基于GBDT特征提取与Tent-ASO-BP网络的铣刀磨损量预测

作     者：谭金铃 赵春华 林彰稳 罗顺 李谦 TAN Jinling;ZHAO Chunhua;LIN Zhangwen;LUO Shun;LI Qian

作者机构：三峡大学创新创业学院湖北宜昌443002 三峡大学水电机械设备设计与维护湖北省重点实验室湖北宜昌443002 三峡大学机械与动力学院湖北宜昌443002 

出 版 物：《计算机集成制造系统》 (Computer Integrated Manufacturing Systems)

年 卷 期：2024年第30卷第4期

页      面：1296-1308页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金资助项目(51975324) 

主　　题：刀具磨损量 Pearson相关系数 梯度提升决策树 Tent-ASO-BP网络 

摘      要：为了提高机械加工过程中小样本刀具磨损量监测的准确性,提出一种基于Pearson+GBDT特征提取、Tent混沌映射和原子搜索算法(ASO)优化BP神经网络(Tent-ASO-BP)的刀具磨损量预测模型。针对BP神经网络特征选择及参数选择难题,提出了基于Pearson+GBDT的双层过滤式特征筛选方式求取网络输入特征,并使用Tent混沌映射改进原子搜索算法(ASO)对BP神经网络最优权值和阈值进行求解。通过实验证明:Tent混沌映射改善了ASO,避免ASO陷入局部极值和过早收敛,即通过交叉验证证明Tent-ASO优化BP神经网络训练模型精度较ASO高。同时,验证了梯度提升决策树(GBDT)能够筛选出用于刀具磨损值映射的一组特征,且特征筛选能力强于同类算法Light GBM、Catboost、决策树、随机森林。