一种基于EMD-SVM的刀具磨损监测方法技术

本发明专利技术涉及一种刀具磨损监测方法及系统，方法包括：获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；对信号进行分析得出其时频域特点；采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；采用得到的特征值并将其标记，输入SVM中得到学习模型；利用得到的模型进行加工指导。本发明专利技术从刀具磨损对应信号获得刀具磨损曲线，对数据进行划分，获得更准确的数据类型。同时提取信号特征值进行神经网络学习，计算结果更为准确。利用模型进行加工指导，使加工更具简便性。

【技术实现步骤摘要】
一种基于EMD-SVM的刀具磨损监测方法
本专利技术涉及了刀具磨损监测领域，特别是一种基于EMD-SVM的刀具磨损监测方法。
技术介绍
刀具磨损作为最主要的刀具失效形式，关乎着制造的精度及产品的表面质量。测量刀具磨损的方法主要分为直接观察法和间接观察法。直接观察法就是测量刀具磨损量来衡量，包括监测磨损宽度、磨损面大小等。常用的方法有接触法、辐射法和光学检测法。它存在两个主要缺陷，一是不能对刀具磨损状态进行实时监测，另一个是停机检测极大降低工作效率。间接观察法就是基于对与磨损或破损密切相关信号的监测，构建监测信号与刀具状态的模型，从而间接获取当前磨损状态。因此构建刀具磨损模型并识别刀具磨损具有重要的现实意义。只是监测铣削时的信号不能准确的反应刀具磨损情况，通过机器学习将监测的信号作为输入进行训练最终实现刀具磨损的识别，由于深度学习及其他学习模型所需数据量大、运算速度慢，BP神经网络准确性相对不稳定。SVM由于其算法简单和具有优秀的“学习”能力，本专利技术采用线性分类器对数据进行学习，从而达到刀具磨损识别的效果。
技术实现思路
本文档来自技高网...

【技术保护点】
1.一种刀具磨损监测方法，其特征在于，包括：/n获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；/n对信号进行分析得出其时频域特点；/n采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；/n采用得到的特征值并将其标记，输入SVM中得到学习模型；/n利用得到的模型进行加工指导。/n

【技术特征摘要】
1.一种刀具磨损监测方法，其特征在于，包括：
获取刀具磨损时的信号，拟合刀具磨损曲线，对数据进行分类；
对信号进行分析得出其时频域特点；
采用选取的特征值计算方式对信号进行特征值提取，得到可靠的低维压缩信号；
采用得到的特征值并将其标记，输入SVM中得到学习模型；
利用得到的模型进行加工指导。


2.根据权利要求1所述的设计方法，其特征在于，对信号进行时频域分析并拟合磨损曲线对数据进行分类，具体为：
对数据进行频域变换，得到数据时、频域；
对刀具磨损进行拟合，对其对应数据进行分类处理。


3.根据权利要求2所述的设计方法，其特征在于，所述采用特征值计算方法提取特征值，具体为：
根据信号时域特点提取信号标准差作为特征值；
根据信号频域特点提取信号I-kazTM作为频域特征值；
根据信号...

【专利技术属性】
技术研发人员：谢振龙，严复钢，魏学涛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23