WOA-SVM算法在鈦合金端銑刀具磨損預(yù)測(cè)的研究

梁柱，宋小春

(1.廣東創(chuàng)新科技職業(yè)學(xué)院智能制造學(xué)院，廣東東莞 523960;2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東廣州 510641)

0 前言

實(shí)時(shí)在線刀具磨損監(jiān)測(cè)有利于保證被加工工件的尺寸精度和表面完整性，充分利用刀具壽命，減少非計(jì)劃停機(jī)時(shí)間，開發(fā)刀具磨損在線監(jiān)測(cè)系統(tǒng)對(duì)于促進(jìn)現(xiàn)代制造業(yè)的快速發(fā)展具有重要意義。

刀具磨損監(jiān)測(cè)系統(tǒng)主要包括3個(gè)要素：監(jiān)測(cè)信號(hào)、監(jiān)測(cè)特征和決策系統(tǒng)。以往的研究表明：常用的刀具磨損監(jiān)測(cè)信號(hào)主要包括切削力、振動(dòng)、聲發(fā)射等。在決策系統(tǒng)中，許多機(jī)器學(xué)習(xí)方法被用來(lái)監(jiān)測(cè)加工過程中的刀具磨損。最常用的方法包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)、隱馬爾可夫模型(Hidden Markov Model,HMM)和支持向量機(jī)(Support Vector Machine,SVM)。然而刀具磨損預(yù)測(cè)模型的預(yù)測(cè)性能在很大程度上取決于所采用的監(jiān)測(cè)特征。近年來(lái)，許多研究者成功地將支持向量機(jī)應(yīng)用于刀具磨損監(jiān)測(cè)中。ELANGOVAN等分析了SVM(C-SVC和SVC)核函數(shù)對(duì)刀具條件分類率的影響。WANG等利用ν-SVC和LPP來(lái)估計(jì)銑削過程中的刀具磨損狀態(tài)。邵占帥和黃民針對(duì)數(shù)控機(jī)床刀具磨損問題，通過雙譜間接估計(jì)法對(duì)振動(dòng)信號(hào)進(jìn)行了處理分析。廖小平等通過切削力和刀具磨損狀態(tài)，建立了兩者之間的非線性映射關(guān)系，采用降維方法準(zhǔn)確地預(yù)測(cè)了刀具的磨損狀態(tài)。然而，這些基于SVM的模型中模型參數(shù)的優(yōu)化和選擇是通過網(wǎng)格搜索方法進(jìn)行的，或者僅對(duì)特定參數(shù)進(jìn)行優(yōu)化。由于搜索空間中的最優(yōu)解受制于網(wǎng)格劃分密度，考慮建模時(shí)間消耗，難以保證更好的預(yù)測(cè)精度。……