基于eemd-svm的刀具磨损状态研究 study of tool wear based on eemd-svm.pdfVIP

下载本文档

3
0
约1.76万字
约 5页
2017-11-02 发布于上海
举报
版权申诉

基于eemd-svm的刀具磨损状态研究 study of tool wear based on eemd-svm.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于eemd-svm的刀具磨损状态研究 study of tool wear based on eemd-svm

兰堡堂竺竺!壁!!竺竺鳖：生基于EEMD—SVM的刀具磨损状态研究江雁，傅攀，李晓晖 (西南交通大学机械工程学院，四川成都610031) 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 Vector mode machine，器信号，运用集合经验模态分解(ensembleempiricaldecomposition，EEMD)和支持向量机(support 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(infrinsicmodefunction，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。关键词：刀具磨损状态识别：集合经验模态分解；支持向量机；多传感器文献标志码：A 文章编号：1674—5124(2016)01—0087一05 oftoolwearbasedonEEMD—SVM Study JIANG Xiaohui Yan，FUPan，LI (SchoolofMechanical 61003 Engineering，SouthwestUniversity，Chengdul，China) Jiaotong Abstract：Tomakethe in wear and neuralnetworks si#妒alssteadycutting—toolmonitoringprevent f而m intolocalminimumValues smaU wehave a eas订yfaUing dudng samplemodeling， proposed newmethodto wear conditionsbasedonmulti—sensorensemble identif，cutting—tool signals， mode vector empiricaldecomposition(EEMD)andsupport machine(SVM)．First，collectedvibration are intoanumberof intrinsicmodefunctionsandfurther signalsdecomposed stationary intothe sumof intrinsicmode thesefunct