刀具磨损状态的多步向前智能预测

刀具状态的准确监测对于提高切削加工质量和加工效率至关重要。在当前广泛用于刀具磨损状态监测的间接法中,多以单步或短期预测为主,没有实现多步预测,且累积误差较大。高斯过程是间接法中应用较多的一种机器学习方法,然而传统的高斯过程回归由于模型结构和算法的限制,对刀具磨损预测的精度不高。针对上述不足,提出了改进的自回归递归高斯过程模型对刀具磨损进行多步预测。为了减小预测累积误差,在模型训练中应用了改进的模型更新方式、组合核函数,对样本设置了遗忘因子,在预测中加入了偏差校正方法。研究了各个改进因素对模型的影响并综合所有有利因素,实现了较准确的刀具磨损状态多步预测,在3个测试集上预测误差分别降低了85.68%,20.67%和63.32%。

基于FS和GA的特征选择方法及其刀具状态监测

在现代精密数控机床加工过程中,从原始多源信号中提取并选择出对刀具状态变化敏感的特征子集是实现刀具状态监测的重要环节,对保证加工质量、提高加工效率具有重要意义。针对Fisher score(FS)特征选择方法在多分类问题中无法区分出样本分布不均匀以及选择的特征子集存在信息冗余等不足,提出了一种改进的FS结合遗传算法(GA)的两步特征选择方法,根据特征判别性得分以概率的形式对种群进行初始化,同时考虑特征维数和信息冗余,保证了特征子集的综合性能。最后,利用高速铣削加工实验中收集的多传感器数据,从不同方面的定量分析与比较验证了提出的方法的有效性。