基于多传感器多元特征融合决策的铣刀磨损辨识方法

作者：贺明茹,吴双峰,李萌,等. 日期：2024-11-21/span> 浏览：11 查看PDF文档

摘要:针对铣削加工过程中刀具磨损预测准确率低、单一传感器覆盖特征缺乏对照的问题,提出了一种结合粒子群优化(PSO)最小二乘支持向量机(LSSVM)算法与多传感器特征的刀具磨损判断方法。首先,构建了以振动、切削力和声发射为刀具磨损监测信号的磨损辨识系统;然后,采用时域特征:最大值p1、均方根p2、标准差p3、绝对值均值p4结合小波频段能量特征分析的方法进行了铣削加工信号分析，采用PSOLSSVM算法建立了刀具磨损状态识别模型和刀具磨损量预测模型;最后,通过时域与小波分析,从采集到的振动、铣削力及声发射信号中提取了71维信号特征,并优化降维至24维;以24维特征作为输入,刀具磨损状态和刀具磨损量为输出,对该刀具磨损识别及预测算法进行了验证。研究结果表明:基于PSOLSSVM算法的刀具磨损状态辨识模型在多传感器特征方面的磨损识别准确率为99.39%,相比单传感器特征,其识别准确率更高;刀具磨损量预测模型的预测精度达到了99.75%,相比其他模型,平均准确率提高了8.02%。

关键词:刀具磨损监测;多传感器特征;特征提取;粒子群优化;最小二乘支持向量机;磨损识别与预测

中图分类号:TH117.1;TG71文献标识码:A文章编号:1001-4551(2024)11-2019-10

本文引用格式:

贺明茹,吴双峰,李萌,等.基于多传感器多元特征融合决策的铣刀磨损辨识方法［J］.机电工程,2024,41(11):2019-2028.

HE Mingru, WU Shuangfeng, LI Meng, et al. Milling cutter wear recognition method based on multi-sensor multi-eigenvalues fusion decision［J］.Journal of Mechanical & Electrical Engineering, 2024,41(11):2019-2028.