相关实验视频
Updated: Jul 10, 2025
05:04
Determining the Mechanical Strength of Ultra-Fine-Grained Metals
Published on: November 22, 2021
2.3K
在超精密削中预测表面粗度:使用数据融合的极端学习机器方法
Suiyan Shang1, Chunjin Wang1, Xiaoliang Liang1
1State Key Laboratory of Ultra-Precision Machining Technology, Department Industrial and Systems Engineering, The Hong Kong Polytechnic University, Hong Kong, China.
Micromachines
|November 25, 2023
概括
这项研究介绍了一种极端学习机器 (ELM),用于预测超精密削中的表面粗度. 数据融合显著提高了ELM的准确性,以1.6%的错误率超过其他方法.
科学领域:
- 制造业 工程 制造工程
- 机器学习应用 机器学习应用
- 表面计量学 表面计量学
背景情况:
- 精确的表面粗度预测在超精密制造中至关重要.
- 传统的方法经常与复杂的加工动态和有限的数据作斗争.
- 极端学习机器 (ELM) 由于其快速学习和适应能力,提供了巨大的潜力.
研究的目的:
- 开创极端学习机器 (ELM) 的应用,用于在超精密削中预测表面粗度.
- 通过在特征层面上融合加工参数和力信号数据来提高ELM预测的准确性.
- 通过实验验证来验证拟议的基于数据融合的ELM方法.
主要方法:
- 使用极端学习机器 (ELM) 算法进行预测建模.
- 通过结合加工参数和力信号数据来实现特征级数据融合.
- 进行超精密的研磨实验,以生成全面的数据集.
- 使用诸如平均绝对百分比误差 (MAPE) 等指标评估预测性能.
主要成果:
- 提出的基于数据融合的ELM方法显著提高了表面粗度预测的准确性.
- 使用数据融合的ELM实现了1.6%的低平均绝对百分比误差.
- 模型训练时间非常短,只需要18秒.
- 与其他最先进的方法相比,ELM方法显示出更高的性能.
结论:
- 通过特征级数据融合增强的极端学习机器,在超精密削中对表面粗度的预测非常有效.
- 这种方法为实时制造质量控制提供了一个计算效率高,准确的解决方案.
- 这些发现为在精密工程中整合先进的机器学习技术铺平了道路.
