基于EEMD-SVM的刀具磨损状态研究

• 作者: 傅攀 李晓晖 江雁
• 来源期刊: 中国测试
• 关键词: 刀具磨损状态识别 集合经验模态分解 支持向量机 多传感器
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 测试仪器
• 页码范围: 87-91
• 页数: 5页
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2016.01.020

摘要

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别.首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别.实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	傅攀	西南交通大学机械工程学院	78	545	12.0	18.0
2	李晓晖	西南交通大学机械工程学院	10	96	7.0	9.0
3	江雁	西南交通大学机械工程学院	1	6	1.0	1.0