[发明专利]基于CBAS-ELM算法的切削过程能耗仿真预测方法

权利要求书

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。

2.根据权利要求1所述的方法，其特征在于，所述Step1中能耗预测模型的输入、输出变量分别为：

输入变量：v-切削速度；a_p-切削深度；f_t-进给量；

输出变量：E-能耗；

输入、输出变量之间的关系为：

E＝E_c+E_va＝E_spindle+E_feed＝f(v,a_p,f_t,mat) (1)

其中，E_c表示切削能耗，E_va表示变化能耗；E_spindle表示主轴电机能耗，E_feed表示进给轴电机能耗；v-切削速度，a_p-切削深度，f_t-进给量，mat-材料特征。

3.根据权利要求2所述的方法，其特征在于，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，β_i是连接第i层隐含层节点和输出层节点的权值，g_i(x)为对应的激活函数，w_i为第i层隐含层节点阈值，b_i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＝Hβ (3)

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、a_p-切削深度和f_t-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。