基于GBDT特征提取与Tent-ASO-BP网络的铣刀磨损量预测
来源：计算机集成制造系统杂志2024年第4期北京时间：
作者：谭金铃, 赵春华, 林彰稳, 罗顺, 李谦
单位：1.三峡大学创新创业学院2.三峡大学水电机械设备设计与维护湖北省重点实验室3.三峡大学机械与动力学院
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LightGBM、Catboost、决策树、随机森林。
关键词：刀具磨损量,Pearson相关系数,梯度提升决策树,Tent-ASO-BP网络
基金资助：国家自然科学基金资助项目(51975324)。
