刀具磨损状态的多步向前智能预测

TG71%TH117.1; 刀具状态的准确监测对于提高切削加工质量和加工效率至关重要.在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大.高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高.针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测.为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法.研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 9; pp. 3038 - 3049
Main Authors 朱锟鹏, 黄称意, 李俊
Format Journal Article
LanguageChinese
Published 中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164 30.09.2024
武汉科技大学机械自动化学院,湖北 武汉 430081%中国科学院合肥物质科学研究院智能机械研究所先进制造技术研究中心,江苏 常州 213164
Subjects
递归
Gaussian process
多步预测
multi-step prediction
刀具状态监测
tool condition monitoring
高斯过程
recurrent
Online AccessGet full text

Cover

More Information
Summary:TG71%TH117.1; 刀具状态的准确监测对于提高切削加工质量和加工效率至关重要.在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大.高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高.针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测.为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法.研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了 85.68％,20.67％和 63.32％.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.0575