基于EMD-SVM的钛合金铣削过程刀具磨损监测

以硬质合金刀具铣削Ti-6Al-4V为研究对象，提出了一种基于经验模态分解（empirical mode decomposition， 简称EMD）及支持向量机（support vector machine，简称SVM）的刀具磨损阶段识别方法。首先，将原始加速度信号及力信号分解为一系列模态分量（intrinsic mode function，简称IMF），选择了有效的IMF来组合一个新的信号；其次，计算新信号的多评价指标矩阵，将得到的多指标矩阵（I-kazTM、功率谱熵及均方根）作为输入特征向量，得到了基于线性分类器的刀具磨损识别模型；最后，将检测信号输入模型中进行识别，对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型，运算时间减少，运算精度提高。实验结果表明，该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果，为刀具磨损状态的监测提供了一种新方法。