基于PSO优化LS-SVM的刀具磨损状态识别

为监测刀具的磨损状态,该文建立了一个基于声发射的刀具磨损状态监测系统。在刀具磨损状态监测实验中,采集加工过程中的声发射信号,提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。针对人工神经网络容易陷入局部极小值、结构难以确定、学习收敛速度慢等缺点,提出最小二乘支持向量机(least square support vector machine,LS-SVM)的刀具磨损状态识别方法。针对LS-SVM性能依赖于惩罚因子和核参数,利用粒子群优化(particle swarm optimization,PSO)算法对LSSVM参数进行自动寻优,建立PSO优化LS-SVM模型进行刀具磨损状态识别。结果表明:与LS-SVM识别模型相比,优化后的LS-SVM模型具有更高的识别率。