ａ，ａ

５支持向量機預測模型

５．１訓練與測試樣本的確定

（８）（９）（１０）（１１）

選擇ｃＫ６１３６ｉ數(shù)控車床為測試對象，為了獲取數(shù)控機床能耗與切削參數(shù)數(shù)據(jù)，實驗方案設計要簡潔同時便于操作，切削速度定為３檔，進給量定為３檔，切削深度定為３檔。共６４組數(shù)據(jù)，隨機抽取２５組作為訓練數(shù)據(jù)，如表１所示。在進行支持向量機建模時，首先對數(shù)據(jù)進行歸一化處理。

。

｜－Ｊ

Ｊ２Ｉ

ｌ

＋∑［ａ．（咒噌）川ｉ（咒＋ｓ）］

約束條件：５＾∑（ａ；以：）＝ｏ；ｏｓｑ，蠢ｓｃ，ｉ＝ｌ，２，…ｚ

最后支持向量機的輸出為：塒＝∑（理ｉ—ａ：）砂（誓）

“ｘ）＝∑（Ⅱｉ一蠢）Ｋ（ｔ乒）＋６

Ｎｏ．１１

５６

機械設計與制造

表１測試數(shù)據(jù)

Ｔａｂ．１

ＴｅｓｔＤａｌａ

Ｎｏｖ．２０１４

６結(jié)論

支持向量機算法以風險最小化原理為基礎，能很好地解決

０．２９９１Ｏ．３７６８Ｏ．５３８７Ｏ．６７０５０．３１６８０－５８０２ｏ．８３７５

８０８０８０８０８０８０８０８０

Ｏ．０８Ｏ．０８０．０８Ｏ．０８０．１２Ｏ．１２ｏ．１２０．１２

Ｏ．８１．２１．５１．８Ｏ．８１．２１１５１．８

小樣本、非線性、局部極小點等實際問題。提出了基于支持向量機的數(shù)控機床切削能耗預測的方法，采用支持向量機的方法建立模型，得出了切削參數(shù)對數(shù)控機床能耗的影響。經(jīng)過分析對比驗證了支持向量機預測結(jié)果相對于神經(jīng)網(wǎng)絡更接近，驗證了支持向量機在數(shù)控機床能耗預測方面應用的可行性和有效性，為數(shù)控機床的節(jié)能優(yōu)化、能耗定額制定等一系列實際問題的解決提供一種基礎支持。只是對部分切削工藝參數(shù)對數(shù)控機床切削能耗進行了預測，影響數(shù)控機床切削能耗的因素尚有很多，數(shù)控機床能耗預測有待全面進行。

１冊５

５．２核函數(shù)與模型參數(shù)的確定

支持向量機的參數(shù)包含核參數(shù)和懲罰參數(shù)。選取徑向基ＲＢＦ核函數(shù)作為數(shù)控機床切削能耗預測模型的核函數(shù)。核參數(shù)有兩個分別為和參數(shù)設置如下：ｃ．１００，占＝ｏ．０１，口＝ｌ。

參考文獻

［１］劉飛，徐宗俊，但斌．機械加工系統(tǒng)能量特性及其應用［Ｍ］．北京：機械

工業(yè)出版社，１９９５．

（ＵｕＦｅｉ，ＸｕＺ０ｎｇ－ｊｕｎ，ＤａＩｌＢｉｎ．ＭａｃｈｉｎｉｎｇＳｙｓｔｅｍＥｎｅｒ盯Ｃ叨眥ｍｐｔｉｏｎ

５．３結(jié)果分析

利用所建立的ＳＶＭ預測模型，把切削速度、進給速度、切削深度為樣本輸入，機床切削功率為樣本輸出。對表１中數(shù)據(jù)進行預測，實際值圖預測值結(jié)果對比，如圖３所示�？芍皇窃谏贁�(shù)預測點的相對預測誤差較大，大部分預測點的相對預測誤差都較為

Ｃｈｍｃｔｅｒｉｓｔｉｃｓａｎｄ

１９９５．）

Ｉｔ８

Ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＭａｃｈｉｎｅＰｒｅｓｓ，

［２］柏占偉，謝志江，胡韶華．數(shù)控機床多能源模型及其應用［Ｊ］．機械設計

與制造，２０１２（１２）．

（ＢａｉＺｈａＩｌ—ｗｅｉ，ⅪｅＺｈｉ－ｊｉａｎｇ，ＨｕＳｈａｏ＿ｈｕ＆Ｅｎｅｒｇｙ

ｆｏｒ

ｃｏｎｓｕｎｌｐｔｉｏｎｍｏｄｅｌ

理想，這個預測結(jié)果比較理想，從而驗證了支持向量機理論在數(shù)

控機床能耗預測中的可行性。相對于ＢＰ神經(jīng)網(wǎng)絡，其預測結(jié)果如圖４所示。由圖對比可知，支持向量機更適用于小樣本數(shù)據(jù)預測。支持向量機預測的切削功率與實際切削功率數(shù)據(jù)比較接近，比神經(jīng)網(wǎng)絡估算的精度高。

測試集預測結(jié)果對比（ＢＰ神經(jīng)網(wǎng)絡）

ｍｓｅ：ｏ．２７７８３

４５４

ｃＮｃ撇ｃｈｉｎｅ

ｔ００ｌｓｗｉｔｈｍｕｌｔｉｐｌｅｃｏｍｐｏｎｅｎｔｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｊ］．

ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ，２０１２（１２）．）

［３］王秋蓮，劉飛．數(shù)控機床多源能量流的系統(tǒng)數(shù)學模型［Ｊ］。機械工程學

Ｒ如４６８８９

膏

（Ｗ鋤ｇＱｉ姐－ｌｉ姐，“ｕＦｅｉ．Ｍａｌｈｅｍａｔｉｃａｌ

ｍｏｄｅｌｏｆ

ｏｆ

報，２０１３，４９（７）：５—１２．

Ｉｎｕｌｔ卜－哪ｕｒｃｅ

ｅｎｅｒｇｙ

３５

３２

么

５

２

。廣ｉ

王》

：Ｉ

聲。

鍋∥ｉ∥ｉ�！�

ｎｏｗｓｆｏｒｃＮｃⅡｍｃＩｌｉｎｅ

ｔ００１ｓ［Ｊ］Ｊｏ啪ａｌ

Ｍｅｃｈ蛐ｉｃａｌＥｎｇｉｎｅ甜ｎｇ，

２０１３，４９（７）：５一１２．）

ｔ

ｆ

｝ｏ

［４］ＫＯＲＤＯＮ０ｗＹＤ

Ｎ．Ａ

ｐｏｗｅｒ髂∞ｓｓｍｅｎｔ０ｆｍａｃｈｉｎｉｎｇｔ００ｌｓ［Ｄ］．ｃ蛐ｂｒ—

ｉｄｇｅ：Ｍ８ａ鵲ｃｈｕｓｅｎｓＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，２００３．

，５

ａ

Ｏ５Ｏ

：Ａ

‘

Ｖｒ鼉廠；

樣本編號

］Ｋ筍…

叫

［５］謝東，陳國榮，施金良．基于ＢＰ神經(jīng)網(wǎng)絡數(shù)控機床切削能耗的研究

［Ｊ］．機床與液壓，２０１２，４０（１）．

（）【ｉｅＤ傭ｇ，ＣｈｅｎＧｕｏ—ｒｏｎｇ，ＳｈｉＪｉｎ“ａＩｌｇ．Ｒｅｓｅａｒｃｈ

ｃｕｔｔｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｂ鵲ｅｄ

ｏｎ

ｏｎ

ＣＮＣ咖ｃｈｉｎｅ

ｔ∞ｌ

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

［Ｊ］．Ｍａｃｈｉｎｅ

‰ｌ＆Ｈｙｄｒ�。欤椋悖�，２０１２，４Ｊ０（１）．）

［６］張華，曾杰．基于支持向量機的風速預測模型研究［Ｊ］．太陽能學報，

２０１０，３１（７）．

（ｚｈ鋤ｇＨｕａ，ｚｅｎｇＪｉｅ．１ｈｅｗｉｎｄｓｐｅｅｄｆｏｒｅｃ鵲ｔｉｎｇｍｏｄｅｌｂ鵲ｅｄｏｎ鯽ｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＡｃｔａＥｎｅ曬神Ｓ０ｌ積ｓｓｉｎｉｃａ，２０１０，３１（７））．［７］Ｂｉｎｇ

ｔｏ

圖３實際值與預測值分布圖（支持向量機）

Ｆｉｇ．３

Ａｃｔｕａｌ

Ｖａｌｕｅ卸ｄｔｌｌｅＰｒｅｄｉｃｔｅｄＶａｌｕｅ

Ｖｅｃｔｏｒ

ＤｉｓｔＩｉｂｕｔｉｏｎ（Ｓｕｐｐｏｒｔ

Ｍ∞ｈｉｎｅ）

Ｄｏｎｇ，ＣｈｅｎｇＣ∞，ＳｉｅｗＥ�。�

ｋ．Ａｐｐｌｙｉｎｇｓｕｐｐｏｒｔｖｅｃｔｏｒ腿ｃｈｉｎｅｓ

ａｎｄ

ｐｒｅｄｉｃｔｂｕｉｌｄｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｉｎｔｍｐｉｃａｌｒｅｇｉｏｎ［Ｊ］．Ｅｎｅｒｇｙ

Ｂｕｉｌｄｉｎｇｓ，２００５（３７）：５４５—５５３．

［８］高尚，楊靜宇基于主成分分析和支持向量機的效能評定［Ｊ］．系統(tǒng)工程

與電子技術(shù)，２００６，２８（６）．

（Ｇ∞Ｓｈ粕ｇ，ＹａＩｌｇＪｉｎｇ—ｙ１１．Ａｓｓｅｓｓｉｎｇｔ｜ｌｅｅ雎ｃｔｉｖｅｎｅｓｓｂａｓｅｄｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔ鋤ａｌｙｓｉｓ鋤ｄｓｕｐｐｏｎ∞ｄＥｌｅｃｔｒｏｎｉｃｓ，２００６，２８（６）．）

［９］林升梁，劉志．基于ＲＢＦ核函數(shù)的支持向量機參數(shù)選擇［Ｊ］．浙江工業(yè)

洋木編號

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅ［Ｊ］ｓｙｓｔｅ瑚Ｅ曬ｎｅｅｒｉｎｇ

圖４實際值與預測值的分布圖（ＢＰ神經(jīng)網(wǎng)絡）Ｆｉｇ－４ＴｈｅＡｃｔｕａｌＶａｌｕｅ�。洌恚澹校颍澹洌椋悖簦澹�

Ｖａｌｕｅ

大學學報，２００８（２）．

（“ｎＳｈｅｎｇ－ｌｉ明ｇ，ｌｉｕ

Ｚｈｉ．Ｐａｒ哪ｅｔｅｒ

ｓｅｌｅｃｔｉｏｎｉｎＳＶＭｗｉｔｈＲＢＦｋｅｍｅｌ

Ｄｉｓｔｒｉｂｕｔｉｏｎ（ＢＰＮｅｕ瑁ｌＮｅｈｒｏｒｋ）

ｆｈｎｃｔｉｏｎ【Ｊ］Ｊｏ啪ａｌｏｆＺｈｅｊｉａｎｇＵＴＩｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２００８（２）．）

基于支持向量機數(shù)控機床切削能耗預測方法研究

作者：作者單位：刊名：英文刊名：年，卷(期)：

陳薇薇， 張華， 向琴， 張業(yè)祥， CHEN Wei-wei， ZHANG Hua， XIANG Qin， ZHANG Ye-xiang

陳薇薇,向琴,張業(yè)祥,CHEN Wei-wei,XIANG Qin,ZHANG Ye-xiang(武漢科技大學機械自動化學院,湖北武漢,430081)， 張華,ZHANG Hua(武漢科技大學綠色制造與節(jié)能減排科技研究中心,湖北武漢,430081)機械設計與制造

Machinery Design & Manufacture2014(11)

引用本文格式：陳薇薇.張華.向琴.張業(yè)祥.CHEN Wei-wei.ZHANG Hua.XIANG Qin.ZHANG Ye-xiang 基于支持向量機數(shù)控機床切削能耗預測方法研究[期刊論文]-機械設計與制造 2014(11)

筆耕文化傳播（http://www.bigengculture.com）包含總結(jié)匯報、IT計算機、專業(yè)文獻、旅游景點、外語學習、辦公文檔、計劃方案、出國留學以及基于支持向量機數(shù)控機床切削能耗預測方法研究_圖文等內(nèi)容。

  本文關鍵詞：數(shù)控機床多源能量流的系統(tǒng)數(shù)學模型，由筆耕文化傳播整理發(fā)布。

本文編號：234827