基于支持向量机的切削过程刀具磨损研究

基于支持向量机的切削过程刀具磨损研究(任务书,开题报告,论文20000字)
摘要
在切削加工过程中，零件的品质会受到诸多要素的影响，刀具磨损是其中一个重要的影响要素。要保证零件的加工质量与生产效率，降低生产成本，就必须了解刀具磨损的影响因素，及时地掌握刀具磨损的信息，并采取相应的应对措施。因此，为了能够及时得到刀具的磨损值，构建刀具磨损预测模型是十分必要的。
本文设计了基于切削参数（切削速度、进给率、切削深度、切削时间）的正交实验，测得磨损量与切削分力，并在实验数据的基础上，提出了一种以切削参数与力信号为输入的支持向量机（SVM）模型，并应用此模型来预测刀具磨损值。由于使用网格搜索法寻找支持向量机参数的计算量较大，会花费大量的时间，本文提出了一种网格搜索法和遗传算法相结合的优化改进方案。实践结果表明，使用改进方法寻找最优参数所花费的时间更少，得到的模型具有更好的预测效果。
神经网络（NN）模型经常被用于预测刀具磨损。本文将构建完成的支持向量机模型与神经网络模型进行对比，得到了支持向量机模型具有更好的预测效果的结论。在使用不同的特征组合训练支持向量机模型后，发现不同的切削参数对于刀具磨损具有不同程度的影响，切削速度的影响程度最大，切削深度的影响程度最小，这与极差分析所得到的结果是相同的。此外，力信号与材料去除率对刀具磨损是有一定影响的，但是它们的影响程度都不如切削参数。

关键词：刀具磨损；支持向量机；遗传算法；参数寻优
 
Abstract
In the cutting process, the quality of the parts will be affected by many factors. Tool wear is one of the important factors. To ensure the processing quality and production efficiency of parts and reduce production costs, it is necessary to understand the influencing factors of tool wear, to timely grasp the information of tool wear, and to take corresponding countermeasures. Therefore, in order to obtain the wear amount of the tool in time, it is necessary to construct the tool wear prediction model.
In this paper, orthogonal tests based on cutting parameters (cutting speed, feed rate, depth of cut, cutting time) are designed to measure the amount of wear and cutting force. Based on the experimental data, a cutting parameter is proposed. The force signal is an input support vector machine (SVM) model, and this model is used to predict tool wear values. Due to the large amount of computation for searching the parameters of the support vector machine using the grid search method, it will take a lot of time. This paper proposes an improved method combining genetic algorithm and grid search method. The practical results show that using the improved method to find the optimal parameters takes less time and the resulting model has better results.
Neural network (NN) models are often used to predict tool wear. This paper compares the constructed SVM model with the neural network modeland obtains the result that the SVM model has better prediction effect. After using different feature combinations to train the SVM model, it was found that different cutting parameters had different effects on tool wear, cutting speed had the greatest degree of influence, and cutting depth had the least influence. This was compared with the range analysis. The result is the same. In addition, the force signal and material removal rate have a certain influence on tool wear, but their degree of influence is not as good as the cutting parameters.
Key Words:Tool wear; Support vector machine; Genetic algorithm; Parameter optimization


目录
第1章绪论    1
1.1 课题的研究背景及意义    1
1.2 刀具磨损预测的研究现状    2
1.2.1 刀具磨损检测    2
1.2.2 刀具磨损预测模型    3
1.3 本文的主要研究内容    3
第2章刀具磨损与实验设置    5
2.1 刀具磨损概述    5
2.1.1 刀具磨损形式    5
2.1.2 刀具磨损过程和磨钝标准    6
2.2 实验设置    7
2.2.1 实验装置    7
2.2.2 实验设计    10
2.2.3 数据处理    10
2.3 本章小结    11
第3章支持向量机理论    12
3.1 线性支持向量分类机    12
3.1.1 分类问题和线性分类问题    12
3.1.2 最大间隔    12
3.1.3 线性支持向量分类机    13
3.2 线性支持向量回归机    16
3.2.1 回归问题和线性回归问题    16
3.2.2 线性支持向量回归    16
3.3 非线性支持向量机    18
3.4 本章小结    20
第4章参数寻优与模型的建立    21
4.1 交叉验证与网格搜索法    21
4.2 遗传算法概述    22
4.3 参数寻优    23
4.4 模型的构建    27
4.4.1 数据准备与参数寻优结果    27
4.4.2 SVM模型    28
4.5 本章小结    30
第5章模型的对比    31
5.1 神经网络模型    31
5.1.1 神经网络概述    31
5.1.2 BP网络的设计    32
5.1.3 神经网络模型的建立    33
5.2 不同特征组合的对比    33
5.3 本章小结    39
第6章总结与展望    40
6.1 总结    40
6.2 展望    40
参考文献    42
致谢    44
附录A  部分MATLAB代码    45
A1 支持向量机部分    45
A2 神经网络部分    46
A3 遗传算法部分    47