机器学习算法在刀具磨损状态评估上的应用研究

发布时间：2021-02-14 18:34

　　智能生产是当今机械加工业的热门话题,而实现产品的全自动化生产模式,也成为了现代工厂发展的必然趋势。在此条件下,如何使生产设备自主判断其运行状态并及时做出调整,是保证其产品质量与生产效率的重要一环。对刀具磨损状态的智能评估,能在刀具达到使用寿命前做出预警,保障生产精度与设备安全,对工厂的智能化生产具有重要意义。本文选取了在刀具切削过程中与其磨损相关性较强的切削力信号与加速度信号进行研究,将多种机器学习算法应用在刀具的磨损状态评估上。主要研究内容包括对信号的特征提取、支持向量机（SVM）分类模型的优化与随机森林（RF）算法在刀具的磨损评估中的应用。由于原始的加速度信号与切削力信号不便于直接分析,本文首先对其在时域与频域内进行特征因子提取,然后利用小波分析获取原始信号的频段能量占比。针对特征量过多可能出现数据冗余,同时也为了提高分析效率,使用主元分析方法（PCA）对得到的特征矩阵进行降维处理,得到低相关度的特征矩阵。其次,考虑到SVM具有良好的小样本、非线性数据的处理能力,对其在刀具磨损状态评估中的应用进行了研究。使用机器学习算法优化SVM模型的参数,并采用交叉验证方法对优化后的SVM模型对... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

高速铣削铣床实物图

口刀磨?

确b刀磨撷泊势图

【参考文献】：
期刊论文
[1]工业4.0背景下的机电一体化技术应用与发展[J]. 马永树,王计波.  内燃机与配件. 2018(19)
[2]基于支持向量机与粒子滤波的刀具磨损状态识别[J]. 程灿,李建勇,徐文胜,聂蒙.  振动与冲击. 2018(17)
[3]工业4.0带来数字化转型的影响和潜力[J]. 马岸奇.  砖瓦. 2018(09)
[4]BPNN-SVM混合模型法监测乏燃料剪切机刀具磨损状态[J]. 陈甲华,邹树梁.  核电子学与探测技术. 2018(02)
[5]基于PSO-BP神经网络的刀具寿命预测[J]. 王虎,刘佩松,叶润章,李阳,徐培嘉.  现代制造技术与装备. 2017(11)
[6]基于云理论与LS-SVM的刀具磨损识别方法[J]. 关山,康振兴,彭昶.  振动.测试与诊断. 2017(05)
[7]基于PSO优化LS-SVM的刀具磨损状态识别[J]. 刘成颖,吴昊,王立平,张智.  清华大学学报(自然科学版). 2017(09)
[8]基于GA-ELM数控铣刀寿命预测模型研究[J]. 周亚勤,杨建国,刘凯强,尤祥.  东华大学学报(自然科学版). 2017(04)
[9]基于遗传算法优化HMM的刀具磨损状态监测研究[J]. 何栋磊,黄民.  机床与液压. 2017(15)
[10]基于EMD-HMM的机床刀具磨损故障诊断[J]. 孙巍伟,黄民,高延.  机床与液压. 2017(13)

博士论文
[1]数控机床在线振动监测与故障诊断关键技术研究[D]. 张攀.天津大学 2014
[2]基于多参量信息融合的刀具磨损状态识别及预测技术研究[D]. 陈洪涛.西南交通大学 2013
[3]车铣刀具磨损状态监测及预测关键技术研究[D]. 李威霖.西南交通大学 2013
[4]切削加工过程中刀具磨损的智能监测技术研究[D]. 高宏力.西南交通大学 2005

硕士论文
[1]基于稀疏分解和支持向量机的高速铣削刀具磨损状态监测[D]. 陶欣.中国科学技术大学 2017
[2]汽车发动机铣削刀具磨损在线监测研究及应用[D]. 邓乔波.华中科技大学 2016
[3]数控机床刀具状态监测与诊断系统的研究[D]. 刘宇.南京理工大学 2016
[4]基于支持向量机的刀具磨损状态预测[D]. 吴广垚.河北工业大学 2015
[5]基于支持向量机的变参数铣削刀具磨损状态监测研究[D]. 钱磊.天津大学 2014
[6]基于振动分析和支持向量机的表面质量在线检测方法研究[D]. 朱培根.石河子大学 2013
[7]基于云理论和支持向量机的数控机床刀具状态诊断技术研究[D]. 王利伟.大连交通大学 2012
[8]EMD和支持向量机在刀具故障诊断中的应用[D]. 贺灵敏.西华大学 2010



本文编号：3033661