典型文献
WPD和SVM-PSO在微铣刀磨损在线监测中的应用
文献摘要：
为提高微铣刀磨损状态的预测精度和计算效率,本文提出了 一种基于小波包分解(Wavelet packet decomposition,WPD)和 支持向 量机-粒子群优化(Support vector machine-particle swarm optimization,SVM-PSO)的微铣刀磨损在线监测方法.首先根据刀具使用时长和磨损程度将微铣刀磨损分为初始磨损、轻度磨损、中度磨损、重度磨损和刀具失效5种状态;接着对采集到的振动信号进行WPD变换,提取小波包关键节点的能量比和小波包系数峭度作为磨损特征,并分析了不同切削参数对这2个特征的影响;最后利用SVM-PSO模型进行微铣刀磨损状态分类与预测.研究结果表明,和网格搜索法相比,本文提出的微铣刀磨损在线监测方法在计算精度和效率方面具有综合优势,可以为其它刀具磨损监测提供必要的理论基础和实践指导.
文献关键词：
微铣刀磨损;振动信号;小波包分解;支持向量机;粒子群优化
中图分类号：
作者姓名：
王二化;刘颉
作者机构：
常州信息职业技术学院常州市高端制造装备智能化技术重点实验室,江苏常州 213164;华中科技大学水电与数字化工程学院,武汉 430074
文献出处：
引用格式：
[1]王二化;刘颉-.WPD和SVM-PSO在微铣刀磨损在线监测中的应用)[J].机械科学与技术,2022(07):1076-1084
A类：
微铣刀磨损
B类：
WPD,PSO,在线监测,磨损状态,计算效率,于小波,小波包分解,Wavelet,packet,decomposition,粒子群优化,Support,vector,machine,particle,swarm,optimization,监测方法,刀具使用,使用时长,磨损程度,刀具失效,振动信号,关键节点,能量比,峭度,磨损特征,切削参数,状态分类,网格搜索法,计算精度,综合优势,刀具磨损监测,实践指导
AB值：
0.311711
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。
