本文選題：刀具破損 + 微銑削�。� 參考：《東北大學(xué)學(xué)報(bào)(自然科學(xué)版)》2017年10期

【摘要】：針對(duì)微銑削過程中刀刃破損的現(xiàn)象,提出了基于振動(dòng)信號(hào)奇異性分析的自學(xué)習(xí)式支持向量機(jī)的刀具破損檢測(cè)方法.對(duì)兩種狀態(tài)信號(hào)作連續(xù)小波變換,計(jì)算小波模極大值和信號(hào)的李普希茲指數(shù)(Lips).通過Lips識(shí)別刀具狀態(tài),擬合Lips分布概率密度函數(shù)并驗(yàn)證其符合正態(tài)分布,將Lips分布的均值、方差作為特征值,通過遺傳算法參數(shù)尋優(yōu)建立了刀具破損狀態(tài)的支持向量機(jī)(SVM)識(shí)別模型,也稱最優(yōu)模型.利用最優(yōu)模型預(yù)測(cè)刀具破損狀態(tài),其預(yù)測(cè)準(zhǔn)確度從84%逐步提高至90%,提升了系統(tǒng)預(yù)測(cè)模型的魯棒性.最后通過實(shí)驗(yàn)驗(yàn)證了該方法的有效性.
[Abstract]:Based on the singularity analysis of vibration signal, a new tool damage detection method based on self-learning support vector machine (SVM) is proposed. The wavelet modulus maximum and Lipschitz exponent (Lips) of two state signals are calculated by continuous wavelet transform. The probability density function of Lips distribution is fitted and verified to conform to normal distribution by recognizing tool states by Lips. The mean value and variance of Lips distribution are taken as eigenvalues. The support vector machine (SVM) recognition model of tool breakage state is established by genetic algorithm parameter optimization, which is also called the optimal model. The prediction accuracy of the optimal model is improved from 84% to 90%, which improves the robustness of the system prediction model. Finally, the effectiveness of the method is verified by experiments.
【作者單位】： 東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院;大連理工大學(xué)精密與特種加工教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51105067,51135003) 中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(N120403011)
【分類號(hào)】：TG714

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李馳;;支持向量機(jī)在焊接過程中的應(yīng)用[J];電焊機(jī);2011年10期

2 謝正文;孔凡玉;曲方;;灰色支持向量機(jī)在疲勞裂紋擴(kuò)展預(yù)測(cè)中的應(yīng)用[J];湖北工業(yè)大學(xué)學(xué)報(bào);2008年04期

3 鄧超;吳軍;萬紫娟;;基于支持向量機(jī)工具的性能劣化建模方法[J];計(jì)算機(jī)集成制造系統(tǒng);2009年04期

4 王昕曄;葉慧娟;;基于支持向量機(jī)的鐵磁構(gòu)件裂紋識(shí)別[J];艦船電子工程;2012年02期

5 王煜;劉敏;;基于支持向量機(jī)的規(guī)則零件檢測(cè)技術(shù)研究[J];電子測(cè)量技術(shù);2012年01期

6 劉鵬飛;單平;羅震;;基于信號(hào)分形與支持向量機(jī)的點(diǎn)焊檢測(cè)方法[J];焊接學(xué)報(bào);2007年12期

7 朱向華;蘇宏立;;一種基于支持向量機(jī)的帶鋼表面缺陷識(shí)別方法[J];浙江工商職業(yè)技術(shù)學(xué)院學(xué)報(bào);2011年04期

8 陸維盈;包新華;陸文聰;劉亮;陳念貽;;利用支持向量機(jī)研究鈣鈦礦型合金中間相的若干規(guī)律[J];計(jì)算機(jī)與應(yīng)用化學(xué);2006年11期

9 彭美武;陳洪濤;鐘成明;;基于支持向量機(jī)的刀具磨損決策融合技術(shù)[J];組合機(jī)床與自動(dòng)化加工技術(shù);2014年04期

10 瞿敏;馬躍洲;;基于支持向量機(jī)的CO_2焊接保護(hù)氣流量識(shí)別研究[J];電焊機(jī);2007年04期

相關(guān)碩士學(xué)位論文 前6條

1 葛宵燁;基于支持向量機(jī)的帶鋼表面缺陷識(shí)別問題研究[D];河北科技大學(xué);2016年

2 劉芽;基于EEMD和支持向量機(jī)的刀具狀態(tài)監(jiān)測(cè)方法研究[D];西南交通大學(xué);2012年

3 肖先鋒;基于支持向量機(jī)的鋁粉細(xì)粉率軟測(cè)量[D];大連理工大學(xué);2009年

4 侯振;工藝系統(tǒng)振動(dòng)對(duì)高速切削刀具破損的影響機(jī)理研究[D];廣東海洋大學(xué);2015年

5 王震霞;變切削參數(shù)銑削加工中刀具破損辨識(shí)[D];沈陽工業(yè)大學(xué);2005年

6 劉曉明;刀具破損監(jiān)測(cè)系統(tǒng)的研究與開發(fā)[D];電子科技大學(xué);2005年

，

本文編號(hào)：2093627