典型文献
基于主轴电流信号多特征融合的刀具磨损状态监测
文献摘要：
为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法.首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析.结果表明,所提出的方法具有较高的准确率和较好的泛化能力.能够实现正常生产条件下对刀具磨损的长期在线监测.
文献关键词：
主轴电机电流;刀具磨损;状态识别;支持向量机;粒子群算法
中图分类号：
作者姓名：
武滢
作者机构：
沈阳理工大学机械工程学院,辽宁沈阳110159
文献出处：
引用格式：
[1]武滢-.基于主轴电流信号多特征融合的刀具磨损状态监测)[J].制造技术与机床,2022(03):44-48
A类：
主轴电机电流
B类：
主轴电流,电流信号,多特征融合,刀具磨损状态监测,生产条件,在线监测,粒子群优化支持向量机,支持向量机模型,PSO,监测方法,数控机床主轴,EMD,能量熵,输入特征,特征向量,粒子群寻优,寻优算法,信号融合,融合特征,状态识别,识别模型,立式加工中心,泛化能力,对刀,粒子群算法
AB值：
0.205764
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
