支持向量机的刀具磨损状态监测

为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

振动自感知刀具磨损无线监测

Zigbee无线技术监测切削刀具磨损的振动传感器系统,存在通信距离近、组网复杂等问题,故提出一种基于WiFi无线传感器网络采集振动信号的刀具磨损状态监测方法。首先,组建以ESP8266 WiFi开发板为核心、高精度振动传感器ADXL345为敏感元件的无线采集振动信号网络;然后,根据刀具整体形状,将振动传感器粘贴在刀具表面,并使用自感知刀具进行45钢棒料外圆切削实验无线采集振动信号,同时在相同的切削条件下采集振动信号与有线方式进行对比,验证该装置可行性;最后,将时域信号中部分统计量作为特征向量导入至支持向量机回归模型中进行训练,并获得刀具磨损预测模型。实验结果表明,自感知刀具无线采集信号的相对误差在3.61%以内,具有较好的可行性;支持向量机回归刀具磨损预测模型的分辨准确率达到94.38%,证明所设计的无线系统可以准确地监测刀具磨损。     

用聚类支持向量机模型监测环保设备运行状态

针对环保设备多状态监测与识别问题,提出了一种基于多分类聚类支持向量机的分类算法模型.该算法模型充分利用多个相关联被监测设备及其状态属性特征,采用神经网络聚类分析获得关联特征的聚类子空间,再对聚类子空间构造二叉树支持向量机进行多分类识别.该算法模型避免了盲目分类,与单纯的支持向量机算法比较具有更好的分类性能.通过对日本大晃船用污水处理装置实测样本的训练、检验表明,该算法具有98%以上的分类识别率.     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

一种改进的支持向量机及其在图像分割中的应用

多类支持向量机在实际应用领域是一个非常重要的问题。广泛应用的多类SVM方法包括：一对一、一对多和DAG等。众多实验表明一对一方法通常具有较高分类准确率,但传统一对一方法测试时间较长限制了其在大数据量识别任务中的应用。针对一对一支持向量机方法进行了改进,提出了一种改进的支持向量机,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

支持向量机在数字信号调制识别系统中的应用

在非合作通信系统中，需要在非理想化的信道特性下对接收信号进行调制样式的自动识别．使用了一种以支持向量机作为分类器的方法进行数字信号调制样式的识别．实验结果表明，该调制识别方法在小样本下具有较高的识别率，可以应用在数字信号的调制识别系统中．     

基于模糊神经网络的刀具磨损识别

为了实现刀具磨损状态的自动识别，采用机床功率法进行了刀具自然磨损和不同切削参数（切削速度、进给量和切削深度）对功率信号影响的实验。在此基础上，建立了功率信号的时序AR模型。在提取作为刀具磨损特征量的AR模型参数时，考虑了切削用量对模型参数的影响，提出了特征量选取的准则，使所提取的特征量更加实用化，通过具体自学习和良好函数逼近能力的神经网络获得了特征量对刀具状态的隶属函数，并利用模糊神经网Fuzzy ART实现了刀具磨损状态的自动识别，识别正确率为95%，说明所提出的方法是有效可行的。     

FMS中刀具寿命可靠性及刀具磨损在线监视的研究

在全自动化生产系统中(如 FMS,CIMS),要求系统具有高度的可靠性,因而对刀具磨损的工况监视,就成为重要问题之一。本文从柔性制造系统的要求出发,阐明了刀具寿命可靠性和刀具磨损在线损监视的必要性,介绍了有关刀具磨损在线辨识的理论与方法,实验证明所提出的刀具磨损状态辨识的方法是适用的。     

应用MCEWMA控制图监视刀具磨损过程

为了有效地利用控制图技术,用指数加权滑动平均方法,对由于刀具磨损导致轴尺寸精度呈线性趋势变化进行预测,提出了应用MCEWMA控制图监视刀具磨损过程.在刀具使用期内,将刀具磨损及由刀具磨损带来的随机波动视为共同原因,对生产过程进行监视,避免了使用传统控制图时,产生频繁报警的弊端.最后,运用具体例子,说明控制图参数选择准则.     

基于模糊聚类的刀具磨损量在线监测方法

研究在加工过程中刀具磨损量实时监测和预报。针对神经网络在监测刀具磨损量中存在的缺点,在选择合适的模糊聚类标准样本的基础上,利用模糊聚类方法,加以适当推理。实验分析表明,该方法在刀具磨损量在线监测中具有较好的容错性和可分析性。在标准样本合适的条件下,利用模糊聚类方法能够正确地进行在线监测和预报刀具磨损量。     

基于分形维数的刀具状态在线监测新方法

以分形几何理论为基础,对刀具不同磨损阶段声发射信号的分形特征进行了分析。提出了计算非完全分形体信号波形的关联维数时尺度范围的确定方法,分析了声发射信号在刀具磨缶过程中分形维数的变化特性。刀具磨损切削实验数据表明,声发射信号的分形维数受切削参数变化影响较小,分形维数反映了声发射信号的几何特征,其大小能较好地反映刀具的不同磨损状态。实验结果表明,该方法能正确地实时在线监测刀具的不同磨损状态。     

自动化加工中车刀磨损实时监测的新方法

提出了一种新的车刀磨损实时监测方法．归一化无量纲参数─—径切两向分力二次比Ｐ随车刀后刀面磨损ＶＢ的增加而增大，但不随刀具材料／工件材料、刀具几何角度及切削用量的改变而变化．利用Ｐ的这种特性可实现自动化加工中车刀磨损的实时监测．     

一种基于模式识别的刀具磨损监测方法

将刀具磨损状态的在线监测作为模式识别中的两类模式分类问题,从切削振动信号中抽取特征向量;根据投影原理构造了最佳特征平面.在此基础上提出了一种具有自学习功能的G(D)判别函数,对车削试验的磨损状态进行分类,确诊率达95％,漏诊率小于0.6％,判别时间少于15s,适用于在线监测。     

车削氧化锆工程陶瓷中刀具几何参数对刀具磨损的影响

为研究刀具几何参数对车削可加工陶瓷的刀具磨损影响,以氧化锆工程陶瓷为加工对象,以刀具的体积磨损量作为刀具在不同几何参数下磨损程度的衡量标准,通过YG6刀具的外圆车削实验,研究了刀具前角、后角以及刀尖圆弧半径对刀具磨损的影响.实验结果表明:刀具的磨损形式主要是黏着磨损,并伴有部分磨粒磨损;刀具体积磨损量随前角变大,先缓慢...     

铣刀磨损监测中的声发射信号的特征优选

为保证在铣刀的磨损监控中铣刀状态分类的可靠性,针对小铣刀磨损监控的特点,合理选择信号特征,给出了一种根据模式可分性测度大小进行特征优选的方法,实验证明,经过本方法优选的特征所组成的特征向量,可以有效地应用于铣刀磨损状态的识别中。     

带误差补偿的刀具智能监控系统

以数控车削加工为例,建立刀具状态向量,通过神经网络BP算法程序综合分析,建立刀具智能监控系统,并与机床定位误差补偿系统联动,完成提高加工精度和刀具工况监察的综合智能控制。