发明名称 | 一种车削颤振检测方法 | ||
摘要 | 本发明公开了一种车削颤振检测方法,涉及检测技术领域。车削过程中的机床状态可反映在动态切削力中。本发明中,首先使用离线数据训练模型,使用小波包变换将力信号分解到第六层,计算每个节点的能量,构成64维的特征向量。采用最小二乘支持向量机-回归特征消除(LSSVM-RFE)对特征向量进行降维,不断消除冗余特征,选出最优秀的几个特征,并以此来训练最小二乘支持向量机分类器。每个选择出的特征对应的一个小波包节点,在在线检测过程中,只需使用小波包矩阵将力信号分解到离线训练中选出的小波包节点,构建特征向量输入分类器中得出检测结果。本发明中由于采用特征降维的方法,具有速度快、识别准确度高的特点,有效保证了加工安全和产品质量。 | ||
申请公布号 | CN105108584A | 申请公布日期 | 2015.12.02 |
申请号 | CN201510430371.8 | 申请日期 | 2015.07.21 |
申请人 | 上海交通大学 | 发明人 | 钱士才;熊振华;孙宇昕;朱向阳 |
分类号 | B23Q17/12(2006.01)I | 主分类号 | B23Q17/12(2006.01)I |
代理机构 | 上海旭诚知识产权代理有限公司 31220 | 代理人 | 郑立 |
主权项 | 一种车削颤振检测方法,其特征在于,所述方法包括以下步骤:步骤1:通过车削实验获取稳定车削状态下的切削力信号,然后在所述车削实验中采用较大的切削参数以激发出颤振状态获得相应的力信号,离线数据包括所述稳定状态切削力信号和所述颤振状态切削力信号;步骤2:使用小波包变换将所述颤振状态切削力信号分解到第六层,得到小波系数;对所述第六层的64个节点分别计算节点能量,得到64维的特征向量;离线特征向量集的构建来自于对所述离线数据的所述小波包变换处理;步骤3:使用最小二乘支持向量机‑回归特征消除(LSSVM‑RFE)方法对步骤2中得到的所述64维特征向量进行特征降维,每一步消去一个最不重要的特征,最后根据特征消除过程中的检测结果,得到最优秀的特征组合,每个特征对应一个小波包节点;步骤4:使用步骤3中选出的所述最优秀的特征组合来训练最小二乘支持向量机分类器(LSSVM);步骤5:在在线检测过程中,使用小波包矩阵的方法进行小波包变换,将所述颤振状态切削力信号分解到步骤3中选定的所述小波包节点;步骤6:利用步骤5得到的小波节点系数计算节点能量,构造出维数较低的特征向量;步骤7:使用步骤6得到的所述维数较低的特征向量输入步骤4中得到的所述最小二乘支持向量机分类器,得到颤振检测结果。 | ||
地址 | 200240 上海市闵行区东川路800号 |