一种基于多特征和支持向量机的刀具磨损状态识别技术

为了实现生产过程中切削条件诸多变化的刀具状态识别,对铣削加工中三向切削力信号进行时域、频域以及时-频域分析,在提取均方根值、峰值、小波包能量等特征量的基础上,通过分析提取的特征量,提出采用各方向特征比值的方法。得到的特征比值具有更加明显地对刀具状态比较敏感、但对切削用量不敏感特点。通过对特征与特征比值敏感性分析,分析表明特征与特征比值组合的特征向量最适合作为刀具状态监测的指标。通过多次选取特征比值、特征量组成的特征向量输入多分类支持向量机(SVM,Support Vector Machine)网络中对刀具状态进行训练和识别,发现特征与特征比值组成的特征向量对不同磨损状态不同切削用量下刀具识别精度更高,具有较好的效果,能够实现在小样本情况下不同磨损状态不同切削条件下的刀具状态分类。     

基于LDA和支持向量机的微铣刀磨损状态识别研究

为提高微铣刀磨损在线监测的识别精度，尝试通过线性判别分析法（Linear Discriminant Analysis,LDA）对微铣削振动信号的时域和频域特征进行降维。然后将降维后的特征输入到改进型蚁群优化SVM模型，从而实现微铣刀磨损的特征分类。其中，改进型蚁群优化算法主要用来优化SVM模型核函数的两个关键参数，避免由于初始参数选择不合适而带来的局部最优和过拟合的问题。实验结果表明，提出的微铣刀状态识别方法能够准确识别微铣刀的各种磨损状态，对微铣刀磨损的其它状态识别方法具有一定的指导意义和借鉴价值。     

基于时序分析与模糊聚类的铣削刀具磨损状态识别

对XKA714数控铣床采集的刀具运行状态振动信号进行计算、检验、分析样本自相关函数和样本偏相关函数的截尾性、拖尾性和周期性以及模型参数估计等时间序列相关分析,可判断动态数据序列适于AR(p)(autoregression)模型.以阶数p取12的模型参数作为特征向量提取,并采用模糊聚类分析方法确定刀具运行状态特征向量样本的亲疏关系,实现对铣削刀具的初期磨损阶段、正常磨损阶段和剧烈磨损阶段运行状态的识别.研究结果表明,基于时间序列分析与模糊聚类分析相结合的识别方法可以用于刀具磨损运行状态识别.     

基于支持向量机的综合传动装置磨损状态研究

结合光谱油液分析技术,运用支持向量机对某履带车辆综合传动装置磨损状态进行研究。建立了一种多输出最小二乘支持向量回归算法,并将其应用到综合传动装置的光谱油液分析数据的预测研究中。采用交叉验证方法,讨论了回归算法中参数的选取问题,并将磨损元素预测值与试验值进行了对比分析。结果表明,该方法在较短里程(4000km以内)具有较高的准确率,可以用于综合传动装置磨损状态的预测研究。     

支持向量机刀具磨损预测模型及MATLAB仿真

针对刀具使用时加工参数多变的实际情况,提出使用最小二乘支持向量机（LS—SVM）建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型,然后针对具体实验数据,采用交叉验证的办法,选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系,刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测,并为切削参数的实际选择提供依据。     

基于增量自适应支持向量机的AFM尖端磨损识别

为了提高纳米加工刀具磨损状态在线监测的精度与泛化能力，提出一种基于增量自适应支持向量机的基于原子力显微镜(AFM)尖端磨损识别方法。该方法以横向力的峰-峰值和方差作为特征变量，通过移动视窗获取增量数据；以维持Kuhn-Tucher定理所要求的最优化条件为准则，在当前支持向量机解结构基础上自适应修改正则化参数C和核参数σ,以获得更新支持向量机结构，并对增量数据及受其扰动的原数据进行分类；根据尖端失效点数量走势，判定尖端磨损程度。实验证明该算法在识别精度与时间上可满足在线检测要求。与定向非循环图支持向量分类器对比，该算法具有更强的鲁棒性与更高的泛化能力。     

基于支持向量机的产品编号识别

为了提高仓库管理系统的性能,将支持向量机用于产品编号的模式识别。采用基于投影法的图像处理算法提取编号数字;对倾斜的数字进行矫正,并对提取的数字进行归一化;构造支持向量机分类器对归一化的数字进行识别;通过对一组数字样本的测试,分析了支持向量机参数与分类器的识别率的关系。测试结果表明,支持向量机分类器可以在小样本的情况下获得较高的识别率。     

基于切削声音的刀具磨损状态识别研究

人工神经网络可以实现多特征信息的融合,将基于BP神经网络,建立各频率段能量百分比与刀具磨损的映射关系,进行刀具磨损状态识别的研究。最后在Labview环境下调用Matlab神经网络程序,初步实现了刀具磨损的识别。     

基于计算机视觉的刀具磨损状态识别技术

刀具磨损状态自动识别系统能够显著地降低制造成本,但是,只有很少的刀具磨损检测理论能够应用到工业实践中去,特别是基于声发射和切削力测量的间接测量技术。本文综述了作为直接测量技术的计算机视觉系统的优点和它的组成及对刀具图像进行处理的基本原理。     

基于Elman神经网络的刀具磨损状态识别技术

由于刀具磨损声发射信号的能量分布与刀具磨损状态密切相关,可以利用谐波小波包方法提取刀具磨损声发射信号的特征能量,对各频段能量做归一化处理,与切削三要素组成特征向量输入到Elman神经网络,通过神经网络判别刀具磨损状态。实验结果表明,刀具磨损产生的声发射信号频率主要集中在10Hz~130k Hz之间,将谐波小波包和Elman神经网络结合的方法可以有效地识别刀具磨损状态。     

Grinding wheel wear monitoring based on wavelet analysis and support vector machine

A novel grinding wheel wear monitoring system based on discrete wavelet decomposition and support vector machine is proposed. The grinding signals are collected by an acoustic emission (AE) sensor. A preprocessing method is presented to identify the grinding period signals from raw AE signals. Root mean square and variance of each decomposition level are designated as the feature vector using discrete wavelet decomposition. Various grinding experiments were performed on a surface grinder to validate the proposed classification system. The results indicate that the proposed monitoring system could achieve a classification accuracy of 99.39% with a cut depth of 10?μm, and 100% with a cut depth of 20?μm. Finally, several factors that may affect the classification results were discussed as well.     

基于支持向量机的雷达一维距离像识别

本文利用三类常用的核构造的支持向量机来对雷达目标一维距离像识别,得到了较高的识别率,通过改进支持向量机的核能较大程度减少训练时间,也能使支持向量的个数显著减少,同时具有较高的识别率.     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine

In order to effectively recognize the bearing running state, a new method based on non-extensive wavelet feature scale entropy and the Morlet wavelet kernel support vector machine (MWSVM) was proposed. Firstly, the gathered vibration signals were decomposed by the wavelet to obtain the corresponding wavelet coefficients. Then, based on the integration of non-extensive entropy and the coefficients, the features were extracted by the wavelet feature scale entropy. However, the extracted features remained high-dimensional and excessive redundant information still existed. Therefore, the manifold learning algorithm locality preserving projection (LPP) was introduced to extract the characteristic features and to reduce the dimension. The extracted characteristic features were inputted into the MWSVM to train and construct the running state identification model; the bearing running state identification was thereby realized. Cases of test and actual fault were analyzed. The results validate the effectiveness of the proposed algorithm.     

Tool wear predictive model based on least squares support vector machines

The development of tool wear monitoring system for machining processes has been well recognised in industry due to the ever-increased demand for product quality and productivity improvement. This paper presents a new tool wear predictive model by combination of least squares support vector machines (LS-SVM) and principal component analysis (PCA) technique. The corresponding tool wear monitoring system is developed based on the platform of PXI and LabVIEW. PCA is firstly proposed to extract features from multiple sensory signals acquired from machining processes. Then, LS-SVM-based tool wear prediction model is constructed by learning correlation between extracted features and actual tool wear. The effectiveness of proposed predictive model and corresponding tool wear monitoring system is demonstrated by experimental results from broaching trials.     

基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数...     

基于二次特征提取与SVM的异常步态识别

长期以异常步态行走将导致人体足部、踝关节、大腿疼痛乃至身体骨骼疾病.针对目前普遍采用的基于计算机视觉的步态识别技术对数据采集环境要求严苛、视频图像分析受环境影响较大等问题,基于人行走时的足底压力变化特征进行步态识别,足底压力数据经由穿戴式步态采集器,可以不受环境限制且能实现较远距离的步态识别.并提出一种基于二次特征提取与支持先向量机的异常步态识别方法.该方法采用主成分分析法对从足底压力变化曲线中提取出来的步态特征进行二次提取.获取包含样本数据信息的主要特征信息,通过多分类支持向量机模型对步态进行识别.实验结果表明:该方法对异常步态的平均识别率达到92.625 5%,具有较高的识别精度.     

基于改进支持向量机的客户流失分析研究

针对客户关系管理中的客户流失问题,建立了基于支持向量机的预测模型.基于实际客户流失数据样本数据量大、正负样本分布不平衡的特点,提出了一种改进支持向量机算法,并将其用于电信行业的客户流失预测.通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度.     

Tool wear state recognition under imbalanced data based on WGAN-GP and lightweight neural network ShuffleNet

Journal of Mechanical Science and Technology - The tool is an important part of machining, and its condition determines the operational safety of the equipment and the quality of the workpiece....     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.