典型文献
基于EMD-SVM的钛合金铣削过程刀具磨损监测
文献摘要：
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.
文献关键词：
经验模态分解;支持向量机;刀具磨损监测;切削力信号;振动信号
中图分类号：
作者姓名：
谢振龙;岳彩旭;刘献礼;严复钢;刘智博;穆殿方;梁越昇
作者机构：
哈尔滨理工大学先进制造智能化技术教育部重点实验室 哈尔滨,150080;佐治亚理工学院乔治·W·伍德拉夫机械工程学院 亚特兰大,30332
文献出处：
引用格式：
[1]谢振龙;岳彩旭;刘献礼;严复钢;刘智博;穆殿方;梁越昇-.基于EMD-SVM的钛合金铣削过程刀具磨损监测)[J].振动、测试与诊断,2022(05):988-996
A类：
kazTM
B类：
EMD,钛合金,铣削过程,刀具磨损监测,硬质合金刀具,Ti,6Al,4V,基于经验,经验模态分解,empirical,mode,decomposition,support,vector,machine,阶段识别,加速度信号,信号分解,模态分量,intrinsic,function,IMF,新信号,多指标,功率谱熵,输入特征,特征向量,分类器,识别模型,检测信号,对刀,识别精度,小波包,运算时间,刀具磨损状态,切削力信号,振动信号
AB值：
0.345244
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。
