WPD和SVM-PSO在微铣刀磨损在线监测中的应用

为提高微铣刀磨损状态的预测精度和计算效率,本文提出了一种基于小波包分解(Wavelet packet decomposition,WPD)和支持向量机-粒子群优化(Support vector machine-particle swarm optimization,SVM-PSO)的微铣刀磨损在线监测方法。首先根据刀具使用时长和磨损程度将微铣刀磨损分为初始磨损、轻度磨损、中度磨损、重度磨损和刀具失效5种状态;接着对采集到的振动信号进行WPD变换,提取小波包关键节点的能量比和小波包系数峭度作为磨损特征,并分析了不同切削参数对这2个特征的影响;最后利用SVM-PSO模型进行微铣刀磨损状态分类与预测。研究结果表明,和网格搜索法相比,本文提出的微铣刀磨损在线监测方法在计算精度和效率方面具有综合优势,可以为其它刀具磨损监测提供必要的理论基础和实践指导。

基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法。首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数选择不合适而带来的局部最优和过拟合的问题,建立遗传算法优化支持向量机的模型。结果表明,与其它算法相比,提出的基于花朵授粉算法的支持向量机模型能够有效准确识别微铣刀的各种磨损状态,优化后的支持向量机模型的总体识别率有了明显的提升,达到了95.5%,在分类性能和计算效率方面都具备优势。