买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江南大学

摘要：本发明公开了基于CBAS‑ELM算法的切削过程能耗仿真预测方法，属于数控机床能耗预测技术领域。该方法针对天牛须算法存在的收敛慢，求解精度低，易陷入局部最优等问题，采用混沌优化算法中的logistic映射对天牛须算法进行改进，利用混沌扰动产生的混沌变量进行搜索，以减少天牛须算法随机搜索解；改进后的天牛须算法在迭代的第一部分使用混沌扰动机制执行全局搜索，而迭代的后半部分则基于原始行为执行局部搜索，从而加快收敛速度。进一步的，针对极限学习机的权重和阈值是随机生成的导致的ELM网络不稳定，预测精度低的问题，本申请使用改进后的天牛须算法来优化ELM权重和阈值从而提高了ELM的稳定性，进而提高了预测精度。

主权项：1.基于CBAS-ELM算法的切削过程能耗仿真预测方法，其特征在于，所述方法包括：Step1：确定能耗预测模型的输入、输出变量，建立基于极限学习机ELM网络的能耗模型；Step2：采用混沌天牛须优化算法优化ELM网络的权值阈值，建立基于CBAS-ELM的能耗预测模型；所述混沌天牛须优化算法为采用混沌优化算法中的logistic映射对天牛须算法进行改进得到的优化算法；Step3：采用Step2所建立的基于CBAS-ELM的能耗预测模型对机床切削过程进行能耗预测；所述Step1中建立基于极限学习机ELM网络的能耗模型，包括：ELM网络包括输入层、隐含层和输出层；标准的极限学习机计算过程描述如下： 其中，L是ELM网络中隐含层的节点数，βi是连接第i层隐含层节点和输出层节点的权值，gix为对应的激活函数，wi为第i层隐含层节点阈值，bi是第i层隐含层的偏移量；N表示训练样本的个数；则公式2表示为：T＝Hβ3 式中m是输入变量x的维度，H是隐含层输出矩阵，T是训练目标矩阵；获取能耗预测模型的输入、输出变量值，并将其划分为训练集和测试集；根据ELM算法理论，搭建ELM网络的能耗模型，其中输入变量为x切削过程中的v-切削速度、ap-切削深度和ft-进给量所组成的向量，输出变量为E-能耗；设定隐含层个数，根据训练集中的输入、输出变量值初始化模型的权值和阈值，得到基于极限学习机ELM网络的能耗模型；所述Step2中混沌天牛须优化算法为采用混沌优化算法中的logistic映射对天牛须算法进行改进、利用混沌扰动产生的混沌变量进行搜索以将搜索空间限定在最优解附近的区域内得到的算法，具体优化过程包括：步骤1.参数初始化：BAS算法参数初始化，混沌优化算法参数初始化；步骤2.设置停止标准，未达到停止标准跳转3，达到停止标准跳转10；步骤3.BAS算法产生随机搜索方向，位置搜索，状态更新；随机搜索方向： 式中k为空间维数，rand是随机搜索函数；位置搜索： 在搜索范围内，xl代表左须坐标，xr代表右须坐标；d为两须之间的距离；状态更新：xt+1＝xt-δtbsignfxrt-fxlt9式中xt表示迭代时的质心坐标，xlt为t时刻左须位置坐标，xrt为t时刻右须位置坐标，δt为迭代的步长，fxrt为右须搜索到的值，fxlt为左须搜索到的值；步骤4.迭代次数设定，如果小于iteration2，跳转至步骤5，如果大于则跳转至步骤7；步骤5.混沌初始化种群：在[0,1]之间产生h个的随机数，分别为h维混沌变量Z＝Z1,Z2,...,Zk各分量的初值，通过n次迭代产生n个具有混沌特性的h维的序列；通过Logistic映射产生混沌变量，将产生的变量映射到优化变量的搜索区域，即得到n个初始位置，具体公式如下；采用Logistic映射来生成伪随机序列yg+1：yg+1＝μyg1-ygyg∈[0,1],μ∈[0,4],g＝0,1,…10式中yg分布于0,1之间，y0∈0,1并且μ是分叉系数；μt∈[0,4]为Logistic参数，取3.5699456＜μt≤4；利用Logistic映射阐释混沌变量，公式10改写为： 式中yc为第c个混沌变量，D表示混沌变量个数，g是迭代次数，根据公式11生产混沌变量后，将产生的变量映射回问题的搜索空间中，得到映射后的搜索空间位置xgc，如公式12所示： 步骤6.局部搜索：用5中的方法Q次迭代产生一个长度为Q的h维混沌序列，再用x＝xbst+RZ-0.5，得到Q个在最优位置xbst附近的具有混沌特性的搜索点，将这些点代入到优化函数中进行检验，分别与函数最优解fbst进行比较；步骤7如果满足搜索得到的函数值小于函数最优解，即可将搜索到的位置更新为xbst，如果不满足则跳转8；步骤8.根据式13和14更新BAS算法左右须距离和步长；dt＝0.95dt-1+0.0113δt＝0.95δt-114步骤9.返回fbst，xbst；所述Step2中采用混沌天牛须优化算法优化ELM网络的权值阈值，包括：将所述Step1中获取能耗预测模型的输入、输出变量值划分训练集和测试集，将训练集中的切削速度，切削深度，进给量数据作为ELM模型的输入变量，切削能耗作为ELM模型的输出变量，对ELM模型进行训练；1.初始化参数的设置，ELM网络结构设定；混沌天牛须优化算法CBAS的相关参数初始化，包括步长，左右须的搜索位置；2.将所述Step1中获取能耗预测模型的输入、输出变量值划分训练集和测试集，将训练集中的切削速度，切削深度，进给量数据作为ELM模型的输入变量，切削能耗作为ELM模型的输出变量，进行仿真；3.定义目标函数：将2中ELM模型的训练误差作为适应度值，采用CBAS算法优化极限学习机网络的权值阈值；所述训练误差指将训练集中的输入变量值输入ELM模型中得到的能耗预测值与实际预测值的误差；4.判断是否寻找到最优；否，更新步长后更新天牛的位置；是，直接更新天牛位置；5.判断是否达到终止条件：若达到终止条件则跳转至6，若未到达终止条件则跳转至3；所述终止条件即为训练误差达到预设的误差阈值；6.获取达到终止条件的ELM网络结构：获取最优权值和阈值；7.得到基于CBAS-ELM网络机床能耗预测模型。

全文数据：

权利要求：

百度查询： 江南大学 基于CBAS-ELM算法的切削过程能耗仿真预测方法