基于混沌时序分析方法与支持向量机的刀具磨损状态识别

doi:10.13196/j.cims.2015.08.020

计算机集成制造系统 ›› 2015, Vol. 21 ›› Issue (第8期): 2138-2146.DOI: 10.13196/j.cims.2015.08.020

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

张栋梁¹,莫蓉¹⁺,孙惠斌¹,李春磊¹,苗春生¹,李冀²

1.西北工业大学现代设计与集成制造技术教育部重点实验室
2.西安建筑科技大学机电工程学院

出版日期:2015-08-31 发布日期:2015-08-31
基金资助:
陕西省自然科学基金资助项目(2013JM7001);西北工业大学基础研究基金资助项目(JC20110215);西北工业大学2012校级“新人新方向”基金资助项目(12GH14617)。

Tool wear state recognition based on chaotic time series analysis and support vector machine

Online:2015-08-31 Published:2015-08-31
Supported by:
Project supported by the Natural Science Foundation of Shaanxi Province,China(No.2013JM7001),the Basic Research Fund of Northwestern Polytechnic University,China(No.JC20110215),and the 2012 University New Direction Fund of Northwestern Polytechnic University,China(No.12GH14617).

摘要/Abstract

摘要： 为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。

关键词: 刀具磨损, 支持向量机, 混沌时序分析方法

Abstract: To distinguish and acquire the wear state of tools,a tool wear state recognition method based on chaotic time series analysis and support vector machine was proposed.The phase space was reconstructed by chaotic time series analysis method,and the embedding dimension and Lyapunov exponent were calculated and integrated as the feature space.Support vector machines (SVMs) algorithm was used as the classifier to realized recognition of different wear states.Experiments result showed that the tool wears state recognition method based on chaotic time series analysis and support vector machine were with excellent ability to learn and to get a high recognition accuracy in the case of small sample.

Key words: tool wear, support vector machine, chaotic time series analysis

中图分类号:

TG71
TH117

张栋梁,莫蓉,孙惠斌,李春磊,苗春生,李冀. 基于混沌时序分析方法与支持向量机的刀具磨损状态识别[J]. 计算机集成制造系统, 2015, 21(第8期): 2138-2146.

[1]	杨泽青,王春方,彭凯,刘丽冰,张亚彬. 基于深度支持向量机的曲轴智能识别方法[J]. 计算机集成制造系统, 2021, 27(6): 1629-1640.
[2]	王民,刘利明,宋铠钰,杨斌,王琛. 基于主轴驱动电流杂波的立铣刀复杂工况下磨损状态辨识[J]. 计算机集成制造系统, 2021, 27(12): 3429-3438.
[3]	付松,钟诗胜,林琳,张永健. 基于迁移学习的民航发动机小样本故障诊断[J]. 计算机集成制造系统, 2021, 27(12): 3450-3461.
[4]	熊红林,樊重俊,赵珊,余莹. 基于多尺度卷积神经网络的玻璃表面缺陷检测方法[J]. 计算机集成制造系统, 2020, 26(第4): 900-909.
[5]	曹大理,孙惠斌,张纪铎,莫蓉. 基于卷积神经网络的刀具磨损在线监测[J]. 计算机集成制造系统, 2020, 26(第1): 74-80.
[6]	闻辉,贾冬顺,严涛,陈德礼,林元模. 势函数聚类的优化下采样SVM分类方法[J]. 计算机集成制造系统, 2020, 26(第1): 152-160.
[7]	戴稳,张超勇,孟磊磊,李晋航,肖鹏飞. 基于深度学习与特征后处理的支持向量机铣刀磨损预测模型[J]. 计算机集成制造系统, 2020, 26(9): 2331-2343.
[8]	陈晋贤,季颖娣,林义征,朱定海. 基于混合特征选择和超参优化的晶圆蚀刻缺陷预测方法[J]. 计算机集成制造系统, 2020, 26(9): 2396-2403.
[9]	陈启鹏,谢庆生,袁庆霓,黄海松,魏琴,李宜汀. 基于深度门控循环单元神经网络的刀具磨损状态实时监测方法[J]. 计算机集成制造系统, 2020, 26(7): 1782-1793.
[10]	潘柏松,俞铭杰,项涌涌,罗路平,丁炜. 考虑刀具磨损的铣削加工精度可靠性分析及工艺优化设计[J]. 计算机集成制造系统, 2020, 26(11): 2982-2991.
[11]	廖小平,黎宇嘉,陈超逸,张振坤,鲁娟,马俊燕,薛斌. 基于核主成分和灰狼优化算法的刀具磨损状态识别[J]. 计算机集成制造系统, 2020, 26(11): 3031-3039.
[12]	吴雪峰,刘亚辉,毕淞泽. 基于卷积神经网络刀具磨损类型的智能识别[J]. 计算机集成制造系统, 2020, 26(10): 2762-2771.
[13]	牛国成,胡贞,胡冬梅. 基于物元信息熵的生产线健康度评估及预测[J]. 计算机集成制造系统, 2019, 25(第7): 1639-1646.
[14]	刘颖超,胡小锋,刘梦湘. 多工序下刀具磨损的不完备信息系统数据挖掘[J]. 计算机集成制造系统, 2019, 25(第5): 1055-1061.
[15]	王宏刚,王姗姗,姚佳,潘若禹,庞胜利. 基于邻域粗糙集与支持向量机的射频识别系统识别率预测[J]. 计算机集成制造系统, 2019, 25(12): 3170-3180.

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

Tool wear state recognition based on chaotic time series analysis and support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics