基于支持向量机的超声强化加工表面性能预测

在超声振动挤压强化加工中,利用支持向量机的回归原理研究了工艺参数与工件加工表面性能之间的非线性关系。在45号钢超声强化加工正交试验的基础上,选取主轴转速、工具头振幅以及挤压次数3个因素中的最优参数,根据等差原则,在进给速度和挤压力参数各取28组数据基础上,实验测得其表面粗糙度和硬度;将所得数据代入支持向量机模型,建立超声强化加工粗糙度和硬度曲线非线性特性模型和回归函数,并进行实验验证。结果表明:预测数据与原始数据基本吻合,证明此模型可以有效预测加工后零件的表面粗糙度和硬度。

基于MEA-BP神经网络的超声挤压加工表面粗糙度预测

为了有效预测超声挤压加工工件的表面粗糙度,建立以转速,进给速度,振幅,挤压力,挤压次数为输入参数,表面粗糙度为输出结果的预测模型。该模型利用思维进化算法(mind evolutionary algorithm,MEA)的全局搜索能力对BP神经网络的权值和阈值进行优化。为了验证该模型的有效性,对45号钢进行超声挤压加工后,使用BP神经网络进行预测,通过引入思维进化算法(MEA)和遗传算法(GA)优化BP神经网络的权值和阈值,并对3种模型的预测精度进行对比分析。结果表明:在相同的实验条件下,MEA-BP模型的预测结果最精准,与BP神经网络相比,该模型精度高,运行速度快。