本文關(guān)鍵詞：復合材料鉆削刀具狀態(tài)集成學習分類技術(shù)　出處：《宇航材料工藝》2015年06期 　論文類型：期刊論文

  更多相關(guān)文章： 刀具狀態(tài)監(jiān)測 異態(tài)集成學習 切削力 復合材料 支持向量機 局部保持法

【摘要】：刀具狀態(tài)監(jiān)測關(guān)系到工件加工質(zhì)量,因此實時掌握刀具的磨損狀態(tài)具有重要的意義。針對單一模式識別分類器的局限性,提出了基于異態(tài)集成學習模型的刀具狀態(tài)監(jiān)測系統(tǒng)。在該系統(tǒng)中,根據(jù)集成學習基分類器選擇原則,選取了支持向量機(SVM)、隱馬爾科夫模型(HMM)以及徑向基神經(jīng)網(wǎng)絡(RBF)這3個單分類器作為基分類器。為了驗證監(jiān)測系統(tǒng)的有效性,進行了復合材料鉆削實驗,提取了加工過程中的鉆削力信號、振動信號的時域特征并利用局部保持法(LPP)進行了特征選擇。通過與單分類器和集成學習分類效果的對比,表明了集成學習模型相比于單一基分類器具有更高的分類精度和更好的穩(wěn)定性。
[Abstract]:Tool condition monitoring is related to the machining quality of the workpiece, so it is very important to grasp the tool wear state in real time, aiming at the limitation of single pattern recognition classifier. A tool condition monitoring system based on heteromorphic integrated learning model is proposed. In this system, support vector machine (SVM) is selected according to the selection principle of integrated learning basis classifier. Three single classifiers, HMMM) and RBF (radial basis function neural network), are used as basis classifiers. In order to verify the effectiveness of the monitoring system, the drilling experiments of composite materials are carried out. The drilling force signal in machining process is extracted, the time domain feature of vibration signal is extracted, and the feature selection is carried out by using local holding method (LPP). The results are compared with that of single classifier and integrated learning classifier. It is shown that the ensemble learning model has higher classification accuracy and better stability than the single base classifier.
【作者單位】： 天津大學機械工程學院;
【基金】：國家自然科學基金(51175371) 國家重大專項(2014ZX04012014) 天津市科技支撐計劃項目(14ZCZDGX00021)
【分類號】：TG71
【正文快照】： 0引言隨著航空航天技術(shù)的發(fā)展,難加工材料的使用也越來越多。在難加工材料切削過程中刀具磨損比較嚴重,而刀具的磨損直接關(guān)系到表面完整性和加工質(zhì)量,因此實現(xiàn)刀具磨損狀態(tài)的監(jiān)測對提高加工精度至關(guān)重要。刀具磨損狀態(tài)監(jiān)測方法被分為直接法和間接法[1]。由于直接法具有無法在

【相似文獻】

相關(guān)期刊論文 前2條

1 慕昱;夏虹;劉永闊;;基于集成學習的核電站故障診斷方法[J];原子能科學技術(shù);2012年10期

2 ;[J];;年期

相關(guān)會議論文 前4條

1 關(guān)菁華;劉大有;賈海洋;;自適應多分類器集成學習算法[A];第二十五屆中國數(shù)據(jù)庫學術(shù)會議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過濾器集成學習垃圾郵件過濾方法[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學習演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機集成的故障診斷[A];第16屆中國過程控制學術(shù)年會暨第4屆全國故障診斷與安全性學術(shù)會議論文集[C];2005年

相關(guān)博士學位論文 前10條

1 阿里木·賽買提(Alim.Samat);基于集成學習的全極化SAR圖像分類研究[D];南京大學;2015年

2 張春霞;集成學習中有關(guān)算法的研究[D];西安交通大學;2010年

3 劉天羽;基于特征選擇技術(shù)的集成學習方法及其應用研究[D];上海大學;2007年

4 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學習研究[D];武漢大學;2012年

5 王清;集成學習中若干關(guān)鍵問題的研究[D];復旦大學;2011年

6 方育柯;集成學習理論研究及其在個性化推薦中的應用[D];電子科技大學;2011年

7 侯勇;特征提取與集成學習算法的研究及應用[D];北京科技大學;2015年

8 李燁;基于支持向量機的集成學習研究[D];上海交通大學;2007年

9 程麗麗;支持向量機集成學習算法研究[D];哈爾濱工程大學;2009年

10 林智勇;基于核方法的不平衡數(shù)據(jù)學習[D];華南理工大學;2009年

相關(guān)碩士學位論文 前10條

1 高偉;基于半監(jiān)督集成學習的情感分類方法研究[D];蘇州大學;2015年

2 宋文展;基于抽樣的集成進化算法研究[D];廣西大學;2015年

3 張妤;支持向量機集成學習方法研究[D];山西大學;2008年

4 李濤;基于條件互信息的集成學習的研究與應用[D];中國海洋大學;2009年

5 楊長盛;基于成對差異性度量的選擇性集成學習方法研究[D];安徽大學;2010年

6 曹振田;基于Q統(tǒng)計量的選擇性集成學習研究[D];安徽大學;2010年

7 王麗麗;集成學習算法研究[D];廣西大學;2006年

8 馬冉冉;集成學習算法研究[D];山東科技大學;2010年

9 張新東;集成學習及其應用研究[D];石家莊經(jīng)濟學院;2010年

10 吳科主;基于多任務的多層次選擇性集成學習的研究[D];安徽工業(yè)大學;2010年

，

本文編號：1430406