针对铣刀磨损状态监测中信号噪声大、监测效率低等问题,提出了一种基于能量权重法的变分模态分解(VMD)与黑寡妇(BWO)-支持向量机(SVM)的铣刀磨损状态监测方法。首先,运用VMD将铣削时产生的振动信号分解成若干固有模态函数(IMF)分量,并...针对铣刀磨损状态监测中信号噪声大、监测效率低等问题,提出了一种基于能量权重法的变分模态分解(VMD)与黑寡妇(BWO)-支持向量机(SVM)的铣刀磨损状态监测方法。首先,运用VMD将铣削时产生的振动信号分解成若干固有模态函数(IMF)分量,并通过能量加权合成峭度指标自适应提取出了包含磨损状态特征的IMF分量,并进行了信号重构,对重构信号进行了特征提取;然后,利用BWO算法优化SVM的参数,构建了BWO-SVM铣刀磨损状态监测模型;最后,为了验证上述方法的有效性,以某公司真实加工现场的PHM Society 2010铣刀全寿命周期的振动数据进行了实验,并且又通过实际的工程案例对此进行了验证。研究结果表明:通过所提方法自适应提取有效分量并进行信号重构后,降噪效果明显,并通过与遗传算法(GA)和粒子群算法(PSO)优化的SVM相比,经过BWO优化的SVM的训练时间缩短至25.142 s,同时监测精度达到97.246%;采用该方法对铣刀磨损状态进行监测,能够获得更快的识别速度与更高的准确性,提高了铣刀磨损状态监测的效率。展开更多
针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的...针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明:所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R^(2)为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。展开更多
文摘针对铣刀磨损状态监测中信号噪声大、监测效率低等问题,提出了一种基于能量权重法的变分模态分解(VMD)与黑寡妇(BWO)-支持向量机(SVM)的铣刀磨损状态监测方法。首先,运用VMD将铣削时产生的振动信号分解成若干固有模态函数(IMF)分量,并通过能量加权合成峭度指标自适应提取出了包含磨损状态特征的IMF分量,并进行了信号重构,对重构信号进行了特征提取;然后,利用BWO算法优化SVM的参数,构建了BWO-SVM铣刀磨损状态监测模型;最后,为了验证上述方法的有效性,以某公司真实加工现场的PHM Society 2010铣刀全寿命周期的振动数据进行了实验,并且又通过实际的工程案例对此进行了验证。研究结果表明:通过所提方法自适应提取有效分量并进行信号重构后,降噪效果明显,并通过与遗传算法(GA)和粒子群算法(PSO)优化的SVM相比,经过BWO优化的SVM的训练时间缩短至25.142 s,同时监测精度达到97.246%;采用该方法对铣刀磨损状态进行监测,能够获得更快的识别速度与更高的准确性,提高了铣刀磨损状态监测的效率。
文摘针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明:所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R^(2)为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。
