WOA-SVM算法在钛合金端铣刀具磨损预测的研究

针对钛合金加工中刀具磨损状态的准确识别问题,建立了基于支持向量机(SVM)和鲸鱼优化算法(WOA)的钛合金刀具磨损预测模型。将SVM和WOA相结合,提出了一种新的WOA-SVM模型,用于钛合金立铣刀刀具磨损的精确估计。通过提取切削力的信号特征作为监测特征,利用邻域保持嵌入(NPE)对监测特征实现降维,提高了WOA-SVM模型的建模效率。实验结果表明:在保证预测精度的前提下,NPE的使用使WOA-SVM的建模时间减少了90%以上;与PSO-SVM和GSA-SVM等常用方法相比,WOA-SVM具有较高的预测精度,建模时间减少了30%以上;所建模型能有效预测钛合金加工刀具的磨损状态。

基于多传感数据融合的刀具磨损状态预测研究

为提高制造系统可靠性,提出了一种基于人工智能的多传感器数据融合方法用于预测刀具磨损状态。通过人工智能算法对于监测过程中的多传感器数据进行特征融合,进而使用支持向量机进行回归分析,从而对刀具磨损状态进行预测。主要选取经典特征选择技术包括核主成分分析,局部线性嵌入和最小冗余最大相关方法进行特征融合,通过数控铣床上的刀具磨损损伤实验验证该方法的有效性。结果表明,刀具磨损预测模型可以以更加经济有效的方式精确估计刀具磨损宽度,精度等同于离线的显微镜仪器测量,此外核主成分分析方法预测精度最高。