基于极限学习机的车削刀具状态监测技术研究

摘要

刀具状态监测技术是实现自动化、智能化生产的关键技术.该技术发展至今,仍然不能够真正应用于实际加工中,也未能很好的解决变工况加工过程中;精确识别刀具磨损状态的问题.因此,本文通过对车削刀具磨损状态监测技术的研究.建立了刀具磨损状态识别的极限学习机(Extreme learning machine,ELM)模型.首先,选择了振动信号、AE信号作为监测信号;对采集的信号分别进行时域分析、振动信号进行小波分析、AE信号进行多分辨率分析并提取与刀具磨损相关性强的特征作为原始特征.其次,采用Relief-F算法对原始特征进行特征过滤得到最终特征样本.最后,将训练样本输入建立的ELM模型进行训练,并输入测试样本查看仿真结果.模型的正确识别率为96.296％,表明建立的ELM模型对车削刀具状态识别具有很好的分类效果.