基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别

作     者：关山 庞弘阳 宋伟杰 康振兴 Guan Shan;Pang Hongyang;Song Weijie;Kang Zhenxing

作者机构：东北电力大学机械工程学院吉林132012 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2018年第34卷第14期

页      面：61-68页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 080202[工学-机械电子工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：吉林省科技厅科技公关计划(20170520099JH) 吉林省省教育厅"十二五"科学技术研究项目(20150249) 

主　　题：切削刀具 刀具磨损 声发射 状态识别 多重分形 去趋势波动分析 支持向量机 

摘      要：鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。