典型文献
改进粒子群算法和ELM的刀具磨损量预测
文献摘要：
为了提高车刀磨损量预测模型的训练速度和在线预测精度,提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)和极限学习机(Extreme Learning Machine,ELM)的刀具磨损量预测方法.采集车削加工中的声发射信号,利用小波包变换理论对信号进行降噪和特征提取,并通过主成分分析对提取的特征进行降维,选取其中对刀具磨损量敏感的特征值组成特征向量.建立基于极限学习机的刀具磨损量预测模型,并通过改进粒子群算法优化模型中的初始权值和阈值.实验结果表明:优化后的刀具磨损量预测模型相比于传统BP神经网络有更快的训练速度,同时改进后的粒子群算法有更好的寻优能力,提高了模型对于刀具磨损量的预测精度.
文献关键词：
改进粒子群算法;极限学习机;刀具磨损;在线监测
中图分类号：
作者姓名：
聂鹏;贾彤;张锴锋
作者机构：
沈阳航空航天大学机电工程学院,辽宁沈阳 110136
文献出处：
引用格式：
[1]聂鹏;贾彤;张锴锋-.改进粒子群算法和ELM的刀具磨损量预测)[J].机械设计与制造,2022(05):33-36
A类：
B类：
改进粒子群算法,ELM,刀具磨损,磨损量预测,高车,车刀磨损,训练速度,在线预测,Improved,Particle,Swarm,Optimization,IPSO,极限学习机,Extreme,Learning,Machine,采集车,车削加工,声发射信号,小波包变换,降噪,对刀,组成特征,特征向量,算法优化,权值,寻优能力,在线监测
AB值：
0.276075
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
