基于云理论与的刀具磨损识别方法.PDF

第 卷第 期 振动测试与诊断 年 月 基于云理论与 的刀具磨损识别方法 关 山 康振兴 彭 昶 东北电力大学机械工程学院 吉林 摘要 针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢易陷入局部极小值 对特征要求较高等问题提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法首先对声发射信 号进行小波包分解与重构滤除干扰频段对求取特征参数的影响其次对重构后的信号利用逆向云算法提取云特 征参数期望熵超熵分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系最后将云特征 参数组成特征向量送入最小二乘支持向量机进行识别研究结果表明所提取的特征可以很好地反映刀具的磨损 状态云 支持向量机方法可以有效地实现刀具磨损状态的识别与传统神经网络识别方法相比具有更高的识别 率识别率达到 关键词 刀具磨损状态识别云理论支持向量机神经网络 中图分类号 磨损状态进行识别 引 言 试验系统 刀具是数控系统加工中心等高度集成化和智 能化设备中最易磨损和发生故障的部件刀具磨损 试验使用的材料为退火态高碳钢 硬度 状态监测对保证零件加工质量机床加工精度和加 刀片为 硬质合金涂层刀片机床 采用 车床所用 谐振式声发 工效率意义重大 金属在切削过程中会产生丰 富的声发射信号 简称 这 射传感器频率范围为 中心频率为 些信号易受加工材料切削条件