本文選題：刀具磨損量預(yù)測(cè) + 最小二乘支持向量機(jī)��； 參考：《中國機(jī)械工程》2015年02期

【摘要】：提出了基于最小二乘支持向量機(jī)回歸算法的刀具磨損量預(yù)測(cè)方法。該方法首先利用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)非線性、非平穩(wěn)的聲發(fā)射信號(hào)進(jìn)行平穩(wěn)化處理,得到了若干個(gè)固有模態(tài)函數(shù);然后建立了每個(gè)固有模態(tài)函數(shù)的自回歸模型,并提取模型系數(shù)構(gòu)造特征向量;最后采用最小二乘支持向量機(jī)回歸算法實(shí)現(xiàn)了刀具磨損量的預(yù)測(cè)。該方法與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法相比,具有更高的預(yù)測(cè)準(zhǔn)確率,可有效預(yù)測(cè)當(dāng)前切削狀態(tài)下10s后的刀具磨損量。
[Abstract]:A tool wear prediction method based on least squares support vector machine (LS-SVM) regression algorithm is proposed.Firstly, the empirical mode decomposition algorithm is used to stabilize the nonlinear and non-stationary acoustic emission signals, and some inherent modal functions are obtained, and then the autoregressive model of each inherent mode function is established.The model coefficients are extracted to construct the eigenvector and the least square support vector machine (LS-SVM) regression algorithm is used to predict the tool wear.Compared with the neural network prediction algorithm, this method has higher prediction accuracy and can effectively predict the tool wear after 10 seconds in the current cutting state.
【作者單位】： 東北電力大學(xué);吉林石化工程設(shè)計(jì)有限公司;
【基金】：東北電力大學(xué)博士科研啟動(dòng)基金資助項(xiàng)目(BSJXM-201115)
【分類號(hào)】：TG71;TH117.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 王國鋒;李啟銘;秦旭達(dá);喻秀;崔銀虎;彭東彪;;支持向量機(jī)在刀具磨損多狀態(tài)監(jiān)測(cè)中的應(yīng)用[J];天津大學(xué)學(xué)報(bào);2011年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前1條

1 任福華;;數(shù)控車削加工中的刀具選擇[J];山東工業(yè)技術(shù);2014年18期

相關(guān)博士學(xué)位論文 前2條

1 李威霖;車銑刀具磨損狀態(tài)監(jiān)測(cè)及預(yù)測(cè)關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2013年

2 陳洪濤;基于多參量信息融合的刀具磨損狀態(tài)識(shí)別及預(yù)測(cè)技術(shù)研究[D];西南交通大學(xué);2013年

相關(guān)碩士學(xué)位論文 前9條

1 崔銀虎;基于協(xié)整建模的刀具磨損預(yù)測(cè)研究[D];天津大學(xué);2012年

2 徐洪W，

本文編號(hào)：1760249