基于SVM的机床刀具磨损程度预测方法研究朱参世一作韩鹏辉二作.pdfVIP

基于SVM的机床刀具磨损程度预测方法研究朱参世一作韩鹏辉二作

发布时间：2023-05-10T10:21:59.308Z来源：《中国科技信息》2023年5期作者：朱参世一作韩鹏辉二作

[导读]机床刀具磨损不仅直接影响加工质量，而且还会导致加工设备寿命和生产成本，正确对刀具磨损状态进行识别、分类和预测具有重

要意义。本文通过采集机床运行数据，用机器学习进行建模，利用该模型对刀具磨损状态的识别，进而对刀具磨损状态进行预测、分类，

采用分类结果判断刀具是否可以继续使用。

西京学院710123

摘要：机床刀具磨损不仅直接影响加工质量，而且还会导致加工设备寿命和生产成本，正确对刀具磨损状态进行识别、分类和预测具

有重要意义。本文通过采集机床运行数据，用机器学习进行建模，利用该模型对刀具磨损状态的识别，进而对刀具磨损状态进行预测、分

类，采用分类结果判断刀具是否可以继续使用。经过仿真验证，验证结果表明该模型能较真实的识别和预测磨损状态，具有较强实用性。

关键词：机床;刀具磨损;SVM;预测模型

wearstateeffectivelyandhasstrongpracticability.

Keywords:machinetool;Toolwear;SVM;Predictionmodel

0.引言

机床刀具磨损程度直接影响产品加工质量和生产效率，磨损程度严重会造成被加工工件成为次品或废品，生产成本也会随之上升。以

往工人通过用眼观察、用耳听声等判断机床刀具状况，进而确定机床刀片是否需要更换。由于工人方法属于主观性判断，会对刀具的磨损

程度、寿命产生误判。如何科学、精准的判断机床刀具的磨损情况，并对其精准分类，进而进行相应的处理是解决机床磨损而引起产品质

量问题，提高生产效率的有效方法。本文使用SVM算法对机床刀具磨损状态进行预测，便于更加客观的根据机床刀具的各项数据来判断是

否需要更换刀具。对企业提高产品质量和生产效率具有重要的实际意义。

对机床刀具的磨损程度进行预测，可采用机器学习及相关算法算法，将机床刀具的实时数据通过历史数据训练出的模型进行分类。支

持向量机(SupportVectorMachine,SVM)可以将地位空间数据通过核函数映射到高维空间中，获得线性可分的特性，实现分类预测功能。基

于此，提出了一种基于SVM的机床刀具磨损程度预测方法。

1.机器学习理论及支持向量机原理

机器学习是指从有限的观察数据中学习出具有一般性的规律，并利用这些规律对未知数据进行预测的方法。传统的机器学习方法主要

关注如何学习一种预测模型，其方法是先把数据表示成特征，再将这些特征数据输入到预测模型中，输出预测结果。用机器学习解决实际

问题时，数据的形式、特征差异较大，因此，使用机器学习模型，其一般步骤是：

（1）数据预处理：补残缺、除冗余、归一化，形成机器学习模型数据集。

（2）特征提取：根据目标提取有用的高质量特征。

（3）特征转换：对特征进一步加工。

（4）通过样本数据学习，使其收敛预测模型。

（5）用学习出的模型进行预测。

机器学习的目的是从有限各样例中通过算法总结出一般性的规律，并可以应用到新的未知数据上。

支持向量机（SupportVectorMachine，SVM）是基于结构风险最小化（StructuralRiskMinimization，SRM）准则，其拓扑结构由支持

向量决定，克服了ANN结构依赖设计者经验的缺点，较好解决了高维数、局部极小、小样本数据量等ANN先天问题，兼顾了神经网络和

灰度模型的优点。支持向量机是Vapnik在1995年首先提出的，在解决小样本中有着很多它特有的优势，一般应用于机器学习问题中。支持

向量机虽然出现了只有短短的几十年，但自诞生后便由于优秀的分类性能霸占了机器学习领域。支持向量机分为线性支持向量机和非线性

支持向量机。支持向量机是一种二元的分类模型，基本定义为在空间中间隔最大化的分类模型，其学习策略是使其间隔最大化，通常适用

于解决分类问题，目前更多地用于商业领域，分类的目的是构造一个分类模型，通过该模型把数据中的数据项归纳到已知类别中的某一个

类别中，该分类模型通过寻找结构的最小风险，根据样本信息寻找最佳分类。常见的SVM分类如图1-1所示。

图1-1常见的SVM二分类

针对于多分类的情况，在研究中，第一次将类别A的样本定为正样本，其余样本合起来定为负样本，得到一个两类分类器，识别出属于

A类的数据；第二次将类别B