基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别.PDFVIP

第 34 卷 第 14 期 农 业 工 程 学 报 Vol.34 No.14 2018 年 7 月 Transactions of the Chinese Society of Agricultural Engineering Jul. 2018 61 基于 MF-DFA 特征和 LS-SVM 算法的刀具磨损状态识别 关 山，庞弘阳，宋伟杰，康振兴 （东北电力大学机械工程学院，吉林 132012 ） 摘 要：鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势，该文提出了基于多重分形去趋势波 动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先，用 MF-DFA （multifractal detrended fluctuations analysis ） 方法处理去噪后的刀具磨损声发射信号，讨论其长程相关性和分形特性；然后，分析对比了不同磨损阶段下多重分形谱 参数的变化，筛选出能灵敏表征刀具磨损状态的多重分形谱参数：分形维数最大值点对应的奇异指数 α0 ，多重分形谱谱 宽α和广义 Hurst 指数波动均值 h (q) 作为特征量；最后，利用 LS-SVM （least square support vector machine ）算法并对 比支持向量机和神经网络算法实现刀具磨损状态识别，结果表明LS-SVM 算法识别率最高，平均识别准确率达 97.78%， 验证了本文所提方法的有效性。试验结果表明，提取的特征对刀具磨损状态的变化非常敏感，可以分离相近的磨损状态， 为刀具状态监测提供一种参考方法。 关键词：切削刀具；刀具磨损；声发射；状态识别；多重分形；去趋势波动分析；支持向量机 doi ：10.11975/j.issn.1002-6819.2018.14.008 中图分类号：TH165+ .3；TP206 文献标志码：A 文章编号：1002-6819(2018)-14-0061-08 关 山，庞弘阳，宋伟杰，康振兴. 基于 MF-DFA 特征和 LS-SVM 算法的刀具磨损状态识别[J]. 农业工程学报，2018， 34(14)：61－68. doi ：10.11975/j.issn.1002-6819.2018.14.008 Guan Shan, Pang Hongyang, Song Weijie, Kang Zhenxing. Cutting tool wear recognition based on MF-DFA feature and LS-SVM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 61 －68. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.14.008 很难准确反映刀具磨损过程中复杂的内在动力学特性。 0 引 言  Kantelhardt 等[14]在单分形的基础上，提出了多重分形去 切削是机械加工中的重要工序，为提高机械加工的 趋势波动分析 （multifractal detrended fluctuations analysis ， 自动化和智能化水平，提高生产效率和质量，迫切要求 MF-DFA ）方法，既可以反映非线性信号的整体分形特性， 对刀具磨损状态进行可靠监测，磨损状态特征提取是实 也具有较强的局部分析能力，能够准确描述信号的局部 现刀具磨损状态监测的关键[1] 。近年来学者运用时频谱、