CN111797469B - 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 - Google Patents
一种基于加工让刀变形约束的航发机匣工艺参数优化方法 Download PDFInfo
- Publication number
- CN111797469B CN111797469B CN202010586348.9A CN202010586348A CN111797469B CN 111797469 B CN111797469 B CN 111797469B CN 202010586348 A CN202010586348 A CN 202010586348A CN 111797469 B CN111797469 B CN 111797469B
- Authority
- CN
- China
- Prior art keywords
- population
- support vector
- individuals
- deformation
- vector regression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Physiology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于加工让刀变形约束的航发机匣工艺参数优化方法,以切削速度v、进给速度f、切削深度ap作为实验变量,设计仿真实验方案,结合仿真结果的让刀变形d,构建数据集,采用V‑fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练,利用得到的支持向量回归模型来构建种群的所有个体,并基于单目标遗传优化算法,以让刀变形作为约束条件,求解优化设计模型,得到满足让刀变形最小的加工工艺参数组合。本发明通过少量的实验样本,快速选择出满足最小让刀变形目标条件的最优加工工艺参数组合,有利于提高机匣的加工质量。
Description
技术领域
本发明涉及机匣加工技术领域,尤其涉及一种针对航发机匣加工变形所提出的工艺参数优化方法。
背景技术
航空发动机燃烧室机匣壳体型面呈现明显的薄壁特征,由于刚性较差,薄壁结构件容易产生加工变形。随着车削过程的进行,工步由粗加工、半精加工到精加工,切削深度也在逐渐的减少。精加工中的让刀变形现象会在较小的切削深度下产生显著影响,具体表现为切削过程中刀具的刚性较好,机匣壳体型面的刚性较差,由于切削力的作用,刀具对工件的挤压使工件产生弹性变形,因此刀具在理论走刀路径下无法完成理论切削深度。在切削完成后,工件的弹性变形恢复,会造成走刀路径上的实际壁厚值大于理论壁厚,这就是让刀变形现象。设计合适的加工工艺参数对于减小让刀变形有着重要的意义。
传统的机匣加工工艺参数选择是通过人工设计大量的实验方案,获取大量的实验数据来分析工艺参数的影响趋势,进而指导加工。当机匣加工工艺参数的范围较广的情况下,传统方法无法快速准确地找到符合条件的最优工艺参数组合。为了提高机匣的加工质量,减少确定工艺参数需要的时间,使其满足工业需求,对机匣加工工艺参数进行快速优化选择就很有必要。
机匣加工工艺参数选择问题是一个典型的多输入单输出优化问题。在此类问题中,通过设定一定的迭代次数,目标函数的值最终达到收敛,即能够直接选择出一组工艺参数组合使得目标函数达到最大值或者最小值。
发明内容
本发明要解决的技术问题在于针对现有技术中无法快速准确地确定机匣加工工艺参数的缺陷,提供一种基于加工让刀变形约束的航发机匣工艺参数优化方法,对机匣加工工艺参数进行快速优化选择,减少确定工艺参数需要的时间,可以有效提高机匣的加工质量和效率。本发明解决其技术问题所采用的技术方案是:
本发明实施例提供一种机匣加工最优工艺参数选择方法,包括以下步骤:
S1、以切削速度v、进给速度f、切削深度ap作为实验变量,设计仿真实验方案,结合仿真结果让刀变形d,构建数据集;
S2、以数据集中切削速度v、进给速度f、切削深度ap作为模型输入,以让刀变形d作为模型输出,采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练;
S3、确定决策向量的上下限,在决策向量范围内,初始化种群,利用已训练好的支持向量回归模型来预测种群的所有个体,输出每个个体对应的让刀变形d;
S4、选取目标函数和确定约束条件,建立机匣加工工艺参数的优化设计模型,基于单目标遗传优化算法求解优化设计模型,得到满足让刀变形最小的加工工艺参数组合。
接上述技术方案,步骤S1中的仿真实验方案是指正交实验设计。
接上述技术方案,步骤S2中采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练,包括以下步骤:
S21、将步骤S1中构建的数据集随机分为V份,每次选取V-1份数据集作为训练数据集,剩下的1份数据集作为交叉验证集,完成V-fold数据划分;
S22、以径向基函数组合来构建支持向量回归模型的核函数;
S23、采用V-fold交叉验证方法,结合训练数据集和网格搜索法进行超参数寻优:对每一组超参数,建立V个支持向量回归模型集,并使用V个支持向量回归模型对交叉验证集进行预测,计算每一个支持向量回归模型所对应的模型均方差,并对所有支持向量回归模型MODi,1≤i≤K的均方差求平均值,作为该组超参数对应的预测误差值,选择最小的预测误差值所对应的超参数,完成支持向量回归模型训练。
接上述技术方案,步骤S3中的种群的个体由决策向量得到,所述决策向量由切削速度v、进给速度f、切削深度ap组成。
接上述技术方案,步骤S4中的目标函数为最小让刀变形,约束条件为让刀变形的范围[dmin,dmax]。
接上述技术方案,步骤S4中基于单目标遗传优化算法求解优化设计模型,包括以下步骤:
S41、根据决策向量的大小范围对种群中的个体进行二进制编码;
S42、对完成二进制编码的种群中个体进行解码以得到父代种群,并利用训练好的支持向量回归模型求解目标函数值,并作为父代种群中每个个体的适应度,经过父代种群的交叉和变异,生成子代种群,并求子代种群中每个个体的适应度,选择父代个体中适应度较强的个体替代子代种群中适应度较弱的个体,完成一次迭代优化;
S43、迭代次数加1,若迭代次数小于设定的种群迭代阈值,跳转到步骤S41进行新一轮优化,否则,迭代优化结束,输出精英种群中的所有个体,作为最优的工艺参数组合。
接上述技术方案,步骤S41中根据决策向量的大小范围对种群中的个体进行二进制编码是指:
首先,确定决策向量的变化范围:切削速度v的范围是[vmin,vmax]、进给速度f的范围是[fmin,fmax]、切削深度ap的范围是[apmin,apmax];
其次,分别确定编码位数Nv,Nf,Nap,并设定求解精度为Pv,Pf,Pap,使得编码满足以下条件:
最后,随机生成以编码位数为长度的二进制序列,合并并完成个体的二进制编码。
本发明产生的有益效果是:本发明提供一种基于加工让刀变形约束的航发机匣工艺参数优化方法,以切削速度v、进给速度f、切削深度ap作为实验变量,设计仿真实验方案,结合仿真结果的让刀变形d,构建数据集,采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练,利用得到的支持向量回归模型来构建种群的所有个体,并基于单目标遗传优化算法,以让刀变形作为约束条件,求解优化设计模型,得到满足让刀变形最小的加工工艺参数组合。本发明通过少量的实验样本,快速选择出满足最小让刀变形目标条件的最优加工工艺参数组合,有利于提高机匣的加工质量。
附图说明
图1为本发明实施例中方法的总体实施流程图。
图2为本发明实施例中方法的支持向量回归模型训练的流程图。
图3为本发明实施例中方法的求解优化设计模型的流程图。
图4为本发明具体实施例所求解出来的最佳机匣加工工艺参数对应的目标函数随迭代次数逐渐收敛的过程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供一种基于加工让刀变形约束的航发机匣工艺参数优化方法,包括以下步骤:
S1、以切削速度v、进给速度f、切削深度ap作为实验变量,设计仿真实验方案,结合仿真结果的让刀变形d,构建数据集;作为一具体实施例,建立了Abaqus机匣壳体型面让刀变形有限元仿真模型,实现对单一位置处让刀变形结果的计算,接着基于Python对Abaqus让刀变形有限元模型进行二次开发,实现了对不同时间、不同位置处的让刀变形结果并行计算,通过对结果后处理程序的二次开发,实现了对多个结果的批量提取。设计三因素五水平正交实验,收集到25个实验样本。
S2、以切削速度v、进给速度f、切削深度ap作为模型输入,以让刀变形d作为模型输出,采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练。V-fold交叉验证方法训练支持向量回归模型有利于提高回归模型的泛化能力,提高对让刀变形的预测精度。
S3、确定决策向量的上下限,在决策向量范围内,初始化种群,利用已训练好的支持向量回归模型来预测种群的所有个体,输出每个个体对应的让刀变形d。
S4、选取目标函数和确定约束条件,建立机匣加工工艺参数的优化设计模型,基于单目标遗传优化算法求解优化设计模型,得到满足最小让刀变形的最优机匣加工工艺参数组合。
本发明的方法通过少量的实验样本,快速选择出在要求的工艺参数范围内,达到最小让刀变形目标条件的最优机匣加工工艺参数组合,有利于提高机匣加工质量,以及缩短确定工艺参数所需要的时间。
进一步地,步骤S1中的设计实验方案是指正交实验设计,有效保证小样本数据的空间充满性。
进一步地,如图2所示,步骤S2中采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练,包括以下步骤:
S21、将步骤S1中构建的数据集随机分为V份,每次选取V-1份数据集作为训练数据集,剩下的1份数据集作为交叉验证集,完成V-fold数据划分;作为一具体实施例,对上述收集到25个实验样本分成5份,每份5个实验样本。
S22、以径向基函数组合来构建支持向量回归模型的核函数。
S23、采用V-fold交叉验证方法,结合训练数据集和网格搜索法进行超参数寻优:对每一组超参数,建立V个支持向量回归模型集,并使用V个支持向量回归模型对交叉验证集进行预测,计算每一个支持向量回归模型所对应的模型均方差,并对所有支持向量回归模型MODi,1≤i≤K的均方差求平均值,作为该组超参数对应的预测误差值,选择最小的预测误差值所对应的超参数,完成支持向量回归模型训练。
支持向量回归是基于支持向量分类机的机器学习算法,在处理小样本、高维度和非线性等复杂问题上颇具优势且泛化能力良好。支持向量回归具有易实现、预测准确等特点。
采用V-fold交叉验证方法,训练的支持向量回归模型通过少量的实验样本不断的交叉验证,反复迭代寻找到最优的超参数,有利于提高回归模型的泛化能力,提高对工艺参数的预测精度。
进一步地,步骤S3中的种群的个体由决策向量得到,所述决策向量由切削速度v、进给速度f、切削深度ap组成。
作为一具体实施例,切削速度的正常工作范围是40m/min~200m/min,进给速度的正常工作范围是0.05mm/r~0.25mm/r,切削深度的正常工作范围是0.10mm~0.30mm。
进一步地,如图3所示,步骤S4中的目标函数为最小让刀变形,约束条件为让刀变形的范围[dmin,dmax]。
作为一具体实施例,让刀变形的约束范围为0.01~0.03mm。
接上述技术方案,步骤S4中基于单目标遗传优化算法求解优化设计模型,包括以下步骤:
S41、根据决策向量的大小范围对种群中的个体进行二进制编码;
S42、对完成二进制编码的种群中个体进行解码以得到父代种群,并利用训练好的支持向量回归模型求解目标函数值,并作为父代种群中每个个体的适应度,经过父代种群的交叉和变异,生成子代种群,并求子代种群中每个个体的适应度,选择父代个体中适应度较强的个体替代子代种群中适应度较弱的个体,完成一次迭代优化;
S43、迭代次数加1,若迭代次数小于设定的种群迭代阈值,跳转到步骤S41进行新一轮优化,否则,迭代优化结束,输出精英种群中的所有个体,作为最优的工艺参数组合。
作为一具体实施例,为了保证得到近似最优解,将种群迭代次数为25。
进一步地,步骤S41中根据决策向量的大小范围对种群中的个体进行二进制编码是指:
首先,确定决策向量的变化范围:切削速度v的范围是[vmin,vmax]、进给速度f的范围是[fmin,fmax]、切削深度ap的范围是[apmin,apmax];
其次,分别确定编码位数Nv,Nf,Nap,并设定求解精度为Pv,Pf,Pap,使得编码满足以下条件:
最后,随机生成以编码位数为长度的二进制序列,合并并完成个体的二进制编码。
本发明采用V-fold交叉验证方法训练支持向量回归模型有利于提高回归模型的泛化能力,提高对工艺参数的预测精度,基于单目标遗传优化算法求解优化设计模型可快速选择出在要求的工艺参数范围内,达到最小让刀变形目标条件的最优机匣加工工艺参数组合,有利于提高机匣加工质量和效率。作为一具体实施例,所求解出来的最佳机匣加工工艺参数对应的目标函数随迭代次数逐渐收敛的过程如图4所示。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于加工让刀变形约束的航发机匣工艺参数优化方法,其特征在于,包括以下步骤:
S1、以切削速度v、进给速度f、切削深度ap作为实验变量,设计仿真实验方案,结合仿真结果让刀变形d,构建数据集;
S2、以数据集中切削速度v、进给速度f、切削深度ap作为模型输入,以让刀变形d作为模型输出,采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练;
S3、确定决策向量的上下限,在决策向量范围内,初始化种群,利用已训练好的支持向量回归模型来预测种群的所有个体,输出每个个体对应的让刀变形d;
S4、选取目标函数和确定约束条件,建立机匣加工工艺参数的优化设计模型,基于单目标遗传优化算法求解优化设计模型,得到满足让刀变形最小的加工工艺参数组合;
步骤S2中采用V-fold交叉验证方法,完成多输入单输出的支持向量回归模型的训练,包括以下步骤:
S21、将步骤S1中构建的数据集随机分为V份,每次选取V-1份数据集作为训练数据集,剩下的1份数据集作为交叉验证集,完成V-fold数据划分;
S22、以径向基函数组合来构建支持向量回归模型的核函数;
S23、采用V-fold交叉验证方法,结合训练数据集和网格搜索法进行超参数寻优:对每一组超参数,建立V个支持向量回归模型集,并使用V个支持向量回归模型对交叉验证集进行预测,计算每一个支持向量回归模型所对应的模型均方差,并对所有支持向量回归模型MODi,1≤i≤K的均方差求平均值,作为该组超参数对应的预测误差值,选择最小的预测误差值所对应的超参数,完成支持向量回归模型训练;
步骤S3中的种群的个体由决策向量得到,所述决策向量由切削速度v、进给速度f、切削深度ap组成;
步骤S4中的目标函数为最小让刀变形,约束条件为让刀变形的范围[dmin,dmax];
步骤S4中基于单目标遗传优化算法求解优化设计模型,包括以下步骤:
S41、根据决策向量的大小范围对种群中的个体进行二进制编码;
S42、对完成二进制编码的种群中个体进行解码以得到父代种群,并利用训练好的支持向量回归模型求解目标函数值,并作为父代种群中每个个体的适应度,经过父代种群的交叉和变异,生成子代种群,并求子代种群中每个个体的适应度,选择父代个体中适应度较强的个体替代子代种群中适应度较弱的个体,完成一次迭代优化;
S43、迭代次数加1,若迭代次数小于设定的种群迭代阈值,跳转到步骤S41进行新一轮优化,否则,迭代优化结束,输出精英种群中的所有个体,作为最优的工艺参数组合;
步骤S41中根据决策向量的大小范围对种群中的个体进行二进制编码是指:
首先,确定决策向量的变化范围:切削速度v的范围是[vmin,vmax]、进给速度f的范围是[fmin,fmax]、切削深度ap的范围是[apmin,apmax];
其次,分别确定编码位数Nv,Nf,Nap,并设定求解精度为Pv,Pf,Pap,使得编码满足以下条件:
最后,随机生成以编码位数为长度的二进制序列,合并并完成个体的二进制编码。
2.根据权利要求1所述的方法,其特征在于,步骤S1中的仿真实验方案是指正交实验设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586348.9A CN111797469B (zh) | 2020-06-24 | 2020-06-24 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586348.9A CN111797469B (zh) | 2020-06-24 | 2020-06-24 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797469A CN111797469A (zh) | 2020-10-20 |
CN111797469B true CN111797469B (zh) | 2023-10-17 |
Family
ID=72804214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586348.9A Active CN111797469B (zh) | 2020-06-24 | 2020-06-24 | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797469B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668227B (zh) * | 2020-12-31 | 2024-02-02 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
CN112916883B (zh) * | 2021-01-26 | 2022-06-17 | 华中科技大学 | 一种航轴车削加工让刀变形预测方法 |
CN113189948B (zh) * | 2021-04-23 | 2022-09-27 | 重庆大学 | 考虑加工精度可靠性的薄板类零件加工工艺参数优化方法 |
CN113592772B (zh) * | 2021-06-25 | 2023-11-14 | 河海大学 | 基于动态加工特征的复杂零件轮廓自适应精加工方法 |
CN114398732A (zh) * | 2022-01-11 | 2022-04-26 | 福州大学 | 一种cfrp铣削工艺参数的优化方法及系统 |
CN115982887B (zh) * | 2022-12-30 | 2024-01-23 | 恒锋工具股份有限公司 | 一种钢轨修复用盘铣刀刀片排布多目标优化设计方法 |
CN116047919B (zh) * | 2023-04-03 | 2023-07-21 | 成都飞机工业(集团)有限责任公司 | 一种交点孔镗削参数优化方法、装置、设备及介质 |
CN118034063B (zh) * | 2024-04-08 | 2024-06-18 | 哈尔滨理工大学 | 一种立铣刀刀头参数优化方法、系统及立铣刀 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN110732853A (zh) * | 2019-11-21 | 2020-01-31 | 华中科技大学无锡研究院 | 螺旋桨机器人铣削加工工艺方法 |
-
2020
- 2020-06-24 CN CN202010586348.9A patent/CN111797469B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN110732853A (zh) * | 2019-11-21 | 2020-01-31 | 华中科技大学无锡研究院 | 螺旋桨机器人铣削加工工艺方法 |
Non-Patent Citations (6)
Title |
---|
The use of support vector machine, neural network, and regression analysis to predict and optimize surface roughness and cutting forces in milling;Ali Yeganefar 等;The International Journal of Advanced Manufacturing Technology;第105卷;第951-965页 * |
基于GA-LSSVR的铣削加工变形预测;赵清艳 等;组合机床与自动化加工技术(第12期);第57-60页 * |
基于SVM的盾构刀盘能耗预测分析;陶冶;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第04期);第C033-104页 * |
基于SVR-GA算法的广义加工空间机床切削稳定性预测与优化研究;邓聪颖 等;仪器仪表学报;第40卷(第10期);第227-236页 * |
针对航空难加工材料的刀具与切削参数优化途径;刘畅 等;航空制造技术(第15期);第40-43页 * |
面向数控车床床身静动态性能的近似模型及多目标优化研究;洪后紧;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(第02期);第B022-886页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111797469A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797469B (zh) | 一种基于加工让刀变形约束的航发机匣工艺参数优化方法 | |
CN112488315B (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
Segura et al. | Improving the vector generation strategy of differential evolution for large-scale optimization | |
CN111667071B (zh) | 一种基于改进遗传算法的传统作业车间调度方法 | |
CN113610233B (zh) | 一种基于改进遗传算法的柔性作业车间调度方法 | |
CN105718943A (zh) | 基于粒子群优化算法的特征选择方法 | |
CN113051683B (zh) | 一种数控机床刀具寿命预测方法、系统、设备及存储介质 | |
Lai et al. | FP-Diffusion: Improving score-based diffusion models by enforcing the underlying score fokker-planck equation | |
CN114943300A (zh) | 基于循环一致生成对抗网络的不平衡数据分类方法 | |
CN104537425B (zh) | 一种汽车空调出风口的生产装配过程的优化调度方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
Phan et al. | Efficiency enhancement of evolutionary neural architecture search via training-free initialization | |
CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 | |
CN111597645A (zh) | 一种机器人去毛刺最优工艺参数选择方法和系统 | |
CN111967184B (zh) | 一种基于序列模型的多目标天线设计方法 | |
CN111813669B (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
CN113297185A (zh) | 一种特征衍生方法及装置 | |
CN110674860A (zh) | 基于邻域搜索策略的特征选择方法、存储介质和终端 | |
CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
CN114169542A (zh) | 用于不完整数据分类的集成学习树构建方法 | |
CN111563043B (zh) | 一种并发程序测试噪声注入优化方法 | |
CN110096742B (zh) | 一种基于预测模型及粒子群算法的预锻成形模具设计方法 | |
CN112257215B (zh) | 一种产品寿命分布参数的极大似然估计求解方法及系统 | |
Werner et al. | Automatic compiler optimization on embedded software through k-means clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |