针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及...针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了(尤其在小样本下)刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。展开更多
金属切削是一个非线性系统,刀具磨损产生的声发射信号具有混沌特征。该文采用混沌理论对刀具不同磨损程度的声发射信号进行非线性特性分析。首先采用经验模态分解与小波阈值结合(empirical mode decomposition and wavelet,EMD-Wavelet...金属切削是一个非线性系统,刀具磨损产生的声发射信号具有混沌特征。该文采用混沌理论对刀具不同磨损程度的声发射信号进行非线性特性分析。首先采用经验模态分解与小波阈值结合(empirical mode decomposition and wavelet,EMD-Wavelet)的法对信号去噪,消除噪声对吸引子结构以及特征参数的影响。其次利用互信息法和Cao方法分别求时延和嵌入维,对去噪后的信号进行相空间重构。最后绘制吸引子相图,并求解特征参数关联维。结果表明,看似无序杂乱的非线性声发射信号有着内在的有序状态。吸引子结构随着刀具磨损状态的改变呈现一定变化规律,关联维数与刀具磨损状态有一定的对应关系。这些特性对于刀具磨损状态识别有一定的参考意义。展开更多
文摘针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了(尤其在小样本下)刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。
文摘金属切削是一个非线性系统,刀具磨损产生的声发射信号具有混沌特征。该文采用混沌理论对刀具不同磨损程度的声发射信号进行非线性特性分析。首先采用经验模态分解与小波阈值结合(empirical mode decomposition and wavelet,EMD-Wavelet)的法对信号去噪,消除噪声对吸引子结构以及特征参数的影响。其次利用互信息法和Cao方法分别求时延和嵌入维,对去噪后的信号进行相空间重构。最后绘制吸引子相图,并求解特征参数关联维。结果表明,看似无序杂乱的非线性声发射信号有着内在的有序状态。吸引子结构随着刀具磨损状态的改变呈现一定变化规律,关联维数与刀具磨损状态有一定的对应关系。这些特性对于刀具磨损状态识别有一定的参考意义。
