针对在刀具磨损实时监测过程中受外界噪声影响而导致预测准确度较低问题,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和灰狼优化支持向量机(Grey Wolf Optimization Support Vector Machine,GWO-SVM)的刀具磨损...针对在刀具磨损实时监测过程中受外界噪声影响而导致预测准确度较低问题,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和灰狼优化支持向量机(Grey Wolf Optimization Support Vector Machine,GWO-SVM)的刀具磨损量预测模型。该模型采用时域、频域和时频联合域上的特征提取方法,能有效捕捉刀具磨损过程中不同方面的信息;通过PCC优化方法筛选与刀具磨损高度相关的特征数据,提高模型的特征提取能力;利用灰狼算法获取搜索狼群中具有最佳适应度值的位置,即对应的SVM惩罚因子C和核函数参数σ作为SVM的最优参数进行构建和训练,提高预测精度。实验结果表明,PCC-GWO-SVM模型在球头铣刀磨损预测任务中的均方误差MSE为0.0181mm^(2),平均相对误差MAPE为0.187%,决定系数R^(2)为0.9827,均优于预测模型GA-SVM和BES-LSSVM,验证了该模型的有效性和可行性。展开更多
文摘针对在刀具磨损实时监测过程中受外界噪声影响而导致预测准确度较低问题,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和灰狼优化支持向量机(Grey Wolf Optimization Support Vector Machine,GWO-SVM)的刀具磨损量预测模型。该模型采用时域、频域和时频联合域上的特征提取方法,能有效捕捉刀具磨损过程中不同方面的信息;通过PCC优化方法筛选与刀具磨损高度相关的特征数据,提高模型的特征提取能力;利用灰狼算法获取搜索狼群中具有最佳适应度值的位置,即对应的SVM惩罚因子C和核函数参数σ作为SVM的最优参数进行构建和训练,提高预测精度。实验结果表明,PCC-GWO-SVM模型在球头铣刀磨损预测任务中的均方误差MSE为0.0181mm^(2),平均相对误差MAPE为0.187%,决定系数R^(2)为0.9827,均优于预测模型GA-SVM和BES-LSSVM,验证了该模型的有效性和可行性。
