基于改进LSTM-AdaBoost的铣刀磨损量预测 .pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

2024年5月机床与液压May202

第52卷第10期MACHINETOOLHYDRAULICSVoL52No.10

DOI：10.3969/j.issn.1001-3881.2024.10.003

文献引用：赵小惠，杨文彬，胡胜，等.基于改进LSTM-AdaBoost的铤刀磨损量预测[J].机床与液压,2024,52(10：14-20.

Citeas:ZHAOXiaohui,YANGWenbin,HUSheng,etal.ImprovedLSTM-AdaBoostbasedmillingtoolwearprediction[J].Machine

ToolHydraulics,2024,52(10：14-20.

基于改进LSTM-AdaBoost的洗刀磨损量预测

赵小惠，杨文彬，胡胜，邮凯旋，谭琦

(西安工程大学机电工程学院，陕西西安71008)

摘要：针对铳刀磨损量预测时精度低的问题，提出一种基于黑寡妇算法(BW0优化的长短期记忆神经网络(LSTM

与AdaBoost集成学习算法相结合的铤刀磨损量预测方法。在铳刀磨损振动信号中提取时域、频域以及时频域多域特征。通

过BW0算法优化LSTM的核心参数，并将优化后的LSTM网络与AdaBoost算法进行结合，构建铤刀磨损量预测模型。最后

用PHMSociety2010ft刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铤刀磨损量变化值,

优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数为0.935。该方法能够获得准确率更高的

铤刀磨损量预测值，预测效率更高。

关键词：说刀磨损；磨损量预测；黑寡妇算法；长短期记忆神经网络；AdaBoost算法

中图分类号：TG707;TH117

ImprovedLSTM-AdaBoostBasedMillingToolWearPrediction

ZHAOXiaohui,YANGWenbin,HUSheng,HUANKaixuan,TANQi

(SchoolofMechanicalandElectricalEngineering,Xi?anPolytechnicUniversity,Xi?anShaanxi71008,China)

Abstract:Aimingattheproblemoflowaccuracywhenpredictingmillingtoolwear,amillingtoolwearpredictionmethodwaspro

posedbasedonalongshort-termmemoryneuralnetwork(LSTMoptimizedbytheblackwidowalgorithm(BWOcombinedwiththe

AdaBoostintegratedlearningalgorithm.Thetimedomain,frequencydomainandtime-frequencydomainmulti-domainfeatureswereex

tractedfromthemillingtoolwearvibrationsignal.ThecoreparametersoftheLSTMwereoptimizedbytheBWOalgorithm,andtheopti

mizedLSTMnetworkwascombinedwiththeAdaBoostalgorithmtobuildamillingtoolwearpredictionmodel.Finally,experimentswe

文档创作者

咨询Ta 进入空间

更多 >