基于ICEEMDAN-RCMWPE与WOA-KELM数控机床刀具健康状态监测技术的研究

针对数控机床刀具健康状态特征提取不足以及识别准确率低等问题,提出了一种刀具健康状态监测方法。首先,利用改进完全集合经验模态分解(ICEEMDAN)和精细复合多尺度加权排列熵(RCMWPE)进行信号处理与特征提取,提取出能够表征刀具健康状态的特征信息;其次经tSNE处理,实现特征信息的降维与融合;最后将获取的低维特征输入到构建的鲸鱼优化核极限学习机(WOA-KELM)健康状态识别模型,从而对刀具健康状态进行分类与识别。经实验验证表明,所提出的信号处理、特征提取以及状态识别模型在刀具健康状态监测方面取得了很好的成效,其状态识别准确率高达99.76%,能够高效、准确地对刀具磨损状态进行分类和识别。