基于郊狼算法优化的LSSVM多工序质量预测方法

零件制造是一个多工序加工过程,各个工序的质量特征共同影响产品的最终质量.为有效提高产品质量和生产效率,提出一种基于郊狼优化算法(COA)和最小二乘支持向量机(LSSVM)的多工序质量预测方法.首先,以复杂零件关键质量特性为研究对象,通过对加工工艺进行分析确定其影响要素;其次,针对LSSVM预测模型参数难以确定的问题,采用改进后的COA算法对LSSVM中惩罚因子及核函数参数进行优化,构建COA-LSSVM多工序质量预测模型;最后,以某关键零部件为例,分别采用COA-LSSVM和LSSVM、PSO-LSSVM模型预测结果进行对比试验.试验结果表明:与LSSVM、PSO-LSSVM模型相比,COA-LSSVM模型不但预测精度高、速度快,而且具有更好的泛化能力和鲁棒性,能够较好地实现机加零件的质量预测.