基于PCA和SVM的微銑刀磨損狀態識別*

彭明松，王二化，張 屹

(1.常州大學機械與軌道交通學院，常州 213164；2.常州信息職業技術學院常州市高端制造裝備智能化技術重點實驗室，常州 213164)

0 引言

隨著微銑刀的不斷投入使用，刀具磨損量也就逐漸變大，加工方式、工件材料等都對磨損速度產生了很大的影響。加工過程中磨損現象也基本可以劃分為3～4個磨損階段，每個階段呈現一定的規律與特性。刀具磨損程度的大小將直接影響切削過程中產生的信號。切削產生的信號帶有豐富的刀具磨損信息,所以分析刀具磨損與其之間的關系，從切削信號中提取能夠反映刀具磨損的特征是間接研究刀具磨損監測的關鍵。

李光輝[1]運用GA-BP神經網絡識別旋轉超聲加工刀具狀態，準確率顯著提升。BINSAEID等[2]采用徑向基神經網絡，對刀具磨損狀態進行了預測，得到的辨識精度也較高。謝慶陸等[3]在研究變參數銑削刀具狀態監測時，引入了無量綱切削力時域特征，將舊特征和新特征分別輸入SVM模型中。LI等[4]用v-SVM監測刀具監測刀具狀態，提取了14個相關特征，通過分析也提高了準確率。劉宇[5]對采集到的切削力信號進行了時域、頻域和時頻的多重分析和特征提取，對提取的大量特征分析之后，提出各方向特征量比值法，最后組成特征向量輸入多分類支持向量機模型中進行模式識別，通過實驗驗證更適用于刀具監測。劉同瞬[6]通過分析磨損對切削信號的影響，從切削信號中提取了能夠反映微銑刀磨損的信息，進而分析了微銑削刀具磨損的變化規律，并綜合提取出來的磨損特征和刀具磨損的變化規律，提高了微銑削刀具磨損的準確性。……