基于高斯过程回归的铣削主轴功率预测模型研究

《JOURNAL OF INTELLIGENT MANUFACTURING》：Prediction of spindle power during cutting using Gaussian process regression

本研究针对铣削加工中主轴功率限制加工效率的瓶颈问题，开发了一种基于高斯过程回归（GPR）的机器学习模型。该模型能够利用有限的实验数据，通过融合线性核与径向基函数（RBF）核，精准预测主轴功率，即使在数据稀疏或需要外推的区域也保持高精度，为优化切削参数、实现高效加工提供了有效工具。

　　

限制铣削加工效率的一个关键因素是主轴功率上限。为实现高效加工，提前预测主轴功率至关重要，这使得我们能够选择在不超过功率限制的前提下最大化材料去除率的切削参数。在本研究中，研究人员开发了一种采用高斯过程回归(Gaussian Process Regression, GPR)的机器学习模型，用于根据实际加工试验数据来预测主轴功率。由于需要材料、刀具和时间等资源，在这些试验中收集大量数据十分困难。尽管更简单的机器学习模型在数据稀疏区域往往精度下降，但高斯过程回归通过适配核函数，即使在数据有限的情况下也能保持较高的预测准确性。研究人员选择了与主轴功率理论公式相吻合的核函数。其中，线性核代表了解释变量之间的比例关系，而径向基函数(Radial Basis Function, RBF)核则捕捉了非线性关系，例如指数函数。首先，他们使用一个简单的数学模型来评估合适的核函数组合。接着，利用实际加工试验的数据训练了一个预测模型，并评估了该核函数组合的有效性。最终得到的模型能够准确预测主轴功率，即使在数据稀疏或需要进行外推的区域也是如此。