本文選題：刀具磨損量預測 + 最小二乘支持向量機��； 參考：《中國機械工程》2015年02期

【摘要】：提出了基于最小二乘支持向量機回歸算法的刀具磨損量預測方法。該方法首先利用經驗模態(tài)分解算法對非線性、非平穩(wěn)的聲發(fā)射信號進行平穩(wěn)化處理,得到了若干個固有模態(tài)函數(shù);然后建立了每個固有模態(tài)函數(shù)的自回歸模型,并提取模型系數(shù)構造特征向量;最后采用最小二乘支持向量機回歸算法實現(xiàn)了刀具磨損量的預測。該方法與神經網絡預測算法相比,具有更高的預測準確率,可有效預測當前切削狀態(tài)下10s后的刀具磨損量。
[Abstract]:A tool wear prediction method based on least squares support vector machine (LS-SVM) regression algorithm is proposed.Firstly, the empirical mode decomposition algorithm is used to stabilize the nonlinear and non-stationary acoustic emission signals, and some inherent modal functions are obtained, and then the autoregressive model of each inherent mode function is established.The model coefficients are extracted to construct the eigenvector and the least square support vector machine (LS-SVM) regression algorithm is used to predict the tool wear.Compared with the neural network prediction algorithm, this method has higher prediction accuracy and can effectively predict the tool wear after 10 seconds in the current cutting state.
【作者單位】： 東北電力大學;吉林石化工程設計有限公司;
【基金】：東北電力大學博士科研啟動基金資助項目(BSJXM-201115)
【分類號】：TG71;TH117.1

【參考文獻】

相關期刊論文 前1條

1 王國鋒;李啟銘;秦旭達;喻秀;崔銀虎;彭東彪;;支持向量機在刀具磨損多狀態(tài)監(jiān)測中的應用[J];天津大學學報;2011年01期

【共引文獻】

相關期刊論文 前1條

1 任福華;;數(shù)控車削加工中的刀具選擇[J];山東工業(yè)技術;2014年18期

相關博士學位論文 前2條

1 李威霖;車銑刀具磨損狀態(tài)監(jiān)測及預測關鍵技術研究[D];西南交通大學;2013年

2 陳洪濤;基于多參量信息融合的刀具磨損狀態(tài)識別及預測技術研究[D];西南交通大學;2013年

相關碩士學位論文 前9條

1 崔銀虎;基于協(xié)整建模的刀具磨損預測研究[D];天津大學;2012年

2 徐洪W，

本文編號：1760249